本發(fā)明涉及計算機技術應用領域，特別是涉及一種基于動態(tài)圖結構和圖注意力的航班延誤預測方法和裝置。

背景技術：

1、在全球化的經(jīng)濟背景下，航空運輸作為連接世界各地的關鍵紐帶，其效率和可靠性對經(jīng)濟和社會活動具有深遠的影響。然而，航班延誤現(xiàn)象普遍存在于全球航空網(wǎng)絡中，不僅對旅客造成不便，還給航空公司帶來經(jīng)濟負擔，影響航班調(diào)度和運營效率。因此，準確預測航班延誤是十分必要的。當前主要通過各種統(tǒng)計和機器學習方法來預測航班延誤，但這些預測方法未能充分利用影響航班延誤的復雜因素，如天氣變化、機型特性及航班密度等。此外，大多數(shù)現(xiàn)有模型通常處理靜態(tài)數(shù)據(jù)，忽略了航班數(shù)據(jù)在時間和空間上的動態(tài)性。

技術實現(xiàn)思路

1、針對上述技術問題，本發(fā)明采用的技術方案為：

2、根據(jù)本發(fā)明第一方面，提供了一種基于動態(tài)圖結構和圖注意力的航班延誤預測方法，所述方法包括如下步驟：

3、s100，獲取基礎數(shù)據(jù)集，所述基礎數(shù)據(jù)集包括n個基礎數(shù)據(jù)組，每個基礎數(shù)據(jù)組對應設定單位時間窗口內(nèi)的基礎數(shù)據(jù)，所述基礎數(shù)據(jù)包括對應設定單位時間窗口內(nèi)的航班數(shù)據(jù)和天氣數(shù)據(jù)，其中，任一設定單位時間窗口對應的航班數(shù)據(jù)中的計劃起飛時間位于該設定單位時間窗口內(nèi)。

4、s200，基于第t個基礎數(shù)據(jù)組，為第t個基礎數(shù)據(jù)組構建對應的圖結構gt＝{vt，xt，at}，其中，vt為由第t個基礎數(shù)據(jù)組對應的單位時間窗口內(nèi)的機場組成的機場節(jié)點集，xt為vt對應的節(jié)點特征集，at為vt對應的鄰接矩陣，at為m×nt×nt維的矩陣，m為節(jié)點關系的種類，nt為第t個基礎數(shù)據(jù)組對應的單位時間窗口內(nèi)的機場的數(shù)量；其中，vt中的第i個節(jié)點對應的節(jié)點特征xti＝(atti，acti，addti，aadti，awti，lt)，atti為vt中的第i個節(jié)點對應的機場在對應時間窗口內(nèi)起降的機型，acti為vt中的第i個節(jié)點對應的機場在對應時間窗口內(nèi)的執(zhí)行飛行任務的航空公司的id，addti為vt中的第i個節(jié)點對應的機場在對應時間窗口內(nèi)的平均起飛延誤時間，aadti為vt中的第i個節(jié)點對應的機場在對應時間窗口內(nèi)的平均到達延誤時間，awti為vt中的第i個節(jié)點對應的機場在對應時間窗口內(nèi)的天氣特征，lt為第t個基礎數(shù)據(jù)組對應的單位時間窗口對應的位置編碼；i的取值為1到nt，t的取值為1到n。

5、s300，對于當前需要預測的單位時間窗口內(nèi)需要預測起飛延誤的第j個航班acj，ori，獲取acj，ori對應的起飛航班特征fcj，ori，以及獲取acj，ori對應的起飛機場在當前需要預測的單位時間窗口之前的g個單位時間窗口對應的節(jié)點特征作為第j個航班對應的前序節(jié)點特征xc，prej，ori，以及獲取第j個航班在在當前需要預測的單位時間窗口內(nèi)對應的起飛機場對應的節(jié)點特征xcj，ori；其中，fcj，ori＝(ftcj，fccj，fldcj，flacj)，ftcj為第j個航班對應的機型，fccj為第j個航班對應的航空公司的id，fldcj為第j個航班對應的航班鏈上的前序航班的起飛延誤時間，flacj為第j個航班對應的航班鏈上的前序航班的到達延誤時間，j的取值為1到h，h為當前需要預測的單位時間窗口內(nèi)的航班數(shù)量；其中，xcj，ori基于第j個航班對應的起飛機場在在當前需要預測的單位時間窗口之前的前一個單位時間窗口內(nèi)的節(jié)點特征得到；當前需要預測的單位時間窗口的初始值為位于第n個基礎數(shù)據(jù)組對應的單位時間窗口之后的第一個單位時間窗口。

