吳 涔,葉 寧,2,王 甦,季翔宇

(1.南京郵電大學(xué) 計(jì)算機(jī)學(xué)院、軟件學(xué)院、網(wǎng)絡(luò)空間安全學(xué)院,江蘇 南京 210023;2.江蘇省無(wú)線(xiàn)傳感網(wǎng)高技術(shù)研究重點(diǎn)實(shí)驗(yàn)室,江蘇 南京 210023)

0 引 言

隨著國(guó)民經(jīng)濟(jì)和民航業(yè)的快速發(fā)展,航班延誤產(chǎn)生的壓力也是越來(lái)越大。航班延誤不僅會(huì)影響旅客的出行計(jì)劃,給旅客帶來(lái)時(shí)間和經(jīng)濟(jì)損失,同時(shí)也增加了航空公司的運(yùn)營(yíng)成本,影響了機(jī)場(chǎng)和空管部門(mén)的正常運(yùn)營(yíng)。然而航班的延誤通常是由多方面因素造成的,因此延誤是難以完全避免的[1]。針對(duì)航班延誤問(wèn)題,國(guó)內(nèi)外學(xué)者已展開(kāi)大量研究,大多采用支持向量機(jī)、決策樹(shù)、神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)的機(jī)器學(xué)習(xí)算法。為了提高機(jī)場(chǎng)地面業(yè)務(wù)的處理效率,Patrick等[2]提出一種多智能體計(jì)劃方法重組機(jī)場(chǎng)地面業(yè)務(wù)管理,減少因各業(yè)務(wù)部門(mén)間信息共享延遲而造成的延誤,但僅停留在理論層面,仍需要更多實(shí)際場(chǎng)景進(jìn)行驗(yàn)證。楊玨[3]通過(guò)不同啟發(fā)算法的遺傳算法對(duì)保障服務(wù)無(wú)延誤且調(diào)度成本最低的車(chē)輛路徑模型進(jìn)行求解,找到最佳車(chē)輛調(diào)度路徑從而提高地面保障效率。Wu等[4]從機(jī)場(chǎng)、航空公司和航班三個(gè)方面更為全面地考慮影響航班延誤的因素,為降低模型復(fù)雜度,使用主成分分析法進(jìn)行降維,將歷史數(shù)據(jù)作為先驗(yàn)知識(shí)輸入到SVM模型,從而預(yù)測(cè)延誤時(shí)間。Jiang等[5]提出了一種基于長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)的模型,分析了時(shí)間特征、航班屬性、機(jī)場(chǎng)和城市天氣情況等多維度因素,結(jié)合過(guò)去一段時(shí)間的延誤情況,同時(shí)預(yù)測(cè)了航班延誤率、平均延誤時(shí)間等多個(gè)延誤指標(biāo),該方法有助于提前發(fā)現(xiàn)航班延誤趨勢(shì)的變化,為機(jī)場(chǎng)調(diào)度提供決策。但上述研究均只采用了單一模型,很難挖掘不連續(xù)數(shù)據(jù)之間的潛在信息。因此,有研究[6-10]將CNN和LSTM模型融合進(jìn)行預(yù)測(cè)和分類(lèi),但對(duì)于模型來(lái)說(shuō),每條數(shù)據(jù)的重要性是不一樣的,出現(xiàn)延誤情況的數(shù)據(jù)項(xiàng)含有更多的隱含信息,這種重要性差異是很難在CNN模型中體現(xiàn)的,使得模型難以正確評(píng)估樣本的重要性。通過(guò)模仿人的注意力,Vaswani[11]提出了注意力機(jī)制(Attention Mechanism)的概念,使得神經(jīng)網(wǎng)絡(luò)模型能關(guān)注更加有效的信息。

大型機(jī)場(chǎng)地面保障環(huán)境復(fù)雜多變,對(duì)于外界因素的改變,人工和機(jī)器學(xué)習(xí)模型都難以及時(shí)響應(yīng)。因此,為了提高預(yù)測(cè)準(zhǔn)確率,對(duì)保障流程系統(tǒng)進(jìn)行分析具有重要的現(xiàn)實(shí)意義。Petri Net對(duì)于具有異步、并發(fā)和沖突等關(guān)系的系統(tǒng)具有良好的建模能力,因此被廣泛應(yīng)用于工作流管理、故障診斷和電力系統(tǒng)等領(lǐng)域。Zhu[12]使用Petri Net描述機(jī)場(chǎng)停機(jī)坪的交通動(dòng)態(tài),利用著色時(shí)序Petri網(wǎng)對(duì)各運(yùn)行區(qū)域進(jìn)行動(dòng)態(tài)建模,反映停機(jī)坪交通系統(tǒng)的控制和資源占用規(guī)則,提出了停機(jī)坪沖突控制機(jī)制。Davidrajuh等[13]提出了一種通過(guò)擴(kuò)展聚類(lèi)算法來(lái)自動(dòng)檢測(cè)關(guān)鍵元素的算法,將大規(guī)模離散事件構(gòu)成的Petri Net模塊化,降低了模型的復(fù)雜度,便于系統(tǒng)的進(jìn)一步分析。Luo等[14]將排隊(duì)論和Petri Net相結(jié)合來(lái)實(shí)現(xiàn)服務(wù)系統(tǒng)態(tài)勢(shì)感知,該模型對(duì)通用服務(wù)系統(tǒng)具有重要意義,能夠更加全面地描述一般服務(wù)系統(tǒng),并從宏觀上展現(xiàn)系統(tǒng)之間的聯(lián)系。

