深度学习驱动的航班备降需求预测方法及系统与流程

本申请涉及 ，具体涉及深度学习驱动的航班备降需求预测方法及系统。

背景技术：

1、随着民航业的快速发展，航班数量持续增长，复杂多变的气象条件、机场资源紧张及空中交通流量管控等因素导致航班备降事件频繁发生，航班备降不仅会造成航空公司运营成本增加、旅客行程延误，还可能引发机场地面保障资源调度混乱，影响整个航空运输网络的运行效率。

2、然而，传统的航班备降需求预测方法多依赖人工经验判断或基于单一因素的统计模型，难以有效整合航班运行、气象、机场资源、空管流控等多源异构数据，对长时序依赖关系和机场群间复杂的时空关联特征捕捉能力不足，导致预测精度较低、时效性差，无法为航空公司和空管部门提供精准、动态的备降决策支持，难以满足现代航空运输对精细化运行管理的需求。

技术实现思路

1、本申请实施例通过提供深度学习驱动的航班备降需求预测方法及系统，解决了现有航班备降需求预测方法难以有效整合多源异构数据，对长时序依赖关系和机场群时空关联特征捕捉不足，导致预测精度低、时效性差的技术问题。

2、本申请解决上述技术问题的技术方案如下：

3、第一方面，本申请提供了深度学习驱动的航班备降需求预测方法，所述方法包括：

4、获取目标航班的航班运行数据、气象预报数据、机场资源数据及空管流控数据，并进行多源异构数据融合与标准化处理，生成航班备降特征张量；

5、通过多头自注意力机制提取所述航班备降特征张量中的长时序依赖特征，生成时序增强特征图；

6、基于所述时序增强特征图，通过图注意力网络对目标机场及周边备降机场群的时空关联关系进行建模，生成机场群协同特征向量；

7、对所述时序增强特征图与所述机场群协同特征向量进行跨模态融合，输入至预先构建的备降需求时序预测模型，输出目标航班在预设未来时间窗口内对各个备降机场的备降需求概率分布；

8、根据所述备降需求概率分布，结合各备降机场的实时剩余保障能力，生成备降场推荐排序列表及对应的备降置信度评分。

9、第二方面，本申请提供了深度学习驱动的航班备降需求预测系统，包括：

10、数据采集融合模块，用于获取目标航班的航班运行数据、气象预报数据、机场资源数据及空管流控数据，并进行多源异构数据融合与标准化处理，生成航班备降特征张量；

11、时序特征提取模块，用于通过多头自注意力机制提取所述航班备降特征张量中的长时序依赖特征，生成时序增强特征图；

12、空间关联建模模块，用于基于所述时序增强特征图，通过图注意力网络对目标机场及周边备降机场群的时空关联关系进行建模，生成机场群协同特征向量；

13、跨模态融合与预测模块，用于将所述时序增强特征图与所述机场群协同特征向量进行跨模态融合，输入至预先构建的备降需求时序预测模型，输出目标航班在预设未来时间窗口内对各个备降机场的备降需求概率分布；

14、决策输出模块，用于根据所述备降需求概率分布，结合各备降机场的实时剩余保障能力，生成备降场推荐排序列表及对应的备降置信度评分。

15、本申请提供了一个或多个技术方案，至少具有如下技术效果或优点：

16、本申请实施例通过提供深度学习驱动的航班备降需求预测方法及系统，首先，整合航班运行、气象预报、机场资源及空管流控等多源异构数据，并进行标准化处理生成航班备降特征张量，实现对影响航班备降各因素的统一表征。其次，利用多头自注意力机制，挖掘特征张量中的长时序依赖关系，生成的时序增强特征图反映了航班运行状态随时间的动态变化规律。再次，基于图注意力网络，以目标机场及周边备降机场为节点，构建机场群空间拓扑图并学习节点间的注意力权重，从而深度建模机场群的时空关联关系。然后，将时序增强特征图与机场群协同特征向量进行跨模态融合，利用两种模态特征的互补性，输入至备降需求时序预测模型后，输出目标航班在未来预设时间窗口内对各备降机场的备降需求概率分布，实现对备降需求的预测。最后，结合各备降机场的实时剩余保障能力，对预测概率进行综合评估与排序，生成备降机场推荐排序列表及备降置信度评分，为航空公司和空管部门提供了科学、动态的备降决策支持。

17、通过上述技术方案，本申请有效解决了传统预测方法在多源数据整合、长时序依赖捕捉及机场群时空关联建模方面的不足，提升了航班备降需求预测的精度和时效性，有助于降低航空公司运营成本、减少旅客延误，并优化机场地面资源调度，提升整个航空运输网络的运行效率。

1.深度学习驱动的航班备降需求预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的深度学习驱动的航班备降需求预测方法，其特征在于，获取目标航班的航班运行数据、气象预报数据、机场资源数据及空管流控数据，并进行多源异构数据融合与标准化处理，生成航班备降特征张量，包括：

3.根据权利要求1所述的深度学习驱动的航班备降需求预测方法，其特征在于，通过多头自注意力机制提取所述航班备降特征张量中的长时序依赖特征，生成时序增强特征图，包括：

4.根据权利要求1所述的深度学习驱动的航班备降需求预测方法，其特征在于，基于所述时序增强特征图，通过图注意力网络对目标机场及周边备降机场群的时空关联关系进行建模，生成机场群协同特征向量，包括：

5.根据权利要求1所述的深度学习驱动的航班备降需求预测方法，其特征在于，将所述时序增强特征图与所述机场群协同特征向量进行跨模态融合，输入至预先构建的备降需求时序预测模型，输出目标航班在预设未来时间窗口内对各个备降机场的备降需求概率分布，包括：

6.根据权利要求5所述的深度学习驱动的航班备降需求预测方法，其特征在于，所述交叉注意力机制的计算方式为：将所述目标模态特征线性变换为查询矩阵，将所述上下文模态特征线性变换为键矩阵和值矩阵，计算查询矩阵与键矩阵的相似度得分，经softmax归一化后对值矩阵进行加权求和，得到所述跨模态增强特征向量。

7.根据权利要求5所述的深度学习驱动的航班备降需求预测方法，其特征在于，所述备降需求时序预测模型的构建步骤包括：

8.根据权利要求1所述的深度学习驱动的航班备降需求预测方法，其特征在于，根据所述备降需求概率分布，结合各备降机场的实时剩余保障能力，生成备降场推荐排序列表及对应的备降置信度评分，包括：

9.根据权利要求1所述的深度学习驱动的航班备降需求预测方法，其特征在于，所述方法还包括：

10.深度学习驱动的航班备降需求预测系统，其特征在于，用于执行权利要求1-9任一项所述的深度学习驱动的航班备降需求预测方法，所述系统包括：