本技术涉及机场流量预测，特别是涉及一种内嵌物理模型的深度学习机场流量预测方法及系统。
背景技术：
1、社会出行需求增长，全球机场航班流量攀升，预计民航运输将保持增长。但机场资源无法满足需求，导致拥塞和延误，经济损失和安全隐患。提高运营效率、合理调度资源是首要选择，关键在于准确预测航班流量。预测过高会导致空中操作调整，过低则浪费资源。
2、然而，机场航班流量展现出高动态性，非线性以及复杂的时空关联性，现有技术只关注了单一机场的流量，没有考虑到机场之间的复杂空间联系，这导致了预测精度较低。
技术实现思路
1、本技术的目的是提供一种内嵌物理模型的深度学习机场流量预测方法及系统，可以更准确地预测机场航班流量。
2、为实现上述目的，本技术提供了如下方案：
3、第一方面，本技术提供了一种内嵌物理模型的深度学习机场流量预测方法，所深度学习机场流量预测方法包括：
4、获取设定时间内目标地区的机场信息；所述机场信息包括机场实际起降落数据以及机场天气。
5、按照固定时间段对所述机场信息进行划分，得到多尺度特征数据；所述多尺度特征数据由机场的单点尺度流量数据和航线尺度上的流量数据构成。
6、对所述多尺度特征数据进行切片操作，当达到切片次数时，对每个切片依次执行多尺度特征数据融合过程，得到多尺度融合后的特征向量集合；所述特征向量集合由若干个隐变量输出构成。
7、将所述多尺度融合后的特征向量集合和所述单点尺度流量数据作为输入数据，通过扩张因果卷积和门控操作，提取所述输入数据的时间信息。
8、根据所述输入数据的时间信息，采用使用图矩阵和自适应矩阵进行提取，得到通过扩散图卷积提取空间信息后的时间输出。
9、对所述通过扩散图卷积提取空间信息后的时间输出进行残差连接，并采用线性变换操作，得到机场流量预测数据。
10、可选的，对所述多尺度特征数据进行切片操作，当达到切片次数时，对每个切片依次执行多尺度特征数据融合过程，得到多尺度融合后的特征向量集合，具体包括：
11、对所述多尺度特征数据进行切片操作，当切片次数τ＝h/l1时，对每个切片依次执行多尺度特征数据融合过程，得到多尺度融合后的特征向量集合。
12、其中，τ为计数器采集到的切片次数，h为时间维度长度，l1为设定时间间隔。
13、可选的，所述多尺度特征数据融合过程包括线性融合、基于图卷积网络的特征融合以及门控循环单元处理。
14、可选的，对所述多尺度特征数据进行切片操作，当达到切片次数时，对每个切片依次执行多尺度特征数据融合过程，得到多尺度融合后的特征向量集合，具体包括：
15、对所述多尺度特征数据进行切片操作，当达到切片次数时，对每个切片依次执行线性融合、基于图卷积网络的特征融合以及门控循环单元处理。
16、可选的，对切片执行线性融合时，具体包括：
17、使用线性层对的特征通道进行聚合，记为linearagg；其中linearagg是名称为agg的线性层；为单点尺度流量数据的第τ次切片。
18、通过线性层linearatt对输入linearagg进行线性变换，生成第k个机场节点在t时刻的时间权值权重其中，linearatt是名称为att的线性层。
19、对所述时间权值权重进行归一化处理得到exp(·)表示指数函数，用于将权值进行非线性变换；是在时刻t对应机场节点k的归一化后的时间权值。
20、基于公式确定在时刻t的时间权值。
21、根据公式对切片进行线性融合。
22、其中，表示在时刻t中第i节点的流量数据，为融合后新特征数据，为在时刻t的时间权值，下标2k代表的第k个节点。
23、可选的，对切片执行基于图卷积网络的特征融合时，具体包括：
