[发明专利]一种基于区域残差和LSTM网络的机场延误预测方法

权利要求书

1.一种基于区域残差和LSTM网络的机场延误预测方法，其特征在于：包括如下步骤：

1)数据预处理：融合机场数据、航班数据和气象数据，并对融合后的数据进行编码；

2)将步骤1)得到的预处理数据输入到区域残差网络，对数据的空间特征进行深层提取，同时保留数据的时序关系；区域残差网络采用了新的残差学习单元，使用的卷积核为3×1，不同层数的网络均由其堆叠而成，有效保持原始数据的时序性；同时将shortcut的非线性激活函数替换了直通连接；最后每一层前都使用了批归一化，设X为输入，经过批归一化和ReLU激活操作后，得到卷积模块的非线性映射函数H(·)，定义如下：

式中，f(·)表示ReLU激活函数和BN操作的计算过程；W^(m1)、W^(m2)和W^(m3)依次为同一个结构块中三个卷积层的权值矩阵，式中的m1、m2和m3代表三个不同卷积层；

3)将步骤2)得到的特征矩阵输入到单向池化层，进行数据维度的转换；具体过方法为：将步骤2)得到的特征矩阵输入到单向池化层，利用步长为1，数量为128的1x1的卷积核，对特征矩阵进行降维；然后再进行单向全局池化，池化方程为：A_i＝(a_i,1,a_i,2,…,a_i,j,…,a_i,7)，s_i＝ave(A_i)其中，a_i,j表示上一层神经网络输出特征图中坐标为(i,j)的神经元，s_i为最大池化层中坐标为i的神经元，ave(·)表示求矩阵中所有元素的均值；

4)将步骤3)得到的特征矩阵输入到LSTM网络，提取数据在时间维度上的依赖关系，得到最终的特征矩阵；

5)将步骤4)得到的最终特征矩阵输入到全连接层转换为一维矩阵，并利用softmax分类器对一维特征矩阵进行分类，得到机场延误预测的结果。

2.根据权利要求1所述的一种基于区域残差和LSTM网络的机场延误预测方法，其特征在于：步骤1)中的机场数据包括日期、时间、机场ID、机场所在城市ID、机场所在州的ID这五个属性。

3.根据权利要求1所述的一种基于区域残差和LSTM网络的机场延误预测方法，其特征在于：步骤1)中的航班数据包括航班起飞的年份、航班起飞的月份、航班起飞的具体日期、航班起飞的星期数、航空公司的ID、起飞机场ID、起飞机场序列ID、降落机场ID、降落机场序列ID、起飞城市ID、降落城市ID、航班号、飞机尾号、计划起飞时间、计划降落的时间、飞机起飞时起轮时间、飞机降落时放轮时间、飞机飞行的距离、航空公司的代码、航班是否取消、航班取消的代码、航班是否改航这22个属性。

4.根据权利要求1所述的一种基于区域残差和LSTM网络的机场延误预测方法，其特征在于：步骤1)中的气象数据包括天气观测站的类型、天气观测站的序号、时间、机场天气状态、能见度、天气类型、干球华氏温度、干球摄氏温度、湿球华氏温度、露点华氏温度、相对湿度、风向、风速、风的特征值、观测站气压、海平面气压、观测高度、记录类型这18个特征属性。

5.根据权利要求1所述的一种基于区域残差和LSTM网络的机场延误预测方法，其特征在于：步骤1)中数据预处理的具体过方法为：

以日期、航班起飞/降落时间以及天气观测时间这3个特征作为键值，对机场属性数据F、航班数据A和天气数据W进行融合；

将原始数据特征属性分为离散型和连续型两种，首先对连续型特征进行min-max归一化编码，然后将离散型特征以100为阈值分为高低基数两类；接下来对低基数离散型数据采用独热编码；对高基数离散型数据进行Mean编码；

将编码后的数据E按照起飞和降落时间进行排序，然后以长度为L，步长为1的分割窗口在时间维度上进行滑动分割，得到模型输入E_t。