一种基于KAN增强FT-Transformer的航空器滑行时间分位数预测方法与流程
本发明涉及机场场面运行预测与深度学习,具体涉及一种基于kan增强ft-transformer的航空器滑行时间分位数预测方法。
背景技术:
1、随着机器学习技术在航空运行数据分析领域的广泛应用,基于数据驱动的航空器滑行时间预测方法已成为机场运行预测的重要技术手段。现有技术通常采用随机森林、梯度提升决策树以及深度学习模型对机场运行数据进行建模,通过特征映射机制,将停机位、跑道、场面交通流量、气象环境等特征转换为高维特征表示,并通过多层网络结构进行特征融合与非线性映射,输出航空器滑行时间预测结果。
2、然而,随着民航机场运行规模不断扩大、运行环境复杂度持续提升,机场场面运行呈现高度动态性与随机性特征,现有滑行时间预测方法在特征表达能力、运行机理刻画以及预测结果可靠性方面逐渐暴露出不足。尽管部分现有技术通过增加模型深度或引入注意力机制提高预测性能,但仍难以兼顾预测精度、业务逻辑一致性以及运行风险评估能力。现有技术主要存在以下问题:
3、(1)特征编码方式难以刻画复杂运行状态下的非线性变化关系。现有研究中,数值特征通常通过线性嵌入或标准化处理后直接输入模型学习。然而,在机场实际运行过程中,滑行时间与场面交通流量、跑道运行模式以及滑行路径冲突等因素之间往往存在显著非线性关系。例如,当场面滑行航空器数量超过拥堵阈值时,滑行时间可能出现非线性增长甚至突变。传统线性特征编码方式难以充分表征该类复杂变化规律,导致模型在拥堵或高负荷运行场景下预测精度受限。
4、(2)模型结构缺乏业务逻辑约束,易引入伪关联。基于transformer模型的滑行时间预测方法倾向于捕捉特征之间全局上的相关性;然而,在机场运行数据中,不同特征之间往往存在复杂的相关性,其中部分相关性并不具有真实的运行因果关系;例如,模型可能将航空公司或特定机型与滑行延误时间建立较强关联,而忽略滑行道交叉冲突、滑行路径拥堵或管制调度策略等真实影响因素。由于缺乏明确的业务逻辑约束,模型容易产生伪相关关系,从而降低模型在不同机场、不同运行季节以及不同运行模式下的泛化能力,并影响预测结果的可解释性。
5、(3)预测结果缺乏不确定性量化能力,难以支持运行风险评估。现有滑行时间预测方法大多采用点预测方式,仅输出单一的时间估计值;然而,航空器地面滑行过程受多种随机因素影响,例如临时避让、滑行道冲突协调、机组操作响应差异以及气象变化等,这些因素使得滑行时间具有明显的不确定性特征;由于现有技术没有对预测结果的不确定性进行量化,例如提供置信区间或概率分布信息,导致机场运行管理人员在进行离场排序或流量调控决策时,难以评估预测结果的可靠性,从而限制了该类预测技术在复杂运行场景中的实际应用效果。
6、(4)数据缺失及异构数据处理能力不足;机场运行数据与气象数据等多源数据普遍存在字段缺失、数据格式异构以及时间粒度不一致等问题,导致数据完整性与一致性不足;现有技术通常采用固定缺失值填充策略或直接剔除含缺失值样本的方式进行处理,难以充分挖掘缺失数据中的潜在关联信息,易造成信息损失,并影响滑行时间预测模型的准确性与鲁棒性;
7、(5)模型推理效率与复杂场景表达能力难以兼顾;基于深度学习的滑行时间预测模型,复杂网络结构能够增强模型表达能力,但也会增加模型推理计算开销;在机场低负荷运行场景下,过高的模型复杂度可能造成不必要的计算资源消耗;而在高峰或拥堵运行场景下,较低复杂度模型又难以充分刻画复杂非线性运行关系;因此,现有技术仍难以根据运行负荷状态动态平衡模型预测精度与推理效率;
8、(6)隐性人为因素建模困难;机场场面运行过程中,空中交通管制员的临时调度策略、飞行员操作节奏、机组响应时间以及地面保障协同差异等因素,均可能对航空器滑行时间产生影响。该类因素具有较强的主观性、随机性和场景依赖性,通常难以通过结构化历史运行数据进行直接观测和显式量化。现有滑行时间预测方法多侧重于航班计划、跑道、机位、交通流量和气象等可观测特征,对上述隐性行为扰动因素考虑不足,导致模型难以充分刻画滑行过程中的残余不确定性,进而影响预测结果的准确性、稳定性和区间覆盖能力;
9、鉴于此,为了克服上述技术问题,本发明提出了一种基于kan增强ft-transformer的航空器滑行时间分位数预测方法。
技术实现思路