因此,為了提升航班延誤預(yù)測(cè)模型的靈活性和準(zhǔn)確性,及時(shí)分析和應(yīng)對(duì)外部條件變化,該文提出了一種將時(shí)序Petri Net與融合模型CNN-LSTM-ATT結(jié)合構(gòu)建航班延誤預(yù)測(cè)模型的研究方法,根據(jù)機(jī)場(chǎng)實(shí)際航班地面保障流程,構(gòu)建航班保障流程Petri Net,通過(guò)矩陣推理對(duì)保障流程的關(guān)鍵路徑進(jìn)行計(jì)算,分析其中關(guān)鍵流程作業(yè)成為動(dòng)態(tài)特征。然后,將航班信息、機(jī)場(chǎng)延誤信息、機(jī)場(chǎng)天氣信息以及關(guān)鍵流程信息輸入到融合預(yù)測(cè)模型進(jìn)行延誤分類(lèi)預(yù)測(cè),通過(guò)國(guó)內(nèi)大型機(jī)場(chǎng)實(shí)際數(shù)據(jù)對(duì)模型的有效性進(jìn)行分析驗(yàn)證。

1 流程描述

1.1 航班過(guò)站保障流程

航班過(guò)站保障流程是指過(guò)站航空器從上輪擋開(kāi)始到撤輪擋完成期間內(nèi)做出的一系列的保障作業(yè)的集合,根據(jù)《航班安全運(yùn)行保障標(biāo)準(zhǔn)》中的規(guī)定,不同機(jī)型具有不同的保障工作時(shí)長(zhǎng)規(guī)定,該文主要研究當(dāng)前大型機(jī)場(chǎng)中最常見(jiàn)的A320系列、B737系列等型號(hào)航空器。航班地面保障工作流程中包含了許多并聯(lián)工作關(guān)系和串聯(lián)工作關(guān)系,各項(xiàng)作業(yè)之間存在一定的約束關(guān)系。保障流程按照服務(wù)類(lèi)型可以分為航空器服務(wù)、旅客服務(wù)以及貨艙服務(wù)。

考慮到旅客體驗(yàn)以及安全問(wèn)題,保障流程中的部分工作之間存在一定的先后關(guān)系和邏輯次序,例如,在客艙清潔、配餐食和加油工作完成后才能安排旅客登機(jī)工作,貨艙卸艙完成后才可以安排貨物裝艙等,所以在工作流中一項(xiàng)作業(yè)的超時(shí)有可能會(huì)造成后繼作業(yè)的延期開(kāi)啟。該文研究的保障作業(yè)流程如圖1所示。

圖1 航班保障作業(yè)流程

1.2 航班延誤預(yù)測(cè)流程

機(jī)場(chǎng)地面環(huán)境復(fù)雜,航班在進(jìn)行保障的過(guò)程中會(huì)受到很多外界因素的干擾,過(guò)站保障時(shí)長(zhǎng)會(huì)隨之產(chǎn)生波動(dòng),現(xiàn)有的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)具有較高的準(zhǔn)確率,但缺乏對(duì)保障工作運(yùn)作的實(shí)時(shí)分析,因此目前在很多大型機(jī)場(chǎng)中,為保障航班準(zhǔn)時(shí)出發(fā)的保障作業(yè)時(shí)長(zhǎng)調(diào)整往往在異常發(fā)生后才能進(jìn)行。對(duì)于機(jī)場(chǎng)外部條件的變化,現(xiàn)有的預(yù)測(cè)模型是很難及時(shí)應(yīng)對(duì)的。

