基于CTrans-ATGCN的航班地面保障里程碑事件预测

doi:10.11772/j.issn.1001-9081.2025080942

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (10): 3161-3170.DOI: 10.11772/j.issn.1001-9081.2025080942

• 人工智能 • 上一篇

基于CTrans-ATGCN的航班地面保障里程碑事件预测

冯霞¹^,²(), 王琦¹^,³, 张明泽¹^,³, 左海超¹^,³, 王国钰⁴^,⁵

^1.中国民航大学民航智慧机场理论与系统重点实验室，天津 300300
^2.中国民航大学科技创新研究院，天津 300300
^3.中国民航大学计算机与人工智能学院，天津 300300
^4.北京交通大学电子信息工程学院，北京 100044
^5.华为技术有限公司交通智慧化军团，广东深圳 518129

收稿日期:2025-08-18 修回日期:2025-08-29 接受日期:2025-09-15 发布日期:2026-10-21 出版日期:2026-10-10
通讯作者: 冯霞
作者简介:王琦（2000—），男，黑龙江齐齐哈尔人，硕士，主要研究方向：航空大数据智能、航班地面保障时间预测
张明泽（1999—），男，山东泰安人，硕士研究生，主要研究方向：机场群时隙分配优化
左海超（1986—），男，河南新郑人，博士研究生，主要研究方向：民航智能信息处理、智慧机场
王国钰（1977—），男，山西大同人，博士研究生，主要研究方向：交通行业数智化、无线通信。
基金资助:
国家自然科学基金民航联合基金重点项目(U2333206);中国民航大学研究生科技创新项目(2023YJSKC05004)

Flight ground service milestone event prediction based on CTrans-ATGCN

Xia FENG¹^,²(), Qi WANG¹^,³, Mingze ZHANG¹^,³, Haichao ZUO¹^,³, Guoyu WANG⁴^,⁵

^1.Key Laboratory of Civil Aviation Smart Airport Theory and System，Civil Aviation University of China，Tianjin 300300，China
^2.Institute of Science and Technology Innovation，Civil Aviation University of China，Tianjin 300300，China
^3.School of Computer Science and Artificial Intelligence，Civil Aviation University of China，Tianjin 300300，China
^4.School of Electronic and Information Engineering，Beijing Jiaotong University，Beijing 100044，China
^5.Transportation Intelligence Corps，Huawei Technologies Company Limited，Shenzhen Guangdong 518129，China

Received:2025-08-18 Revised:2025-08-29 Accepted:2025-09-15 Online:2026-10-21 Published:2026-10-10
Contact: Xia FENG
About author:WANG Qi， born in 2000， M. S. His research interests include big data intelligence in civil aviation， flight ground service time prediction.
ZHANG Mingze， born in 1999， M. S. candidate. His research interests include airport network slot allocation optimization.
ZUO Haichao， born in 1986， Ph. D. candidate. His research interests include intelligent information processing in civil aviation， smart airport.
WANG Guoyu， born in 1977， Ph. D. candidate. His research interests include digitalization and intelligence in transportation industry， wireless communication.
Supported by:
Key Project of Civil Aviation Joint Fund of National Natural Science Foundation of China(U2333206);Postgraduate Scientific Research Innovation Project of Civil Aviation University of China(2023YJSKC05004)

摘要/Abstract

摘要：

针对航班地面保障里程碑事件预测面临的数据缺失严重、影响因素不确定和预测精度不高等问题，提出一种航班地面保障里程碑事件预测框架CTrans-ATGCN，包括缺失数据填补和里程碑事件预测两大核心组件。该框架基于Transformer架构，引入卷积层提取航班地面保障里程碑事件数据中蕴含的时序和拓扑特征，采用自注意力机制建模不同里程碑事件之间潜在的全局依赖关系，构建融合卷积自注意力机制的航班地面保障数据填补方法CTrans（Convolutional Transformer）。在此基础上，构建里程碑事件预测方法——基于注意力的时序图卷积网络（ATGCN）。该方法利用时序图卷积网络（T-GCN）捕捉里程碑事件的历史数据中蕴含的时空依赖关系，并结合注意力机制与评分函数动态地调整不同里程碑事件节点之间的权重，从而实现对地面保障里程碑事件的高精度预测。在华北地区某机场2023年真实数据集上的实验结果表明，所提填补方法在缺失率为70%的非随机缺失场景下，相较于次优模型GraphSAGE（Graph Sample and AggreGatE）的平均绝对误差（MAE）降低了约14.91%；而在低缺失率数据集上，所提“填补+预测”方法取得了与滑动双向图卷积神经网络模型（SBDGCNM）相当的预测效果；在缺失率为70%的数据集上，CTrans-ATGCN的MAE和均方根误差（RMSE）分别为14.76和18.42，优于所有基准方法。可见，该框架为解决数据缺失下的航班地面保障预测问题提供了有效方法，为地勤高效调度人员与设备提供了可靠支持。

