一种基于图神经网络的机场运行风险时序预测系统的制作方法

1.本发明涉及一种机场运行风险时序预测系统，特别是一种基于图神经网络的机场运行风险时序预测系统。


背景技术：

2.民用航空机场作为民用航空运输三大系统之一，是空中交通的重要基础设施和组成部分。机场既是保证航空器安全飞行的物质基础，更是航空器能否安全起降的首要条件，因此，保障机场的安全至关重要。根据国际民航组织统计，全球每年平均发生航空事故100起以上，尽管21世纪的今天，科技水平大大提升了飞机的航空安全，但仍然无法完全避免航空事故的出现。民航机场作为旅客出行的基础条件，为航空器提供维修检查等业务，为旅客提供值机、安检、行李托运等服务，其运行是由许多作业活动组成的，机场安全包括：跑道安全、停机坪安全、航空器运行安全、特种车辆运行安全，以及人员安全等多个方面。针对机场运行风险的评估预测有助于机场相关管理者的风险控制策略提供辅助决策依据，进而提高相关部门的管理效率，促使管理模式更加精细科学，对于提升运行效率、改善机场运行状态具有一定的理论价值和重要的现实意义。
3.影响飞行区安全运行的危险因素往往存在于运行过程的不同环节，每一个环节的作用均可能成为影响飞行区安全运行的关键，并且所有与飞行区安全运行相关因素可能存在一定的关联关系。例如，道面积雪可能导致道面摩擦系数降低风险，进而导致路由偏离风险和机坪交通事故风险等，并最终导致航空器与航空器碰撞风险、航空器与车辆碰撞风险等飞行区运行风险。基于以上分析可知，飞行区运行风险的发生多是由许多不安全的因素交互影响下的结果，只要一部分疏忽就可能导致不良的后果，各个风险之间形成了明显的图结构数据。若将不安全事件或事故的原因单纯归咎于发生不安全事件或事故的单一风险，并不能很好的改善飞行区运行安全。


技术实现要素：

4.发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于图神经网络的机场运行风险时序预测系统。
5.为了解决上述技术问题，本发明公开了一种基于图神经网络的机场运行风险时序预测系统，包括数据采集模块、图结构构建模块、权重生成模块以及风险预测模块；
6.其中，所述数据采集模块用于采集机场运行风险和运行态势的数据，对所述数据进行清洗，并将清洗后的数据按照时间段划分成时序数据，将所述时序数据传递到图结构构建模块、权重生成模块以及风险预测模块；
7.所述图结构构建模块用于分析所述时序数据，建立风险之间的连接关系，形成以各类风险为节点的有向非循环图结构，并将所述有向非循环图结构传递到风险预测模块；
8.所述权重生成模块根据所述时序数据，计算风险节点间的数据关联性，生成所述有向非循环图结构中的各节点之间的边权重，并将边权重传递到风险预测模块；
9.所述风险预测模块根据所述有向非循环图结构中各风险节点的时序数据以及所述的边权重，采用图神经网络预测方法处理图结构数据，完成对未来时刻的各风险节点的风险值的预测。
10.所述基于图神经网络的机场运行风险时序预测系统，执行如下步骤：
11.步骤s1，数据采集模块采集机场运行过程中各类风险的风险等级和运行态势的相关数据，对上述数据进行清洗，清除缺失数据、错误数据和重复数据，并将清洗后的数据以固定时间段进行划分，得到机场运行风险的时序数据，将该时序数据传递到图结构构建模块、权重生成模块和风险预测模块；
12.所述的相关数据，至少包括：跑道侵入风险、滑行道冲突风险、限制区侵入风险、低能见度风险、低空风切风险、道面积雨风险、道面积雪风险、道面积冰风险、摩擦系数降低风险、路由偏离风险、机坪交通事件风险、航空器与航空器碰撞风险、航空器与车辆剐蹭风险、航空器与人员剐蹭风险、航空器与建筑物剐蹭风险等风险值以及跑道利用率、滑行道利用率、车辆使用率以及反映机场运行繁忙程度的态势数据。
13.步骤s2，图结构构建模块将步骤s1中所述的清洗后的数据作为图的节点构建图结构数据，将生成的图结构数据传递到风险预测模块；
14.进一步的，所述的构建图结构数据，具体方法包括：
