基于深度学习的飞机滑行时间预测方法及装置

1.一种基于深度学习的飞机滑行时间预测方法，其特征在于，包括：获取第一信息，所述第一信息包括机场交通运行历史数据和当前飞机的出发时间；对所述第一信息进行特征提取，得到不同时刻的路段交通状况特征、路段特征、时间特征、不同时刻的机场交通流量特征、飞机属性特征和当前出发时间特征；将所述不同时刻的路段交通状况特征、所述路段特征和所述时间特征组合成路段的静态时空特征，并根据所述路段的静态时空特征，基于空间注意力机制和时间注意力机制处理，得到所述路段的动态时空特征，所述路段的动态时空特征为滑行路线所经过的路段及其相邻路段的动态时空特征；根据所述飞机属性特征、所述当前出发时间特征、所述路段的动态时空特征和所述滑行路线中所述路段的序列信息，基于3D时空交叉注意力机制和位置编码技术处理，得到所述滑行路线最终的动态时空隐藏表示；根据所述飞机属性特征、所述当前出发时间特征和所述不同时刻的机场交通流量特征，基于交叉注意力机制处理，得到机场交通流量特征；将所述飞机属性特征、所述当前出发时间特征、所述滑行路线最终的动态时空隐藏表示和所述机场交通流量特征输入线性层，输出得到滑行时间的预测结果。 2.根据权利要求1所述的基于深度学习的飞机滑行时间预测方法，其特征在于,所述机场交通运行历史数据包括路网信息、路段的历史交通状况信息、时间信息、飞机属性信息和机场的历史交通流量信息，对所述第一信息进行特征提取，包括：将所述路段的历史交通状况信息输入基于iTransformer网络的第一时间序列模型中，预测所述路段的未来交通状况信息，将所述路段的历史交通状况信息和所述路段的未来交通状况信息通过全连接层编码为所述不同时刻的路段交通状况特征；将所述路网信息通过嵌入查表技术和全连接层编码为路段特征，所述路网信息包括离散型数据如和连续型数据；将所述时间信息通过全连接层编码为时间特征；将所述当前飞机的出发时间编码为当前出发时间特征；将所述飞机属性信息编码为飞机属性特征，所述飞机属性包括飞机的尾流类型、进港或离港和总的滑行距离；将所述机场的历史交通流量状况信息输入基于iTransformer网络的第二时间序列模型中，预测所述机场的未来交通流量状况信息，将所述机场的历史交通流量状况信息和所述机场的未来交通流量状况信息通过全连接层编码为所述不同时刻的机场交通流量特征。 3.根据权利要求1或2所述的基于深度学习的飞机滑行时间预测方法，其特征在于,根据所述路段的静态时空特征，基于空间注意力机制和时间注意力机制处理，得到所述路段的动态时空特征，包括：根据所述路段的静态时空特征，基于多头图注意力网络处理，得到所述路段的动态空间特征；根据所述路段的静态时空特征，基于Transformer自注意力掩码机制处理，得到所述路段的动态时间特征；将所述路段的动态空间特征和所述路段的动态时间特征，通过全连接层融合为所述路段的动态时空特征。 4.根据权利要求2所述的基于深度学习的飞机滑行时间预测方法，其特征在于,所述飞机滑行时间预测方法还包括进行多任务学习，进行多任务学习包括：构建所述路段的未来交通状况信息的预测任务、所述机场的未来交通流量状况信息的预测任务和所述滑行时间的预测任务；根据所述路段的未来交通状况信息的预测任务、所述机场的未来交通流量状况信息的预测任务和所述滑行时间的预测任务构建多任务学习网络模型，其中，所述滑行时间的预测任务为主任务，所述路段的未来交通状况信息的预测任务和所述机场的未来流量状况信息的预测任务为辅助任务；根据所述多任务学习网络模型构建损失函数；根据所述损失函数，基于反向传播算法学习并更新所述多任务学习模型的所有参数得到更新后的所述多任务学习模型；根据更新后的所述多任务学习模型预测所述滑行时间。 5.根据权利要求1所述的基于深度学习的飞机滑行时间预测方法，其特征在于,根据所述飞机属性特征、所述当前出发时间特征、所述路段的动态时空特征和所述滑行路线中所述路段的序列信息，基于3D时空交叉注意力机制和位置编码技术处理，得到所述滑行路线最终的动态时空隐藏表示，包括：根据所述飞机属性特征、所述当前出发时间特征和所述路段的动态时空特征，基于3D时空交叉注意力机制处理，得到所述滑行路线中路段更高阶的动态时空特征；获取所述滑行路线中所述路段的序列信息；基于位置编码技术对序列信息进行编码，得到所述滑行路线中路段的位置编码；根据所述滑行路线中路段的位置编码、所述滑行路线中路段更高阶的动态时空特征计算得到所述滑行路线最终的动态时空隐藏表示。 6.