1.一种基于GAN的飞行流量分配方案生成方法，其特征在于，所述方法包括以下步骤：步骤1，收集当前和历史飞行流量数据，建立空中飞行网络模型；依据目标威胁度评价指标体系和历史飞行流量数据，进行威胁度预测，结合所述当前飞行流量数据和预测的威胁度，获得初步流量分配方案；步骤2，构建对抗生成网络GAN，将收集到的当前飞行流量数据作为对抗生成网络GAN中的生成器的输入，将所述初步流量分配方案作为对抗生成网络GAN中的判别器的输入，对所述对抗生成网络GAN进行迭代训练；使用训练好的对抗生成网络GAN，得到第一空中飞行流量分配方案；步骤3，依据当前飞行流量数据，进行空中飞行态势评估；步骤4，结合空中飞行态势评估的结果和预设的目标，计算得到第二空中飞行流量分配方案；步骤5，在第一空中飞行流量分配方案和第二空中飞行流量分配方案中，选择得到最终的飞行流量分配方案；其中，步骤3中所述的进行空中飞行态势评估，具体包括：所述态势，包括：航空器的位置、速度、高度、航线、航班计划、航班延误、天气状况和空中交通管理指令；评估的指标，包括：扇区流量、扇区流容比、航路交通饱和度、管制人员负荷和恶劣天气影响；评估的方法，包括：步骤3-1，构建飞行流量网络知识图谱，所述知识图谱中包括航班、天气、管制因素及因素间的互动关系；构建目标威胁度评价指标体系；步骤3-2，飞行流量网络态势预测，使用长短时记忆网络LSTM和基于Prophet方法的模型来预测扇区流量，并计算所述评估的指标；步骤4中所述的计算得到第二空中飞行流量分配方案，具体计算方法包括： ；其中， 表示总延误成本； 是预设时间段或区域内的航班密度；C表示预设时间段或区域内的拥塞程度； 是空域限制因子，反映特定区域不可用或受限的程度； 表示天气条件的影响因子； 表示紧急或优先航班的调整因子；通过调整参数，得到总延误成本 最低时的预设时间段或区域内的航班密度 、预设时间段或区域内的拥塞程度C、空域限制因子 、天气条件的影响因子 和紧急或优先航班的调整因子 ；结合初步流量分配方案，确定控制策略，得到第二空中飞行流量分配方案，描述如下：航班状态 ，表示航班 在时间 时的状态，所述状态包括：等待状态、起飞准备状态、飞行状态、下降准备状态和着陆状态；对于位置信息的描述 ，表示航班 在时间 的位置，由经纬度、扇区或航路编号表示；流量分配决策点 ，具体如下： ；其中，q是航班决策点的序号。
2.根据权利要求1所述的一种基于GAN的飞行流量分配方案生成方法，其特征在于，步骤1中所述的当前和历史飞行流量数据，包括：航班起始点、航班目的地、航线、航班数量和预计飞行时间。
3.根据权利要求2所述的一种基于GAN的飞行流量分配方案生成方法，其特征在于，步骤1中所述的建立空中飞行网络模型，即根据所述当前和历史飞行流量数据进行计算，获得所述空中飞行网络模型，具体如下： ；其中， 表示第 个航班， 表示航班数量， 表示第 个航班的飞行时间；其中，航线密度A的计算方法如下： ；平均飞行时间 的计算方法如下： 。
4.根据权利要求3所述的一种基于GAN的飞行流量分配方案生成方法，其特征在于，步骤1中所述的获得初步流量分配方案，具体包括：步骤1-1，定义目标威胁度评价指标，具体如下： ；其中， 为目标威胁度， 为第 个因素指标的权重， 为第 个因素指标；步骤1-2，将所述空中飞行网络模型分成三个层次，即目标层、准则层和指标层，为各层指标构建模糊矩阵，用该矩阵中的元素表征所述因素指标间的关系，再利用模糊层次分析法获取所述因素指标的权重；步骤1-3，使用线性规划的方法构建优化模型；步骤1-4，根据步骤1-3构建的优化模型，得到初步流量分配方案，如下：空中飞行情况：T={T 1 ，T 2 ，T 3 }，其中，T 1 代表松弛，T 2 代表适中，T 3 代表拥堵；决策变量信息：R={R 1 ，R 2 ，R 3 ，R 4 ，R 5 ，R 6 }，其中，R 1 代表扇区流量，R 2 代表机场流量，R 3 代表航路流量，R 4 代表扇区空域利用率，R 5 航路交通饱和度，R 6 代表安全事件数量；分配方案： ={ ， ， }，其中， 代表空中等待， 代表改航， 代表尾随间隔。