15.采用贝叶斯网络结构学习算法对各节点建立有向非循环连接关系，再根据各节点的风险属性对生成的图结构节点之间的连接关系进行调整优化，最终得到风险关系图结构，完成构建图结构数据。
16.进一步的，所述的构建图结构数据，还可以采用如下方法：
17.对于图的节点中相关的节点建立有向边，最终由节点和有向边构建出风险节点的图结构数据，具体包括：
18.计算每个目标节点与其他所有节点的相关性，选择相关性超过设定阈值的节点作为目标节点的相连节点，在相连节点之间建立连接，在建立连接后根据相连节点的风险属性，确定子节点与父节点，即得到有向边。
19.进一步的，所述的计算每个目标节点与其他所有节点的相关性，选择相关性超过设定阈值的节点作为目标节点的相连节点，具体方法包括：
20.计算皮尔逊线性相关系数得到节点s与其他所有节点的相关性，选择超过设定阈值的节点作为节点s的相连节点，具体如下：
[0021][0022]asp
＝1,{e
sp
≥th,p∈ss}
[0023]
其中，e
sp
表示节点s与节点p的皮尔逊线性相关系数值，表示节点s历史第n个时刻的风险值，表示节点s历史n个时刻的平均风险值，表示除节点s之外的其他节点历史n个时刻的风险值，表示除节点s之外其他节点历史n个时刻的平均风险值，a
sp
＝1表示节点s与节点p之间相连，th表示设定的阈值，ss表示除节点s之外的其他节点的集合。
[0024]
步骤s3，权重生成模块以节点为中心，计算与其关联节点的相关性，并按照关联性
的强弱生成相应的边权重，将产生的边权重传递到风险预测模块；
[0025]
所述的边权重的计算方法，包括：
[0026]
对任一目标节点，计算图结构中目标节点与其相连的节点之间的相关性，并以相关性取值与所有目标节点相连节点的相关性取值之和的比值作为该节点与目标节点之间的边权重；遍历所有节点进行上述计算，得到所有相连节点的边权重，具体如下：
[0027][0028]
其中，w
sp
表示目标节点s和与其相连的节点p的边权重，l
sp
表示两节点的皮尔逊线性相关系数值，集合s表示与节点s相关联的所有父节点的集合。
[0029]
所述的计算图结构中目标节点与其相连的节点之间的相关性，具体方法包括：
[0030]
采用皮尔逊线性相关系数计算所述相关性l，方法如下：
[0031][0032]
其中，l表示目标节点s和与其相连的节点p的皮尔逊线性相关系数值，si表示节点s第i时刻的风险值，表示目标节点所有时刻的平均风险值，pi表示节点p第i时刻的风险值，表示节点p所有时刻的平均风险值，n为选取的时间段。
[0033]
步骤s4，风险预测模块将数据采集模块输入的时序数据作为图结构数据中各节点的输入特征值，将权重生成模块输入的边权重作为图结构数据中各有向边的输入特征值，采用图神经网络预测未来时刻各个风险节点的风险值，具体包括：
[0034]
图神经网络通过图嵌入方法学习得到每个节点的d维向量xn，xn中同时包含当前节点和相连节点的信息，计算方法如下：
[0035]
xn＝fw(ln,l
co[n]
,x
ne[n]
,l
ne[n]
)
[0036]
其中，ln表示该节点的输入特征，即为历史时刻的节点风险值，l
co[n]
表示与该节点相连边的特征，即为步骤s3中所述的边权重，x
ne[n]
表示与节点相连节点的嵌入向量，l
ne[n]
代表节点的相连节点的特征，即为节点相连节点的历史风险值，fw表示图神经网络的转换函数；最终每个节点的输出值通过如下方法计算：
[0037]on
＝gw(xn,ln)
[0038]
其中，on为节点的输出值，即为下一时刻或下几时刻该节点的预测风险值，gw表示图神经网络的输出函数。
[0039]
步骤s5，验证图神经网络预测的准确性，若未达到准确性要求，则重复执行步骤s1至步骤s4，直到图神经网络的预测结果符合准确性要求。
[0040]
有益效果：
[0041]