經(jīng)分析,航班在出現(xiàn)延誤時(shí),地面部分保障作業(yè)會(huì)出現(xiàn)超出規(guī)定時(shí)長(zhǎng)的情況,為分析具體保障作業(yè)對(duì)整體航班過(guò)站時(shí)長(zhǎng)的影響,因此研究設(shè)計(jì)首先參考機(jī)場(chǎng)實(shí)際航班保障作業(yè)流程圖,抽象化建立地面保障流程Petri Net模型,計(jì)算歷史平均保障時(shí)間來(lái)獲取動(dòng)態(tài)關(guān)鍵保障作業(yè),將其作為動(dòng)態(tài)特征與航班基本特征、場(chǎng)面延誤信息以及外部天氣信息進(jìn)行數(shù)據(jù)預(yù)處理后輸入到融合預(yù)測(cè)模型。模型使用航班宏觀特征以及微觀特征進(jìn)行延誤分類(lèi)來(lái)解決預(yù)測(cè)模型缺乏靈活性的問(wèn)題。

2 時(shí)序Petri Net建模與分析

2.1 Petri Net

Petri Net (PN)是一種適用于描述離散事件系統(tǒng)并發(fā)、沖突和死鎖等動(dòng)態(tài)行為的圖形化的數(shù)學(xué)工具[15]。航班保障過(guò)程包含了一系列具有先后次序和邏輯次序的作業(yè)。PN由庫(kù)所(Place)、變遷(Transition)和有向弧(Directed arcs)連接而成,庫(kù)所表示作業(yè)狀態(tài),變遷表示作業(yè)變化過(guò)程,有向弧用來(lái)表示庫(kù)所和變遷之間的依賴(lài)關(guān)系。

PN模型可表示為:PN=(P,T,F),其中,P={p1,p2,…,pm}是庫(kù)所集合,每一個(gè)pi表示保障作業(yè)任務(wù)狀態(tài),T={t1,t2,…,tn}是變遷集合,每一個(gè)ti表示保障作業(yè)過(guò)程,且P∩T≠?,P∪T≠?,F?(P×T)∪(T×P)表示的是T和P之間的有向弧集合。

PN=(P,T,F)為最基本的網(wǎng)絡(luò)結(jié)構(gòu),PN會(huì)通過(guò)托肯(Token)來(lái)反映流程進(jìn)行到何種狀態(tài),托肯常常用來(lái)表示資源的數(shù)量。PN系統(tǒng)行為的本質(zhì)是資源的流動(dòng),保障過(guò)程中流動(dòng)的可以理解為不斷改變工作狀態(tài)標(biāo)簽的保障人員。保障過(guò)程中局部作業(yè)的延期會(huì)波及后續(xù)作業(yè),從而導(dǎo)致航班延誤。PN模型聚焦保障作業(yè)節(jié)點(diǎn),以便于預(yù)測(cè)模型對(duì)保障流程內(nèi)部作業(yè)的關(guān)注。例如,t1是關(guān)艙門(mén)廊橋撤離,t2是撤輪擋作業(yè),兩項(xiàng)作業(yè)具有嚴(yán)格的先后次序,只有前序變遷完成時(shí)托肯流入后續(xù)庫(kù)所,托肯的流動(dòng)是矩陣推理的基礎(chǔ)。PN=(T,P,F,M)表示的是一個(gè)帶有標(biāo)識(shí)的Petri Net,M(P)可以用來(lái)表示庫(kù)所中的托肯,因此,PN的標(biāo)識(shí)可以通過(guò)m維正整數(shù)向量來(lái)表示,從而對(duì)流程進(jìn)行分析計(jì)算。

2.2 航班保障流程關(guān)鍵特征提取

以國(guó)內(nèi)某大型機(jī)場(chǎng)航空器地面運(yùn)行保障全流程為例,其離港航班地面保障作業(yè)如表1所示?？偣舶?5項(xiàng)保障作業(yè)和1項(xiàng)虛擬作業(yè),相關(guān)作業(yè)具有一定的串行或者并行的邏輯關(guān)系。

表1 保障作業(yè)與變遷

根據(jù)上述作業(yè)對(duì)應(yīng)變遷以及作業(yè)之間的緊前后繼關(guān)系,對(duì)1.1節(jié)的航班保障作業(yè)流程抽象構(gòu)建離港航班地面保障作業(yè)Petri Net模型,如圖2所示。

圖2 地面保障作業(yè)Petri Net模型

為了獲得該模型的關(guān)鍵路徑,獲取其中關(guān)鍵流程作業(yè)用于后續(xù)分析,需要計(jì)算獲得PN中S不變量來(lái)對(duì)其進(jìn)行分析,PN的關(guān)聯(lián)矩陣可以用來(lái)表示其中的狀態(tài)并用于描述狀態(tài)轉(zhuǎn)換。

