本發(fā)明屬于機場場面態(tài)勢度量與識別領(lǐng)域，具體涉及可解釋相似性度量方法及系統(tǒng)，特別是機場場面運行場景可解釋相似性度量方法及系統(tǒng)。

背景技術(shù)：

1、在機場場面的研究中，隨著預測模型的設計越來越復雜，各項指標預測精度也越來越高。然而，在實際的場面管制工作中，由于預測過程的不透明性，導致管制員不能充分理解模型的工作原理，使得管制員為了保證運行安全更傾向于自身的經(jīng)驗，從而妨礙了相關(guān)技術(shù)的推廣。為了提升管制員對預測模型的信任度，一種可行的方案是采用基于相似場景的預測模型，即通過對比歷史場景和當前場景的實際運行信息差異，為目標場景下的指標預測提供可參考的歷史統(tǒng)計結(jié)果。應用于指標預測領(lǐng)域則是使用與當前場景最為相似的多個歷史數(shù)據(jù)提高在目標場景下的離場航空器的指標的預測精度?？紤]到此類方法獲得的場景是基于實際歷史運行數(shù)據(jù)且完全可見的，其預測結(jié)果將會更容易被一線運行人員接受，因此該過程被認為是可解釋的。

2、在過去的研究中對相似場景進行了部分研究，主要分為兩類方法，基于聚類的“場景劃分、識別與預測”和基于改進相似性度量的指標預測。但顯而易見的是基于聚類的方法所得到的結(jié)果是一個不精確的劃分結(jié)果，基于此方法所產(chǎn)生場景的預測方法泛化性能較弱，且整體預測性能提升有限，這顯然難以在精細化場面運行管理中得到推廣。而基于構(gòu)建相似性度量的方法中，通過計算場景間的深度特征并進行相似性度量，從最為接近的多個場景下的預測指標中取均值作為目標場景的預測指標。該方法可以緩解傳統(tǒng)相似性度量公式難以適用于分類特征較多的機場場面運行環(huán)境的狀況，在一定程度上提升預測效果。因此當前預測研究中急需一種能夠有效度量目標場景與相似場景之間相似度的方法，用于進行相似場景的篩選并輔助后續(xù)預測或分類內(nèi)容。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的不足，提供一種機場場面運行場景可解釋相似性度量方法及系統(tǒng)，并計算在不同應用背景下的場景相似度的量化計算結(jié)果。

2、為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種機場場面運行場景可解釋相似性度量方法，包括以下步驟：

4、步驟1，采集來自于不同數(shù)據(jù)渠道的航班數(shù)據(jù)與氣象數(shù)據(jù)，作為場景數(shù)據(jù)，并將其進行預處理，構(gòu)建離場航班視角下的場景運行數(shù)據(jù)集合；

5、步驟2，對步驟1中得到的場景運行數(shù)據(jù)集合中的數(shù)據(jù)，進行二級特征的處理，按照特征特點分別將其劃分為航班靜態(tài)屬性特征和環(huán)境動態(tài)屬性特征兩類特征；

6、步驟3，將步驟2中所得到的兩類特征，構(gòu)造用于可解釋相似度數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)；

7、步驟4，將步驟3所得到的數(shù)據(jù)應用于計算可解釋相似度的網(wǎng)絡，基于兩類數(shù)據(jù)分別計算機場場面運行場景可解釋相似度。

8、所述步驟1具體包括以下步驟：

9、步驟1-1，采集不同數(shù)據(jù)渠道的航班與氣象的原始數(shù)據(jù)，至少包括：機場協(xié)同管理系統(tǒng)數(shù)據(jù)、航空公司運營控制系統(tǒng)數(shù)據(jù)、機場氣象報文數(shù)據(jù)中的涉及目標機場的相關(guān)場景數(shù)據(jù)；

