一种空中交通流模式识别驱动的流量精细化预测方法

1.一种空中交通流模式识别驱动的流量精细化预测方法，其特征在于，包括：从自动相关监视广播(ADS-B)系统获取飞行轨迹数据并进行预处理，其中，子预处理的过程中按照所述飞行轨迹数据的时空特征进行数据分离；对分离后的飞行轨迹数据进行低维特征提取，其中，时间属性和空间属性的低维特征融合为联合特征；构建图结构模型，其中，图结构中以反映各流模式特征的代表轨迹作为节点，图结构中边的连接权重与相邻节点之间的航班流量关联；通过建立的并联融合预测模型，获取未来预定时间步内的空中交通流量预测结果；进行低维特征提取的过程包括：利用基于时域卷积网络(TCN)构建的深度自编码器和基于卷积神经网络(CNN)构建的深度自编码器，分别对分离后的时间属性数据和空间属性数据进行低维特征提取，得到所述时间属性低维特征与空间属性低维特征；对分离后的时间属性数据进行低维特征提取，包括：针对航迹中连续时刻的动态变化特征进行建模，并构建以TCN为基础的深度自编码器模型，之后对所述自编码器模型进行训练，所述自编码器模型用于实现 数据向潜在空间的映射和重构两个阶段，表示为： ；其中， 分别是输入轨迹和重构轨迹的描述矩阵， 是轨迹个数， 是轨迹的维度， 和 分别是编码器和解码器的参数， 、 分别表示用于处理时间属性数据的解码器和编码器，训练过程中通过最小化目标函数提高 和 的相似度；所述最小化目标函数为： ；其中，模型参数 ， 是L2范数，从编码器获得的低维表示为 ；对分离后的空间属性数据进行低维特征提取，包括：建立以CNN为基础的深度自编码器模型，并用于空间属性数据的低维特征的提取,其中，所述空间属性数据的低维特征包括：飞行轨迹中隐藏的轨迹长度、方位角、飞行状态和机场信息；对于非数值型的机场信息，采用Embedding技术转化为固定维度的向量表示；深度自编码器模型用于对空间属性数据 进行重构，并获得其低维特征表示 ，包括： ；其中， 表示重构的空间属性数据， 表示用于处理空间属性数据的解码器参数， 表示用于处理空间属性数据的编码器参数， 是重构空间属性数据的自编码器模型参数， 表示用于处理空间属性数据的解码器， 表示用于处理空间属性数据的编码器；采用的目标函数为： 。 2.根据权利要求1所述的方法，其特征在于，所述预处理包括：将飞行轨迹数据对应的轨迹归纳到各个扇区中；对飞行轨迹数据按照采样间隔进行分段，之后进行归一化处理。 3.根据权利要求1所述的方法，其特征在于，还包括：利用高斯混合模型对融合后的联合特征进行软聚类；采用基于Student-t分布构建的概率分布拟合聚类分配，其中，通过KL散度优化聚类分配过程中的损失函数。 4.根据权利要求1所述的方法，其特征在于，在构建图结构模型的过程中，包括：将聚类结果中每个流模式的代表轨迹作为图的节点，其中，每个节点用于反映对应空域扇区内的主要流动方向；根据历史轨迹数据统计不同节点之间的航班关联数目，根据统计结果构建邻接矩阵，并根据节点之间航班流量获取边的权重。 5.根据权利要求1所述的方法，其特征在于，在所述并联融合预测模型中，采用图卷积网络（GCN）提取图结构中的空间拓扑依赖关系，并利用长短期记忆网络LSTM捕捉图结构中节点流量数据的时间动态变化情况。 6.根据权利要求1或5所述的方法，其特征在于，所述并联融合预测模型包括：一个分支采用图卷积网络(GCN)对所构建的飞行轨迹图结构进行空间特征建模，以提取空域各节点之间的拓扑结构信息；另一个分支采用长短期记忆网络(LSTM)对节点流量数据进行时间序列建模，以捕捉空中交通流量的动态变化趋势；将两个分支的输出进行特征整合，并经由全连接层输出未来预设时间步的流量预测结果。