定義1:設(shè)PN=(P,T,F,M0)為一個(gè)時(shí)序Petri Net模型,庫(kù)所集合P={p1,p2,…,pm},變遷集合T={t1,t2,…,tn},該系統(tǒng)中(P,T,F)可以用n×m的矩陣表示,C=[cij]n×m,稱(chēng)C為該網(wǎng)絡(luò)系統(tǒng)的關(guān)聯(lián)矩陣。

根據(jù)定義1可知,關(guān)聯(lián)矩陣C中一行元素個(gè)數(shù)對(duì)應(yīng)的是系統(tǒng)中的變遷個(gè)數(shù),每個(gè)元素用來(lái)表示托肯數(shù)的改變。

定義2:設(shè)PN=(P,T,F,M0)為一個(gè)時(shí)序Petri Net模型,當(dāng)且僅當(dāng)m維列向量Y滿(mǎn)足以下條件:

(1)Cn×m·Ym×1=0;

(2)向量Y中的任一元素均為整數(shù)。則稱(chēng)Y是PN的S不變量。

C·Y=0

(1)

式中,C為模型的關(guān)聯(lián)矩陣,Y為需要求解的S不變量,可以獲得模型的所有S不變量,該文建立的PN模型通過(guò)矩陣推理可獲得7個(gè)一維矩陣,如式(2)所示。

(2)

在求解獲得的不變量中,數(shù)字‘1’代表該庫(kù)所暢通,根據(jù)計(jì)算獲得的7個(gè)S不變量,可以獲得7條保障作業(yè)路徑,因此求得的不變量如表2所示。

表2 S不變量及對(duì)應(yīng)路徑

根據(jù)航空公司給出的歷史航班地面保障作業(yè)時(shí)間數(shù)據(jù)輸入到PN模型,計(jì)算上述各路徑的總作業(yè)時(shí)長(zhǎng),對(duì)比獲得關(guān)鍵路徑,計(jì)算獲取關(guān)鍵路徑中時(shí)間占比最大的作業(yè)和在出現(xiàn)延誤情況下時(shí)間波動(dòng)最大的作業(yè),具體數(shù)據(jù)計(jì)算方法見(jiàn)4.1節(jié)。保障流程中的關(guān)鍵作業(yè)項(xiàng)會(huì)受到天氣信息、航班流量和機(jī)位調(diào)整等因素出現(xiàn)改變,定期將歷史數(shù)據(jù)輸入模型中獲取到的關(guān)鍵作業(yè)項(xiàng)會(huì)出現(xiàn)變化,動(dòng)態(tài)變化的節(jié)點(diǎn)項(xiàng)成為動(dòng)態(tài)微觀特征,再融合其他常規(guī)特征項(xiàng)輸入到融合預(yù)測(cè)模型。

3 基于CNN-LSTM-ATT的延誤預(yù)測(cè)模型

由于航班過(guò)站期間場(chǎng)面復(fù)雜多變,受多種因素影響,單一預(yù)測(cè)模型不夠穩(wěn)定,容易忽略重要特征信息,該文融合多種模型,利用注意力機(jī)制賦予重要特征更多的權(quán)重,以此提高模型預(yù)測(cè)精度。

3.1 CNN特征提取

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)的主要功能是從數(shù)據(jù)中提取特征。CNN由卷積層、池化層和全連接層組成[16]。卷積層是提取特征的關(guān)鍵,通過(guò)卷積核對(duì)輸入數(shù)據(jù)進(jìn)行特征提取,卷積核數(shù)量增加會(huì)使得提取出的特征更為抽象,通過(guò)RELU激活函數(shù)加入非線(xiàn)性因素解決問(wèn)題,該文采用最大池化層忽略一些不重要的信息加快計(jì)算速度以及防止過(guò)擬合。全連接層可以將池化層獲得的數(shù)據(jù)擴(kuò)展成一維向量,方便后續(xù)輸出操作。但CNN再進(jìn)行預(yù)測(cè)時(shí)很難學(xué)習(xí)到序列數(shù)據(jù)之間的關(guān)系,航班數(shù)據(jù)之間具有依賴(lài)關(guān)系,所以需要將CNN與RNN進(jìn)行結(jié)合。

3.2 LSTM基本原理

LSTM是一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò),它解決了模型訓(xùn)練中梯度消失的問(wèn)題并且能夠?qū)W習(xí)序列信息的依賴(lài)關(guān)系[17],現(xiàn)如今LSTM由于其良好的學(xué)習(xí)性能,已經(jīng)被應(yīng)用于很多場(chǎng)景中。

