本发明属于机场场面关键指标预测领域，尤其涉及一种适用于存在部分不随时间变化的静态属性特征和存在周期性特征的航班动态属性特征的滑行时间预测方法。
背景技术：
1、随着航班量的不断提升，为了提升航空运输机场的运行效率，对场面精细化调配提出了要求。在大型运输机场，场面结构相互耦合关联且具有结构复杂、交通密集、环境多变等特点，这为管制人员在实际运行过程中，特别是在机场高峰时间段进行的决断带来了困难。当前的场面运行管理中较多的使用机场协同决策(a-cdm)系统，该系统通过鼓励多方实施协同合作实现对机场资源的调配，最终提高机场网络的运行效率。截止2023年，a-cdm系统已在欧洲33家机场进行了建设和使用。其中，可变滑行时间(variable taxi time，vtt)是在利用a-cdm系统进行场面调度中的一个关键指标，当无法准确估计滑行时间时会造成场面资源浪费与产生环境污染问题。
2、随着预测模型的设计越来越复杂，滑行时间预测精度也越来越高。然而，在实际的场面管制工作中，由于滑行时间预测过程的不透明性，导致管制员不能充分理解模型的工作原理，使得管制员为了保证运行安全更倾向于自身的经验，从而妨碍了相关技术的推广。为了提升管制员对滑行时间预测模型的信任度，一种可行的方案是采用基于相似场景的预测模型，通过对比历史场景和当前场景的实际运行信息差异，为目标场景下的指标预测提供可参考的历史统计结果。应用于滑行时间预测领域则是使用与当前场景最为相似的多个历史滑行数据提高在目标场景下的离场航空器滑行时间预测精度。考虑到此类方法获得的场景是基于实际历史运行数据且完全可见的，其预测结果将会更容易被一线运行人员接受，因此该过程被认为是可解释的。因此一种可以提供更多历史参考信息的滑行时间预测方法是当前领域所急需的。
技术实现思路
1、本发明的目的是提供一种基于可解释相似度的机场场面滑行时间预测方法及系统，根据异质特征类型进行多时间尺度对比，计算场景可解释相似度并线性生成滑行时间预测结果，以实现精确场面控制。
2、为实现上述目的，本发明采用如下技术方案：
3、一种基于可解释相似度的机场场面滑行时间预测方法，包括以下步骤：
4、步骤一，场面原始数据处理，收集来自a-cdm系统的机场场面数据与来自航空气象部门的机场天气数据，将得到的数据进行预处理，得到符合实际运行情况的不存在缺失的完整数据列表，并构造候选场景数据库；
5、步骤二，建立场面滑行场景特征体系，从航班的机型数据、航班计划数据、场面态势数据、机场环境数据入手，提取与滑行时间相关的特征，并按照数据是否具有周期性质进行分类，将结果划分为滑行场景静态特征相似度和滑行场景周期特征相似度并分别进行数据构造；
6、步骤三，动态相似度计算与滑行时间预测，根据动态可解释相似度计算滑行时间，根据静态特征与周期特征分别计算目标场景与候选相似场景的场景相似度，并进行加权求和的到整合场景相似度，依照所得的场景相似度分别加权所有候选场景的滑行时间线性生成目标场景下的滑行时间预测结果。
7、所述步骤一具体包括：
8、(1.1)收集来自机场a-cdm系统的协同决策数据，来自航空公司的飞行计划数据，来自机场气象部门的气象报文数据，对所有航班的场景中所涉及到的数据进行匹配处理；
9、(1.2)将匹配完成的数据进行预处理，去除所有存在错误的数据，补全存在缺失的数据，筛除所有异常数据，构建原始场景数据库。
10、所述步骤二具体包括：
11、(2.1)基于筛选产生的滑行场景原始数据集，提取滑行场景静态属性特征，滑行场景静态属性特征包括8种常见特征，分别为航班号、航空公司、跑道机坪组、停机位、机型、目的机场、小时和分钟，使用跑道与停机位配对的方式反映滑行轨迹，以上8种特征均为分类型特征，因此引入实体嵌入方法进行重新编码；以不同场景下的滑行时间作为监督条件构建神经网络，在网络中额外添加嵌入层，将所有样本中的分类特征嵌入至原维度一半的空间中；