本发明中基于图神经网络的机场运行风险时序预测，根据机场运行各风险的关联关系，以各风险为节点建立有向非循环图结构，采用图神经网络进行风险的时序预测。充分考虑了风险之间的耦合关系，极大地提高了风险预测的准确性。
[0042]
一是建立基于数据驱动的机场运行风险关联关系，各风险之间的关联关系不再通过专家系统或是过去的研究帮助进行制定。解决了专家系统难以获取且专家系统存在主观性与实际情况存在偏差的问题。
[0043]
二是充分考虑风险间的耦合关联关系，在考虑单一风险时序变化的同时，考虑其他风险对该风险的影响，建立风险关联的权重关系，从而能够更加准确地建立各风险之间的耦合关系。
[0044]
三是采用图神经网络处理图结构数据实现更加准确的机场运行风险预测，图神经网络对图结构数据具有很好地建模能力，可以从图结构数据中节点和边之间的关系学习到其中隐含的关系或者逻辑推理模式，从而实现对耦合风险的准确预测。
附图说明
[0045]
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
[0046]
图1是本发明系统框架示意图。
[0047]
图2是本发明基于k2算法建立有向非循环图流程示意图。
[0048]
图3是本发明风险节点关系示意图。
[0049]
图4是本发明基于相关性的有向非循环图建立流程示意图。
具体实施方式
[0050]
本发明拟针对机场运行风险耦合关系复杂难以准确预测的问题，构建一种基于图神经网络的机场运行风险时序预测系统，充分考虑风险因素耦合关联关系，以风险因素为节点建立机场运行风险图结构，基于历史风险数据采用图神经网络进行风险预测，提高风险预测的准确性。
[0051]
所述系统包括数据采集模块、图结构构建模块、权重生成模块以及风险预测模块；
[0052]
所述数据采集模块用于采集机场运行风险和运行态势的相关数据，对数据进行清洗，清除缺失数据、错误数据和重复数据，并将采集到的历史数据按照时间段划分成时序数据，该时序数据作为输入传递到图结构构建模块、权重生成模块以及风险预测模块；
[0053]
所述图结构构建模块用于分析采集到的各类风险时序数据，建立风险之间的连接关系，形成以各类风险为节点的有向非循环图结构，该图结构作为输入传递到风险预测模块；
[0054]
所述权重生成模块根据各风险节点的时序数据，计算风险节点间的数据关联性，生成图结构中各节点之间的边权重，边权重作为输入传递到风险预测模块；
[0055]
所述风险预测模块根据图结构中各风险节点的历史时序数据以及图结构中的边权重采用图神经网络预测技术实现对未来时刻的各风险节点风险值的预测。
[0056]
系统执行如下步骤：
[0057]
步骤s1，数据采集模块采集机场运行过程中各类风险的风险等级和运行态势的相关数据，包括：跑道侵入风险、滑行道冲突风险、限制区侵入风险、低能见度风险、低空风切风险、道面积雨风险、道面积雪风险、道面积冰风险、摩擦系数降低风险、路由偏离风险、机坪交通事件风险、航空器与航空器碰撞风险、航空器与车辆剐蹭风险、航空器与人员剐蹭风险、航空器与建筑物剐蹭风险等风险值以及跑道利用率、滑行道利用率、车辆使用率等反映机场运行繁忙程度的态势数据。数据采集模块对数据进行清洗，清除缺失数据、错误数据和重复数据，并将采集到的数据以固定时间段进行划分，得到机场运行风险的时序数据，该时
序数据作为输入数据传递到图结构构建模块、权重生成模块和风险预测模块；
[0058]
步骤s2，图结构构建模块将运行风险和运行态势作为图的节点构建图结构数据，根据各节点输入的时序数据，遍历所有节点，计算每两个节点之间的相关性，对于相关的节点建立有向边，最终由节点和边构建出风险节点的图结构数据，生成的图结构数据作为输入传递到风险预测模块；
[0059]
步骤s3，权重生成模块以节点为中心，计算与其关联节点的相关性，并按照关联性的强弱生成相应的边权重，关联性越强权重越高。产生的边权重作为输入传递到风险预测模块；
[0060]