24、基于线性融合后的特征数据，利用扩散图卷积操作和激活函数relu，通过图矩阵aτtemp对的特征数据进行学习融合，得到空间输出；所述空间输出的公式表达式为：
25、
26、其中，表示计数器τ下的空间输出，下标spatial代表为空间卷积输出；relu为激活函数；step代表扩散卷积的步数；代表前向扩散矩阵，f表示向前传播，τ为时间步，rowsum(·)为行加和，式中上标表示矩阵幂级数；表示在时间步τ上后向传播的扩散矩阵，b表示后向传播，其余同上；wτ1表示在步数step上的前向权重矩阵，1代表前向；wstep2表示在步数step上的后向权重矩阵，2代表后向。
27、可选的，对切片执行门控循环单元处理时，具体包括：
28、使用gru单元对所述空间输出进行时间学习，得到gru单元的重置门输出和gru单元的更新门输出。
29、根据公式和公式确定当前gru单元的隐状态输出。
30、其中，表示在时间步τ上的候选隐状态，^表示候选；tanh表示激活函数tanh；表示在计数器τ步骤使用算法用于计算候选隐状态的权重矩阵，w为权重矩阵，h表示用于候选隐状态；hτ-1表示计数器为τ-1时得到的隐变量输出；表示在计数器为τ是用于计算候选隐状态的偏置向量，h代表用于候选隐状态；⊙表示hadamard乘积。
31、可选的，将所述多尺度融合后的特征向量集合和所述机场之间的航班流量转移总和数据集作为输入数据，通过扩张因果卷积和门控操作，提取所述输入数据的时间信息，具体包括：
32、根据公式公式和公式o＝g(θ1·ouputa+b)⊙σ(θ2·ouputb+c)，提取所述输入数据的时间信息。
33、其中，ouputa表示通过卷积核f1(t)进行卷积后的输出，a表示第一组卷积核结果；ouputb表示通过卷积核f2(t)进行卷积后的输出，b表示第一组卷积核结果；f1(s)表示第一个卷积核在位置s处的权重；f2(s)表示第二个卷积核在位置s处的权重；t表示时间步；d表示卷积的步长；k表示卷积核的大小；g表示激活函数tanh；σ表示激活函数sigmoid；b表示用于第一组卷积结果的偏置；c表示用于第二组卷积结果的偏置；θ1表示用于第一组卷积结果的权重；θ2表示用于第二组卷积结果的权重；⊙表示hadamard乘积；*表示卷积操作。
34、可选的，根据所述输入数据的时间信息，采用使用图矩阵a和自适应矩阵aadp进行提取，得到通过扩散图卷积提取空间信息后的时间输出，具体包括：
35、根据公式得到通过扩散图卷积提取空间信息后的时间输出。
36、其中，s_output表示通过扩散图卷积提取空间信息后的时间输出；表示前向扩散矩阵在阶数k时的值，f1表示前向扩散矩阵，表示后向扩散矩阵在阶数k时的值，b1表示后向扩散矩阵，表示自适应矩阵在阶数k时的值；wk1表示在阶数k时用于前向扩散矩阵的权重矩阵；wk2表示在阶数k时用于后向扩散矩阵的权重矩阵；wk表示在阶数k时用于自适应矩阵的权重矩阵。
37、第二方面，本技术提供了一种内嵌物理模型的深度学习机场流量预测系统，包括：
38、信息获取模块，用于获取设定时间内目标地区的机场信息；所述机场信息包括机场实际起降落数据以及机场天气。
39、划分模块，用于按照固定时间段对所述机场信息进行划分，得到多尺度特征数据；所述多尺度特征数据由机场的单点尺度流量数据和航线尺度上的流量数据构成。
40、切片模块，用于对所述多尺度特征数据进行切片操作，当达到切片次数时，对每个切片依次执行多尺度特征数据融合过程，得到多尺度融合后的特征向量集合；所述特征向量集合由若干个隐变量输出构成。