12、(2.2)滑行场景周期属性特征反映的内容为该离场航班可能与其他离场或进场航班之间以及天气之间的相互影响关系，采用基于时空网络拓扑结构的4类8个场面交通特征，其中综合考虑了离场航班和进场航班可能的关系，其中包括离场/进场场面瞬时流量指数(surface instantaneous flow index,sifi)表示目标航空器推出时场面正在滑行的进场或离场航空器数量；离场/进场场面累计流量指数(surface cumulative flow index,scfi)表示目标航空器滑行时，同样处于滑行状态的离场和进场航空器数量；航班队列长度指数(aircraft queue length index,aqli)表示目标航空器滑行过程中起飞或着陆航空器总数；时隙资源需求指数(slot resource demand index,srdi)用于表示目标航空器推出时间前后15分钟时间内推出或着陆的航空器总数
13、(2.3)构造输入网络所需的数据结构，根据两类数据特点，在滑行场景静态属性特征数据结构构造中，将进行数据嵌入处理的向量称为静态属性向量θi，将所有样本目标场景与各自候选相似场景集进行输入结构堆叠构造，最终形成的输入数据格式为s×n×2×acat，其中s表示样本场景数量，αcat为处理后静态属性向量维度，n为候选场景数量；在此类构造方式下，所有样本目标场景与每个候选相似场景的航班静态属性间均进行了比较；以上属性仅与航班计划或机场与天气数据有关而与机场场面的实际状态无关；
14、(2.4)在滑行场景周期属性特征方面，考虑到航班时刻表的安排可能存在周期性特征，对所有场景的前1天、前7天和前28天的同一时刻下的环境动态属性特征进行拼接，形成一天下的多时间尺度环境动态属性输入向量，称作动态属性向量θe，对所有场景数据按照以上步骤处理向量；分别将所有场景与各自候选相似场景集进行组合，最终形成输入数据。
15、所述步骤(2.2)中，考虑到后期和战术操作，在计算这些特征时，使用的是预计推出时间和计划起飞时间。
16、所述的步骤三具体包括：
17、(3.1)场景指标分解，对于第n个候选相似场景下的滑行时间t(n)，使用目标场景ξ的滑行时间tξ与第n个候选相似场景和目标场景间的偏差δn表示，因此采用以下方式对候选相似场景离场滑行时间组成进行建模分析：
18、t(n)＝tξ+δn
19、场面涉及的各种影响因素与不确定性会导致当前场景相较于目标场景下的滑行时间缩短或延长，因此为了方便分析，设在第n个候选场景下的滑行时间偏差服从0均值的正态分布使得其中为在该场景条件下由于其与目标场景间的关键特征差异而产生方差；
20、(3.2)设定在一类场景中仅存在两个不同的离场航班运行场景i和j，将滑行时间改写为同样将另一个样本改写为
21、使用多个均值一致但方差不同的样本进行组合，且分别施加权重尽量降低整体方差，获得较为准确的ts取值：
22、
23、其中，ω为场景相似度，为目标场景滑行时间的估计值，限制相似度之和ωi+ωj＝1；
24、(3.3)通过统计学知识得ts的方差值为
25、
26、对式中相似度进行求导得：
27、
28、显然二阶导数取值大于零，所以获得方差值的最小值，其对应相似度取值分别为：
29、
30、若确定多个场景的对应相似度，则表达方式如下：
31、
32、其中s为场景集合，包含n个不同场景，因此得到以下结果：
33、
34、其中所有相似度和为1，即
35、(3.4)同时考虑到样本方差取值为最小值，结合最后预测结果，近似认为目标场景的滑行时间为样本的加权和，其表示方式为：
36、
37、同样相似度和为1，即其中每一个权重ωi即为该场景的可解释相似度；
38、基于可解释相似度的特点，将处理后的两类数据分别投入到两个神经网络net1与net2中，计算过程为：