LSTM的基本神經(jīng)單元包含了遺忘門(mén)、輸入門(mén)和輸出門(mén),門(mén)可以理解為對(duì)數(shù)據(jù)的一次處理。遺忘門(mén)主要是過(guò)濾對(duì)模型訓(xùn)練無(wú)用的干擾信息,根據(jù)上一時(shí)刻的輸出ht-1和當(dāng)前輸入xt共同產(chǎn)生一個(gè)值來(lái)決定是否讓上一時(shí)刻學(xué)到的信息通過(guò)該單元;輸入門(mén)則會(huì)產(chǎn)生需要的新信息,使用sigmoid選出的信息和tanh來(lái)生成新的候選信息結(jié)合進(jìn)行信息更新;最后輸出門(mén)控制模型的輸出,LSTM當(dāng)前狀態(tài)單元的輸出是由前一時(shí)刻的數(shù)據(jù)和當(dāng)前輸入的數(shù)據(jù)共同生成的,具體計(jì)算公式如式(3)所示。

ft=σ(Wf[ht-1,xt]+bf)

it=σ(Wi[ht-1,xt]+bi)

Ot=σ(WO[ht-1,xt]+bO)

(3)

gt=tanh(Wg[ht-1,xt]+bg)

Ct=gt·it+ft·Ct-1

ht=Ot·tanh(Ct)

式中,ft、it、Ot分別代表遺忘門(mén)、輸入門(mén)和輸出門(mén),Ct表示當(dāng)前單元狀態(tài),ht表示隱層狀態(tài),W和b分別表示權(quán)重和偏移量,σ表示sigmoid激活函數(shù)。

在改進(jìn)的LSTM中,模型訓(xùn)練過(guò)程中會(huì)根據(jù)設(shè)置的概率臨時(shí)隨機(jī)刪除隱藏層中的神經(jīng)元,來(lái)防止過(guò)擬合,未刪除的神經(jīng)元進(jìn)行連接,輸入信息前向傳播,獲得的損失值進(jìn)行反向傳播,在模型結(jié)束訓(xùn)練后更新未被刪除的神經(jīng)元的權(quán)值,臨時(shí)刪除的神經(jīng)元也要重新恢復(fù),重復(fù)這個(gè)過(guò)程直到數(shù)值收斂。

加入dropout的LSTM內(nèi)部計(jì)算式如式(4)所示。

(4)

3.3 Attention機(jī)制

LSTM具有提取長(zhǎng)序列時(shí)序特征的能力,但序列長(zhǎng)度過(guò)長(zhǎng)時(shí),LSTM的性能會(huì)下降。對(duì)于航班延誤預(yù)測(cè),只有選取足夠長(zhǎng)的序列長(zhǎng)度,才能包含更多對(duì)過(guò)站時(shí)長(zhǎng)存在影響的因素。注意力機(jī)制用于計(jì)算每一個(gè)前序隱層輸出{h1,h2,…,ht-1}與當(dāng)前輸出ht的相關(guān)性,從而構(gòu)建當(dāng)前時(shí)刻的輸出ot。

注意力機(jī)制是一種模擬人腦注意力的資源配置機(jī)制。在某一時(shí)刻人的大腦會(huì)將注意力集中在需要關(guān)注的區(qū)域,減少甚至忽略對(duì)其他區(qū)域的關(guān)注,從而獲取更多值得關(guān)注的細(xì)節(jié),減少無(wú)用信息的影響并且放大了有用的信息。注意機(jī)制通過(guò)權(quán)重分配讓模型對(duì)關(guān)鍵信息給予足夠的關(guān)注,突出重要信息的影響,從而提高模型的準(zhǔn)確性,注意機(jī)制的引入可以有效改善LSTM由于序列過(guò)長(zhǎng)而造成的信息丟失問(wèn)題。LSTM層的輸出是注意力層的輸入,可以采用概率分配權(quán)重的方式對(duì)權(quán)重矩陣進(jìn)行計(jì)算,概率分布計(jì)算如式(5)所示。

vt=utanh(wht+b)

(5)

按照概率分布計(jì)算注意力權(quán)重αt以及輸出結(jié)果οt,計(jì)算方法如式(6)和式(7)所示。

(6)

(7)

3.4 CNN-LSTM-ATT模型

關(guān)鍵路徑提取的特征、航班信息、天氣信息和延誤信息實(shí)際上都是獨(dú)立特征,該文使用詞向量表示形式,將一個(gè)時(shí)刻的特征信息與標(biāo)簽值用向量形式表示,從而形成新的序列數(shù)據(jù)。根據(jù)數(shù)據(jù)量確認(rèn)了滑動(dòng)窗口的大小為20,步長(zhǎng)為1來(lái)形成特征矩陣圖,輸入特征圖按照時(shí)間進(jìn)行排列。

