(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211293381.8 (22)申请日 2022.10.21 (71)申请人 南京邮电大 学 地址 210033 江苏省南京市栖霞区广月路 30-06号 (72)发明人 叶宁　季翔宇　徐康　王汝传　 王娟　王甦　汪莹　王波　吴涔　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 专利代理师 姜梦翔 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 10/10(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的航班保障流程剩余执 行时间预测方法 (57)摘要 一种基于深度学习的航班保障流程剩余执 行时间预测方法， 预测模型由输入层， 双 向LSTM 层， Attention层， 融合层， 预测层组成， 模型输入 包含非时序的全局特征和时序的各时间步流程 的执行状态 。 Attention ‑BiLSTM模型提取流程执 行状态时序信息， 生成中间状态编码， 与非时序 的全局特征相融合， 经过多层感知机得到流程剩 余执行时间。 在流程开始时， 计算生成非序列的 全局特征向量， 每隔固定时间采集一次流程执行 状态， 并采用滑动窗口的方式生成序列特征数 据， 特征数据经过模型计算得到航班保障流程剩 余时间的动态预测值。 权利要求书1页 说明书5页 附图2页 CN 115511212 A 2022.12.23 CN 115511212 A 1.一种基于深度学习的航班保障流程剩余执行时间预测方法， 其特征在于： 包括以下 步骤： 步骤一， 对航班保障流程事件日志进行处理， 分别提取的每一条记录的序列特征和非 序列特征， 用滑动窗口 的方法生成数据集； 步骤二， 构建A ttention‑BiLSTM神经网络模型； 步骤三， 对构建好的神经网络模型进行训练； 步骤四， 在需要预测的航班保障流程开始时， 初始化预测模型， 并计算该流程的全局特 征向量； 步骤五， 每α 分钟采集保障流程中各个活动的执行情况， 计算该时刻每个活动的已执行 时间， 并用Attention ‑BiLSTM神经网络模型预测一次剩余执行时间， 直到整个保障流程结 束。 2.根据权利要求1所述的一种基于深度学习的航班保障流程剩余执行时间预测方法， 其特征在于： 步骤一中， 对保障流程事件日志的处理， 具体为， 对于每一个执行实例， 取该流 程保障的机型大类、 机位类型、 正在进 行保障流程的航班数量、 天气情况和航空公司作为保 障流程的全局特征； 对类别 特征进行one ‑hot编码， 数值特征进行归一化， 二者拼接得到流 程的非序列全局特征向量xg； 以α 分钟为单位对流程事件日志中每条记录 的每个活动的已 执行时间都进行计算和归一化， 得到每个时间步的执行状态xt＝[s1,s2,...,sL]； 以窗口值 为K提取执行状态序列Xst＝[xt‑K+1,xt‑K+2,...,xt],xt∈RL； 计算流程的每个时间步对应的剩 余执行时间yactual,t＝yfinish‑t； 将状态序列Xst、 流程实例的全局特征xg和目标值剩余 执行时 间yactual,t作为一条样本数据。 3.根据权利要求2所述的一种基于深度学习的航班保障流程剩余执行时间预测方法， 其特征在于： 流程事件 日志中每条记录的包括上轮挡， 廊桥对靠、 下客、 加油、 清洁、 清水加 注、 配餐、 登机、 卸货邮、 装货邮、 廊桥撤 离和撤轮挡13个活动。 4.根据权利要求1所述的一种基于深度学习的航班保障流程剩余执行时间预测方法， 其特征在于： 步骤二中， Attention ‑BiLSTM神经网络模型， 包含输入层、 双向LSTM层、 Attention层、 融合层， 预测层； 以流程执行状态序列Xst作为输入层的输入， 经由双向LSTM层 和Attention层提取序列数据的高层特征， 和全局特征xg由融合层用concat函数连接成一 个一维向量， 再由预测层的多层感知机对剩余执 行时间yactual,t进行预测。 