6、s400，對fcj，ori、xc，prej，ori和xcj，ori進行拼接，將拼接結果作為acj，ori對應的起飛延誤時間預測特征向量xc-pj，ori，并基于xc-pj，ori對acj，ori的起飛延誤時間進行預測，得到對應的預測起飛延誤時間tcj，ori。

7、s500，獲取acj，ori對應的到達航班特征fcj，dep，以及獲取acj，ori對應的目的機場當前需要預測的單位時間窗口之前的g個單位時間窗口對應的節(jié)點特征作為第j個航班對應的前序節(jié)點特征xc，prej，dep，以及獲取第j個航班在當前需要預測的單位時間窗口內(nèi)對應的目的機場對應的節(jié)點特征xcj，dep；fcj，dep＝(fccj，fccj，tcj，ori)，xcj，dep基于第j個航班對應的目的機場在在當前需要預測的單位時間窗口之前的前一個單位時間窗口內(nèi)的節(jié)點特征得到。

8、s600，對fcj，dep、xc，prej，dep和xcj，dep進行拼接，將拼接結果作為acj，ori對應的到達延誤時間預測特征向量xc-pj，dep，并基于xc-pj，dep對acj，dep的到達延誤時間進行預測，得到對應的預測到達延誤時間tcj，dep。

9、根據(jù)本發(fā)明第二方面，提供了一種基于動態(tài)圖結構和圖注意力的航班延誤預測裝置，所述裝置包括：

10、基礎數(shù)據(jù)獲取模塊，用于獲取基礎數(shù)據(jù)集，所述基礎數(shù)據(jù)集包括n個基礎數(shù)據(jù)組，每個基礎數(shù)據(jù)組對應設定單位時間窗口內(nèi)的基礎數(shù)據(jù)，所述基礎數(shù)據(jù)包括對應設定單位時間窗口內(nèi)的航班數(shù)據(jù)和天氣數(shù)據(jù)，其中，任一設定單位時間窗口對應的航班數(shù)據(jù)中的計劃起飛時間位于該設定單位時間窗口內(nèi)。

11、圖結構構建模塊，用于基于第t個基礎數(shù)據(jù)組，為第t個基礎數(shù)據(jù)組構建對應的圖結構gt＝{vt，xt，at}，其中，vt為由第t個基礎數(shù)據(jù)組對應的單位時間窗口內(nèi)的機場組成的機場節(jié)點集，xt為vt對應的節(jié)點特征集，at為vt對應的鄰接矩陣，at為m×nt×nt維的矩陣，m為節(jié)點關系的種類，nt為第t個基礎數(shù)據(jù)組對應的單位時間窗口內(nèi)的機場的數(shù)量；其中，vt中的第i個節(jié)點對應的節(jié)點特征xti＝(atti，acti，addti，aadti，awti，lt)，atti為vt中的第i個節(jié)點對應的機場在對應時間窗口內(nèi)起降的機型，acti為vt中的第i個節(jié)點對應的機場在對應時間窗口內(nèi)的執(zhí)行飛行任務的航空公司的id，addti為vt中的第i個節(jié)點對應的機場在對應時間窗口內(nèi)的平均起飛延誤時間，aadti為vt中的第i個節(jié)點對應的機場在對應時間窗口內(nèi)的平均到達延誤時間，awti為vt中的第i個節(jié)點對應的機場在對應時間窗口內(nèi)的天氣特征，lt為第t個基礎數(shù)據(jù)組對應的單位時間窗口對應的位置編碼；i的取值為1到nt，t的取值為1到n。

