空中交通四维航迹调控决策方法
技术领域
本申请涉及四维航迹运行管理技术，尤其涉及一种空中交通四维航迹调控决策方法。
背景技术
空中交通管制系统简称为空管系统，是用来管理多架飞机起降和航行，以保障飞行秩序和安全的系统。随着航空运输业的发展，现有的空管系统的保障能力逐渐难以满足持续增长的飞行需求，因此空中交通拥堵、大面积航班延误等问题频繁出现。为解决现有的空管系统保障能力无法满足现有飞行需求的问题，国际民航组织提出在2035年以前分阶段在全球推进现有空管系统向基于四维航迹运行(Trajectory Based Operations，简称TBO)的方向演进和升级。即，建立面向四维航迹运行的空中交通系统，该空中交通系统包括航空器信息、航班信息、航空管制单位信息和航迹信息等，是一个关联性强、动态性高、结构与交流紧密耦合的复杂系统。该四维航迹指的是除过传统的三维空间，即经度、纬度和高度以外，再增加第四维，即时间，来确定航空器的航迹，并考虑航空器的重量、高度、速度等飞行参数，得到实时、精准且连续的四维航迹信息。
然后，在基于四维航迹运行进行该空中交通系统中某些航空器的飞行调控时，需要非常有经验的航空管制人员根据航空器的实时运行信息进行调控。这个调控方法依赖于航空管制人员的工作经验，具有很大的风险。
因此，如何针对航空器的四维航迹运行做出调控决策仍然是需要解决的问题。
发明内容
本申请提供一种空中交通四维航迹调控决策方法，用以解决如何针对航空器的四维航迹运行做出调控决策的问题。
本申请提供一种空中交通四维航迹调控决策方法，包括：
获取目标航班的节点向量集合，得到目标节点向量集合；所述目标节点向量集合根据实时知识图谱确定，所述实时知识图谱用于表示所述目标航班对应的航空器飞行中涉及到的航班信息、航路信息和空管单位信息之间的关系；
同时获取所有历史航班的节点向量集合，得到历史节点向量集合；所述历史节点向量集合根据历史知识图谱确定，所述历史知识图谱用于表示历史航班中航空器飞行中涉及到历史航班信息、历史航路信息和历史空管单位信息之间的关系；
获取所述目标节点向量集合与所述历史节点向量集合中每个历史航班的节点向量集合的相似度，得到多个相似度数据；
获取所述多个相似度数据中大于预设数据的相似度数据，得到目标相似度数据；
获取所述目标相似度数据所属的历史航班，得到目标历史航班；
获取所述目标历史航班的历史决策指令，得到目标决策指令，所述目标决策指令用于辅助所述目标航班的调控决策。
其中一项实施例中，所述获取目标航班的节点向量集合，得到目标节点向量集合包括：
获取目标航班的实时知识图谱的实时结构化数据；
将所述实时结构化数据输入至异构跳字神经网络模型，得到所述目标节点向量集合。
其中一项实施例中，所述同时获取所有历史航班的节点向量集合，得到历史节点向量集合包括：
同时获取历史航班的历史知识图谱的历史结构化数据；
将所述历史结构化数据输入至所述异构跳字神经网络模型，得到所述所有历史航班的节点向量集合；
所述实时结构化数据和所述历史结构化数据同时输入至所述异构跳字神经网络模型。
其中一项实施例中，所述将所述实时结构化数据输入至异构跳字神经网络模型，得到所述目标节点向量集合包括：
根据所述实时知识图谱构造所述异构跳字神经网络模型的语料库，得到第一语料库；
将所述第一语料库输入至所述异构跳字神经网络模型，得到所述目标节点向量集合。
其中一项实施例中，所述将所述历史结构化数据输入至所述异构跳字神经网络模型，得到所述所有历史航班的节点向量集合，包括：
同时根据所述历史知识图谱构造所述异构跳字神经网络模型的第二语料库；
将所述第二语料库输入至所述异构跳字神经网络模型，得到所述历史节点向量集合；
所述第一语料库和所述第二语料库同时输入至所述异构跳字神经网络模型。
其中一项实施例中，所述第一语料库为所述实时知识图谱的路径集合，所述根据所述实时知识图谱构造所述异构跳字神经网络模型的语料库，得到第一语料库，包括：
以所述实时知识图谱中的任意一个节点为起始点进行路径游走；
获取所述实时知识图谱的路径游走的结果，得到所述第一语料库。
其中一项实施例中，所述第二语料库为所述历史知识图谱的路径集合，所述根据所述历史知识图谱构造所述异构跳字神经网络模型的第二语料库，包括：
