一种基于图神经网络的机场运行风险时序预测系统

1.一种基于图神经网络的机场运行风险时序预测系统，其特征在于，包括数据采集模块、图结构构建模块、权重生成模块以及风险预测模块；其中，所述数据采集模块用于采集机场运行风险和运行态势的数据，对所述数据进行清洗，并将清洗后的数据按照时间段划分成时序数据，将所述时序数据传递到图结构构建模块、权重生成模块以及风险预测模块；所述图结构构建模块用于分析所述时序数据，建立风险之间的连接关系，形成以各类风险为节点的有向非循环图结构，并将所述有向非循环图结构传递到风险预测模块；所述权重生成模块根据所述时序数据，计算风险节点间的数据关联性，生成所述有向非循环图结构中的各节点之间的边权重，并将边权重传递到风险预测模块；所述风险预测模块根据所述有向非循环图结构中各风险节点的时序数据以及所述的边权重，采用图神经网络预测方法处理图结构数据，完成对未来时刻的各风险节点的风险值的预测。 2.根据权利要求1所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，所述系统执行如下步骤：步骤S1，数据采集模块采集机场运行过程中各类风险的风险等级和运行态势的相关数据，对上述数据进行清洗，清除缺失数据、错误数据和重复数据，并将清洗后的数据以固定时间段进行划分，得到机场运行风险的时序数据，将该时序数据传递到图结构构建模块、权重生成模块和风险预测模块；步骤S2，图结构构建模块将步骤S1中所述的清洗后的数据作为图的节点构建图结构数据，将生成的图结构数据传递到风险预测模块；步骤S3，权重生成模块以节点为中心，计算与其关联节点的相关性，并按照关联性的强弱生成相应的边权重，将产生的边权重传递到风险预测模块；步骤S4，风险预测模块将数据采集模块输入的时序数据作为图结构数据中各节点的输入特征值，将权重生成模块输入的边权重作为图结构数据中各有向边的输入特征值，采用图神经网络预测未来时刻各个风险节点的风险值；步骤S5，验证图神经网络预测的准确性，若未达到准确性要求，则重复执行步骤S1至步骤S4，直到图神经网络的预测结果符合准确性要求。 3.根据权利要求2所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤S1中所述的相关数据，至少包括：跑道侵入风险、滑行道冲突风险、限制区侵入风险、低能见度风险、低空风切风险、道面积雨风险、道面积雪风险、道面积冰风险、摩擦系数降低风险、路由偏离风险、机坪交通事件风险、航空器与航空器碰撞风险、航空器与车辆剐蹭风险、航空器与人员剐蹭风险、航空器与建筑物剐蹭风险的风险值以及跑道利用率、滑行道利用率、车辆使用率的态势数据。 4.根据权利要求3所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤S2中所述的构建图结构数据，具体方法包括：采用贝叶斯网络结构学习算法对各节点建立有向非循环连接关系，再根据各节点的风险属性对生成的图结构节点之间的连接关系进行调整优化，最终得到风险关系图结构，完成构建图结构数据。 5.根据权利要求3所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤S2中所述的构建图结构数据，具体方法包括：对于图的节点中相关的节点建立有向边，最终由节点和有向边构建出风险节点的图结构数据，具体包括：计算每个目标节点与其他所有节点的相关性，选择相关性超过设定阈值的节点作为目标节点的相连节点，在相连节点之间建立连接，在建立连接后根据相连节点的风险属性，确定子节点与父节点，即得到有向边。 6.根据权利要求4或5所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤S3中所述的边权重的计算方法，包括：对任一目标节点，计算图结构中目标节点与其相连的节点之间的相关性，并以相关性取值与所有目标节点相连节点的相关性取值之和的比值作为该节点与目标节点之间的边权重；遍历所有节点进行上述计算，得到所有相连节点的边权重。 7.根据权利要求6所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤S3中所述的计算图结构中目标节点与其相连的节点之间的相关性，具体方法包括：采用皮尔逊线性相关系数计算相关性l，方法如下：其中，l表示目标节点s和与其相连的节点p的皮尔逊线性相关系数值，s i 表示节点s第i时刻的风险值， 表示目标节点所有时刻的平均风险值，p i 表示节点p第i时刻的风险值， 表示节点p所有时刻的平均风险值，N为选取的时间段。 8.根据权利要求7所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤S3中所述的边权重的计算方法，具体如下：其中，w sp 表示目标节点s和与其相连的节点p的边权重，l sp 表示两节点的皮尔逊线性相关系数值，集合S表示与节点s相关联的所有父节点的集合。 9.根据权利要求8所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤S4所述的采用图神经网络预测未来时刻各个风险节点的风险值，具体包括：图神经网络通过图嵌入方法学习得到每个节点的d维向量x n ，x n 中同时包含当前节点和相连节点的信息，计算方法如下：x n ＝f w (l n ,l co[n] ,x ne[n] ,l ne[n] )其中，l n 表示该节点的输入特征，即为历史时刻的节点风险值，l co[n] 表示与该节点相连边的特征，即为步骤S3中所述的边权重，x ne[n] 表示与节点相连节点的嵌入向量，l ne[n] 代表节点的相连节点的特征，即为节点相连节点的历史风险值，f w 表示图神经网络的转换函数；最终每个节点的输出值通过如下方法计算：o n ＝g w (x n ,l n )其中，o n 为节点的输出值，即为下一时刻或下几时刻该节点的预测风险值，g w 表示图神经网络的输出函数。 10.根据权利要求5所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤S2中所述的计算每个目标节点与其他所有节点的相关性，选择相关性超过设定阈值的节点作为目标节点的相连节点，具体方法包括：计算皮尔逊线性相关系数得到节点s与其他所有节点的相关性，选择超过设定阈值的节点作为节点s的相连节点，具体如下：A sp ＝1,{e sp ≥TH,p∈SS}其中，e sp 表示节点s与节点p的皮尔逊线性相关系数值， 表示节点s历史第n个时刻的风险值， 表示节点s历史N个时刻的平均风险值， 表示除节点s之外的其他节点历史N个时刻的风险值， 表示除节点s之外其他节点历史N个时刻的平均风险值，A sp ＝1表示节点s与节点p之间相连，TH表示设定的阈值，SS表示除节点s之外的其他节点的集合。