1、针对现有技术中存在的非线性运行特征刻画不足、业务机理约束缺失、预测结果不确定性量化能力不足以及复杂运行场景下泛化能力受限等问题,本发明提供一种基于kan增强ft-transformer的航空器滑行时间分位数预测方法,以提升航空器滑行时间预测的精度、稳定性及风险感知能力。
2、本发明提供一种基于kan增强ft-transformer的航空器滑行时间分位数预测方法,包括以下步骤:
3、s1、获取历史航班运行数据及气象环境数据,构建滑行时间预测数据集,并基于时间序列的8:2划分策略构建训练集与验证集;
4、s2、完成多源异构数据的时空维度融合对齐,在数据预处理阶段构建轻量级交叉注意力特征重构对齐网络,实现缺失值推断;
5、s3、根据所述数据集中的时间特征并转换为周期性时间特征,同时基于航班时空网络模型,以航班的关键运行阶段作为时间节点,构建进离港流量特征;
6、s4、将ft-transformer中的线性嵌入层替换为基于kan架构的kan tokenizer,将数值型特征输入kan tokenizer,利用b样条基函数构建可学习的非线性映射函数,将数值型特征转换为高维特征token序列;
7、s5、将所述的高维特征token序列和类别token序列输入带有因果掩码机制的transformer编码器中,通过因果掩码矩阵约束不符合机场运行机理的特征交互;
8、s6、通过分位数回归输出层同时预测航空器滑行时间的多个分位数,并采用pinball loss作为损失函数进行联合优化,得到训练后的预测模型;
9、s7、将待预测数据输入所述训练后的预测模型,输出航空器滑行时间的分位数预测结果。
10、本发明的有益效果如下:
11、1.本发明通过引入kan tokenizer替代传统神经网络中的线性特征投影方式,利用b样条基函数对数值型特征进行可学习的非线性映射,能够更充分地刻画滑行时间与时段、进离港流量、气象环境等因素之间的复杂非线性关系。由此,有助于增强模型在特征编码阶段对拥堵阈值、流量突变及气象变化等非线性运行状态的表达能力,提高航空器滑行时间预测精度;
12、2.本发明在transformer注意力计算过程中引入基于机场运行先验知识构建的因果掩码机制,通过预设因果掩码矩阵对不符合机场运行机理的特征交互关系进行约束,使模型优先在具有合理业务关联的特征之间建立注意力连接。该机制能够降低伪相关关系对模型预测结果的影响,使模型学习到更符合机场运行机理的特征关系,从而提高模型在不同机场、不同运行季节及不同运行模式下的泛化能力和可解释性。
13、3. 本发明通过构建基于pinball loss的分位数回归输出层,将传统单一点预测扩展为多分位数预测,能够同时输出p10、p50和p90分位数结果。其中,p50可作为滑行时间的基准预测值,p10与p90构成的预测区间可用于表征滑行时间的不确定性范围。由此,能够为离场排序、推出控制、地面滑行调度及运行风险评估提供更丰富的决策依据;
14、4. 本发明通过引入基于注意力机制的特征融合与缺失值重构对齐网络,能够学习航班运行数据、气象环境数据等多源异构数据之间的潜在关联关系,并在样本存在字段缺失时进行动态推断和补全。相比固定填充或直接删除缺失样本的处理方式,该方法能够减少有效信息损失,提高数据完整性和一致性,从而增强模型在数据缺失或字段异构场景下的预测稳定性;
15、5.本发明在kan tokenizer中设置复杂度感知门控单元,根据场面交通密度、时段特征等信息动态调整b样条基函数的参与计算范围。在低负荷运行场景下,该机制可减少不必要的样条计算,以降低推理计算开销;在高峰或拥堵运行场景下,该机制可增强非线性映射能力,以提高复杂运行状态下的特征表达效果。由此,能够在预测精度和推理效率之间取得更好的平衡;
16、6.本发明通过在特征token序列中引入可学习的全局行为嵌入向量,对场景特征难以解释的残余运行波动进行潜在表征。该行为表示与分位数预测任务共同优化,并通过残差相关约束及场景特征去相关约束,降低其与可观测运行特征之间的冗余相关性,从而有助于刻画空中交通管制临时调度、飞行员操作节奏、地面保障协同差异等不可观测因素引起的滑行时间不确定性,提高预测区间的合理性和风险表征能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com