关键词: 航班地面保障, 图卷积网络, 时间序列填补, 里程碑事件预测, Transformer模型, 注意力机制

Abstract:

To address the challenges of severe data missingness， high uncertainty in influencing factors， and limited prediction accuracy in flight ground service milestone event prediction， a flight ground service milestone event prediction framework named CTrans-ATGCN was proposed， including two core components： missing data imputation and milestone event prediction. First， based on the Transformer architecture， a convolutional layer was introduced to extract the temporal and topological features in flight ground service milestone event data， and a self-attention mechanism was employed to model potential global dependencies among different milestone events， thereby constructing CTrans （Convolutional Transformer）， a method for flight ground service data imputation that integrates convolutional self-attention mechanism. On this basis， a milestone event prediction method， Attention-based Temporal Graph Convolutional Network （ATGCN）， was constructed. In this method， a Temporal Graph Convolutional Network （T-GCN） was utilized to capture spatio-temporal dependencies in historical milestone event data， and by combining an attention mechanism with a scoring function， the weights among different milestone event nodes were adjusted dynamically， so as to achieve high-precision prediction for ground service milestone events. Experimental results on a 2023 real-world dataset from an airport in North China show that in a non-random missing scenario with a 70% missing rate， the proposed imputation method reduces the Mean Absolute Error （MAE） by approximately 14.91% compared to the suboptimal model GraphSAGE （Graph Sample and AggreGatE）； on low-missing-rate datasets， the proposed “imputation + prediction” method achieves prediction performance similar to that of Sliding Bi-Directional Graph Convolutional Neural network Model （SBDGCNM）； on datasets with 70% missing rate， CTrans-ATGCN achieves the MAE and Root Mean Square Error （RMSE） of 14.76 and 18.42， respectively， outperforming all baseline methods. It can be seen that this framework provides an effective method for flight ground service prediction under missing data， and offers reliable support for efficient scheduling of ground personnel and equipment.

Key words: flight ground service, Graph Convolutional Network (GCN), time series imputation, milestone event prediction, Transformer model, attention mechanism

中图分类号:

TP391.7

冯霞, 王琦, 张明泽, 左海超, 王国钰. 基于CTrans-ATGCN的航班地面保障里程碑事件预测[J]. 计算机应用, 2026, 46(10): 3161-3170.

Xia FENG, Qi WANG, Mingze ZHANG, Haichao ZUO, Guoyu WANG. Flight ground service milestone event prediction based on CTrans-ATGCN[J]. Journal of Computer Applications, 2026, 46(10): 3161-3170.