將設(shè)計(jì)好的輸入數(shù)據(jù)特征輸入到融合預(yù)測(cè)模型,設(shè)計(jì)的融合預(yù)測(cè)模型流程如圖3所示。

圖3 CNN-LSTM-ATT網(wǎng)絡(luò)結(jié)構(gòu)

在模型的參數(shù)設(shè)置方面,CNN層卷積核個(gè)數(shù)為64,卷積核的長(zhǎng)度為2。理論上,LSTM隱藏層越多,預(yù)測(cè)效果越好。但是,隨著層數(shù)的增加,訓(xùn)練時(shí)間也會(huì)大大增加,所以文中LSTM設(shè)置為兩層,第一層128個(gè)隱層通道,第二層64個(gè)隱層通道。注意力層對(duì)輸出有更大的影響,注意力層參數(shù)通過(guò)學(xué)習(xí)特征權(quán)值和分配特征輸入向量實(shí)現(xiàn)。

4 實(shí)驗(yàn)與分析

4.1 實(shí)驗(yàn)環(huán)境以及數(shù)據(jù)概述

為保證深度學(xué)習(xí)實(shí)驗(yàn)?zāi)軌蛘＿M(jìn)行,實(shí)驗(yàn)設(shè)備配備AMD Ryzen 5 5600H with Radeon Graphics,操作系統(tǒng)為Windows 10,內(nèi)存16 GB,實(shí)驗(yàn)使用的Keras的版本為2.0.8。

實(shí)驗(yàn)室用的數(shù)據(jù)集來(lái)源于國(guó)內(nèi)某大型機(jī)場(chǎng)提供的2021年1月至5月航班過(guò)站數(shù)據(jù),經(jīng)初步篩選,該數(shù)據(jù)集總共有38 000條數(shù)據(jù),其中包括了計(jì)劃出發(fā)、上輪擋時(shí)間、清潔時(shí)長(zhǎng)、加油時(shí)長(zhǎng)和裝艙時(shí)長(zhǎng)等多項(xiàng)航班過(guò)站信息。實(shí)驗(yàn)中使用到的氣象數(shù)據(jù)來(lái)源于國(guó)家氣象科學(xué)數(shù)據(jù)中心提供的地面逐小時(shí)氣象數(shù)據(jù)。

此次實(shí)驗(yàn)?zāi)Ｐ洼斎胩卣靼ㄋ拇箢?lèi),具體說(shuō)明如下:

第一類(lèi)是動(dòng)態(tài)關(guān)鍵路徑關(guān)鍵作業(yè)時(shí)長(zhǎng),根據(jù)3.2節(jié)關(guān)鍵路徑的獲取方法,以1～5月航班歷史平均作業(yè)時(shí)間為例,各項(xiàng)地面平均作業(yè)時(shí)間如表3所示。

表3 各項(xiàng)作業(yè)地面歷史平均用時(shí)

根據(jù)表3所給出的各項(xiàng)作業(yè)平均用時(shí),計(jì)算各路徑的總時(shí)長(zhǎng)。根據(jù)計(jì)算可知,2021年上半年對(duì)航班過(guò)站時(shí)間影響最大的路徑為Y3,平均路徑總時(shí)長(zhǎng)為49.36分鐘,根據(jù)對(duì)該路徑的分析將配餐時(shí)長(zhǎng)以及旅客登機(jī)時(shí)長(zhǎng)這兩項(xiàng)作為該數(shù)據(jù)集的動(dòng)態(tài)微觀特征。

第二類(lèi)是航班信息,主要包括航班號(hào)、航線(xiàn)、航班停機(jī)位、航班計(jì)劃起飛日期、計(jì)劃起飛時(shí)間、星期數(shù)、上輪擋時(shí)間、目的城市ID、值機(jī)人數(shù)和出港行李件數(shù)等20項(xiàng)特征。

第三類(lèi)是機(jī)場(chǎng)延誤信息,包括前一天延誤架次、前一小時(shí)延誤架次、前一小時(shí)平均延誤時(shí)間共3項(xiàng)延誤信息特征。

第四類(lèi)是天氣信息特征,主要包括機(jī)場(chǎng)的航班計(jì)劃起飛時(shí)間的天氣現(xiàn)象、可見(jiàn)度、風(fēng)力、風(fēng)向、溫度、大氣壓和目的機(jī)場(chǎng)天氣狀況共7項(xiàng)特征。

