1.基于多类型目标行为的机场场面动态建模方法，其特征在于，包括以下步骤：S1.使用雷达、激光雷达、摄像头多种传感器收集机场场面的实时数据，通过数据清洗和格式统一，将收集到的原始数据转化为可用于建模的标准格式；S2.应用机器学习算法对预处理后的数据进行目标识别，区分飞机、车辆、行人不同类型目标，使用分类算法对识别出的目标进行精细分类，包括区分不同类型的飞机或车辆；S3.利用卡尔曼滤波或粒子滤波算法对识别出的目标进行轨迹预测，根据预测轨迹，初步建立机场场面的动态模型，包括目标的位置、速度、方向信息；S4.应用深度强化学习算法学习并模拟不同类型目标在机场场面的行为模式，包括飞机滑行路径选择、车辆避让行为；S5.结合雷达、视频、GPS多种模态的信息，使用多模态信息融合算法对初步模型进行优化；S6.开发冲突检测算法，基于动态模型预测未来可能发生的冲突，使用时空预测模型对冲突进行预测，并计算冲突概率；S7.根据冲突预测结果自适应行为调整策略，包括动态调整飞机滑行速度、车辆行驶路线，应用启发式搜索算法或强化学习算法调整方案；S8.利用历史数据或模拟数据对建立的动态模型进行验证，评估模型的准确性和可靠性，使用仿真软件进行场面动态仿真，观察模型在不同场景下的表现；S9.将模型部署到实际机场系统实时收集新数据并对模型进行更新，定期迭代优化模型。
2.根据权利要求1所述的基于多类型目标行为的机场场面动态建模方法，其特征在于，所述步骤S1实施步骤为：S1.1.使用雷达传感器获取机场场面的目标位置、速度基本信息，利用激光雷达获取目标的三维形状和精确位置，通过摄像头捕捉机场场面的视频图像，用于后续的目标识别；S1.2.去除雷达和Li DAR数据中的噪声和异常值，包括由于天气或设备故障引起的错误数据，对视频图像进行去噪和增强处理；S1.3.将雷达、Li DAR和摄像头的数据转换为统一的时空坐标系，确保数据的一致性。
3.根据权利要求2所述的基于多类型目标行为的机场场面动态建模方法，其特征在于，所述步骤S2实施步骤为：S2.1.应用卷积神经网络对预处理后的视频图像进行目标检测，识别出飞机、车辆、行人目标；S2.2.对识别出的目标使用SVM进行分类，区分不同类型的客机、货机或车辆，提取目标的尺寸、形状、纹理作为SVM分类器的输入；S2.3.记录每个目标的位置、速度、方向属性信息。
4.根据权利要求3所述的基于多类型目标行为的机场场面动态建模方法，其特征在于，所述步骤S3实施步骤为：S3.1.利用卡尔曼滤波算法对识别出的目标进行轨迹预测，估计目标未来的位置和速度，对于非线性或复杂场景，使用粒子滤波算法提高预测精度；S3.2.根据预测轨迹，建立机场场面的初步动态模型，包括目标的位置、速度、方向状态信息，使用最近邻算法将不同时间点的目标轨迹关联S3.3.将初步动态模型的数据存储在数据库中。
5.根据权利要求4所述的基于多类型目标行为的机场场面动态建模方法，其特征在于，所述步骤S4实施步骤为：S4.1.应用DQN训练模型学习并模拟不同类型目标在机场场面的行为模式，设计奖励函数和惩罚机制，引导模型学习机滑行路径选择、车辆避让行为行为策略；S4.2.使用训练好的DRL模型模拟目标在机场场面的行为，生成模拟轨迹和行为数据；S4.3.分析模拟数据，捕捉并模拟目标间的飞机与车辆之间的避让、行人穿越跑道复杂交互行为，使用行为分析方法对交互行为进行进一步的分析和理解。
6.根据权利要求5所述的基于多类型目标行为的机场场面动态建模方法，其特征在于，所述步骤S5实施步骤为：S5.1.结合雷达、视频、GPS多种模态的信息，使用因子图模型对初步模型进行优化，设计融合策略，将不同模态的数据进行融合；S5.2.利用融合后的数据对初步动态模型进行优化，修正单一传感器带来的误差，使用梯度下降算法对模型参数进行调整；S5.3.通过对比融合前后的模型预测结果，验证多模态信息融合的有效性，使用均方误差评估指标对优化后的模型进行评估。
7.根据权利要求6所述的基于多类型目标行为的机场场面动态建模方法，其特征在于，所述步骤S6实施步骤为：S6.1.基于动态模型预测未来可能发生的飞机滑行路径交叉、车辆碰撞开发冲突检测算法，设计冲突检测规则，包括距离阈值、速度差阈值，用于判断冲突是否发生；S6.2.使用ST-GCN时空预测模型对冲突进行预测，计算冲突发生的概率和可能的时间点，分析目标间的相对位置和速度变化，预测冲突的发展趋势；S6.3.根据冲突预测结果生成冲突预警信息，提供给机场管理人员进行决策支持，设计预警策略，包括提前时间、预警级别。
8.根据权利要求7所述的基于多类型目标行为的机场场面动态建模方法，其特征在于，所述步骤S7实施步骤为：S7.1.根据冲突预测结果，设计自适应行为调整策略，包括动态调整飞机滑行速度、车辆行驶路线，考虑多种解决方案，包括改变滑行路径、暂停滑行、加速或减速；S7.2.应用A*算法或强化学习算法在解空间中搜索最优调整方案，设计评估函数，对每种调整方案进行评估；S7.3.将最优调整方案发送给相关目标执行，包括通过通信系统发送给飞机或车辆驾驶员，实时监控调整方案的执行情况。
9.根据权利要求8所述的基于多类型目标行为的机场场面动态建模方法，其特征在于，所述步骤S8实施步骤为：S8.1.利用历史数据对建立的动态模型进行验证，评估模型的准确性和可靠性，对比模型预测结果与实际数据，计算误差指标；S8.2.使用OMNeT++进行场面动态仿真，模拟不同场景下的机场运行，设计仿真实验，验证模型在不同条件下的表现，包括不同天气、不同交通流量；S8.3.分析仿真结果，评估模型的仿真性能和适用性，根据仿真结果对模型进行进一步的调整和优化。
10.根据权利要求9所述的基于多类型目标行为的机场场面动态建模方法，其特征在于，所述步骤S9实施步骤为：S9.1.将优化后的模型部署到实际机场系统中，实现实时数据收集和模型更新；S9.2.实时收集机场场面的新数据，对模型进行更新和修正，使用数据同步算法确保模型与新数据的一致性；S9.3.定期迭代优化模型，以适应机场场面动态变化和新出现的目标行为模式，分析模型性能指标，包括预测精度、计算效率，对模型进行持续改进和优化；S9.4.建立模型维护和升级机制，确保模型的长期稳定运行，定期对模型进行性能测试和故障排查。