图/表 15

参考文献 23

[1]	Jeeradist T. Using Airport Collaborative Decision Making （A-CDM） network to improve aviation industry service quality［J］. International Journal of Computer Science and Information Technology， 2023， 15（1）： 69-81.
[2]	中国民航局. ：机场协同决策系统技术规范［S］.
	Civil Aviation Administration of China. ： technical specification for airport collaborative decision making system ［S］.
[3]	Tang F， Liu S. Research of aircraft ground service scheduling problems［C］// CCDC 2016. Piscataway： IEEE， 2016： 3405-3410.
[4]	Yuan G， Zhi H， Fei J. A prediction method based on neural network for flight turnaround time at airport［C］// ISCID 2015 — Volume 2. Piscataway： IEEE， 2015： 219-222.
[5]	邢志伟，李彪，朱慧，等. 基于深度神经网络的航班保障时间预测研究［J］. 系统仿真学报， 2020， 32（4）： 678-686.
	Xing Zhiwei， Li Biao， Zhu Hui， et al. Research on flight ground service time prediction based on deep neural network［J］. Journal of System Simulation， 2020， 32（4）： 678-686.
[6]	Mehrotra D V， Liu F， Permutt T. Missing data in clinical trials： control-based mean imputation and sensitivity analysis［J］. Pharmaceutical Statistics， 2017， 16（5）： 378-392.
[7]	Lebel J M， Kratz F， Bloch G. Missing values rebuilding by prediction and ARIMA modelling in time series［J］. IFAC Proceedings Volumes， 1989， 22（6）： 357-361.
[8]	Chen X， Lei M， Saunier N， et al. Low-rank autoregressive tensor completion for spatiotemporal traffic data imputation［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（8）： 12301-12310.
[9]	Che Z， Purushotham S， Cho K， et al. Recurrent neural networks for multivariate time series with missing values［J］. Scientific Reports， 2018， 8： No.6085.
[10]	Liu J， Ong G P， Chen X. GraphSAGE-based traffic speed forecasting for segment network with sparse data［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（3）： 1755-1766.
[11]	Cui Z， Ke R， Pu Z， et al. Stacked bidirectional and unidirectional LSTM recurrent neural network for forecasting network-wide traffic state with missing values［J］. Transportation Research Part C： Emerging Technologies， 2020， 118： No.102674.
[12]	Cui Z， Lin L， Pu Z， et al. Graph Markov network for traffic forecasting with missing data［J］. Transportation Research Part C： Emerging Technologies， 2020， 117： No.102671.
[13]	Kaur M， Singh S， Aggarwal N. Missing traffic data imputation using a dual-stage error-corrected boosting regressor with uncertainty estimation［J］. Information Sciences， 2022， 586： 344-373.
[14]	Zhou H， Ren D， Xia H， et al. AST-GNN： an attention-based spatio-temporal graph neural network for interaction-aware pedestrian trajectory prediction［J］. Neurocomputing， 2021， 445： 298-308.
[15]	Folch-Fortuny A， Arteaga F， Ferrer A. Assessment of maximum likelihood PCA missing data imputation［J］. Journal of Chemometrics， 2016， 30（7）： 386-393.
[16]	Tian Y， Zhang K， Li J， et al. LSTM-based traffic flow prediction with missing data［J］. Neurocomputing， 2018， 318： 297-305.
[17]	Liu Z， Zhang Q， Gao R， et al. Optimized decision method based on K-means-TKNN for coherent optical communication systems［C］// ICOCN 2021. Piscataway： IEEE， 2021： 1-3.
[18]	邢志伟，孙恪，罗谦，等. 基于图神经网络的航班地面保障数据插补算法［J］. 北京航空航天大学学报， 2025， 51（5）： 1528-1538.
	Xing Zhiwei， Sun Ke， Luo Qian， et al. Imputation algorithm for flight ground support data based on graph neural network［J］. Journal of Beijing University of Aeronautics and Astronautics， 2025， 51（5）： 1528-1538.
[19]	Liu C， Chen Y， Wang H， et al. Airport flight ground service time prediction with missing data using graph convolutional neural network imputation and bidirectional sliding mechanism［J］. Applied Soft Computing， 2023， 133： No.109941.
[20]	中国民航大学. 一种航班地面保障数据填补模型构建方法：CN202411519886.0［P］. 2025-02-18.
	Civil Aviation University of China. A construction method of flight ground support data imputation model： CN202411519886.0［P］. 2025-02-18.
[21]	Yu B， Yin H， Zhu Z. Spatio-temporal graph convolutional networks： a deep learning framework for traffic forecasting［C］// IJCAI 2018. California： IJCAI， 2018： 3634-3640.
[22]	Wu Z， Pan S， Long G， et al. Graph WaveNet for deep spatial-temporal graph modeling［C］// IJCAI 2019. California： IJCAI， 2019： 1907-1913.
[23]	Zheng C， Fan X， Wang C， et al. GMAN： a graph multi-attention network for traffic prediction［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（1）： 1234-1241.