10、步驟1-2，對步驟1-1采集的原始數(shù)據(jù)進行預處理，包括對于異常數(shù)據(jù)的篩選和對缺失數(shù)據(jù)的補全。

11、所述步驟2具體包括以下步驟：

12、步驟2-1，對步驟1處理后的數(shù)據(jù)進行二級特征提取，將所有特征進行統(tǒng)一整合，進行歸一化與編碼處理；

13、步驟2-2，根據(jù)提取特征的特點將特征劃分為兩個部分，即航班靜態(tài)屬性特征和環(huán)境動態(tài)屬性特征兩類；將處理統(tǒng)計完畢的數(shù)據(jù)進行儲存，構(gòu)建建立航班靜態(tài)屬性特征數(shù)據(jù)庫與環(huán)境動態(tài)屬性特征數(shù)據(jù)庫。

14、所述步驟3具體包括以下步驟：

15、步驟3-1，航班靜態(tài)屬性輸入結(jié)構(gòu)構(gòu)建，航班靜態(tài)屬性特征多數(shù)為分類型特征，需要進行額外編碼處理，處理后的向量稱為靜態(tài)屬性向量θi，將所有樣本目標場景與各自候選相似場景集進行輸入結(jié)構(gòu)堆疊構(gòu)造，最終形成的輸入數(shù)據(jù)格式為s×n×2×acat，其中s表示樣本場景數(shù)量，αcat為處理后靜態(tài)屬性向量維度，n為候選場景數(shù)量；在此類構(gòu)造方式下，所有樣本目標場景與每個候選相似場景的航班靜態(tài)屬性間均進行了比較；

16、步驟3-2，環(huán)境動態(tài)屬性輸入結(jié)構(gòu)構(gòu)建，對所有場景的前數(shù)天的同一時刻下的環(huán)境動態(tài)屬性特征進行拼接，形成一天下的多時間尺度環(huán)境動態(tài)屬性輸入向量，稱作動態(tài)屬性向量θe，對所有場景數(shù)據(jù)按照以上步驟處理向量；分別將所有場景與各自候選相似場景集進行組合，最終形成輸入數(shù)據(jù)。

17、所述步驟4具體包括以下步驟：

18、步驟4-1：對于第n個候選相似場景下的主要監(jiān)督指標t(n)，使用目標場景ξ的監(jiān)督指標tξ與第n個候選相似場景和目標場景間的偏差δn表示；因此采用以下方式對候選相似場景離場監(jiān)督指標組成進行建模分析：

19、t(n)＝tξ+δn

20、設在第n個候選場景下的監(jiān)督指標偏差服從0均值的正態(tài)分布使得其中為在該場景條件下由于其與目標場景間的關(guān)鍵特征差異而產(chǎn)生方差；

21、步驟4-2：設定在一類場景中僅存在兩個不同的離場航班運行場景i和j，將監(jiān)督指標改寫為同樣將另一個樣本改寫為

22、使用多個均值一致但方差不同的樣本進行組合，且分別施加權(quán)重盡量降低整體方差，獲得較為準確的ts取值：

23、

24、其中，ω為場景相似度，為目標場景監(jiān)督指標的估計值，限制相似度之和ωi+ωj＝1；

25、步驟4-3：通過統(tǒng)計學知識得ts的方差值為

26、

27、對式中相似度進行求導得：

28、

29、

30、顯然二階導數(shù)取值大于零，所以獲得方差值的最小值，其對應相似度取值分別為：

31、

32、若確定多個場景的對應相似度，則表達方式如下：

33、

34、其中s為場景集合，包含n個不同場景，因此得到以下結(jié)果：

35、

36、其中所有相似度和為1，即

37、步驟4-4：同時考慮到樣本方差取值為最小值，結(jié)合最后預測結(jié)果，近似認為目標場景的監(jiān)督指標為樣本的加權(quán)和，其表示方式為：

38、

39、同樣相似度和為1，即其中每一個權(quán)重ωi即為該場景的可解釋相似度；

40、基于可解釋相似度的特點，將處理后的兩類數(shù)據(jù)分別投入到兩個神經(jīng)網(wǎng)絡net1與net2中，兩個神經(jīng)網(wǎng)絡原始數(shù)據(jù)輸入形狀分別為n×1×acat與n×2×40，其中n為候選相似場景數(shù)，αcat為處理后的分類特征維度，計算過程如步驟4-5至步驟4-8所示：