同时以所述历史知识图谱中的任意一个节点为起始点进行路径游走；
获取所述历史知识图谱的路径游走的结果，得到所述第二语料库。
其中一项实施例中，所述方法还包括：
根据所述实时知识图谱的实时结构化数据构建所述实时知识图谱，所述实时知识图谱包括多个节点和连接于任意两个节点之间的边；每个所述节点表示所述目标航班对应的航空器飞行中涉及到每个航班信息、每个航路信息和每个空管单位信息，所述边用于表示所述航班信息、所述航路信息和所述空管单位信息之间的关系。
其中一项实施例中，所述相似度为余弦相似度，所述获取所述目标节点向量集合与所述历史节点向量集合中每个历史航班的节点向量集合的相似度，得到多个相似度数据，包括：
根据公式
其中一项实施例中，所述得到目标决策指令后，所述方法还包括：
获取决策调取指令；
根据所述决策调取指令调取所述目标决策指令。
本申请提供一种空中交通四维航迹调控决策方法，通过构建知识图谱的方式将复杂的空中交通系统转换为图数据结构，通过对图数据结构进行处理得到节点向量集合，再通过节点向量集合的匹配确定与该目标航班运行场景相似的历史场景。在确定相似的历史场景后，再获取该相似的历史场景下的决策指令作为针对该目标航班运行场景的决策指令。此时，航空管制人员可以通过该相似的历史场景下的决策指令获知如何对当前航班运行场景进行调控，无需依赖航空管制人员的工作经验，降低了面向四维航迹运行进行该空中交通系统中某些航空器、航班的飞行调控时的失败几率，保障了航空运行的安全性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请提供的空中交通四维航迹调控决策方法的应用场景示意图。
图2为本申请的一个实施例提供的空中交通四维航迹调控决策方法的流程示意图。
图3为本申请的另一个实施例提供的空中交通四维航迹调控决策方法的流程示意图。
图4为本申请的又一个实施例提供的空中交通四维航迹调控决策方法的流程示意图。
图5为本申请的另一个实施例提供的空中交通四维航迹调控决策方法的流程示意图。
图6为本申请的一个实施例提供的空中交通四维航迹调控决策方法的实时知识图谱的示意图。
图7为本申请的又一个实施例提供的空中交通四维航迹调控决策方法的流程示意图。
图8为本申请的一个实施例提供的实时知识图谱的示意图。
图9为本申请的另一个实施例提供的空中交通四维航迹调控决策方法的流程示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
首先对本申请所涉及的名词进行解释：
知识图谱：又称科学知识图谱，是图书情报学领域的概念，用于绘制、分析和显示学科或学术研究主体之间的相互联系，是揭示显示科学知识发展进程与结构关系的可视化工具。
本申请提供的空中交通四维航迹调控决策方法应用于计算机设备，该计算机设备例如计算机、服务器、平板电脑、手机等。图1为本申请提供的空中交通四维航迹调控决策方法的应用示意图，图中，该计算机设备接收航空器运行信息，该航空器运行信息包括航空器编号信息、航空器的航迹信息、各利益相关方的信息等，再基于该航空器运行信息建立知识图谱。该各利益相关方的信息来源于各利益相关方，该各利益相关方例如包括流量管理中心、空中交通管制、地勤服务、机场管理和航空公司运营中心。
空中交通管制系统简称为空管系统，是用来管理多架飞机起降和航行，以保障飞行秩序和安全的系统。随着航空运输业的发展，航空器的增多、航迹路线的增多等，现有的空管系统的保障能力逐渐难以满足持续增长的飞行需求，因此空中交通拥堵、大面积航班延误等问题频繁出现。为解决现有的空管系统保障能力无法满足现有飞行需求的问题，国际民航组织提出在2035年以前分阶段在全球推进现有空管系统向基于四维航迹运行(Trajectory Based Operations，简称TBO)的方向演进和升级。即，建立面向四维航迹运行的空中交通系统，该空中交通系统包括航空器信息、航班信息、航空管制单位信息和航迹信息等，是一个关联性强、动态性高、结构与交流紧密耦合的复杂系统。该四维航迹指的是除过传统的三维空间，即经度、纬度和高度以外，再增加第四维，即时间，来确定航空器的航迹，并考虑航空器的重量、高度、速度等飞行参数，得到实时、精准且连续的四维航迹信息。