基于异构图注意力机制的航班保障任务动态需求预测方法及系统与流程

本发明涉及机场运行控制，具体公开了基于异构图注意力机制的航班保障任务动态需求预测方法及系统。

背景技术：

1、在民航枢纽机场运行体系中，航班地面保障是支撑航班正常运转的核心业务环节，涵盖加油、配餐、清污水、行李与货邮装卸、客梯车对接、廊桥靠接等数十类保障节点，每个节点均涉及多种特种车辆和地面保障人员。各保障任务在时间窗口、作业顺序和资源使用上高度耦合，整体构成一个多主体、多任务、多资源协同运行的复杂网络系统。

2、从单航班角度看，保障任务组合并非固定配置，而是深度依赖于航班进离港属性、机型、航司运行标准、机位条件以及行李货运规模等固有属性的差异化组合。同时，航班所处的时间窗口（如早出港高峰、午间平峰、晚进港高峰）带来的日内周期性特征会进一步叠加影响保障资源的供需关系。此外，实际运行中机坪极易受到流量管控、航班调时延误、设备故障及高峰客流冲击等动态扰动的影响，导致保障需求在短时间内发生剧烈变化。

3、目前机场航班保障任务的生成主要依赖机场与各航司签署的固定保障协议，通过预设的硬编码规则进行任务触发与静态匹配。这类方法存在如下局限性：无法自适应感知异常工况，当航班调时、备降或设备故障等突发事件发生时，静态规则无法动态调整保障任务序列。忽略多航班间的资源竞争，每架航班的保障需求被独立处理，未考虑同时段内其他航班对同一资源的争用关系。缺乏对历史运行规律的学习能力，管制员和保障调度员在长期实践中积累的大量经验知识无法被规则系统自动吸收和复用。

技术实现思路

1、本发明的目的在于提供基于异构图注意力机制的航班保障任务动态需求预测方法及系统，解决上述问题；具体方案如下：

2、第一方面，提供基于异构图注意力机制的航班保障任务动态需求预测方法，包括：

3、对多源历史航班保障运行数据进行统一预处理与编码，构建航班保障需求预测的多源输入特征向量；

4、构建基于多视图保障异构图的空间关联编码模型，提取航班节点、保障任务节点与保障资源节点间隐含的保障规则与资源协同模式；

5、建立基于上下文感知的时序关联编码模型，将所述空间关联编码模型输出的空间嵌入表示作为先验信息，对不同运行时段及工况下保障需求的时间依赖关系进行建模；

6、通过跨域注意力机制，对所述空间关联编码模型输出的空间特征与所述时序关联编码模型输出的时间特征进行自适应加权融合，生成时空联合表示；

7、基于所述时空联合表示，通过序列解码模型按保障任务执行顺序逐步生成预测结果，同步输出保障任务类型、执行时间窗口及资源投入需求。

8、进一步的，所述对多源历史航班保障运行数据进行统一预处理与编码，包括：

9、采集至少四种维度的历史保障数据：航班计划数据、航班保障任务执行数据、保障资源调度数据以及航班保障手册或保障协议数据；

10、对来自不同数据源的上述数据分别执行缺失值插补、异常值剔除以形成标准化基础数据集合；

11、将所述基础数据集合转化为多源输入特征向量，其中，为航班计划特征向量，用于刻画航班基础运行属性及异常运行状态标识；为保障任务特征向量，至少用于描述保障任务的类别、标准时长及工序流向属性；为保障资源特征向量，至少用于描述资源类型、容量池规模属性；为保障手册规则特征向量，用于编码任务间标准关联关系与流程约束。

12、进一步的，所述构建基于多视图保障异构图的空间关联编码模型，包括：

13、构建包含三类节点和三类关系子图的多视图保障异构图g=(v,e)，其中节点集合v至少包括航班节点、保障任务节点和保障资源节点，边集合e包含多种语义关系下的异构边；

14、所述三类关系子图分别为：保障任务拓扑子图，以保障任务节点为核心，通过有向边刻画保障任务之间的工序先后关系、依赖关系及约束关系，其中t为保障任务节点；航班与任务需求子图∪t,，在航班节点与保障任务节点之间建立关联边，边权重由历史任务触发频率、机型适配规则及航班运行状态共同决定，其中f为航班节点；任务与资源需求子图∪,，通过任务与资源连接边刻画保障任务对特定资源类型的需求强度与配置模式，其中为保障资源节点；

15、对三个所述关系子图分别采用多层异构图卷积进行特征提取；对于任一关系子图，在第l层对节点i的特征更新为：，其中为节点i在关系r下的邻居节点集合，r为关系子图类型集合，和为可学习权重矩阵，为归一化系数；

