CN109508812B - 一种基于深度记忆网络的航空器航迹预测方法 - Google Patents

一种基于深度记忆网络的航空器航迹预测方法 Download PDF

Info

Publication number
CN109508812B
CN109508812B CN201811171578.8A CN201811171578A CN109508812B CN 109508812 B CN109508812 B CN 109508812B CN 201811171578 A CN201811171578 A CN 201811171578A CN 109508812 B CN109508812 B CN 109508812B
Authority
CN
China
Prior art keywords
aircraft
input
time
track
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811171578.8A
Other languages
English (en)
Other versions
CN109508812A (zh
Inventor
曾维理
赵子瑜
徐正凤
羊钊
陈丽晶
胡明华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201811171578.8A priority Critical patent/CN109508812B/zh
Publication of CN109508812A publication Critical patent/CN109508812A/zh
Application granted granted Critical
Publication of CN109508812B publication Critical patent/CN109508812B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度记忆网络的航空器航迹预测方法，该方法首先通过提取历史航空器航迹数据，对数据进行预处理后，形成时间序列下的航空器航迹信息数据序列；在此基础上构建输入、输出样本特征，对样本进行标准化处理，生成无量纲的训练数据集；然后，将注意力机制模型集成到长短期记忆网络结构中，初始化结构参数，构建航迹预测神经网络；最后，对航迹预测网络进行训练优化，得到具备高预测精度的航迹预测网络模型。

Description

一种基于深度记忆网络的航空器航迹预测方法
技术领域
本发明涉及一种基于深度记忆网络的航空器轨迹预测方法，属于民航技术领域。
背景技术
近年来，航空运输业持续迅速发展，有限的空域资源和不断增长的空中交通流量之间的矛盾日益加深，使得航空器间潜在冲突加剧，管制员负荷加重，空域拥堵、航班延误等问题频繁出现。如何通过有效的空中交通管理手段，精细化空域资源分配、缓解航班延误、有效进行冲突探测与解脱，是当前空中交通发展面临的主要难题。
航迹预测技术作为空中交通管理的关键技术之一，对航空器的四维航迹进行有效精确的预测，是解决问题的核心。四维航迹是由航空器的三维空间信息和四维时间信息来确定航空器的航迹信息。四维航迹管理作为单一欧洲空管系统(SESAR)的核心，综合考虑航空器当前位置信息和预测航迹信息进行空中管理决策，促进空中交通管理智能化进程。
现有航迹预测技术主要可分为三类：(1)基于运动学模型的混合参数估计。通过建立航空器运动学方程模型，采用Kalman滤波算法、改进Kalman滤波算法以及自适应滤波算法，考虑航空器多模态的三维运动状态，分割航空器的高度剖面和速度剖面进行变量控制，对每一个剖面建立运动方程模型，最后通过各剖面变量拟合，对航空器航迹进行预测。(2)无参数估计。对相似航迹进行模糊聚类，根据每条航迹的隶属度来求取最终的预测航迹。(3)机器学习。通过建立函数回归模型或对构建神经网络模型(时间序列模型、BP神经网络模型等)，对航空器航迹进行预测。