通过建立面向四维航迹的空中交通系统，可以实现以四个维度监测、预测和调控航空器飞行的目的。现有技术中在基于四维航迹运行进行该空中交通系统中某些航空器的飞行调控时，需要非常有经验的航空管制人员根据航空器的实时运行信息进行调控。然而，在遇到大规模四维航迹调控的情况，或者遇到恶劣天气引起的突发状况时，航空管制人员可能无法进行实时、准确的调控。因此，现有技术在基于四维航迹运行的空中交通系统的飞行调控时，主要依赖于航空管制人员的工作经验，具有很大的调控风险。因此，如何针对航空器的四维航迹运行做出航迹调控决策仍然是需要解决的问题。
基于此，本申请提供一种空中交通四维空中交通四维航迹调控决策方法，将复杂的基于四维航迹运行的空中交通系统通过空管知识图谱的方式转换为图数据结构，通过图数据结构的处理得到历史决策指令作为当前的调控决策，以辅助航空管制人员根据获取到的历史决策指令进行航空飞行调控。具体的，本申请提供的方法将当前的目标航班所属的空中交通系统的信息和历史航班所属的空中交通系统的信息同时分别转换为实时图数据结构和历史图数据结构，将两个图数据结构进行比较后得到与该目标航班所处场景相似的历史场景。再获取该相似的历史场景的决策指令作为当前的目标航班的决策指令。此时无需依赖于航空管制人员的工作经验，便可以实现对目标航班或目标航空器的实时、准确、高效的调控，解决了现有技术在针对航空器的四维航迹运行做出调控决策时存在的风险大的问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
请参见图2，本申请提供一种空中交通四维航迹调控决策方法，包括：
S201，获取目标航班的节点向量集合，得到目标节点向量集合；该目标节点向量集合根据实时知识图谱确定，该实时知识图谱用于表示该目标航班对应的航空器飞行中涉及到的航班信息、航路信息和空管单位信息之间的关系。
该实时知识图谱用于表示该目标航班对应的航空器在飞行中涉及到的航班信息、航路信息和空管单位信息，以及该航班信息、该航路信息和该空管单位信息之间的关系。具体的，该实时知识图谱以处在四维航迹运行阶段的航班的信息为核心，以空管单位信息以及该航班的航路信息为主要框架构建，该空管单位包括空域管理部门、空中交通流量管理单位、空中交通管制单位、机场运行单位等管制单位。即，在进行该实时知识图谱构建时，先确定处在该四维航迹运行阶段的航班，例如，先确定处在该四维航迹运行阶段的航班有航班1，通过该航班1确定出与该航班1存在关联的空管单位信息为空管部门1，与该航班1存在关联的航路信息为航路点1→航路点2→到达机场，若无其他与该航班1有关的信息，则此时以该航班1为实时知识图谱的构建核心，在构建好该航班1以后，再构建该航班1的空管单位信息和该航班1的航路信息，并建立该航班1的空管单位信息与该航班1之间的关联关系，即边，以及建立该航班1的航路信息该航班1之间的关联关系，即边。此时，该航班1、该空管部门1、该航路点1、该航路点2和该到达机场均为该实时知识图谱中的节点，该实时知识图谱中的边用于表示，该航班1、该空管部门1、该航路点1、该航路点2和该到达机场之间的关联关系。
该实时知识图谱可以表达四维航迹运行阶段航迹调控过程中复杂的业务事实和业务关系。在该实时知识图谱中，该航班、空域管理部门、空中交通流量管理单位、空中交通管制单位、机场运行单位等管制单位以及该航班包括的航空器所处航路为该实时知识图谱的节点，该实时知识图谱的边用于表示该航班、空域管理部门、空中交通流量管理单位、空中交通管制单位、机场运行单位等管制单位和该航班包括的航空器所处航路之间的关系。该实时知识图谱的边会随着关系的改变而改变，例如，目标航班运行中的所处航路点由当前航路点转移为下一航路点，则删除用于连接该目标航班节点和该当前航路点节点的边，并在该目标航班节点和该下一航路点节点之间建立用于连接的边。
示例性的，该实时知识图谱可以定义为G＝(V，E，T)(φ:V→TV，ψ:E→TE)，其中，V表示多种类型的节点的集合，E表示多种类型的边的集合，T表示对象类型集合，该对象类型指的是节点和边。例如，不同类型的节点包括航班、管制单位、所处航路、气象条件等。不同类型的边例如管制关系、环境关系等。(φ:V→TV)表示每个节点与节点类型集合的关系，(ψ:E→TE)表示每个边与边类型集合的关系。