16、将不同子图视图输出的节点嵌入通过自适应权重系数进行加权融合：，，形成融合多视图结构信息的空间嵌入表示。

17、进一步的，所述保障任务拓扑子图中的工序依赖关系通过以下方式联合构建：从航班保障手册或保障协议数据中提取标准保障流程的任务顺序规则，生成静态工序有向边；从历史保障任务执行数据中统计任务对的实际执行顺序频率，当两个任务之间的顺序执行频率超过预设阈值时，补充建立动态工序有向边；最终以所述静态工序有向边和动态工序有向边的并集作为的边集。

18、进一步的，所述航班与任务需求子图中的关联边通过以下方式建立：对于每一对航班节点f和保障任务节点t，若在历史数据中航班节点f所属机型或航司在航班节点f所处运行条件下至少触发过一次保障任务节点t，则在f与t之间建立无向边，边权重取历史触发频率的归一化值。

19、进一步的，所述建立基于上下文感知的时序关联编码模型，包括：

20、以单个航班为基本建模单位，将其在观测时间窗口内的保障需求状态按时间步组织为多变量时间序列；

21、将所述空间嵌入表示作为当前预测窗口内的结构先验，与各时间步t的动态运行特征拼接，构成lstm编码器的输入；

22、通过lstm对所述多变量时间序列逐时间步递归编码：()，以最后一个时间步的隐状态作为时间关联嵌入表示。

23、进一步的，所述通过跨域注意力机制生成时空联合表示，包括：

24、以各航班节点的空间嵌入表示构成矩阵，以各航班节点的时间嵌入表示构成矩阵；

25、将空间嵌入表示作为query端、时间嵌入表示作为key和value端，通过线性映射得到，，；

26、采用缩放点积注意力计算时空联合表示：

27、

28、其中为k的列维度，softmax按行归一化。

29、进一步的，所述通过序列解码模型按保障任务执行顺序逐步生成预测结果，包括：

30、所述序列解码模型为基于自注意力机制的transformer解码器，以所述时空联合表示作为编码器输出，以已生成的历史任务序列作为解码器输入；

31、对于第k个保障任务的解码步骤，解码器隐状态；

32、通过三个并行的输出头分别预测：保障任务类型，执行时间窗口，资源投入需求；

33、将所述执行时间窗口和资源投入需求作为连续值回归任务处理，将所述保障任务类型作为多分类任务处理。

34、进一步的，所述序列解码模型的训练采用教师强制策略：在训练阶段，每个解码步骤以历史真实任务序列作为输入；在推理阶段，采用束搜索生成多条候选任务序列，选取累积概率最高的序列作为最终预测输出；训练时的总体损失函数为三部分损失的加权和：，其中为任务类型分类的交叉熵损失，为时间窗口回归的均方误差损失，为资源需求回归的均方误差损失。

35、第二方面，提供基于异构图注意力机制的航班保障任务动态需求预测系统，包括：

36、数据预处理模块，用于对多源历史航班保障运行数据进行统一预处理与编码，构建多源输入特征向量；

37、空间关联编码模块，用于构建基于多视图保障异构图的空间关联编码模型，提取航班、任务、资源节点间的空间关联特征；

38、时序关联编码模块，用于建立基于上下文感知的时序关联编码模型，将空间嵌入表示作为先验对保障需求的时间依赖关系进行建模；

39、时空融合模块，用于通过跨域注意力机制对空间特征和时间特征进行自适应加权融合，生成时空联合表示；

40、序列解码预测模块，用于基于所述时空联合表示，通过序列解码模型按保障任务执行顺序逐步生成保障任务类型、执行时间窗口及资源投入需求的预测结果。

41、本发明的有益效果为：本发明将航班保障系统抽象为多视图保障异构图，通过三类关系子图将工序拓扑、需求触发和资源配置三种异质关联进行结构化解耦建模。该设计使得不同类型的保障规律可以被模型分别学习和组合利用，而非混为一谈。在时空融合策略上，所采用的跨域注意力机制以空间结构特征作为查询端（query），以时间动态特征作为键值端（key/value）。模型通过用结构框架去检索相关的时间情境的方式完成跨模态推理，比简单的拼接或对称注意力更加精准。采用自注意力解码器按保障任务的实际执行顺序逐步生成结构化预测结果，类型、时间窗口和资源需求三者同步输出。使得预测结果可以直接作为机场运行调度系统的结构化任务指令，无需额外的手工规则转换后处理。