步骤s4，风险预测模块将数据采集模块输入的历史风险数据作为图结构中各节点的输入特征值，将权重生成模块输入的边权重作为图结构中各有向边的输入特征值，采用图神经网络预测下一或几个时刻各个风险节点的风险值。
[0061]
步骤s5：验证图神经网络预测准确性，若未达到准确性要求，则执行步骤s1获取更多的运行风险数据后，继续训练图神经网络，直到预测结果符合准确性要求。
[0062]
实施例：
[0063]
本发明提供了一种基于图神经网络的机场运行风险时序预测系统，包括数据采集模块、图结构构建模块、权重生成模块以及风险预测模块，如图1所示。
[0064]
所述数据采集模块用于采集机场运行风险和运行态势数据，对数据进行清洗，清除缺失数据、错误数据和重复数据，并将采集到的历史数据按照时间段划分成时序数据输入到图结构构建模块、权重生成模块、风险预测模块；
[0065]
所述图结构构建模块基于各类风险时序数据的相关性，建立风险之间的连接关系，形成以各类风险为节点的有向非循环图结构输入到风险预测模块；
[0066]
所述权重生成模块根据各风险节点的时序数据，计算风险节点间的数据关联性，生成网络中各节点之间的边权重输入到风险预测模块；
[0067]
所述风险预测模块根据图结构中各风险节点的历史时序数据以及图结构中的边权重采用图神经网络预测技术实现对未来时刻的各风险节点风险值的预测。
[0068]
本发明提供2个实施例，分别针对不同的图结构构建方式，以实现最优预测结果。
[0069]
实施例1:
[0070]
本实施例针对机场运行风险，采用图神经网络进行风险预测，包括以下步骤：
[0071]
步骤s1：数据采集模块采集机场运行过程中各类风险的风险等级和运行态势的相关数据，包括：跑道侵入风险、滑行道冲突风险、限制区侵入风险、低能见度风险、低空风切风险、道面积雨风险、道面积雪风险、道面积冰风险、摩擦系数降低风险、路由偏离风险、机坪交通事件风险、航空器与航空器碰撞风险、航空器与车辆剐蹭风险、航空器与人员剐蹭风险、航空器与建筑物剐蹭风险等风险值以及跑道利用率、滑行道利用率、车辆使用率等反映机场运行繁忙程度的态势数据。数据采集模块对数据进行清洗，清除缺失数据、错误数据和重复数据，并将采集到的数据以固定时间段进行划分，得到机场运行风险的时序数据输入数据到图结构构建模块、权重生成模块和风险预测模块；
[0072]
步骤s2：图结构构建模块将运行风险和运行态势作为图的节点构建图结构数据，采用根据各节点输入的时序数据，遍历所有节点，计算每两个节点之间的相关性，对于相关的节点建立有向边，最终由节点和边构建出风险节点的图结构数据。生成的图结构数据作
为输入传递到风险预测模块；
[0073]
具体地，采用贝叶斯网络结构学习算法，以k2算法为例对各节点建立有向非循环连接关系，将所有节点排序形成集合{x1,x2,
…
xn}，按照节点顺序依次选择节点xi，并将前i-1个节点作为其候选父节点，计算节点xi与每一个候选父节点构成的贝叶斯网络结构的贝叶斯信息准则评分。将加入后评分最高的候选父节点与未加入该候选父节点时的评分进行比较，若评分升高，则将该节点作为节点i的父节点，增加由该父节点指向节点i的边；若评分未升高则从候选父节点集合中舍弃该节点。当增加父节点后评分不再升高或达到节点i的入度，则停止流程，否则继续选择节点xi的候选父节点重复上述过程，具体流程如图2所示，再根据实际情况对生成的图结构节点之间的连接关系进行调整优化(由贝叶斯网络生成的图结构可能存在风险之间关联关系与实际机场运行情况不符合，需要对图结构进行调整)，最终得到的风险关系图结构如图3所示。
[0074]
步骤s3：权重生成模块以节点为中心，计算与其关联节点的相关性，并按照关联性的强弱生成相应的边权重，关联性越强权重越高，产生的边权重作为输入传递到风险预测模块；
[0075]
具体地，采用皮尔逊线性相关系数(pearson linear correlation coefficient，plcc)计算图结构中相连节点数据之间的相关性，如下所示。
[0076][0077]
