本發明涉及機場場面管控領域，尤其涉及場面運行態勢驅動因素提取與模擬推演方法。

背景技術：

1、機場場面運行是航空運輸系統的重要環節，其運行效率直接影響航班準點率、地面資源利用率以及整體旅客體驗。然而，機場場面運行的復雜性與日俱增，主要體現在以下幾個方面：機場場面涉及航班滑行路徑、地面服務車輛調度、跑道和滑行道資源分配等多種要素，其協同運行具有高度非線性和動態變化特性；天氣、航班計劃變更以及地面突發事件均可能引發運行態勢的劇烈變化；場面運行態勢的數據來源多樣，包括航班計劃數據、地面監控數據、氣象數據等，如何整合與挖掘其中的關鍵驅動因素是當前研究的重點。傳統的運行管理方法(如基于經驗規則或簡單統計分析的手段)已難以應對實際場景的高動態性和復雜性；因此，發明出場面運行態勢驅動因素提取與模擬推演方法變得尤為重要。

2、現有的場面運行態勢驅動因素提取與模擬推演方法因數據泄露可能帶來的運行風險較高，降低整體模型的泛化能力以及本地化推演的性能，因數據質量差異或異常數據導致的推演誤差較高；此外，現有的場面運行態勢驅動因素提取與模擬推演方法容易陷入局部最優解，無法為機場場面運行提供更加全面的優化策略，處理復雜約束條件下的推演問題的效率差；為此，我們提出場面運行態勢驅動因素提取與模擬推演方法。

技術實現思路

1、本發明的目的是為了解決現有技術中存在的缺陷，而提出的場面運行態勢驅動因素提取與模擬推演方法。

2、為了實現上述目的，本發明采用了如下技術方案：

3、場面運行態勢驅動因素提取與模擬推演方法，該推演方法具體步驟如下：

4、ⅰ、采集各組機場運行數據，并進行預處理，將預處理后的數據存儲于中央數據倉庫；

5、ⅱ、構建機場場面運行的機場場面圖譜，提取場面運行態勢關鍵因素，同時篩選機場運行態勢的關鍵驅動因素并分配權重；

6、ⅲ、建立航班滑行時間序列，預測不同條件下的滑行延誤和沖突的情況，在機場運行場景下模擬多種態勢演化路徑，并動態調整；

7、ⅳ、將推演過程建模為多階段決策問題，并模擬不同條件下的路徑擴展，同時優化航班滑行時間與地面沖突風險的權衡；

8、ⅴ、校準最終場面態勢預測路徑的概率分布，并提供關鍵決策點建議，生成機場場面態勢演化動態圖，同時提供多場景對比分析。

9、作為本發明的進一步方案，步驟ⅰ中所述構建機場場面運行的機場場面圖譜的具體步驟如下：

10、s1.1：通過nlp技術解析預處理后的航班計劃數據和運行報告中的文本信息，再利用crf模型從文本信息中識別核心實體，實體信息提取完成后，使用雙塔模型從航班數據中抽取各組實體之間的關系；

11、s1.2：將抽取的實體作為節點，將各組實體之間的關系作為兩組實體之間的邊，使用圖數據庫存儲實體與關系，構成機場場面圖譜，之后gcn網絡通過遞歸聚合鄰居節點特征，提取節點間的結構化信息，并根據節點的重要性和關系的頻繁度，提取影響機場運行態勢的關鍵驅動因素；

12、s1.3：利用圖嵌入技術生成節點嵌入向量，結合主成分分析降維，之后計算各驅動因素對態勢預測的貢獻值，以量化關鍵驅動因素的重要性。

13、作為本發明的進一步方案，s1.1中所述核心實體具體包括航班編號、飛機類型、滑行道編號、地面服務車輛以及時間信息各組實體；所述實體之間的關系具體為航班與滑行道的路徑關系以及航班與地面車輛的服務關系各類關系。

