所属的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式（包括固件、微代码等），或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。根据本发明的这种实施方式的电子设备。电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：上述至少一个处理器、上述至少一个储存器、连接不同系统组件（包括储存器和处理器）的总线。其中，储存器存储有程序代码，程序代码可以被处理器执行，使得处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。储存器可以包括易失性储存器形式的可读介质，例如随机存取储存器（ram）和/或高速缓存储存器，还可以进一步包括只读储存器（rom）。储存器还可以包括具有一组（至少一个）程序模块的程序/实用工具，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。总线可以为表示几类总线结构中的一种或多种，包括储存器总线或者储存器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。电子设备也可以与一个或多个外部设备（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备交互的设备通信，和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（i/o）接口进行。并且，电子设备还可以通过网络适配器与一个或者多个网络（例如局域网（lan），广域网（wan）和/或公共网络，例如因特网）通信。网络适配器通过总线与电子设备的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是cd-rom，u盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、终端装置、或者网络设备等）执行根据本公开实施方式的方法。在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（lan）或广域网（wan），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
背景技术：
1、一架飞机在一天之内通常会执行多个航班任务，当前面一个航班在目的机场完成到港，飞机执行下一个航班任务在机场离港，飞机在这个机场的到港和离港时间之差就是航班过站时间。飞机在过站机场的进行过站使用的过站时间长短是衡量机场地面服务保障和航班链运行效率的一项重要指标。预测航班过站时间对于机场等部门提前对地面服务保障的调整以及航班延误问题的处理具有较好的决策支持。
2、现有关于航班过站时间预测技术有启发式算法、统计模型、传统机器学习、深度学习等。启发式算法通常只能搜索到接近最优解的解决方案，而无法保证找到全局最优解，尤其在解空间复杂或多峰的情况下，且对于参数的调整要求较高，需要一定的经验和领域知识，因此对于航班过站时间的预测并不一定能达到预测精度最好。如遗传算法通过设计相应的适应度函数、设置遗传算子等进行航班过站时间的预测。
3、统计模型如回归模型被用于航班过站时间的预测，通过分析影响航班过站时间的因素(如机场大小、机型大小、天气等)找出具有显著性影响的因素，用于构建回归模型并进行过站时间的预测，但是影响航班过站的因素众多，传统的统计模型对于具有大量特征样本的模型拟合问题，在泛化能力和预测精度上往往效果欠佳。
4、随着机器学习的发展，传统机器学习和深度学习方法被用于航班过站时间的预测，机器学习是一种数据驱动的方法，不用过多的依赖与领域知识与参数的设置，传统机器学习方法如贝叶斯网络、支持向量机、集成学习模型（如rf、xgboost、lightgbm等）被用于航班过站时间预测，通过进行特征工程选择出相应特征通过模型进行学习，达到了较好的预测效果。深度学习模型可以输入更多的数据维度，且能够自动进行特征提取，对于时间和空间的特征提取具有更好的效果，对于航班过站时间能够进一步提升预测精度。
5、以上现有对于航班过站时间的预测研究方法，大多都是通过考虑一些静态特征如计划过站时间、机场规模、机型大小等进行航班过站时间的预测研究。并未考虑一些对应的动态特征对航班过站时间的影响。由此使得仅仅使用静态特征无法让预测模型更加全面的捕捉到影响航班过站时间更为复杂抽象的特征关系，无法更好对预测精度进一步的提升。
技术实现思路
1、针对上述技术问题，本发明采用的技术方案为：
2、根据本发明的一个方面，提供了一种基于航班链的航班过站时间预测方法，方法包括如下步骤：
3、当目标飞行器从出发机场离港后，获取目标飞行器在对应的航班链中，前序已完成到港的航班到港延误序列s={d1，d2，…，di，…，dn}；其中，di为目标飞行器前序已完成到港的i个航班的到港延误时间、到港机场规模、计划过站时间与实际过站时间差值、航班离港延误时间；n为目标飞行器在对应的航班链中已完成到港的航班数量，i=1，2，…，n；
4、将s输入时间步长为n的第一lstm模型，生成到港延误预测值；到港延误预测值用于表示目标飞行器未来到港的延误时长；