其中，l表示两节点的plcc值，si表示节点第i时刻的风险值，表示节点所有时刻的平均风险值，pi表示关联节点第i时刻的风险值，表示关联节点所有时刻的平均风险值，n为选取是时间段。在plcc的基础上确定每个相连节点的边权重，如下所示。
[0078][0079]
其中，w
ij
表示两相连节点i，j的边权重，l
ij
表示两节点的plcc值，s表示与节点j相关联的所有父节点的集合。
[0080]
步骤s4：风险预测模块将数据采集模块输入的历史风险数据作为图结构中各节点的输入特征值，将权重生成模块输入的边权重作为图结构中各有向边的输入特征值，采用图神经网络预测下一或几个时刻各个风险节点的风险值。图神经网络是一种结合了神经网络、深度学习的用来处理处理图结构数据的方法，其一个典型应用是节点分类问题。在这类问题中，节点i具有一些特征，节点i对应的标记标签为ti。然后给定部分己经具有节点标记信息的图g，然后利用这些己经有标记的节点到标签的数据作为训练集，训练图神经网络来预测未标记的节点标签(参考：defferrard，m.；bresson,x.；and vandergheynst,p.2016.convolutional neural networks on graphs with fast localizedspectral filtering.in advances in neural information processing systems,3844
–
3852.)。
[0081]
具体地，图神经网络通过图嵌入来学习到每个节点的d维向量xn，xn中同时包含当前节点和相连节点的信息，计算公式如下。
[0082]
xn＝fw(ln,l
co[n]
,x
ne[n]
,l
ne[n]
)(3)
[0083]
其中，ln表示该节点的输入特征，即为历史10个时刻的节点风险值，l
co[n]
表示与该节点相连边的特征，即为权重生成模块得到的边权重，x
ne[n]
表示与节点相连节点的嵌入向
量，l
ne[n]
代表节点的相连节点的特征，即为节点相连节点的历史风险值。最终每个节点的输出值如下计算得到。
[0084]on
＝gw(xn,ln)(4)
[0085]
其中，on为节点的输出值，即为下一时刻或下几时刻该节点的预测风险值；
[0086]
步骤s5：验证图神经网络预测准确性，若未达到准确性要求，则执行步骤s1获取更多的运行风险数据后，继续训练图神经网络，直到预测结果符合准确性要求。
[0087]
实施例2:
[0088]
本实施例针对机场运行风险，采用图神经网络进行风险预测，包括以下步骤：
[0089]
步骤s1：数据采集模块采集机场运行过程中各类风险的风险等级和运行态势的相关数据，包括：跑道侵入风险、滑行道冲突风险、限制区侵入风险、低能见度风险、低空风切风险、道面积雨风险、道面积雪风险、道面积冰风险、摩擦系数降低风险、路由偏离风险、机坪交通事件风险、航空器与航空器碰撞风险、航空器与车辆剐蹭风险、航空器与人员剐蹭风险、航空器与建筑物剐蹭风险等风险值以及跑道利用率、滑行道利用率、车辆使用率等反映机场运行繁忙程度的态势数据。数据采集模块对数据进行清洗，清除缺失数据、错误数据和重复数据，并将采集到的数据以固定时间段进行划分，得到机场运行风险的时序数据输入数据到图结构构建模块、权重生成模块和风险预测模块；
[0090]
步骤s2：图结构构建模块将运行风险和运行态势作为图的节点构建图结构数据，采用根据各节点输入的时序数据，遍历所有节点，计算每两个节点之间的相关性，对于相关的节点建立有向边，最终由节点和边构建出风险节点的图结构数据。生成的图结构数据作为输入传递到风险预测模块；
[0091]
具体地，对所有节点排序得到集合{x1,x2,
…
,xn}，从节点i开始，计算节点i与节点i+1到节点n的皮尔逊线性相关系数(pearson linear correlation coefficient，plcc)，选择超过设定阈值的节点作为节点i的相连节点，如下所示。
[0092][0093]