属性	记录值	属性	记录值
航班计划日期	2023-10-21	卸机结束时刻	16：45
进港航班号	CZ6915	加油结束时刻	16：53
离港航班号	CZ6916	餐食开始时刻	16：39
机型	B38M	餐食结束时刻	16：47
机号	B-1166	行李装载开始时刻	17：01
机位	160	行李装载结束时刻	17：10
上轮挡时刻	16：31	实际关客舱门时刻	17：18
靠桥时刻	16：33	实际撤桥时刻	17：19
开客舱门时刻	16：35	航班撤轮挡时刻	17：21
卸机开始时刻	16：37

属性	记录值	属性	记录值
航班计划日期	2023-10-21	卸机结束时刻	16：45
进港航班号	CZ6915	加油结束时刻	16：53
离港航班号	CZ6916	餐食开始时刻	16：39
机型	B38M	餐食结束时刻	16：47
机号	B-1166	行李装载开始时刻	17：01
机位	160	行李装载结束时刻	17：10
上轮挡时刻	16：31	实际关客舱门时刻	17：18
靠桥时刻	16：33	实际撤桥时刻	17：19
开客舱门时刻	16：35	航班撤轮挡时刻	17：21
卸机开始时刻	16：37

事件	数据	事件	数据
靠桥	2	餐食结束	16
开客舱门	4	开始行李装载	30
卸机开始	6	结束行李装载	39
卸机结束	14	关客舱门	47
加油结束	22	撤桥	48
餐食开始	8	撤轮挡	51

事件	数据	事件	数据
靠桥	2	餐食结束	16
开客舱门	4	开始行李装载	30
卸机开始	6	结束行李装载	39
卸机结束	14	关客舱门	47
加油结束	22	撤桥	48
餐食开始	8	撤轮挡	51

模型	ACDM-10		ACDM-30		ACDM-50		ACDM-70
模型	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE
ARIMA^［7］	21.82	27.03	24.78	31.67	29.44	37.90	33.72	44.40
LATC^［8］	19.52	24.53	22.41	29.01	26.24	34.30	30.56	41.14
GRU-D^［9］	18.15	22.34	20.69	27.13	23.36	30.79	27.70	36.24
STGCN^［21］	15.36	19.67	19.34	25.76	22.97	30.12	25.85	32.75
GWNet^［22］	14.84	19.37	17.15	23.04	21.29	28.16	24.45	29.98
GMAN^［23］	14.32	18.87	16.77	22.28	19.03	25.48	22.69	28.00
GraphSAGE^［10］	14.18	18.35	15.67	19.90	16.21	22.38	17.24	25.22
CTrans	11.78	16.27	12.85	17.30	13.93	20.15	14.67	22.27

基于CTrans-ATGCN的航班地面保障里程碑事件预测

Flight ground service milestone event prediction based on CTrans-ATGCN

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 23

相关文章 15

编辑推荐

Metrics

情况	模块		ACDM-10		ACDM-30		ACDM-50		ACDM-70
情况	卷积	自注意力	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE
A			16.77	28.12	17.85	29.32	19.52	30.92	30.63	42.68
B		√	15.35	26.47	16.32	27.57	17.37	29.14	29.45	41.05
C	√		15.69	26.74	16.69	27.79	18.01	29.48	29.58	41.49
D	√	√	14.05	22.43	15.15	24.16	16.32	27.07	17.16	29.96

[1]	欧宇枫, 王嘉宏. 基于双分支特征提取的印刷电路板小目标缺陷检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2977-2986.
[2]	谢丽霞, 曹超越, 杨宏宇. 基于改进DeepLabV3+的ADS-B攻击检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2867-2876.
[3]	季长清, 张紫滢, 汪祖民. 基于增强图神经网络的多尺度Transformer的连续无创血压预测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 3043-3053.
[4]	王伊璠, 韩虎, 李栋, 范雅婷, 李琳. 基于异构增强与多源知识融合的方面级情感分析[J]. 《计算机应用》唯一官方网站, 2026, 46(9): 2752-2760.
[5]	刘威, 李维刚, 田志强. 面向点云分类与分割的层次化旋转不变几何结构的表征学习方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2594-2602.
[6]	刘明, 沈东奇, 孟子洋. 双分支结构下多层次特征融合的点云配准网络[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2584-2593.
[7]	刘凤春, 邵馨莹, 张春英, 王立亚, 任静. 多尺度特征优化的单目深度估计框架FCMdepth[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2603-2611.
[8]	陈木生, 付文庆, 邱晓红, 吴俊华, 温强. 基于图卷积网络和跨领域数据增强的方面级情感三元组抽取[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2432-2439.
[9]	白杰龙, 方晨韵, 乔志伟. 基于多尺度注意力自适应融合的稀疏CT伪影抑制Transformer网络[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2660-2667.
[10]	李光辉, 屈立成. 基于改进Lite-Mono架构的动态空洞卷积和分层注意力模型[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2567-2576.
[11]	吕慧慧, 仲兆满, 张渝, 樊继冬. 融合互信息最大化与对比学习的句法增强型方面级情感分析[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2440-2446.
[12]	黄远航, 荣娜. 结合注意力机制与深度强化学习的无模型光伏接入容量评估方法[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2708-2715.
[13]	郭晓金, 隋旭洋, 周柯男. 基于深度学习的STAR⁃RIS辅助混合场通信系统信道估计[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2548-2554.
[14]	陈鹏宇, 田保军, 赵利畅, 房建东. 融合多行为建模与强化学习的学习路径推荐模型[J]. 《计算机应用》唯一官方网站, 2026, 46(8): 2485-2493.
[15]	颜建强, 董贝贝, 曲博婷, 彭晨. 融合多源信息与图级注意力的双向扩散动态图卷积交通流预测网络[J]. 《计算机应用》唯一官方网站, 2026, 46(7): 2327-2333.