根據(jù)不同特征的屬性,需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,使其更適合作為模型的輸入。首先,需要對(duì)缺失數(shù)據(jù)以及具有明顯邏輯錯(cuò)誤的數(shù)據(jù)進(jìn)行清洗;其次,如果直接將無(wú)序離散數(shù)據(jù)輸入到模型中會(huì)讓模型訓(xùn)練結(jié)果出現(xiàn)較大的偏差,所以采用了將離散數(shù)據(jù)按出現(xiàn)的頻次對(duì)其進(jìn)行編碼,連續(xù)數(shù)據(jù)按照min-max歸一化將數(shù)據(jù)映射到[0,1];最后,按照3.4節(jié)中對(duì)數(shù)據(jù)輸入格式的介紹,將數(shù)據(jù)轉(zhuǎn)化成多個(gè)20×32的特征矩陣圖。

4.2 分類(lèi)標(biāo)準(zhǔn)

模型通過(guò)全連接層和softmax分類(lèi)器來(lái)實(shí)現(xiàn)最后的分類(lèi)輸出,根據(jù)民航局新規(guī)中機(jī)場(chǎng)對(duì)延誤的定義,航班實(shí)際離港時(shí)間與計(jì)劃起飛時(shí)間之間的差值在15分鐘以?xún)?nèi),航班屬于未延誤,參考專(zhuān)家意見(jiàn)對(duì)于超出15分鐘的再劃分為不同的延誤等級(jí),因此,將延誤時(shí)長(zhǎng)(T)劃分為五個(gè)等級(jí),分別是T≤15、15240,分類(lèi)器根據(jù)劃分方式進(jìn)行延誤等級(jí)預(yù)測(cè)。

4.3 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)首先比較的是CNN、LSTM、CNN-LSTM以及文中使用的融合模型CNN-LSTM-ATT在數(shù)據(jù)集上的分類(lèi)效果。CNN-LSTM-ATT先使用CNN對(duì)特征之間的聯(lián)系進(jìn)行挖掘,再將尋找到關(guān)聯(lián)的特征擴(kuò)展成以為向量輸入到LSTM中進(jìn)行分類(lèi)預(yù)測(cè)的操作,注意力機(jī)制對(duì)重要的信息給予更多的關(guān)注供模型學(xué)習(xí)。

CNN模型設(shè)置3次卷積操作,卷積核長(zhǎng)度設(shè)置為2,兩層最大池化層,參數(shù)設(shè)置為2,LSTM模型中LSTM層數(shù)為2,第一層包含128個(gè)隱層通道,第二層包含64個(gè)隱層通道,CNN-LSTM模型中層數(shù)以及參數(shù)設(shè)置按照文中提出的融合模型設(shè)置相同,實(shí)驗(yàn)中模型訓(xùn)練輪數(shù)設(shè)置為85次,每一次迭代批處理的樣本量為100。實(shí)驗(yàn)中觀察到,融合模型相較獨(dú)立模型耗時(shí)稍長(zhǎng),一次訓(xùn)練差值在7 s左右,訓(xùn)練耗時(shí)相差不大。

圖4展示了四個(gè)模型的損失值對(duì)比和準(zhǔn)確率對(duì)比,融合模型損失值收斂性能較好,損失值經(jīng)過(guò)訓(xùn)練降到0.1左右。融合模型準(zhǔn)確率比單一模型準(zhǔn)確率高,單一模型準(zhǔn)確率為92%左右,各種融合模型的準(zhǔn)確率均能達(dá)到96%以上,其中提出的融合模型CNN-LSTM-ATT準(zhǔn)確率高達(dá)98.1%,相比單一模型提升了6百分點(diǎn)。CNN模型可以有效獲取一條數(shù)據(jù)的關(guān)鍵特征,但難以發(fā)現(xiàn)時(shí)間序列之間的時(shí)序特征,場(chǎng)面上航班延誤具有聚集性,機(jī)場(chǎng)運(yùn)營(yíng)數(shù)據(jù)按起飛時(shí)間排序后輸入模型,CNN模型難以捕捉每條數(shù)據(jù)的前后信息。LSTM模型難以挖掘一條數(shù)據(jù)的內(nèi)部相關(guān)性,數(shù)據(jù)內(nèi)部的多項(xiàng)特征之間存在一定的聯(lián)系,例如,天氣現(xiàn)象和前一小時(shí)延誤架次存在相關(guān)性。CNN-LSTM模型經(jīng)過(guò)訓(xùn)練準(zhǔn)確率可以達(dá)到96.2%,相比獨(dú)立模型,分類(lèi)效果得到了提升,但對(duì)于部分延誤數(shù)據(jù)模型未能察覺(jué)其特殊性,模型沒(méi)有給予延誤數(shù)據(jù)特定的權(quán)重值進(jìn)行標(biāo)記,使得模型對(duì)這些數(shù)據(jù)難以做出準(zhǔn)確的判斷。