该节点向量集合指的是该实时知识图谱中所有节点的向量表示的集合。该节点向量集合涵盖了该实时知识图谱中的节点，以及不同节点之间的语义信息。由于目标航班的实时动态变化引起的该实时知识图谱的实时变化，因此该节点向量集合也是动态变化的。因此在描述该节点向量集合是，一般是描述为某个时刻的节点向量集合。该目标航班的实时动态变化引起的该实时知识图谱的实时变化指的是该实时知识图谱中的节点类型和数量会根据该目标航班在运行中涉及到的节点而增加，原有的已存在的节点不会去除，该实时知识图谱是随着目标航班的运行不断扩充的。
S202，同时获取所有历史航班的节点向量集合，得到历史节点向量集合；该历史节点向量集合根据历史知识图谱确定，该历史知识图谱用于表示历史航班中航空器飞行中涉及到历史航班信息、历史航路信息和历史空管单位信息之间的关系。
该历史航班指的是该目标航班之前的所有航班或者该目标航班之前在某个规定时间段之内的航班，例如，在目前航班之前一年内或者半年内的航班。该历史知识图谱是根据该历史航班中每个航班涉及到的航班信息、航路信息和空管单位信息之间的关系等构建的知识图谱。该历史节点向量集合，指的是该历史知识图谱中所有节点的向量表示的集合。该节点向量集合涵盖了该历史知识图谱中的节点，以及不同节点之间的语义信息。该历史知识图谱也是随着该历史航班的增多不断扩充的。
S203，获取该目标节点向量集合与该历史节点向量集合中每个历史航班的节点向量集合的相似度，得到多个相似度数据。
向量集合之间的相似度的算法可以有很多种，常见的相似度算法包括皮尔逊相关系数、欧几里德距离、余弦相似度、曼哈顿距离算法等。在进行节点向量集合之间的相似度计算时，是需要计算该目标航班的每类节点向量与各自对应在该历史航班的节点向量之间的相似度。该每类节点向量例如航班、管制单位、所处航路、气象条件等。例如，将该目标航班的节点类型为航班的节点向量和所有历史航班中的节点类型为航班的节点向量进行相似度比较，可以得到多个相似度数据。
S204，获取该多个相似度数据中大于预设数据的相似度数据，得到目标相似度数据。
该预设数据可以根据实际需要设置，本申请不做限定。该目标相似度数据可以是一个数据也可以是多个数据。
S205，获取该目标相似度数据所属的历史航班，得到目标历史航班。
在获取该目标相似度数据后，需要先获取与该目标相似度数据对应的节点向量集合，再根据该节点向量集合确定所属的历史航班，得到该目标历史航班。该目标历史航班所处的场景就是与该目标航班所处的场景相似度达到预设相似度的场景。
S206，获取该目标历史航班的历史决策指令，得到目标决策指令，该目标决策指令用于辅助该目标航班的调控决策。
该目标历史航班所处的场景与该目标航班所处的场景相似，因此获取该目标历史航班所处的场景的目标决策指令，可以用来辅助该目标航班的调控决策。航空管制人员可以根据该目标决策指令调控该目标航班。
本实施例提供一种空中交通四维航迹调控决策方法，通过构建知识图谱的方式将复杂的空中交通系统转换为图数据结构，通过对图数据结构进行处理得到节点向量集合，再通过节点向量集合的匹配确定与该目标航班运行场景相似的历史场景。在确定相似的历史场景后，再获取该相似的历史场景下的决策指令作为针对该目标航班运行场景的决策指令。此时，航空管制人员可以通过该相似的历史场景下的决策指令获知如何对当前航班运行场景进行调控，无需依赖航空管制人员的工作经验，降低了面向四维航迹运行进行该空中交通系统中某些航空器、航班的飞行调控时的失败几率，保障了航空运行的安全性。
请参见图3，在本申请的一个实施例中，步骤S201包括：
S301，获取目标航班的实时知识图谱的实时结构化数据。
该实时知识图谱的实时结构化数据指的是该实时知识图谱的实时的每个节点和每个边。因为随着该目标航班的运行，该实时知识图谱会不断得扩充和变化。该实时知识图谱的实时结构化数据指的就是该实时知识图谱的实时的节点和实时的边。该实时的节点可能是不断增加的节点，该实时的边可能指的是随着节点的增多而增多和改变的边。