其中，e
ij
表示节点i与其他节点的plcc值，表示节点i历史n个时刻的风险值，表示节点i历史n个时刻的平均风险值，表示除节点i之外的其他节点历史n个时刻的风险值，表示除节点i之外其他节点历史n个时刻的平均风险值，a
ij
＝1表示节点i与节点j之间相连，th表示设定的阈值，s表示除节点i+1到节点n的节点的集合。依次类推，直到i＝n停止，得到所有节点的连接关系。在确定连接关系后根据连接两节点风险属性，确定子节点与父节点，流程如图4所示，最终得到的风险关系图结构如图3所示。
[0094]
步骤s3：权重生成模块以节点为中心，计算与其关联节点的相关性，并按照关联性的强弱生成相应的边权重，关联性越强权重越高，产生的边权重作为输入传递到风险预测模块；
[0095]
具体地，采用皮尔逊线性相关系数(pearson linear correlation coefficient，plcc)计算图结构中相连节点数据之间的相关性，如下所示。
[0096][0097]
其中，l表示两节点的plcc值，si表示节点第i时刻的风险值，表示节点所有时刻的平均风险值，pi表示关联节点第i时刻的风险值，表示关联节点所有时刻的平均风险值，n为选取是时间段。在plcc的基础上确定每个相连节点的边权重，如下所示。
[0098][0099]
其中，w
ij
表示两相连节点i，j的边权重，l
ij
表示两节点的plcc值，s表示与节点j相关联的所有父节点的集合。
[0100]
步骤s4：风险预测模块将数据采集模块输入的历史风险数据作为图结构中各节点的输入特征值，将权重生成模块输入的边权重作为图结构中各有向边的输入特征值，采用图神经网络预测下一或几个时刻各个风险节点的风险值。
[0101]
具体地，图神经网络通过图嵌入来学习到每个节点的d维向量xn，xn中同时包含当前节点和相连节点的信息，计算公式如下。
[0102]
xn＝fw(ln,l
co[n]
，x
ne[n]
，l
ne[n]
)
ꢀꢀꢀꢀꢀꢀ
(3)
[0103]
其中，ln表示该节点的输入特征，即为历史10个时刻的节点风险值，l
co[n]
表示与该节点相连边的特征，即为权重生成模块得到的边权重，x
ne[n]
表示与节点相连节点的嵌入向量，l
ne[n]
代表节点的相连节点的特征，即为节点相连节点的历史风险值。最终每个节点的输出值如下计算得到。
[0104]on
＝gw(xn,ln)
ꢀꢀꢀꢀꢀꢀꢀ
(4)
[0105]
其中，on为节点的输出值，即为下一时刻或下几时刻该节点的预测风险值；
[0106]
步骤s5：验证图神经网络预测准确性，若未达到准确性要求，则执行步骤s1获取更多的运行风险数据后，继续训练图神经网络，直到预测结果符合准确性要求。
[0107]
本发明提出的方法可应用于现有的机场飞行区场面运行监视系统中，生成观测节点的未来时刻的风险值，形成json格式的风险数据文件，并在现有的机场飞行区场面运行监视系统的显示屏上对超过风险阈值的观测节点给出预警信息。在机场运行中，机场运行人员可根据系统生成的各观测节点的风险数据，及时发现可能产生风险的节点，并采取相应的安全管理措施，消除风险隐患，避免风险发生，从而提升机场运行安全。
[0108]
具体实现中，本技术提供计算机存储介质以及对应的数据处理单元，其中，该计算机存储介质能够存储计算机程序，所述计算机程序通过数据处理单元执行时可运行本发明提供的一种基于图神经网络的机场运行风险时序预测系统的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0109]
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现出来，该计算机程序软件产品可以存储在存储介质中，包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机，服务器，单片机，muu或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0110]