12、航班起飛延誤預測模塊，用于獲取當前需要預測的單位時間窗口內(nèi)需要預測起飛延誤的第j個航班acj，ori對應的起飛航班特征fcj，ori，以及獲取acj，ori對應的起飛機場在當前需要預測的單位時間窗口之前的g個單位時間窗口對應的節(jié)點特征作為第j個航班對應的前序節(jié)點特征xc，prej，ori，以及獲取第j個航班在在當前需要預測的單位時間窗口內(nèi)對應的起飛機場對應的節(jié)點特征xcj，ori，以及用于對fcj，ori、xc，prej，ori和xcj，ori進行拼接，將拼接結果作為acj，ori對應的起飛延誤時間預測特征向量xc-pj，ori，并基于xc-pj，ori得到acj，ori對應的預測起飛延誤時間tcj，ori；其中，fcj，ori＝(ftcj，fccj，fldcj，flacj)，ftcj為第j個航班對應的機型，fccj為第j個航班對應的航空公司的id，fldcj為第j個航班對應的航班鏈上的前序航班的起飛延誤時間，flacj為第j個航班對應的航班鏈上的前序航班的到達延誤時間，j的取值為1到h，h為當前需要預測的單位時間窗口內(nèi)的航班數(shù)量；其中，xcj，ori基于第j個航班對應的起飛機場在在當前需要預測的單位時間窗口之前的前一個單位時間窗口內(nèi)的節(jié)點特征得到；當前需要預測的單位時間窗口的初始值為位于第n個基礎數(shù)據(jù)組對應的單位時間窗口之后的第一個單位時間窗口。

13、航班到達延誤預測模塊，用于獲取acj，ori對應的到達航班特征fcj，dep＝(fccj，fccj，tcj，ori)，以及獲取acj，ori對應的目的機場當前需要預測的單位時間窗口之前的g個單位時間窗口對應的節(jié)點特征作為第j個航班對應的前序節(jié)點特征xc，prej，dep，以及獲取第j個航班在當前需要預測的單位時間窗口內(nèi)對應的目的機場對應的節(jié)點特征xcj，dep，以及用于對fcj，dep、xc，prej，dep和xcj，dep進行拼接，將拼接結果作為acj，ori對應的到達延誤時間預測特征向量xc-pj，dep，并基于xc-pj，dep得到acj，dep對應的預測到達延誤時間tcj，dep；其中，fcj，dep＝(fccj，fccj，tcj，ori)，xcj，dep基于第j個航班對應的目的機場在在當前需要預測的單位時間窗口之前的前一個單位時間窗口內(nèi)的節(jié)點特征得到。

14、本發(fā)明至少具有以下有益效果：

15、本發(fā)明實施例提供的一種基于動態(tài)圖結構和圖注意力的航班延誤預測方法，首先將基礎數(shù)據(jù)按照設定單位時間窗口進行劃分得到多個基礎數(shù)據(jù)組，接著為每個基礎數(shù)據(jù)組構建對應的圖結構，將機型、航空公司和天氣特征等作為節(jié)點特征，接著，將需要預測的航班對應的航班特征、前序節(jié)點特征和當前節(jié)點特征進行融合作為起飛延誤時間特征向量，得到預測起飛延誤時間，其中，當前節(jié)點特征通過對前一時間窗口內(nèi)的對應節(jié)點特征進行擴散卷積得到，航班特征中融入了航班鏈上的前序航班的起飛延誤時間，接著，結合預測起飛延誤時間對到達延誤時間進行預測。本發(fā)明中，由于考慮了包括機型的航班數(shù)據(jù)和天氣數(shù)據(jù)，構建了動態(tài)圖結構來模擬機場和航班之間的多維交互，并通過圖注意力機制來捕捉航班之間的時空依賴關系，能夠使得預測結果更加準確。

16、應當理解，本部分所描述的內(nèi)容并非旨在標識本發(fā)明的實施例的關鍵或重要特征，也不用于限制本發(fā)明的范圍。本發(fā)明的其它特征將通過以下的說明書而變得容易理解。