S302，将该实时结构化数据输入至异构跳字神经网络模型，得到该目标节点向量集合。
此处的该实时结构化数据指的是该实时知识图谱的图数据，将该实时知识图谱的图数据输入至该异构跳字神经网络模型，可以得到该实时知识图谱的节点向量集合，也就是该目标节点向量集合。
请参见图4，在本申请的一个实施例中，步骤S202包括：
S401，同时获取历史航班的历史知识图谱的历史结构化数据。
该历史知识图谱的历史结构化数据指的是该历史知识图谱在历史时刻实时的每个节点和每个边。随着该历史航班的数目的增加，该历史知识图谱会不断得扩充和变化。该历史结构化数据指的就是该历史知识图谱在历史时刻实时的节点和实时的边。该实时的节点可能是不断增加的节点，该实时的边可能指的是随着节点的增多而增多和改变的边。
S402，将该历史结构化数据输入至该异构跳字神经网络模型，得到该所有历史航班的节点向量集合。
此处的该历史结构化数据指的是该历史知识图谱的图数据，将该历史知识图谱的图数据输入至该异构跳字神经网络模型，可以得到该历史知识图谱的节点向量集合，也就是该历史节点向量集合。
需要说明的是，该实时知识图谱和该历史知识图谱需要同时获取，并不是依次或分开获取的，该实时结构化数据和该历史结构化数据同时输入至该异构跳字神经网络模型。即步骤S301和步骤S401是同时执行的，且步骤S302和步骤S402是同时执行的。
请参见图5，在本申请的一个实施例中，步骤S302包括：
S501，根据该实时知识图谱构造该异构跳字神经网络模型的语料库，得到第一语料库。
该第一语料库用于构建该异构跳字神经网络模型。
请参见图6，在本申请的一个实施例中，该第一语料库为该实时知识图谱的路径集合，步骤S501包括：
S601，以该实时知识图谱中的任意一个节点为起始点进行路径游走。
具体的，从实时知识图谱G＝(V，E，T)(φ：V→TV，ψ：E→TE)中定义初始元路径meta-path，形如
其中，
S602，获取该实时知识图谱的路径游走的结果，得到该第一语料库。
通过在元路径指导下的随机游走，可以从步骤S201构建的实时知识图谱中得到数条路径集合，该数条路径集合即该异构跳字神经网络所需要的第一语料库。
S502，将该第一语料库输入至该异构跳字神经网络模型，得到该目标节点向量集合。
将该第一语料库输入至该异构跳字神经网络模型后，该异构跳字神经网络模型经过学习后输出该目标航班的节点向量集合，即该目标节点向量集合。但是需要说明的是，该实时知识图谱和该历史知识图谱共同构成该空管知识图谱，该异构跳字神经网络模型的语料库是根据该空管知识图谱确定的。因此，该第一语料库并不是单独输入至该异构跳字神经网络模型中的，是需要与该历史知识图谱对应的语料库结合为一个整体的语料库输入至该异构跳字神经网络模型中的。
在本实施例中，通过该异构跳字神经网络模型对该实时知识图谱和该历史知识图谱进行学习，进而输出该节点向量集合和该历史节点向量集合。该异构跳字神经网络模型可以将节点向量表示为低维稠密向量，可以更加全面得描述该实时知识图谱和该历史知识图谱的复杂网络拓扑结构与细致语义信息。
请参见图7，在本申请的一个实施例中，步骤S402包括：
S701，同时根据该历史知识图谱构造该异构跳字神经网络模型的第二语料库。
该异构跳字神经网络模型的语料库由该第一语料库和该第二语料库共同组成，该第一语料库和该第二语料库需要同时输入至该异构跳字神经网络模型。
S702，将该第二语料库输入至该异构跳字神经网络模型，得到该历史节点向量集合。
将该第二语料库输入至该异构跳字神经网络模型后，该异构跳字神经网络模型经过学习后输出该历史节点向量集合。与第一语料库的获取方式相同，该第二语料库为该历史知识图谱的路径集合。在获取该第二语料库时，是以该历史知识图谱中的任意一个节点为起始点进行路径游走。路径游走的方式与步骤S601至步骤S602的路径游走方式相同，只不过是将实时知识图谱替换为历史知识图谱进行路径游走。获取路径游走的结果后可以得到该第二语料库。
在本申请的一个实施例中，该空中交通四维航迹调控决策方法还包括：