5.根据权利要求4所述的一种基于GAN的飞行流量分配方案生成方法，其特征在于，步骤2中所述的对抗生成网络GAN，具体包括：生成器和判别器，其中，生成器用于学习真实数据的分布，判别器用于区分真实数据和生成数据；生成器和判别器以值函数 进行极大极小博弈，表示如下： ；其中， 是指随机噪声； 是指随机噪声 服从的概率分布； 是指真实数据服从的概率分布； 是指判别器认为生成器生成的图片是真图的概率； 表示对真实数据分布 的期望， 表示对生成器输入分布 的期望；判别器的训练准则是使值函数 最大化，生成器的训练准则是使值函数 最小化；判别器的损失函数 ，表示如下： ；生成器的损失函数 ，表示如下： ；在对抗生成网络GAN训练过程中，交替优化生成器和判别器的损失函数，即：固定生成器优化判别器，然后固定判别器优化生成器，循环直至达到纳什均衡。
6.根据权利要求5所述的一种基于GAN的飞行流量分配方案生成方法，其特征在于，步骤1-3中所述的使用线性规划的方法构建优化模型，具体如下：步骤1-3-1，设计目标函数，如下： ；其中， 为所述初步流量分配方案中的目标函数，所述目标函数包括：总延误成本； 代表空中等待策略； 代表改航策略； 代表尾随间隔策略； 、 和 为权重，表示各个策略的重要性；步骤1-3-2，设计约束条件如下：第一约束条件，结合第 个航班的天气影响因子 ，对扇区在高负荷状态下增加的航班进行约束，减少空域拥堵的风险： ；第二约束条件，结合第 个航班在恶劣天气下允许的扇区容量影响因子 ，对在恶劣天气下允许的扇区容量进行约束： ；第三约束条件，在特定时间段内，对扇区内的航班总数进行约束： ；其中， 表示第 个航班的策略， 表示扇区容量最大值， 表示恶劣天气影响最大值、 表示扇区流量最大值。
7.根据权利要求6所述的一种基于GAN的飞行流量分配方案生成方法，其特征在于，步骤2中所述的对所述对抗生成网络GAN进行迭代训练，具体包括：步骤2-1，将收集到的当前飞行流量数据作为对抗生成网络GAN网络中的生成器的输入，并通过生成器获得虚拟流量分配方案；步骤2-2，将初步流量分配方案转换为图像，并作为真实数据输入判别器；其中，所述的将初步流量分配方案转换为图像，具体方法如下：将初步流量分配方案中的6个决策变量信息R的取值以两两为一组的形式组合，再将组合后的变量值转换至0-255的范围内，映射到图像的不同颜色通道上，使用映射后的图像表示初步流量分配方案；步骤2-3，同时将步骤2-1中获得的虚拟流量分配方案输入判别器；步骤2-4，使用判别器对输入的两个方案进行判别，即使用FID评判指标对两个方案进行相似度计算，若相似度大于阈值，则返回步骤2-1进行循环迭代训练，若相似度小于阈值，则完成所述训练。
8.根据权利要求7所述的一种基于GAN的飞行流量分配方案生成方法，其特征在于，步骤5中所述的选择得到最终的飞行流量分配方案，包括：步骤5-1，建立展示所述空中飞行网络模型中各层次逻辑关系的层次结构；步骤5-2，引入专家，使用模糊语言评估各层次中因素指标的重要性，得到模糊判别矩阵；步骤5-3，对模糊判别矩阵进行归一化处理，并计算各因素指标在流量分配决策中的权重；步骤5-4，将权重与相应的评价值结合，进行模糊综合评估，并确定最优决策方案。