本发明提供了一种基于图神经网络的机场运行风险时序预测系统的思路及方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

技术特征：
1.一种基于图神经网络的机场运行风险时序预测系统，其特征在于，包括数据采集模块、图结构构建模块、权重生成模块以及风险预测模块；其中，所述数据采集模块用于采集机场运行风险和运行态势的数据，对所述数据进行清洗，并将清洗后的数据按照时间段划分成时序数据，将所述时序数据传递到图结构构建模块、权重生成模块以及风险预测模块；所述图结构构建模块用于分析所述时序数据，建立风险之间的连接关系，形成以各类风险为节点的有向非循环图结构，并将所述有向非循环图结构传递到风险预测模块；所述权重生成模块根据所述时序数据，计算风险节点间的数据关联性，生成所述有向非循环图结构中的各节点之间的边权重，并将边权重传递到风险预测模块；所述风险预测模块根据所述有向非循环图结构中各风险节点的时序数据以及所述的边权重，采用图神经网络预测方法处理图结构数据，完成对未来时刻的各风险节点的风险值的预测。2.根据权利要求1所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，所述系统执行如下步骤：步骤s1，数据采集模块采集机场运行过程中各类风险的风险等级和运行态势的相关数据，对上述数据进行清洗，清除缺失数据、错误数据和重复数据，并将清洗后的数据以固定时间段进行划分，得到机场运行风险的时序数据，将该时序数据传递到图结构构建模块、权重生成模块和风险预测模块；步骤s2，图结构构建模块将步骤s1中所述的清洗后的数据作为图的节点构建图结构数据，将生成的图结构数据传递到风险预测模块；步骤s3，权重生成模块以节点为中心，计算与其关联节点的相关性，并按照关联性的强弱生成相应的边权重，将产生的边权重传递到风险预测模块；步骤s4，风险预测模块将数据采集模块输入的时序数据作为图结构数据中各节点的输入特征值，将权重生成模块输入的边权重作为图结构数据中各有向边的输入特征值，采用图神经网络预测未来时刻各个风险节点的风险值；步骤s5，验证图神经网络预测的准确性，若未达到准确性要求，则重复执行步骤s1至步骤s4，直到图神经网络的预测结果符合准确性要求。3.根据权利要求2所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤s1中所述的相关数据，至少包括：跑道侵入风险、滑行道冲突风险、限制区侵入风险、低能见度风险、低空风切风险、道面积雨风险、道面积雪风险、道面积冰风险、摩擦系数降低风险、路由偏离风险、机坪交通事件风险、航空器与航空器碰撞风险、航空器与车辆剐蹭风险、航空器与人员剐蹭风险、航空器与建筑物剐蹭风险等风险值以及跑道利用率、滑行道利用率、车辆使用率以及反映机场运行繁忙程度的态势数据。4.根据权利要求3所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤s2中所述的构建图结构数据，具体方法包括：采用贝叶斯网络结构学习算法对各节点建立有向非循环连接关系，再根据各节点的风险属性对生成的图结构节点之间的连接关系进行调整优化，最终得到风险关系图结构，完成构建图结构数据。5.根据权利要求3所述的一种基于图神经网络的机场运行风险时序预测系统，其特征
