[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

说明书

本发明公开了一种基于联邦学习的机场飞机流量异步预测方法，包括以下步骤：S1、接收ADS‑B报文；S2、报文数据预处理；S3、构建本地民航流量数据集；S4、异步训练；S5、本地模型更新迭代；S6、全局参数聚合；S7、迭代全局模型并同步下发。有益效果：对比集中式训练的预测模型方法，本发明将地面接收站的数据留在本地，并进行训练，减少了庞大数据上传的开销；同时对于一些敏感地区地面站的数据，因为不用上传数据，保证了数据安全；并且因为在本地端各自训练更新后，异步上传参数再全局聚合同步下放，既保障了本地模型迭代的时效性，也保证了整体模型的最优迭代。

技术领域

本发明涉及航空交通管理技术领域，具体来说，涉及一种基于联邦学习的机场飞机流量异步预测方法。

背景技术

近年来随着经济水平的提升，居民出行需求迅速增加。国家层面也在大力推进机场建设，光是长三角一体化建设的机场整体布局就多达三十多个，届时地区航空需求将达到3亿人次。给空域流量管制带来了前所未有的挑战。

空域流量数据作为空中管制领域最核心最重要的数据，对于空域飞机数量的预测一直都是研究的重点。现有的流量预测模型无论是传统回归还是深度学习方法，预测模型的更新迭代都基于集中式学习，而庞大的航空流量数据集，既增加了训练难度和数据开销，也限制了预测模型更新的及时性。

针对相关技术中的问题，目前尚未提出有效的解决方案。

发明内容

针对相关技术中的问题，本发明提出一种基于联邦学习的机场飞机流量异步预测方法，在全国范围内部署多个地面接收站来接收ADS-B报文，通过对报文数据的处理筛选融合得到本地民航流量数据。建立异步预测模型训练，同步模型参数上传更新机制。一方面，异步确保地面站本地端流量预测模型的及时更新迭代。另一方面，各个地面站本地端的预测模型迭代参数更新上传后，同步全局聚合参数，得到性能提升再更新全局模型，再下放到各个地面端，以克服现有相关技术所存在的上述技术问题。

为此，本发明采用的具体技术方案如下：

一种基于联邦学习的机场飞机流量异步预测方法，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。

进一步的，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。

进一步的，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；