14、作為本發明的進一步方案，步驟ⅲ中所述篩選機場運行態勢的關鍵驅動因素并分配權重的具體步驟如下：

15、s2.1：收集不同機場的數據存儲系統，并將各機場的數據存儲系統作為節點，中央服務器根據預設的網絡架構以及參數搭建一組初始的全局模型，各節點搭建本地模型，再將搭建的全局模型的架構與參數下發至各節點，并將其作為各本地模型的架構與參數；

16、s2.2：將從機場場面圖譜中提取的因素作為各節點的本地特征，之后各機場節點通過本地特征訓練對應的本地模型，之后各本地模型通過前向傳播輸出預測結果，再通過本地損失函數以及反向傳播算法更新本地模型的架構以及參數；

17、s2.3：將更新后的本地模型架構以及參數信息上傳至中央服務器中，中央服務器對接收的各組架構與參數信息進行加權聚合，以獲取新的全局模型架構與參數，并替換原有全局模型架構與參數，之后使用kl散度計算本地模型輸出概率分布與偽目標的相似性，并通過交叉熵損失函數計算本地模型輸出與真實標簽之間的差距，之后通過加權組合將kl散度與交叉熵損失函數進行組合，獲取該本地模型的總損失函數；

18、s2.4：各節點本地模型接收更新后的全局模型架構、參數以及軟標簽，并替換原有本地模型的架構與參數，之后將本地特征數據的真實值作為真實標簽，各節點本地模型分別依據本地真實標簽和偽標簽進行聯合訓練，以最小化本地損失函數為目標；

19、s2.5：在每次本地模型的訓練迭代中，計算總損失函數的梯度，并根據計算出的梯度值，使用梯度下降法調整學生模型的參數，當總損失函數收斂至預設范圍后，停止對本地模型的訓練，通過驗證數據集比較本地模型和全局模型的診斷精度，以及驗證學生模型的推理速度和資源占用，若本地模型滿足預設需求，則將其作為最終輕量化模型，并部署至各機場節點；

20、s2.6：各機場節點分別通過本地模型獲取各因素重要性得分，通過聯邦學習機制整合各重要性得分，根據整合后的重要性得分，對關鍵驅動因素分配權重，再將權重歸一化處理,以最終權重為依據，生成關鍵驅動因素排名，提供重要驅動因素的量化解釋。

21、作為本發明的進一步方案，步驟ⅲ中所述在機場運行場景下模擬多種態勢演化路徑，并動態調整的具體步驟如下：

22、s3.1：從機場運行數據中提取當前場景的初始態勢狀態，包括當前航班滑行路徑和滑行時間、地面服務車輛調度情況以及跑道使用情況和排隊隊列長度，依據最小化滑行時間與優化資源利用率定義目標函數；

23、s3.2：設置初始溫度、降溫速率以及停止溫度，通過隨機調整滑行道占用情況或跑道優先級分配以及修改地面服務車輛的調度策略的方式，從當前狀態生成一個鄰域狀態，并計算當前狀態和新狀態的目標函數值；

24、s3.3：若當前狀態目標函數值小于新狀態的目標函數值，則接受新狀態，并替換當前狀態，若當前狀態目標函數值大于新狀態的目標函數值，則計算新狀態的接受概率，并以該接受概率接受新狀態；

25、s3.4：若接受新狀態，則設置新狀態為當前態勢狀態，否則保持不變，每輪新狀態替換完成后，根據預設降溫速率更新當前溫度，直至當前溫度到達停止溫度，停止狀態更新，并輸出當前態勢狀態以及對應的關鍵驅動因素配置，作為態勢演變的最優路徑。

26、作為本發明的進一步方案，步驟ⅴ中所述校準最終場面態勢預測路徑的概率分布，并提供關鍵決策點建議的具體步驟如下：

27、s4.1：將滑行道占用情況、航班排隊長度以及地面服務資源配置各狀態以及通過推演模擬生成的各后續狀態作為節點，并基于各組信息構建決策搜索樹，樹中每個節點表示機場場面運行的一個具體態勢狀態，樹的根節點為當前初始態勢狀態；

