编辑推荐：
为解决多机场系统终端机动区（MAS-TMA）空中交通流预测难题，研究人员开展语义嵌入多视图图到序列学习方法（SE-MV-G2S）的研究。结果显示该方法预测更精准、稳健。这为空中交通管理提供决策依据，提升运营效率与安全性。
在过去几十年间，全球航空业迅猛发展，城市不断扩张，多机场系统（MAS）应运而生。在多机场系统的终端机动区（MAS-TMA），空中交通状况极为复杂。频繁交叉的起降航班流、众多共享的航线以及耦合的计量点，使得这里的交通状况变幻莫测。比如，在繁忙时段，不同机场的航班在 MAS-TMA 内频繁穿梭，航线交织，稍有不慎就可能引发拥堵和冲突。而且，现有的空中交通流预测（ATFP）方法在应对 MAS-TMA 的特殊情况时存在诸多不足。一方面，MAS-TMA 内扇区拓扑结构不规则，飞行限制多样，机场流量混合，空间依赖关系复杂，传统方法难以准确把握。例如，广州和珠海的两个扇区，虽距离远且航线不相连，但因进港航班来自相同的到达点，流量变化相似，存在语义依赖，传统模型却难以识别这种依赖。另一方面，扇区间的时间依赖也很复杂，长时序列的跨时空效应明显，早晚高峰流量的双向时间依赖也难以被现有模型捕捉，导致预测效果不佳。
为了攻克这些难题，国内研究人员开展了一项针对 MAS-TMA 扇区级空中交通流预测的研究。他们提出了一种全新的语义嵌入多视图图到序列（SE-MV-G2S）深度学习架构，并进行深入研究。最终发现，SE-MV-G2S 网络能够有效编码扇区级空中交通流数据的时空特征，在多个预测步长下，其预测性能比其他对比模型更准确、更稳健。这一研究成果意义重大，为空中交通管理部门制定有效的协调和缓解拥堵策略提供了有力支持，有助于优化航线分配和飞机排序，进而提升多机场运营的效率和安全性。该研究成果发表在《Engineering Applications of Artificial Intelligence》上。
在研究过程中，研究人员主要运用了以下关键技术方法：一是利用主题模型，从语义视角挖掘 MAS-TMA 内的时空空中交通模式，发现扇区间隐藏的空间依赖；二是构建多视图图卷积网络，融合地理视图、航线视图和语义视图，全面捕捉扇区间的空间异质相关性；三是借助双向长短期记忆网络（Bi-LSTM）编码时间依赖，结合局部时空注意力机制，捕捉长时时间依赖中的跨时空效应；四是收集中国中南地区多机场系统的三个月自动相关监视广播（ADS-B）轨迹数据进行分析验证。
下面来看具体的研究结果：
- 轨迹聚类：通过轨迹聚类，在空间维度上识别出 MAS-TMA 内相似的轨迹组，为交通流时空模式分析和扇区级空中交通流语义嵌入奠定基础。研究人员按照既定流程，对轨迹进行表示、相似性测量和聚类算法处理，成功完成轨迹聚类工作。
- 模型性能评估：将 SE-MV-G2S 模型与其他基准方法对比，利用收集的 ADS-B 数据集进行验证。结果表明，SE-MV-G2S 模型在预测 MAS-TMA 扇区级空中交通流时，无论是准确性还是稳健性都显著优于其他模型，并且在不同数据集上展现出良好的可转移性。
在研究结论和讨论部分，研究人员指出，MAS-TMA 内的空中交通流呈现出明显的空间模式和较大的时间变化。一些特定的计量点被多个机场的交通流共享，这进一步加剧了交通流的复杂性。而 SE-MV-G2S 模型的成功构建和验证，为解决 MAS-TMA 空中交通流预测难题提供了有效途径。该模型不仅能更准确地预测交通流，还能帮助空中交通管理部门提前规划，合理分配资源，减少拥堵和冲突，保障飞行安全。这一研究成果对推动多机场系统高效、安全运营具有重要的现实意义，也为后续相关研究提供了新的思路和方法。