现有技术中目前存在如下问题：(1)预测效果不稳定，普适性不足。由于航空器航迹具有较强的随机性，单一根据运动学模型的参数估计，会出现对具有不同运动特征的对象预测精度存在较大差别，普适性不足；(2)缺乏学习能力。根据无参数估计得到的预测航迹的特征局限于已有航迹的特征，且预测性能根据原始航迹数据本身的聚类性能有较大关联，对多条航迹的特征预测精度较差，缺乏学习改进能力；(3)学习效率低下。根据传统的机器学习方法，庞大的样本量是预测精度的保证，而在对大体量的数据进行学习训练的过程中，学习效率，即学习速率及学习质量，很大程度影响了最终的预测质量。在四维航空数据中，不同特征信息隐含状态之间的关联度不同，而传统机器学习方法则把各个特征的信息按照等同的隐含状态关联度进行学习，对部分特征信息分配不必要的计算资源，造成了学习效率低下。
发明内容
发明目的：针对以上问题，本发明提出一种基于深度记忆网络的航空器轨迹预测方法。通过收集并提取有效航空器航迹信息数据集，集成注意力机制和长短期记忆深度网络，动态更新系统隐含态信息，输入样本综合考虑航空器四维航迹信息、航空器速度以及角度信息，根据时间序列特征对航空器航迹信息进行特征训练学习，重复进行模型训练，使得预测效果满足用户期望。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于深度记忆网络的航空器轨迹预测方法，该方法包括如下步骤：
(1)提取航空器航迹信息数据集并进行数据清洗，对清洗后的航空器航迹信息数据集进行数据规约，形成新的航空器航迹信息数据集；
(2)根据步骤(1)形成的新的航空器航迹信息数据集，构建输入和输出样本向量，对输入和输出样本向量进行标准化处理，生成无量纲的训练数据集；
(3)根据步骤(2)生成的无量纲训练数据集，构建深度记忆网络模型；
(4)利用步骤(3)构建好的深度网络预测模型进行航空器航迹预测。
其中，在步骤(1)中，获取新的航空器航迹信息数据集的方法如下：
(1-1)现行的航空器飞行存储数据都是多架航空器数据并行存放，提取的航空器飞行数据包含了航空器编号，所以包括了多架航空器的数据，读入航空器飞行数据，提取航空器航迹信息数据集，包括信息记录时间、航空器编号、航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度；
(1-2)对航空器航迹信息数据集进行数据清洗，即缺失值处理，缺失值处理是指航迹信息记录中(1-1)所述的信息记录时间、航空器编号、航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度任一数据是缺失的，则删除该条航迹信息记录，删除含缺失值的记录是为了保证后续神经网络训练的质量和效率；
(1-3)对数据清洗后的航空器航迹信息数据集进行数据规约。航空器航迹信息数据集包含了多架航空器的航迹信息，利用数据集中的航空器编号和信息记录时间，将航迹信息按航空器编号分类，并将同一航空器编号对应的航迹信息按信息记录时间先后顺序排列，形成时间序列下的航空器航迹信息数据序列；
由于各条航迹信息的信息记录时间不同，为保证预测的精度，利用数据集中的信息记录时间，按相同的时间间隔，假设同一时间间隔内的航空器飞行速度不变，航空器飞行速度为时间间隔内数据集记录的航空器速度的算术平均值。同样地，按相同的时间间隔，假设同一时间间隔内的航空器所处经度、航空器所处纬度、航空器所处高度和航空器角度不变，得到在各个时间间隔内的航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度的算术平均值，形成新的航空器航迹信息数据集。
其中，在步骤(2)中，根据新的航空器航迹信息数据集，构建输入和输出样本向量，对输入和输出样本向量进行标准化处理，生成无量纲的训练数据集，方法如下：
(2-1)根据新的航空器航迹信息数据集，构建输入样本向量；输入样本特征包括航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度，根据航空器编号生成对应不同航空器编号的航空器航迹信息数据序列，航迹信息数据序列特征包括航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度，构建输入样本向量：
Ir＝{Ir(t1),Ir(t2),Ir(t3),...,Ir(tk-1),Ir(tk)}′ (1)
其中，r表示航空器编号，Ir表示航空器r对应的航迹序列，tk表示数据集中的信息记录时间，k取值范围是[1,K-1]，K表示数据集中信息记录时间点数，Ir(tk)表示航空器r在tk时刻输入航迹的特征信息，表示为：
Ir(tk)＝{lr(tk),er(tk),zr(tk),vr(tk),pr(tk)} (2)
