技术特征：
1.一种基于时空图卷积网络的空域扇区复杂度预测方法，其特征在于，包括如下步骤：步骤1：获取空域扇区数据集，基于扇区之间的中心距离和航班流量构建扇区的拓扑图，计算扇区的邻接矩阵w；邻接矩阵中元素w
ij
表示扇区i对扇区j的贡献度；步骤2：基于图卷积神经网络和门控卷积神经网络搭建空域扇区复杂度预测模型；所述的预测模型包括两个时空卷积模块、输出层和分类层；所述的时空卷积模块包括两个门控卷积神经网络和一个图卷积神经网络，图卷积神经网络位于两个门控卷积神经网络之间；所述的图卷积神经网络对输入的信号x执行图卷积，提取扇区拓扑特征，表示如下：θ*gx＝θ(l)x＝θ(uλu
t
)x＝uθ(λ)u
t
x其中，*g为图卷积操作符号，θ为图卷积核，l为归一化拉普拉斯矩阵，u是矩阵l的特征向量组成的矩阵，λ是矩阵l的特征值组成的矩阵；利用邻接矩阵w计算归一化拉普拉斯矩阵l；利用切比雪夫逼近得到图卷积核θ；所述的门控卷积神经网络，用于提取时间序列特征；第一时空卷积模块的第一门控卷积神经网络输入的信号为n个扇区过去h个连续时刻的复杂度因子；所述的输出层将时空卷积模块的输出数据在时间轴进行归一化，输出预测时间的空域扇区复杂度；所述的分类层对输出层输出的预测序列处理，输出扇区复杂度；步骤3：利用空域扇区数据集对所述的空域扇区复杂度预测模型进行训练，将实时获取的空域扇区的复杂度因子输入训练后的预测模型，预测未来时刻的扇区复杂度。2.根据权利要求1所述的方法，其特征在于，所述的步骤1中，对飞机航线建模：飞机从一个扇区的中心起飞，且往另一扇区为直线飞行，将飞机航线建模为两扇区中心的连线，设扇区i与扇区k之间的中心距离为m
ik
，z
ikj
为m
ik
位于扇区j内的航线长度；则计算扇区i与扇区j之间的航班流量贡献度如下：其中，flow
ik
为数据集中从扇区i到扇区k的实际航班量，若从扇区i到扇区k的航线未经过扇区j，z
ikj
＝0；则计算邻接矩阵w中元素w
ij
如下：其中，参数σ2用于控制权重的大小和分布。3.根据权利要求1所述的方法，其特征在于，所述的方法输入空域扇区复杂度预测模型的数据预先进行归一化处理，归一化方式是：对每一个扇区的每一个特征分别归一化，特征的每一个样本均需要减去该扇区中该特征的均值并除以方差。4.根据权利要求1或2所述的方法，其特征在于，所述的步骤2中，计算矩阵l的方法包括：首先计算度矩阵d，其非对角元素d
ij
＝0(i≠j)，其对角线元素d
ij
为邻接矩阵w对应行元素之和，如下：
其次，初始化拉普拉斯矩阵l，矩阵l的对角线元素为矩阵d中对应的对角线元素，矩阵l的其余元素为邻接矩阵w中对应位置元素的相反数；最后，利用度矩阵d来归一化拉普拉斯矩阵l，如下：归一化后矩阵l的对角线元素一定为1，其余元素在-1与0之间。5.根据权利要求1或2所述的方法，其特征在于，所述的步骤2中，利用切比雪夫逼近图卷积核θ时，图卷积表示为：其中，λ
max
为矩阵l的最大特征值，i
n
为单位矩阵，θ
k
是多项式系数；k表示图卷积核的大小；切比雪夫k阶逼近为：初始化6.根据权利要求1所述的方法，其特征在于，所述的步骤2中，门控卷积神经网络包含一个一维卷积，特征通道分为两组，一组通道与输入残差连接与另一组通道输入门控线性单元进行激活，门控卷积表示为：其中，*
τ
为门控卷积运算符，γ为卷积核，核的宽度为k
t
；y为输入信号；p和q是门控线性单元的输入门；为时间序列s的切片，sigmoid门函数σ(q)控制状态输入p还是q。7.根据权利要求1所述的方法，其特征在于，所述的步骤2中，第一时空卷积模块的输出x
″
表示为：x
″
＝γ
′1*
τ
relu(θ
′
*g(γ
′0*
τ
x
′
))其中，x
′
为n个扇区过去h个连续时刻的复杂度因子，γ
′0，γ
′1为上下两个门控卷积神经网络门控卷积层，θ
′
是图卷积核。8.根据权利要求1所述的方法，其特征在于，所述的步骤2中，输出层包含两个门控卷积神经网络和一个一维卷积；设第二时空卷积模块输入到输出层的数据为x
″′
，则得到未来第f时刻的n个扇区的复杂度因子的预测序列为：其中，为一维卷积的卷积核，γ
″′0，γ
″′1分别为输出层的两个门控卷积神经网络。9.根据权利要求1所述的方法，其特征在于，所述的步骤2中，分类层包含n组全连接层，每组全连接层有两个隐藏层，用于将预测的每个扇区复杂度因子转换为相应复杂度，对于输出层输出的预测序列每一扇区的分类结果l
t+f
为：
其中，为的切片，是某个扇区的未来复杂度因子；参数w1,b1,w2,b2表示两个隐藏层的参数。10.根据权利要求1或7所述的方法，其特征在于，所述的时空卷积模块还在第二门控卷积神经网络后加入一个归一化层和dropout层。
技术总结
本发明提供了一种基于时空图卷积网络的空域扇区复杂度预测方法，用于空中交通环境预测。本发明方法首先获取空域扇区数据集，基于扇区之间的中心距离和航班流量构建扇区的拓扑图，计算扇区的邻接矩阵；然后搭建空域扇区复杂度预测模型，预测模型包括两个时空卷积模块、输出层和分类层，时空卷积模块包括两个门控卷积神经网络和一个图卷积神经网络；利用空域扇区数据集对预测模型进行训练，将实时获取的空域扇区的复杂度因子输入预测模型，预测未来时刻的扇区复杂度。本发明考虑了多扇区之间的空间邻接关系，能够利用图卷积网络充分挖掘空域复杂度的空间特征，提取到空域复杂度在扇区拓扑网络上的传递规律，大大提升对未来空域复杂度的预测效果。复杂度的预测效果。复杂度的预测效果。
技术研发人员：杜文博 李碧月 徐敬仁 郭通 张学军
受保护的技术使用者：北京航空航天大学
技术研发日：2022.06.29
技术公布日：2022/10/20