模型	ACDM-10		ACDM-30		ACDM-50		ACDM-70
模型	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE
ARIMA^［7］	24.77	39.17	26.71	51.61	30.93	70.40	35.89	99.68
LATC^［8］	22.38	35.58	25.37	49.69	29.42	66.32	33.11	87.90
GRU-D^［9］	21.15	34.26	23.05	37.65	26.34	51.89	29.95	66.37
STGCN^［21］	18.74	31.71	20.78	36.25	23.89	44.26	26.42	52.18
GWNet^［22］	17.98	30.47	19.66	33.98	22.70	39.65	25.15	45.74
GMAN^［23］	17.75	30.18	19.35	33.42	21.38	37.94	23.42	43.23
GraphSAGE^［10］	17.67	29.98	18.06	31.98	19.89	35.72	20.73	40.73
CTrans	16.32	28.58	17.45	31.02	18.71	33.98	19.65	37.65

模型	ACDM-10		ACDM-30		ACDM-50		ACDM-70
模型	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE
ARIMA^［7］	24.77	39.17	26.71	51.61	30.93	70.40	35.89	99.68
LATC^［8］	22.38	35.58	25.37	49.69	29.42	66.32	33.11	87.90
GRU-D^［9］	21.15	34.26	23.05	37.65	26.34	51.89	29.95	66.37
STGCN^［21］	18.74	31.71	20.78	36.25	23.89	44.26	26.42	52.18
GWNet^［22］	17.98	30.47	19.66	33.98	22.70	39.65	25.15	45.74
GMAN^［23］	17.75	30.18	19.35	33.42	21.38	37.94	23.42	43.23
GraphSAGE^［10］	17.67	29.98	18.06	31.98	19.89	35.72	20.73	40.73
CTrans	16.32	28.58	17.45	31.02	18.71	33.98	19.65	37.65

模型	ACDM-10		ACDM-30		ACDM-50		ACDM-70
模型	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE
CTrans+GCN	15.57	20.36	17.81	22.46	19.58	24.67	25.31	31.75
CTrans+GRU	13.25	19.57	16.25	21.94	18.33	23.54	27.81	36.80
CTrans+ATGCN	10.56	14.06	12.05	15.08	13.11	16.13	14.76	18.42
IGITS-LSTM^［18］	11.95	14.53	13.54	15.99	15.63	16.72	25.32	60.89
SBDGCNM^［19］	10.03	13.74	11.62	15.16	12.37	17.68	15.21	19.38

模型	ACDM-10		ACDM-30		ACDM-50		ACDM-70
模型	MAE	RMSE	MAE	RMSE	MAE	RMSE	MAE	RMSE
CTrans+GCN	15.57	20.36	17.81	22.46	19.58	24.67	25.31	31.75
CTrans+GRU	13.25	19.57	16.25	21.94	18.33	23.54	27.81	36.80
CTrans+ATGCN	10.56	14.06	12.05	15.08	13.11	16.13	14.76	18.42
IGITS-LSTM^［18］	11.95	14.53	13.54	15.99	15.63	16.72	25.32	60.89
SBDGCNM^［19］	10.03	13.74	11.62	15.16	12.37	17.68	15.21	19.38