根据该实时知识图谱的实时结构化数据构建该实时知识图谱，该实时知识图谱包括多个节点和连接于任意两个节点之间的边；每个该节点表示该目标航班对应的航空器飞行中涉及到每个航班信息、每个航路信息和每个空管单位信息，该边用于表示该航班信息、该航路信息和该空管单位信息之间的关系。
同样的，可以根据历史知识图谱的所有航班在所有历史时刻的实时结构化数据构建该历史知识图谱，该历史知识图谱包括多个节点和连接于任意两个节点之间的边；每个该节点表示历史航空器飞行中涉及到每个航班信息、每个航路信息和每个空管单位信息，该边用于表示该航班信息、该航路信息和该空管单位信息之间的关系。
请参见图8，在该实时知识图谱中，该航班、空域管理部门、空中交通流量管理单位、空中交通管制单位、机场运行单位等管制单位、该航班包括的航空器所处航路为该实时知识图谱的节点，该实时知识图谱的边用于表示该航班、空域管理部门、空中交通流量管理单位、空中交通管制单位、机场运行单位等管制单位和该航班包括的航空器所处航路之间的关系。该边会随着关系的改变而改变，例如，目标航班运行中的所处航路点由当前航路点转移为下一航路点，则删除用于连接该目标航班节点和该当前航路点节点的边，并在该目标航班节点和该下一航路点节点之间建立用于连接的边。该实时知识图谱可以定义为G＝(V，E，T)(φ:V→TV，ψ:E→TE)，其中，V表示多种类型的节点的集合，E表示多种类型的边的集合，T表示对象类型集合，该对象类型指的是节点和边。例如，不同类型的节点包括航班、管制单位、所处航路、气象条件等。不同类型的边例如管制关系、环境关系等。(φ:V→TV)表示每个节点与节点类型集合的关系，(ψ:E→TE)表示每个边与边类型集合的关系。
在本申请的一个实施例中，该相似度为余弦相似度，步骤S203包括：
根据公式
对该实时知识图谱的图数据结构和该历史知识图谱的图数据结构进行表示学习之后，在该实时知识图谱中选出以单个航班为中心的子图。每一个子图都由固定的一些节点构成，子图a可以表示为该子图中所包含的所有节点的嵌入表示之和，即
其中，Xi表示子图a中所包含的节点的向量表示，n表示该子图中共包含n个节点。
然后，计算当前航班所在的子图a和该历史知识图谱中任一航班所在的子图b之间的相似性，寻找匹配的子图，进而获得相似历史场景下的管制指令用于辅助决策。具体而言，可以采用余弦相似度度量当前子图a和某一历史航班构成的子图b之间的相似性，如式(3)所示：
其中，Xa，Xb分别代表当前航班所在的子图a和“专家图谱”中航班所在的子图b的嵌入向量表示。显然，余弦值cosθ越接近1，夹角越接近0，说明两航班所处场景的相似度越高。最后，通过输出相似场景下的管制指令来实现空中交通四维航迹的调控决策。
请参见图9，在本申请的一个实施例中，步骤S206之后，该空中交通四维航迹调控决策方法还包括：
S901，获取决策调取指令。
该决策调取指令用于调取该目标决策指令。该目标航班由工作人员进行选择。具体的，工作人员可以基于该计算机设备输入该决策调取指令，该决策调取指令例如可以是某个航班的信息。
S902，根据该决策调取指令调取该目标决策指令。
该计算机设备在获取该决策调取指令后，可以根据该决策调取指令调取该目标决策指令。例如，在某个航班的运行中出现意外状况，例如雷电天气等。该某个航班对应的实时知识图谱也会发生变化，在确定与该某个航班的实时知识图谱相似的历史知识图谱后，可以得到与该某个航班所处的场景相似的历史场景。在获取该历史场景的决策指令作为该目标决策指令后，可以基于该目标决策指令对该某个航班现在所处的场景进行决策。航空管制人员在通过该计算机设备获取该目标决策指令后，可以基于该目标决策指令进行该某个航班的运行调控。在一个可选的实施例中，该计算机设备在获取该决策调取指令后，可以显示该目标决策指令。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请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软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所描述的方法。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