5、将到港延误预测值及静态特征输入到第一mlp模型，生成目标飞行器在第一预测时段中对应的航班过站预测时间；静态特征包括：包括航班号、出发机场、目的机场、机型、远近机位、目标过站机场的计划过站时间、发机场的航班离港延误时间及天气等；第一预测时段为目标飞行器从出发机场离港到在目的机场到港之间的时间段。
6、进一步的，在生成目标飞行器在第一预测时段中对应的航班过站预测时间之后，方法还包括：
7、当目标飞行器在目的机场到港后，获取目的机场在历史时段中航班的交通特征值m及目的机场到港延误时长t；m包括：历史时段中航班的起降总架次、机场id及历史时段中每个小时对应的小时数；
8、将m输入时间步长与历史时段相同的第二lstm模型，生成机场交通预测值；机场交通预测值用于表示目的机场未来1小时内的交通拥堵程度；
9、将机场交通预测值、t及静态特征输入到第二mlp模型，生成目标飞行器在第二预测时段中对应的航班过站预测时间；第二预测时段为目标飞行器在目的机场到港到从目的机场离港之间的时间段。
10、进一步的，n为小于或等于5的正整数。
11、进一步的，当目标飞行器从出发机场离港后，获取目标飞行器在对应的航班链中，前序已完成到港的航班到港延误序列s={d1，d2，…，di，…，dn}，包括：
12、当前序已完成到港的航班总数大于5时，使用距离当前航班最近的5个前序航班的到港延误时间、到港机场规模、计划过站时间与实际过站时间差值及航班离港延误时间，作为目标飞行器在对应的航班链中的s。
13、进一步的，当目标飞行器在目的机场到港后，获取目的机场在历史时段中航班的交通特征值m及目的机场到港延误时长t，包括：
14、当目标飞行器在目的机场到港后，获取目的机场在最近的3个小时中航班的交通特征值m。
15、进一步的，在将到港延误预测值及静态特征输入到第一mlp模型，生成目标飞行器在第一预测时段中对应的航班过站预测时间之前，方法还包括：
16、当出发机场为始发机场时，到港延误预测值为0。
17、进一步的，将到港延误预测值及静态特征输入到第一mlp模型，生成目标飞行器在第一预测时段中对应的航班过站预测时间，包括：
18、使用到港延误预测值及静态特征形成第一组合特征；
19、将第一组合特征输入到第一mlp模型，生成目标飞行器在第一预测时段中对应的航班过站预测时间。
20、进一步的，将机场交通预测值、t及静态特征输入到第二mlp模型，生成目标飞行器在第二预测时段中对应的航班过站预测时间，包括：
21、使用机场交通预测值、t及静态特征形成第二组合特征；
22、将第二组合特征输入到第二mlp模型，生成目标飞行器在第二预测时段中对应的航班过站预测时间。
23、根据本发明的第二个方面，提供了一种非瞬时性计算机可读存储介质，非瞬时性计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的一种基于航班链的航班过站时间预测方法。
24、根据本发明的第三个方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种基于航班链的航班过站时间预测方法。
25、本发明至少具有以下有益效果：
26、由于目标飞行器在一天之内往往会执行多个航班任务，因此会形成一条航班链，当航班链中的某一或某几个航班发生延误时，会对整个航班链中的后续航班产生延误波及，且航班链的航班延误情况具有明显的时序特征，由此从航班链中延误情况这一动态特征角度能够更好地分析预测航班过站时间。
27、本技术在结合以往的静态特征如航班计划过站、天气、起飞机场、到达机场、机型等特征的同时，还通过lstm模型对航班链中已到港的航班的延误情况，来进行对当前航班到港延误的预测，进而得到对航班过站时间有影响的动态特征。然后将动态特征与静态特征一起用于航班过站时间的预测，进而可以提高预测的精度。
1.一种基于航班链的航班过站时间预测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，在生成所述目标飞行器在第一预测时段中对应的航班过站预测时间之后，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，n为小于或等于5的正整数。
4.根据权利要求3所述的方法，其特征在于，当目标飞行器从出发机场离港后，获取目标飞行器在对应的航班链中，前序已完成到港的航班到港延误序列s={d1，d2，…，di，…，dn}，包括：
5.根据权利要求2所述的方法，其特征在于，当目标飞行器在目的机场到港后，获取所述目的机场在历史时段中航班的交通特征值m及目的机场到港延误时长t，包括：
6.根据权利要求1所述的方法，其特征在于，在将所述到港延误预测值及静态特征输入到第一mlp模型，生成所述目标飞行器在第一预测时段中对应的航班过站预测时间之前，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，将所述到港延误预测值及静态特征输入到第一mlp模型，生成所述目标飞行器在第一预测时段中对应的航班过站预测时间，包括：
8.根据权利要求2所述的方法，其特征在于，将所述机场交通预测值、t及静态特征输入到第二mlp模型，生成所述目标飞行器在第二预测时段中对应的航班过站预测时间，包括：
9.一种非瞬时性计算机可读存储介质，所述非瞬时性计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的一种基于航班链的航班过站时间预测方法。
10.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的一种基于航班链的航班过站时间预测方法。