39、(3.5)数据降采样图像化，以1×2的卷积核将数据进行降采样；将简化后的数据展开形成二维张量，其大小与形状和常见图片相近；
40、(3.6)类图像卷积，采用基于lenet的网络框架结构对张量进行卷积池化处理，在两个神经网络的最后接入全连接层得到各自的相似度向量，并进行权重的组合，得到一个n×1的相似度拟合结果，其数量与候选相似场景数量一致，其中损失函数计算方式为：
41、
42、式中ω为所有目标场景下的候选相似场景相似度集合，ωmn为第m个目标场景下第n个场景的相似度，的的含义为第m个目标场景特征，xn的含义为第n个历史场景特征，α为目标场景集合，β为候选相似场景集合，λ为偏差重要性参数，k为训练过程中所有离场航空器所处的目标运行场景的数量，t(xn)为第n个候选相似场景的滑行时间，为目标场景下的实际滑行时间；该损失函数由两部分组成，在最小化在训练集上的滑行时间预测误差的同时减少高偏差场景的相似度取值，本过程中的神经网络的实际作用为计算不同场景与目标场景的相似度并用于线性生成目标场景下离场航班的滑行时间；
43、(3.7)先验处理，最终为了保证相似度和为1，需要以下条件：基于该限制条件，需要将两个神经网络中输出的相似度进行额外先验处理：首先，需要将输出的所有负相似度映射为0，即在两个神经网络的最后额外接入一个relu层，其次，需要对所有权重进行归一化(normalized)处理，即在两个神经网络的relu层后接入一个归一化层；将上述完成处理的相似度进行组合加权输出即可产生目标场景与候选相似场景的整体相似度，计算方式如下：
44、
45、式中μ为组合相似度分配系数，与分别为第n个样本目标场景下net1与net2输出的候选相似场景静态与动态向量相似度；
46、(3.8)迭代训练与相似度提取，通过线性生成滑行时间，将预测产生的组合相似度与候选相似场景中的历史滑行时间进行线性加权求和，根据损失函数进行迭代训练降低两者间误差；
47、(3.9)根据场景相似度计算结果，将每个候选相似场景下对应的航班的滑行时间进行加权求和并用该结果代表目标场景下的滑行时间结果。
48、一种基于可解释相似度的机场场面滑行时间预测系统，包括：
49、机场场面航班滑行场景数据处理模块，用于收集多数据源的数据并进行预处理；
50、场面航班滑行场景特征提取与分组模块，按照数据是否具有周期特点进行特征提取，并将结果划分为滑行场景静态属性特征与滑行场景周期属性特征；
51、场面动态可解释相似度计算与滑行时间预测模块，用于输入数据整合，计算目标场景与历史运行场景之间的动态可解释相似度。
52、有益效果：本发明的基于可解释相似度的机场场面滑行时间预测方法及系统，设计了一个基于可解释相似度的滑行时间预测过程与系统，根据特征数据的特点分别比较静态特征和具有周期性特征的数据，为实现精准滑行时间预测提供一种全新方法，可为后续场面航空器推出控制等决策内容提供有力支持，填补了机场场面运行动态可解释相似度计算方法方面与滑行时间预测方面的技术空白。
1.一种基于可解释相似度的机场场面滑行时间预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于可解释相似度的机场场面滑行时间预测方法，其特征在于：所述步骤一具体包括：
3.根据权利要求1所述的基于可解释相似度的机场场面滑行时间预测方法，其特征在于：所述步骤二具体包括：
4.根据权利要求3所述的基于可解释相似度的机场场面滑行时间预测方法，其特征在于：所述步骤(2.2)中，考虑到后期和战术操作，在计算这些特征时，使用的是预计推出时间和计划起飞时间。
5.根据权利要求1所述的基于可解释相似度的机场场面滑行时间预测方法，其特征在于：所述的步骤三具体包括：
6.一种基于可解释相似度的机场场面滑行时间预测系统，其特征在于：包括：