其中，lr(tk)表示航空器r在tk时刻所处的经度，er(tk)表示航空器r在tk时刻所处的纬度，zr(tk)表示航空器r在tk时刻所处的高度，vr(tk)表示航空器r在tk时刻的速度，pr(tk)表示航空器r在tk时刻的角度；
(2-2)根据新的航空器航迹信息数据集，构建输出样本向量；输出样本特征包括航空器所处经度、航空器所处纬度和航空器所处高度；根据输入样本向量，生成对应的输出样本向量，即根据输入样本向量为航空器r在tk时刻的输入航迹信息Ir(tk)，生成对应的输出样本向量为航空器在tk+1时刻输出航迹的特征信息Or(tk+1)，表示为：
Or(tk+1)＝{lr(tk+1),er(tk+1),zr(tk+1)} (3)
其中，lr(tk+1)表示航空器r在tk+1时刻所处的经度，er(tk+1)表示航空器r在tk+1时刻所处的纬度，zr(tk+1)表示航空器r在tk+1时刻所处的高度，tk+1表示数据集中的信息记录时间，k取值范围是[1,K-1]，K表示数据集中信息记录时间点数；
(2-3)由于数据集里包含的各个维度信息的单位不同，包括时间和空间，需要转换成无量纲数据集；对输入样本向量和输出样本向量，使用零均值标准化进行标准化处理，生成无量纲的训练数据集。
其中，在步骤(3)中，根据生成的无量纲训练数据集，构建深度记忆网络模型，该网络模型的结构从上到下包括：输入层、长短期记忆网络层(LSTM层)、输出层，构建深度记忆网络模型需要对输入、输出和中间层进行参数设置，步骤如下：
(3-1)根据训练数据集中的样本向量得出输入特征和输出特征，初始化结构参数，构建航迹预测神经网络的输入层和输出层，包括如下步骤：
(3-1-1)设置每批次训练的样本数，得到每一批次由多少组信息数据序列样本组成；
(3-1-2)设置一组序列的时间步长，每批次训练的样本数和时间步长设置无具体标准，可后续根据网络训练的验证测试效果，进一步优化调整；
(3-1-3)设置输入特征数量，输入特征数量指的是输入特征向量中包含的输入航迹信息的特征数量，也就是维度；公式(2)中Ir(tk)，即航空器r在tk时刻的输入航迹信息的特征包括经度、纬度、高度、速度、角度，输入航迹信息的特征数量，即特征维度为5；
(3-1-4)设置输出特征数量，输出特征数量指的是输出特征向量中包含的输出航迹信息的特征数量，也就是维度；公式(3)中Or(tk+1)，即航空器r在tk+1时刻的输出航迹信息的特征包括经度、纬度、高度，输出航迹信息的特征数量，即特征维度为3；
(3-1-5)设置初始化的输入层权重和偏置，初始化的输入层权重和偏置矩阵维度由输入特征和隐层数量决定，隐层数量用户可根据数据集维度酌情设置，初始化输入层权重和偏置数值从服从指定正太分布的数值集合中随机抽取；
(3-1-6)设置初始化的输出层权重和偏置，初始化的输出层偏置矩阵维度由隐层数量和输出特征决定，初始化输出层权重和偏置数值均设置为0.1，以防止出现梯度消失，预测模型无法收敛的情况出现；
(3-2)选择激励函数和误差函数，搭建长短期记忆网络层，初始化激励函数统一选择双曲正切函数，误差函数选择均方误差，通过输入层的输入，进行如下计算，得到输出层的输出结果：
Figure BDA0001822617840000051
其中，当前执行时刻为t时刻，ft表示t时刻的信息遗忘状态函数，it表示t时刻的信息记忆状态函数，ot表示t时刻的信息输出状态函数，三者的输出范围均为[0,1]，σ是逻辑激活函数，
Figure BDA0001822617840000052
表示t时刻的记忆信息，Ct-1表示(t-1)时刻的细胞状态信息，Ct表示t时刻的细胞状态信息，Ht-1为(t-1)时刻序列输入的隐层节点状态，xt为t时刻网络模型输入层的实际输入，即根据预设时间步长，从输入样本向量中截取得到时间序列中t时刻之前的信息数据集，作为网络模型输入层的实际输入，Ht表示t时刻序列输入的隐层节点状态，tanh是双曲正切函数，yt表示t时刻网络模型输出层的输出，同时也是对(t+1)时刻的预测信息，Softmax为归一化指数函数。W和V均为计算过程中的权重系数矩阵，权重系数矩阵W包括遗忘权重矩阵、记忆权重矩阵、细胞单元权重矩阵、输出权重矩阵，下标分别为f，i，u，o；b和c均为计算过程中的偏置矩阵，偏置矩阵b包括遗忘、记忆、细胞单元、输出偏置，下标分别为f，i，u，o，可后续根据网络训练的验证测试效果，对网络层参数进一步优化调整；