圖4 模型損失值和準(zhǔn)確率對(duì)比

為驗(yàn)證提出的PN模型獲取的動(dòng)態(tài)特征對(duì)模型分類(lèi)預(yù)測(cè)準(zhǔn)確率的提升,設(shè)置對(duì)比實(shí)驗(yàn),評(píng)估該特征在模型訓(xùn)練中的作用,分別將加入動(dòng)態(tài)特征的和未加入動(dòng)態(tài)特征的特征數(shù)據(jù)輸入到CNN-LSTM-ATT預(yù)測(cè)模型。圖5所示為兩種輸入特征下的模型準(zhǔn)確率,兩組實(shí)驗(yàn)都進(jìn)行了85次訓(xùn)練,未添加動(dòng)態(tài)特征的數(shù)據(jù)集在該融合模中最終獲得了93.9%的準(zhǔn)確率,實(shí)驗(yàn)中該數(shù)據(jù)集在進(jìn)行了50次訓(xùn)練時(shí),準(zhǔn)確率趨于平穩(wěn),隨后準(zhǔn)確率便沒(méi)有明顯提升,表明模型難以對(duì)存在延誤的特殊信息進(jìn)行進(jìn)一步的學(xué)習(xí)。圖6顯示了兩種輸入數(shù)據(jù)在模型訓(xùn)練后輸出的混淆矩陣,后三種是存在明顯延誤情況的航班,模型對(duì)兩種輸入特征中不存在明顯延誤現(xiàn)象的航班能夠準(zhǔn)確分類(lèi),動(dòng)態(tài)特征的輸入給延誤航班提供了更大的學(xué)習(xí)特性,讓模型能夠更加準(zhǔn)確地識(shí)別信息。

圖5 不同輸入特征的模型準(zhǔn)確率

圖6 不同輸入特征的模型混淆矩陣

目前,對(duì)于保障作業(yè)時(shí)長(zhǎng)優(yōu)化,國(guó)內(nèi)大型機(jī)場(chǎng)多采用人工統(tǒng)計(jì)和二八法對(duì)歷史數(shù)據(jù)進(jìn)行分析,從而調(diào)整作業(yè)時(shí)長(zhǎng)來(lái)降低延誤風(fēng)險(xiǎn),但上述方法都存在滯后性和準(zhǔn)確率低的問(wèn)題。該文提出的方法通過(guò)國(guó)內(nèi)某大型機(jī)場(chǎng)的真實(shí)數(shù)據(jù)集驗(yàn)證了其可行性,可將Petri Net模型納入機(jī)場(chǎng)協(xié)同決策(Airport Collaborative Decision Making,ACDM)系統(tǒng)中,通過(guò)分析地面保障流程,依據(jù)歷史數(shù)據(jù)自我學(xué)習(xí),動(dòng)態(tài)更新預(yù)測(cè)模型的輸入特征,為航空公司了解航班保障情況、采取流程優(yōu)化措施提供有效參考。

5 結(jié)束語(yǔ)

該文提出了一種基于融合神經(jīng)網(wǎng)絡(luò)的航班延誤情況分類(lèi)預(yù)測(cè)模型,根據(jù)機(jī)場(chǎng)真實(shí)航班保障流程建立時(shí)序Petri Net模型,獲取保障流程關(guān)鍵作業(yè),成為預(yù)測(cè)模型的微觀動(dòng)態(tài)特征。結(jié)合CNN、LSTM和注意力機(jī)制的優(yōu)勢(shì),構(gòu)建融合模型CNN-LSTM-ATT,該模型在實(shí)驗(yàn)數(shù)據(jù)集上獲得了98.1%的準(zhǔn)確率,比其他獨(dú)立預(yù)測(cè)模型的準(zhǔn)確率高,模型性能更好。航班保障流程作為一個(gè)動(dòng)態(tài)流程,特征數(shù)據(jù)中加入關(guān)鍵作業(yè)時(shí)長(zhǎng)特征項(xiàng),對(duì)模型的分類(lèi)準(zhǔn)確率的提升是有很大作用的,讓模型對(duì)重要延誤信息有了更加準(zhǔn)確的判斷。在未來(lái)的工作中,可以繼續(xù)考慮場(chǎng)面多航班資源競(jìng)爭(zhēng)問(wèn)題對(duì)保障時(shí)長(zhǎng)的影響,模型方面可以進(jìn)一步優(yōu)化模型結(jié)構(gòu),縮短訓(xùn)練時(shí)長(zhǎng),提高模型分類(lèi)準(zhǔn)確率,對(duì)分類(lèi)邊緣數(shù)據(jù)做出更好的分類(lèi)判斷,并將模型應(yīng)用到更多領(lǐng)域的流程分析工作中。