N个关联机场,可以表征延误在空间传播特性,其中X,表示第i机场在t时刻的输入特 征,W表示1时刻的网络权值,M(i,)表示第i个机场在时刻的记忆单元,O表示t时刻 的延误预测值。在图3所示的网络结构中,最核心的处理单元是记忆单元,每个记忆单元的 输入由前一时刻的相关航路机场状态决定,这个过程由向量合成器合成,在图中用菱形表 示。图4是记忆处理单元示意图,通过4个相互交汇的“门”单元,来控制着每一时间步t对 记忆信息的更新 L… (t-1,n) I(tip, n) L…① I(t-1. j L… )“如m-+m )输入向量集成 TS-LSTMI的记忆单元 图3时空LSTM网络示意图 C Ct ft, tanh 、U、b,、U a、, 图4记忆处理单元示意图 通过4个相互交汇的“门”单元,来控制着每一时间步t对记忆信息的修改。如图4所 示,其中忘记门,训练的是,f,J,的权值,而且上一时刻的输出和当前时刻的 输入是一个合并操作。通过如下一个激活函数来实现 fi, =sigmoid(Wi.i ,5-4+Ur,xx,+ (1) 其中 sigmoid函数的输出是一个小于1的值,相当于对每个维度上的值做一个衰减,当函数N 个关联机场，可以表征延误在空间传播特性，其中 Xi t, 表示第i 机场在t 时刻的输入特 征，Wt 表示t 时刻的网络权值， M it (, ) 表示第i 个机场在t 时刻的记忆单元，Ot 表示t 时刻 的延误预测值。在图3所示的网络结构中，最核心的处理单元是记忆单元，每个记忆单元的 输入由前一时刻的相关航路机场状态决定，这个过程由向量合成器合成，在图中用菱形表 示。图4是记忆处理单元示意图，通过4个相互交汇的“门”单元，来控制着每一时间步t对 记忆信息的更新。 图 3 时空 LSTM 网络示意图 C Ct-1,j Ct,j σ σ tanh σ tanh S xt,j st,j f it,j Ct,j ’ ot,j t,j St-1,j St,j Ct,j St-1,j,xt,j , ,, T T WUb fj fj fj 、 、 , ,, T T WUb ij ij ij 、 、 , ,, T T WUb cj cj cj 、 、 , ,, T T WUb oj oj oj 、 、 图 4 记忆处理单元示意图 通过4个相互交汇的“门”单元，来控制着每一时间步t对记忆信息的修改。如图4所 示，其中忘记门，训练的是 , ,, T T WUb fj fj fj ， ， 的权值，而且上一时刻的输出和当前时刻的 输入是一个合并操作。通过如下一个激活函数来实现： , , 1, , , , ( ) T T t j f j t j f j tj f j f sigmoid W s U x b = × + ×+ − （1） 其中sigmoid函数的输出是一个小于1的值，相当于对每个维度上的值做一个衰减，当函数