28、s4.2：為每條路徑分配一個概率，以表示其發生的可能性，并對推演路徑進行采樣，根據歷史運行數據校準概率，并基于概率校準公式平滑路徑概率分布；

29、s4.3：遍歷決策搜索樹，并優先選擇概率較高的轉移路徑，并保留多組低概率路徑以探索潛在次優解，之后將不同路徑的最終態勢狀態結果通過加權平均進行合并，生成綜合態勢評估，基于綜合態勢狀態，結合關鍵驅動因素，生成可解釋的決策建議，并依據shap值解釋態勢變化的核心原因。

30、相比于現有技術，本發明的有益效果在于：

31、1、本發明將中央服務器搭建的全局模型的架構與參數下發至各節點，并將其作為各本地模型的架構與參數，將從機場場面圖譜中提取的因素作為各節點的本地特征，之后各機場節點通過本地特征訓練并更新對應的本地模型的架構以及參數，將更新后的本地模型架構以及參數信息上傳至中央服務器中，中央服務器對接收的各組架構與參數信息進行加權聚合，以獲取新的全局模型架構與參數，并替換原有全局模型架構與參數，之后通過加權組合將kl散度與交叉熵損失函數進行組合，獲取該本地模型的總損失函數，各節點本地模型接收更新后的全局模型架構、參數以及軟標簽，并替換原有本地模型的架構與參數，之后將本地特征數據的真實值作為真實標簽，各節點本地模型分別依據本地真實標簽和偽標簽進行聯合訓練，以最小化本地損失函數為目標，在每次本地模型的訓練迭代中，計算總損失函數的梯度，并根據計算出的梯度值，使用梯度下降法調整學生模型的參數，當總損失函數收斂至預設范圍后，停止對本地模型的訓練，通過驗證數據集比較本地模型和全局模型的診斷精度，以及驗證學生模型的推理速度和資源占用，若本地模型滿足預設需求，則將其作為最終輕量化模型，并部署至各機場節點，各機場節點分別通過本地模型獲取各因素重要性得分，通過聯邦學習機制整合各重要性得分，根據整合后的重要性得分，對關鍵驅動因素分配權重，再將權重歸一化處理,以最終權重為依據，生成關鍵驅動因素排名，提供重要驅動因素的量化解釋，能夠降低因數據泄露可能帶來的運行風險，提高整體模型的泛化能力，提升本地化推演的性能，降低對高性能硬件的依賴以及系統成本，避免因數據質量差異或異常數據導致的推演誤差，提高關鍵驅動因素的提取精準度。

32、2、該場面運行態勢驅動因素提取與模擬推演方法從機場運行數據中提取當前場景的初始態勢狀態，包括當前航班滑行路徑和滑行時間、地面服務車輛調度情況以及跑道使用情況和排隊隊列長度，依據最小化滑行時間與優化資源利用率定義目標函數，設置初始溫度、降溫速率以及停止溫度，通過隨機調整滑行道占用情況或跑道優先級分配以及修改地面服務車輛的調度策略的方式，從當前狀態生成一個鄰域狀態，并計算當前狀態和新狀態的目標函數值，若當前狀態目標函數值小于新狀態的目標函數值，則接受新狀態，并替換當前狀態，若當前狀態目標函數值大于新狀態的目標函數值，則計算新狀態的接受概率，并以該接受概率接受新狀態，若接受新狀態，則設置新狀態為當前態勢狀態，否則保持不變，每輪新狀態替換完成后，根據預設降溫速率更新當前溫度，直至當前溫度到達停止溫度，停止狀態更新，并輸出當前態勢狀態以及對應的關鍵驅動因素配置，作為態勢演變的最優路徑，能夠避免陷入局部最優解，為機場場面運行提供更加全面的優化策略，能夠高效處理復雜約束條件下的推演問題，幫助機場運行管理者提前預判問題，并設計應對策略。