5.根据权利要求1所述的一种基于深度学习的航班保障流程剩余执行时间预测方法， 其特征在于： 步骤三中， 将按照步骤一处理完成的全部数据以8:1:1的比例随机划分成训练 集、 验证集和测试集； 用训练集数据对构建好Attention ‑BiLSTM神经网络模型进行迭代训 练， 使用Adam优化器， 使损失函数收敛； 用验证集数据对预测模型的学习率， 迭代次数等超 参数进行调整， 得到预测模型； 用测试集评估 模型的最终效果。 6.根据权利要求1所述的一种基于深度学习的航班保障流程剩余执行时间预测方法， 其特征在于： 步骤五中， 基于Attention ‑BiLSTM的流程剩余时间的动态预测方法， 具体为， 在对一个执行中的流程的剩余执行时间动态预测时， 每α 分钟采集流程中各个活动的执行 情况， 以滑动窗口的方式生成执行状态序列Xst， 将其和全局特征xg输入Attention ‑BiLSTM 神经网络模型， 得到当前时刻的流 程剩余时间预测值。权　利　要　求　书 1/1 页 2 CN 115511212 A 2一种基于深度学习的航班保障流程剩余执行时间预测方 法 技术领域 [0001]本发明属于过程挖掘和深度学习领域， 具体是涉及一种基于深度学习的航班保障 流程剩余执 行时间预测方法。 背景技术 [0002]预测业务过程实例剩余时间是如下的一个问题:给定一个事件日志， 其中包含多 个该业务过程实例执行 的历史记录， 对于一个正在进行 的流程实例， 预测目前到整个流程 结束还有多少剩余时间。 业务流程的剩余时间预测是业务流程监控中的一个重要问题， 可 以作为业务流程优化的一种重要手段。 [0003]随着航空运输需求持续增长， 机场航班高密度运行已成为常态， 机场、 航空公司面 临巨大的运行压力。 地面保 障过程作为过站航班运行 的核心部分， 对其延误情况 的动态预 测成为实现航班精细化管理的关键 问题。 排除天气情况等不可抗的原因， 保障流程是否按 时完成对航班延误与否有着直接影响， 对保障流程剩余执行时间的预测， 可以让运行管理 人员对航班保障流 程动态进行掌握， 提前做好相关应急措施， 减少不利影响。 [0004]传统的剩余执行时间预测方法， 诸如变迁系统、 随机Petri网、 贝叶斯网络等模型， 通常以业务流程中的活动为单位， 通过从保障流程的事件日志中挖掘出 的活动执行信息， 来预测保 障流程的延误风险， 对于执行中的保障流程实例， 只能依赖于每个活动结束生成 的轨迹前缀进行 预测， 实时性较差 。 [0005]与一般流程预测问题不 同， 每个航班保障流程实例一般都有相同的轨迹， 但流程 执行过程中串行和并行 的活动共存， 各个活动的耦合依赖关系相对复杂， 现有研究通常使 用顺序编码或随机初始化的方法来处理模型 的输入， 无法有效利用活动之间的相互关系。 另一方面， 现有的流程预测方法， 通常只关注活动的上下文和活动本身的信息， 而不可避免 地忽视了整个流程的全局特征， 比如流程的执行者， 被执行者， 时段， 缓急要求等。 对于航班 地面保障流 程， 这样的特 征选用具有片面 性。 发明内容 [0006]本发明的目的是提供一种基于深度学习的航班 保障流程剩余执行时间预测方法， 解决现有的预测方法无法有效利用流 程本身的特 征， 以及预测精度低、 及时性差的问题。 [0007]本发明提出的技 术方案包 含数据处 理、 模型构建和训练和剩余时间预测。 [0008]数据处理阶段： [0009]航班保障流程的一个执行实例对应航班 保障流程事件日志中的一条记录， 事件日 志中记录着所有活动的名称、 开始时间和结束时间。 此外， 每个执行实例还包含一些相对于 流程中所有活动的全局信息， 这些特征信息分为数值型特征和类别型特征。 流程的非序列 全局特征向量xg由对类别特 征进行one‑hot编码后和数值特 征归一化后的向量 拼接得到 。 [0010]设每个航班 保障流程包含的全部活动数为L， 以α 分钟为单位对流程中各个 活动的 执行情况的进 行特征提取， 则第t个时间步(第t个时间步对应流程第α t分， 流程开始记 为第说　明　书 1/5 页 3 CN 115511212 A 3