Dueling DQN优化下的航班延误自适应图卷积循环网络预测方法

摘要

为充分挖掘机场网络航班间的时空动态相关性以减小预测误差,提出一种基于对偶深度Q网络(dueling deep Q network, Dueling DQN)优化的多组件自适应图卷积循环网络航班延误预测模型。首先,结合自适应图卷积网络与多头空间注意力机制,并行捕获并融合多个子空间的延误信息,充分挖掘非线性空间动态特征。其次,采用门控循环单元为时间特征提取模块的基础结构,并引入时间注意力机制以学习历史延误数据间的关注权重。然后,设置多个时间维输入组件,增加对不同时间模式构建的多样性。最后,采用Dueling DQN优化多组件自适应图卷积门控循环单元(multi-component adaptive graph convolution-gated recurrent unit, MAGC-GRU)模型的超参数。实验结果表明,所提模型的平均绝对误差相对于历史平均法、随机森林法、梯度增强回归树法、门控循环单元法、时空图卷积网络法,分别降低了10.6%、6.07%、9.18%、3.79%和3.12%。