[发明专利]一种基于联邦学习的机场飞机流量异步预测方法

权利要求书

1.一种基于联邦学习的机场飞机流量异步预测方法，其特征在于，该方法包括以下步骤：

S1、接收ADS-B报文：通过预设的若干地面接收设备分别对应获取民航飞机发送的ADS-B报文数据；

S2、报文数据预处理：对所述ADS-B报文数据进行数据处理，筛选出预设的流量统计信息并本地存储；

S3、构建本地民航流量数据集：依据预处理后的所述ADS-B报文数据统计指定空域内的飞机流量，得到若干本地地面站端的机场流量数据集；

S4、异步训练：每个地面站端依据自身机场流量数据集中流量数据的时序性建立训练预测模型，并利用训练预测模型按本地数据情况进行各自训练；

S5、本地模型更新迭代：每个地面站端依据各自的训练结果对模型参数进行更新，并进行模型迭代，同时存储模型参数更新的差值；

S6、全局参数聚合：在中心服务器端，按各地面站端上传的更新参数进行参数聚合；

S7、迭代全局模型并同步下发：利用参数聚合得到预测性能提升的聚合更新参数，并向各地面站端下发该聚合更新参数。

2.根据权利要求1所述的一种基于联邦学习的机场飞机流量异步预测方法，其特征在于，所述ADS-B报文数据包含但不限于飞机航班号、对地速度及经纬度。

3.根据权利要求1所述的一种基于联邦学习的机场飞机流量异步预测方法，其特征在于，所述S2中对所述ADS-B报文数据进行数据处理，筛选出预设的流量统计信息并本地存储包括以下步骤：

S21、按航班号为标签，以接收时间为顺序对接收的所述ADS-B报文数据进行本地依次存储；

S22、通过代码遍历数据去除所述ADS-B报文数据中重复冗余的无效数据，并剔除与流量统计无关的数据；

S23、将处理后的所述ADS-B报文数据按时间和航班号排序逐条存储；

S24、利用网络爬虫技术依据时间和航班号从互联网获取该航班的出发机场及目的机场数据，并整理得到指定格式的数据。

4.根据权利要求3所述的一种基于联邦学习的机场飞机流量异步预测方法，其特征在于，所述S22中去除所述ADS-B报文数据中重复冗余的无效数据还包括以下步骤：若读取的数据为非正确格式则直接删除该条数据，其中，读取的数据包含但不限于航班号、高度及时间。

5.根据权利要求3所述的一种基于联邦学习的机场飞机流量异步预测方法，其特征在于，所述S24中整理得到的每条数据的格式为：日期，时间，航班号，经度，纬度，高度，对地速度，出发机场，目的机场。

6.根据权利要求1所述的一种基于联邦学习的机场飞机流量异步预测方法，其特征在于，所述S3中依据预处理后的所述ADS-B报文数据统计指定空域内的飞机流量，得到若干本地地面站端的机场流量数据集包括以下步骤：

S31、以机场提供的日航班计划为整体统计范围，以小时段为统计粒度，依据按时间排序的处理后的所述ADS-B报文数据筛选出范围航班号；

S32、利用筛选出的范围航班号进行位置判断，确定该航班号是否到达对应机场空域范围内，得到该机场的小时飞机架次数据；

S33、利用站点计算机统计得到若干本地地面站端的机场流量数据集。

7.根据权利要求1所述的一种基于联邦学习的机场飞机流量异步预测方法，其特征在于，所述S4中建立的训练预测模型包含但不限于神经网络预测模型。

8.根据权利要求1所述的一种基于联邦学习的机场飞机流量异步预测方法，其特征在于，所述S5中更新的模型参数为所述训练预测模型的权重矩阵。

9.根据权利要求1所述的一种基于联邦学习的机场飞机流量异步预测方法，其特征在于，所述S6中全局模型初始参数为W_G，聚合更新后的参数为其中，k为比例系数，代表本机场流量占全部流量的比例，δ_i表示模型参数更新的差值。

10.根据权利要求1所述的一种基于联邦学习的机场飞机流量异步预测方法，其特征在于，所述S7中利用参数聚合得到预测性能提升的聚合更新参数，并向各地面站端下发该聚合更新参数还包括以下步骤：每隔半小时进行一次聚合权重操作，以流量预测结果的MSE差值衡量性能提升度，得到预测性能提升则下发更新的权重。