面向气象场景分类的终端区空域飞行流量预测方法

1.一种面向气象场景分类的终端区空域飞行流量预测方法，其特征在于，包括：对终端区对流天气分类；对终端区数据进行预处理,构建终端区指标集；构建CNN-GRU组合模型；验证CNN-GRU组合模型的准确性；所述对终端区对流天气分类包括：将处理后的WAF气象图像作为神经网络训练集，构建CNN+Kmeans++模型，将气象场景分为无对流或轻度对流天气影响和较重对流天气影响；所述终端区指标集包括：交通特征、策略特征和气象特征；其中所述交通特征包括实际、计划流量，航班正常、取消架次，容流差，航班延误，平均延误时间，航班延误架次；所述策略特征包括流控策略发布的强度、平均流控间隔、策略激活状态；所述气象特征包括METAR报文中的气象特征、WAF对流天气、终端区天气指数；所述构建由CNN和GRU组合的流量预测模型包括：构建CNN模型；构建GRU模型；构建CNN-GRU组合模型；所述CNN模型包括输入层、卷积层、池化层、全连接层和输出层；所述构建CNN模型包括：将构建的所述终端区特征集，依据时间序列与特征维度作为长宽的矩阵X′放入输入层，通过卷积层和池化层提取输入的终端区特征，经过池化层后的输出为：式中： 为第l层使用第c l 个卷积核进行卷积和池化后所得航班流量的输出，l为CNN模型的深度，l∈{1,2,3,…}，c l ∈{1,2,3,…,C l }，C l 为卷积核最大个数；pool(·)为池化操作；x l,a 为第l层第a个时间间隔终端区流量输入向量； 为卷积运算； 为第C l 个卷积核的激活函数； 和 分别为第l层第c l 个卷积核的权重和偏置向量；对卷积层和池化层的输出数据进行偏平化操作，即式中：O l 为第l-1层输出进行偏平化操作后所得的终端区流量输出；flatten(·)为偏平化操作；将卷积和池化层的运算输出放至全连接层，经全连接层可得终端区流量预测值，即y CNN (a)＝σ CNN (ω CNN O l +b CNN )式中：y CNN (a)为CNN模型所得的第a个时间间隔的终端区流量预测值；σ CNN 、ω CNN 和b CNN 分别为CNN全连接层所选激活函数、权重和偏置向量；所述GRU模型包括输入层、隐藏层和输出层，其中隐藏层包括更新门和重置门；构建GRU模型包括：将所述依据时间序列与特征维度作为长宽的输入矩阵X′对应的隐藏层的记忆信息H为H＝(h 1 ,h 2 ,…,h a )式中：h 1 ～h a 分别为第1～a个时间间隔内，GRU神经网络所得终端区流量的记忆信息；在第a个时间间隔内，GRU神经网络所得终端区流量的更新门和重置门的输出分别为z a 和r a ，即z a ＝σ Z [ω Z (h a ,x a )+b Z ]r a ＝σ R [(ω R (h a ,x a )+b R ]式中：σ Z 和σ R 分别为更新门和重置门所选激活函数；ω Z 和ω R 分别为更新门和重置们所选权重；b Z 和b R 分别为更新门和重置门所选偏置向量；x a 是第a个时间间隔内的输入向量。基于z a 和r a 可计算 即式中： 为重置门控制前一状态时被写入到当前的侯选集的信息； 和 分别为计算 时所选权重和偏置向量；将隐藏层的记忆信息放入全连接层即可得到GRU神经网络在第a+1个时间间隔内交通状态预测值y GRU (a+1)，即式中：σ GRU 、ω GRU 和b GRU 分别为GRU神经网络全连接层所选激活函数、权重和偏置向量；所述构建CNN-GRU组合模型包括：将O l 、h a+1 和 输入至全连接层，得到CNN-GRU组合模型的航班流量预测值 即式中： 和 分别为CNN-GRU组合模型全连接层所选激活函数、权重和偏置向量。 2.如权利要求1所述的终端区空域飞行流量预测方法，其特征在于，执行CNN-GRU组合模型的步骤包括：步骤1：将形状为样本数量、时间步长、特征数的三维数据，以构建的终端区特征数据序列X构造CNN-GRU组合模型所需的输入矩阵，归一化后放至输入层。步骤2：然后将一维卷积神经网络与输入层相连，并通过最大池化处理变为更短的时间序列。步骤3：将这些由CNN特征组成的短序列输入GRU神经网络。步骤4：由CNN-GRU组合模型的密集连接层得到终端区流量值。 3.如权利要求2所述的终端区空域飞行流量预测方法，其特征在于，所述验证CNN-GRU组合模型的准确性包括：利用均方误差、平均绝对误差、均方根误差和解释方差分作为评价指标；选取终端区数据集80％的数据作为训练样本，20％的数据作为测试样本；将模型预测得到的数据进行反归一化处理，得到CNN-GRU组合模型与不同模型预测的各个评价指标的数据。 4.如权利要求3所述的终端区空域飞行流量预测方法，其特征在于，所述不同模型预测包括：RNN、LSTM、GRU、CNN模型。