41、步驟4-5：數(shù)據(jù)降采樣圖像化，以1×2的卷積核將數(shù)據(jù)進行降采樣；將簡化后的數(shù)據(jù)展開形成二維張量，其大小與形狀和常見圖片相近；

42、步驟4-6：類圖像卷積，采用基于lenet的網(wǎng)絡框架結(jié)構(gòu)對張量進行卷積池化處理，在兩個神經(jīng)網(wǎng)絡的最后接入全連接層得到各自的相似度向量，并進行權(quán)重的組合，得到一個n×1的相似度擬合結(jié)果，其數(shù)量與候選相似場景數(shù)量一致，其中損失函數(shù)計算方式為：

43、

44、式中ω為所有目標場景下的候選相似場景相似度集合，ωmn為第m個目標場景下第n個場景的相似度，的的含義為第m個目標場景特征，xn的含義為第n個歷史場景特征，α為目標場景集合，β為候選相似場景集合，λ為偏差重要性參數(shù)，k為訓練過程中所有離場航空器所處的目標運行場景的數(shù)量，t(xn)為第n個候選相似場景的監(jiān)督指標，為目標場景下的實際監(jiān)督指標；該損失函數(shù)由兩部分組成，在最小化在訓練集上的監(jiān)督指標預測誤差的同時減少高偏差場景的相似度取值，本過程中的神經(jīng)網(wǎng)絡的實際作用為計算不同場景與目標場景的相似度并用于線性生成目標場景下離場航班的監(jiān)督指標；

45、步驟4-7：先驗處理，最終為了保證相似度和為1，需要以下條件：基于該限制條件，需要將兩個神經(jīng)網(wǎng)絡中輸出的相似度進行額外先驗處理：首先，需要將輸出的所有負相似度映射為0，即在兩個神經(jīng)網(wǎng)絡的最后額外接入一個relu層，其次，需要對所有權(quán)重進行歸一化(normalized)處理，即在兩個神經(jīng)網(wǎng)絡的relu層后接入一個歸一化層；將上述完成處理的相似度進行組合加權(quán)輸出即可產(chǎn)生目標場景與候選相似場景的整體相似度，計算方式如下：

46、

47、式中μ為組合相似度分配系數(shù)，與分別為第n個樣本目標場景下net1與net2輸出的候選相似場景靜態(tài)與動態(tài)向量相似度；

48、步驟4-8：迭代訓練與相似度提取，通過線性生成監(jiān)督指標，將預測產(chǎn)生的組合相似度與候選相似場景中的歷史監(jiān)督指標進行線性加權(quán)求和，根據(jù)損失函數(shù)進行迭代訓練降低兩者間誤差。

49、機場場面運行場景可解釋相似性度量系統(tǒng)，其特征在于：用于上述的方法，包括：

50、機場場面運行場景數(shù)據(jù)處理模塊，用于收集多數(shù)據(jù)源的數(shù)據(jù)并進行預處理；

51、場面運行場景特征提取與分組模塊，用于按照數(shù)據(jù)類型分別進行二級特征提取，并按照特征特點將所有特征劃分為航班靜態(tài)屬性特征與環(huán)境動態(tài)屬性特征；

52、場面動態(tài)可解釋相似度計算模塊，將輸入數(shù)據(jù)整合，計算目標場景與歷史運行場景之間的動態(tài)可解釋相似度。

53、有益效果：本發(fā)明的機場場面運行場景可解釋相似性度量方法及系統(tǒng)，設計了一個基于相似場景的可解釋性強的神經(jīng)網(wǎng)絡模型用于實現(xiàn)場景相似度計算過程。本發(fā)明提出機場場面運行場景可解釋相似性度量方法，根據(jù)異質(zhì)特征類型進行多時間尺度對比計算場景可解釋相似度，為實現(xiàn)精確場面控制提供一種全新方法，可廣泛利用于后續(xù)系統(tǒng)的關(guān)鍵指標預測與分類中，填補了機場場面運行動態(tài)可解釋相似度計算方法方面的技術(shù)空白。