41、第一提取模块，用于将所述多尺度融合后的特征向量集合和所述单点尺度流量数据作为输入数据，通过扩张因果卷积和门控操作，提取所述输入数据的时间信息。
42、第二提取模块，用于根据所述输入数据的时间信息，采用使用图矩阵和自适应矩阵进行提取，得到通过扩散图卷积提取空间信息后的时间输出。
43、预测模块，用于对所述通过扩散图卷积提取空间信息后的时间输出进行残差连接，并采用线性变换操作，得到机场流量预测数据。
44、根据本技术提供的具体实施例，本技术公开了以下技术效果：
45、本技术提供了一种内嵌物理模型的深度学习机场流量预测方法及系统，方法包括：首先获取设定时间内目标地区的机场信息，包括机场的实际起降数据和天气情况。为了更细致地分析数据，系统按照固定的时间段对机场信息进行划分，生成多尺度特征数据，这些数据包括机场的单点尺度流量(如某个具体时刻的流量)和航线尺度上的流量(如某条航线上一段时间内的总流量)；接下来，系统对多尺度特征数据进行切片操作。当达到预定的切片次数时，对每个切片执行多尺度特征数据融合过程，即将不同尺度的数据整合在一起，形成多尺度融合后的特征向量集合；为了预测未来的流量情况，通过扩张因果卷积和门控操作来实现输入数据中的时间信息提取；除了时间信息外，还利用图矩阵和自适应矩阵通过扩散图卷积来提取空间信息；为了进一步提高预测的准确性，系统对通过扩散图卷积提取空间信息后的时间输出进行残差连接，并采用线性变换操作，可保留更多的原始信息，而线性变换则可以对数据进行进一步的处理和优化；最后，输出机场流量预测数据。本技术结合了物理模型，图神经网络以及卷积网络，以学习多尺度时空信息，包括空间尺度上的单点尺度和航线尺度，从而增强预测的准确性。
1.一种内嵌物理模型的深度学习机场流量预测方法，其特征在于，包括：
2.根据权利要求1所述的一种内嵌物理模型的深度学习机场流量预测方法，其特征在于，对所述多尺度特征数据进行切片操作，当达到切片次数时，对每个切片依次执行多尺度特征数据融合过程，得到多尺度融合后的特征向量集合，具体包括：
3.根据权利要求1所述的一种内嵌物理模型的深度学习机场流量预测方法，其特征在于，所述多尺度特征数据融合过程包括线性融合、基于图卷积网络的特征融合以及门控循环单元处理。
4.根据权利要求3所述的一种内嵌物理模型的深度学习机场流量预测方法，其特征在于，对所述多尺度特征数据进行切片操作，当达到切片次数时，对每个切片依次执行多尺度特征数据融合过程，得到多尺度融合后的特征向量集合，具体包括：
5.根据权利要求4所述的一种内嵌物理模型的深度学习机场流量预测方法，其特征在于，对切片执行线性融合时，具体包括：
6.根据权利要求5所述的一种内嵌物理模型的深度学习机场流量预测方法，其特征在于，对切片执行基于图卷积网络的特征融合时，具体包括：
7.根据权利要求6所述的一种内嵌物理模型的深度学习机场流量预测方法，其特征在于，对切片执行门控循环单元处理时，具体包括：
8.根据权利要求1所述的一种内嵌物理模型的深度学习机场流量预测方法，其特征在于，将所述多尺度融合后的特征向量集合和所述机场之间的航班流量转移总和数据集作为输入数据，通过扩张因果卷积和门控操作，提取所述输入数据的时间信息，具体包括：
9.根据权利要求1所述的一种内嵌物理模型的深度学习机场流量预测方法，其特征在于，根据所述输入数据的时间信息，采用使用图矩阵a和自适应矩阵aadp进行提取，得到通过扩散图卷积提取空间信息后的时间输出，具体包括：
10.一种内嵌物理模型的深度学习机场流量预测系统，其特征在于，包括：