一种基于深度学习的飞机滑行时间预测装置，其特征在于，包括：第一获取模块，所述第一获取模块用于获取第一信息，所述第一信息包括机场交通运行历史数据和当前飞机的出发时间；特征提取模块，所述特征提取模块用于对所述第一信息进行特征提取，得到不同时刻的路段交通状况特征、路段特征、时间特征、不同时刻的机场流量特征、飞机属性特征和当前出发时间特征；第一处理模块，所述第一处理模块用于将所述不同时刻的路段交通状况特征、所述路段特征和所述时间特征组合成路段的静态时空特征，并根据所述路段的静态时空特征，基于空间注意力机制和时间注意力机制处理，得到所述路段的动态时空特征，所述路段的动态时空特征为滑行路线所经过的路段及其相邻路段的动态时空特征；第二处理模块，所述第二处理模块用于根据所述飞机属性特征、所述当前出发时间特征、所述路段的动态时空特征和所述滑行路线中所述路段的序列信息，基于3D时空交叉注意力机制和位置编码技术处理，得到所述滑行路线最终的动态时空隐藏表示；第三处理模块，所述第三处理模块用于根据所述飞机属性特征、所述当前出发时间特征和所述不同时刻的机场交通流量特征，基于交叉注意力机制处理，得到机场交通流量特征；预测模块，所述预测模块用于将所述飞机属性特征、所述当前出发时间特征、所述滑行路线最终的动态时空隐藏表示和所述机场交通流量特征输入线性层，输出得到滑行时间的预测结果。 7.根据权利要求6所述的基于深度学习的飞机滑行时间预测装置，其特征在于，所述机场交通运行历史数据包括路段的历史交通状况信息、路网信息、时间信息、机场的历史交通流量状况信息、飞机属性信息和当前飞机的出发时间，所述特征提取模块包括：第一提取模块，所述第一提取模块用于将所述路段的历史交通状况信息输入基于iTransformer网络的第一时间序列模型中，预测所述路段的未来交通状况信息，将所述路段的历史交通状况信息和所述路段的未来交通状况信息通过全连接层编码为所述不同时刻的路段交通状况特征；第二提取模块，所述第二提取模块用于将所述路网信息通过嵌入查表技术和全连接层映射为路段特征，所述路网信息包括离散型数据和连续型数据；第三提取模块，所述第三提取模块用于将所述时间信息通过全连接层编码为时间特征；第四提取模块，所述第四提取模块用于将所述当前飞机的出发时间编码为当前出发时间特征；第五提取模块，所述第五提取模块用于将所述飞机属性信息编码为飞机属性特征，所述飞机属性包括飞机的尾流类型、进港或离港、和总的滑行距离；第六提取模块，所述第六提取模块用于将所述机场的历史交通流量状况信息输入基于iTransformer网络的第二时间序列模型中，预测所述机场的未来交通流量状况信息，将所述机场的历史流量状况信息和所述机场的未来流量状况信息通过全连接层编码为所述不同时刻的机场流量特征。 8.根据权利要求6或7所述的基于深度学习的飞机滑行时间预测装置，其特征在于，所述第一处理模块，包括：根据所述路段的静态时空特征，基于多头图注意力网络处理，得到所述路段的动态空间特征；根据所述路段的静态时空特征，基于Transformer自注意力掩码机制处理，得到所述路段的动态时间特征；将所述路段的动态空间特征和所述路段的动态时间特征，通过全连接层融合为所述路段的动态时空特征。 9.根据权利要求7所述的基于深度学习的飞机滑行时间预测装置，其特征在于，所述飞机滑行时间预测装置还包括多任务学习模块，所述多任务学习模块包括：第一构建模块，所述第一构建模块用于构建所述路段的未来交通状况信息的预测任务、所述机场的未来交通流量状况信息的预测任务和所述滑行时间的预测任务；第二构建模块，所述第二构建模块用于根据所述路段的未来交通状况信息的预测任务、所述机场的未来流量状况信息的预测任务和所述滑行时间的预测任务构建多任务学习网络模型，其中，所述滑行时间的预测任务为主任务，所述路段的未来交通状况信息的预测任务和所述机场的未来流量状况信息的预测任务为辅助任务；第三构建模块，所述第三构建模块用于根据所述多任务学习网络模型构建损失函数；更新模块，所述更新模块用于根据所述损失函数，基于反向传播算法更新并学习所述多任务学习模型的所有参数得到更新后的所述多任务学习模型；精确预测模块，所述精确预测模块用于根据更新后的所述多任务学习模型预测所述滑行时间。 10.根据权利要求7所述的基于深度学习的飞机滑行时间预测装置，其特征在于，所述第二处理模块，包括：第四处理模块，所述第四处理模块用于根据所述飞机属性特征、所述当前出发时间特征和所述路段的动态时空特征，基于3D时空交叉注意力机制处理，得到所述滑行路线中路段更高阶的动态时空特征；第二获取模块，所述第二获取模块用于获取所述滑行路线中所述路段的序列信息；编码模块，所述编码模块用于基于位置编码技术对序列信息进行编码，得到所述滑行路线中路段的位置编码；计算模块，所述计算模块用于根据所述滑行路线中路段的位置编码、所述滑行路线中路段更高阶的动态时空特征表示计算得到所述滑行路线最终的动态时空隐藏表示。