在于，步骤s2中所述的构建图结构数据，具体方法包括：对于图的节点中相关的节点建立有向边，最终由节点和有向边构建出风险节点的图结构数据，具体包括：计算每个目标节点与其他所有节点的相关性，选择相关性超过设定阈值的节点作为目标节点的相连节点，在相连节点之间建立连接，在建立连接后根据相连节点的风险属性，确定子节点与父节点，即得到有向边。6.根据权利要求4或5所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤s3中所述的边权重的计算方法，包括：对任一目标节点，计算图结构中目标节点与其相连的节点之间的相关性，并以相关性取值与所有目标节点相连节点的相关性取值之和的比值作为该节点与目标节点之间的边权重；遍历所有节点进行上述计算，得到所有相连节点的边权重。7.根据权利要求6所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤s3中所述的计算图结构中目标节点与其相连的节点之间的相关性，具体方法包括：采用皮尔逊线性相关系数计算所述相关性l，方法如下：其中，l表示目标节点s和与其相连的节点p的皮尔逊线性相关系数值，s
i
表示节点s第i时刻的风险值，表示目标节点所有时刻的平均风险值，p
i
表示节点p第i时刻的风险值，表示节点p所有时刻的平均风险值，n为选取的时间段。8.根据权利要求7所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤s3中所述的边权重的计算方法，具体如下：其中，w
sp
表示目标节点s和与其相连的节点p的边权重，l
sp
表示两节点的皮尔逊线性相关系数值，集合s表示与节点s相关联的所有父节点的集合。9.根据权利要求8所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤s4所述的采用图神经网络预测未来时刻各个风险节点的风险值，具体包括：图神经网络通过图嵌入方法学习得到每个节点的d维向量x
n
，x
n
中同时包含当前节点和相连节点的信息，计算方法如下：x
n
＝f
w
(l
n
，l
co[n]
，x
ne[n]
，l
ne[n]
)其中，l
n
表示该节点的输入特征，即为历史时刻的节点风险值，l
co[n]
表示与该节点相连边的特征，即为步骤s3中所述的边权重，x
ne[n]
表示与节点相连节点的嵌入向量，l
ne[n]
代表节点的相连节点的特征，即为节点相连节点的历史风险值，f
w
表示图神经网络的转换函数；最终每个节点的输出值通过如下方法计算：o
n
＝g
w
(x
n
，l
n
)其中，o
n
为节点的输出值，即为下一时刻或下几时刻该节点的预测风险值，g
w
表示图神经网络的输出函数。
10.根据权利要求5所述的一种基于图神经网络的机场运行风险时序预测系统，其特征在于，步骤s2中所述的计算每个目标节点与其他所有节点的相关性，选择相关性超过设定阈值的节点作为目标节点的相连节点，具体方法包括：计算皮尔逊线性相关系数得到节点s与其他所有节点的相关性，选择超过设定阈值的节点作为节点s的相连节点，具体如下：a
sp
＝1，{e
sp
≥th，p∈ss}其中，e
sp
表示节点s与节点p的皮尔逊线性相关系数值，表示节点s历史第n个时刻的风险值，表示节点s历史n个时刻的平均风险值，表示除节点s之外的其他节点历史n个时刻的风险值，表示除节点s之外其他节点历史n个时刻的平均风险值，a
sp
＝1表示节点s与节点p之间相连，th表示设定的阈值，ss表示除节点s之外的其他节点的集合。

技术总结
本发明提供了一种基于图神经网络的机场运行风险时序预测系统，包括：数据采集模块，采集机场运行风险和运行态势数据，对数据进行清洗，并按照时间段划分成时序数据；图结构构建模块，基于风险时序数据计算风险之间的关联性，形成以各类风险为节点的有向非循环图结构；权重生成模块，以风险节点为中心计算关联节点的相关性，并按照关联性强弱生成边权重；风险预测模块，采用图神经网络处理风险节点形成的图结构数据，实现对未来时刻的各风险节点风险值的预测。本发明解决了机场运行风险耦合关系复杂难以准确预测的问题，充分考虑风险因素耦合关联关系，提高了风险预测的准确性。提高了风险预测的准确性。提高了风险预测的准确性。


技术研发人员：姜志乾 鲍帆 葛昊 张明伟 胡杰
受保护的技术使用者：中国电子科技集团公司第二十八研究所
技术研发日：2023.03.27
技术公布日：2023/7/12