(3-3)把注意力机制模型集成于长短期记忆网络层(LSTM)中，以长短期记忆网络层(LSTM)各阶段的隐层节点状态作为注意力机制模型的输入参数，来实现序列输入特征中对不同特征的注意力系数分配，提高预测网络的效率；
首先，分别对输入航迹的每个特征信息进行相似性特征指标计算，通过公式(4)计算上一时刻，即(t-1)时刻输入序列的隐层节点状态Ht-1和当前时刻，即t时刻输入序列中输入航迹的特征信息i对应的隐层节点状态hi的相似性特征指标S(Ht-1,hi)：
Figure BDA0001822617840000061
然后，对得到的每个特征信息的相似性特征指标，根据公式(5)，进行归一化处理，得到上一时刻，即(t-1)时刻输入序列的隐层节点状态Ht-1和当前时刻，即t时刻输入序列中输入航迹的特征信息i对应的隐层节点状态hi的权重系数ai：
Figure BDA0001822617840000062
其中，Ht-1为(t-1)时刻特征序列输入的隐层节点状态，hi为t时刻输入序列中输入航迹的特征信息i对应的隐层节点状态,q表示输入特征的数量，hj为t时刻输入序列中输入航迹的特征信息j对应的隐层节点状态；
最后，根据每个特征信息的注意力权重系数ai和t时刻输入层的实际输入，即步骤(3-2)中的xt中对应输入航迹的特征信息i的特征向量xt(i)得到输入航迹的特征信息i在t时刻的注意力数值At(i)：
At(i)＝ai·xt(i) (6)
其中，At(i)表示t时刻输入序列中特征信息i对应的注意力数值，xt(i)为t时刻输入层的实际输入xt中对应输入航迹的特征信息i的特征向量，即根据预设时间步长，从输入样本向量中截取得到时间序列中t时刻之前的信息数据集中的经度特征向量、纬度特征向量、高度特征向量、速度特征向量以及角度特征向量；
根据输入航迹的特征信息i在t时刻的注意力数值At(i)，得到t时刻网络模型输入层的输入At，用来替代传统长短期记忆网络的固有特征输入,即步骤(3-2)中的xt：
At＝{At(l),At(e),At(z),At(v),At(p)} (7)
其中，At表示t时刻网络模型输入层的输入，At(l),At(e),At(z),At(v),At(p)分别表示t时刻输入序列中的经度、维度、高度、速度和角度特征信息对应的注意力数值。
(3-4)根据(3-1)、(3-2)和(3-3)步骤建立完成的神经网络结构模型，设置损失函数，进行模型参数修正，在航迹预测神经网络中选择回归模型中收敛速度较快的均方差损失函数：
Figure BDA0001822617840000071
其中，yt为网络模型对于(t+1)时刻的预测输出值，即对于t时刻输入层的实际输入xt经过(3-3)步骤处理后得到的替代输入At经过神经网络计算得到的输出层的实际输出yt，ut为t时刻输入样本向量对应的(t+1)时刻输出样本向量特征的实际值，即(t+1)时刻输出样本向量对应的输出特征：航空器所处经度、航空器所处纬度、航空器所处高度的实际值，n为训练样本数量，对输入样本中的各个特征，即航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度，分别经过公式(8)计算均方差损失；
(3-5)神经网络结构模型设置完成之后开始模型训练，根据每一次训练的结果来进行模型的优化，具体方法如下：
(3-5-1)对无量纲的训练数据集根据一定比例分割训练样本和测试样本，训练样本作为预测模型的训练集，预测模型需要使用训练样本来进行模型训练，测试样本作为模型的测试集，用来检测模型的训练效果是否满足用户要求；
(3-5-2)对训练样本中的输入样本向量，根据不同航空器编号对应的航迹序列进行不同批次的模型训练，不同航空器编号的航迹序列对应不同的样本批次；
(3-5-3)训练的时间步根据样本长度不同可以设置不同的数值，具体数值根据训练效果进行优化设置；
(3-5-4)输出样本向量根据航空器编号与输入样本向量相对应，作为目标输出；
(3-5-5)根据预测输出与实际输出构成的损失函数的具体数值，即公式(8)计算得出，比较损失函数数值是否在预设值范围，如果满足则模型训练结束，否则重复以上(3-1)至(3-4)步骤，对每批次训练的样本数、时间步、隐层数量及神经网络结构进行更改，重新进行模型训练步骤(3-5)。
其中，在步骤(4)中，利用步骤(3)构建好的深度网络预测模型进行航空器航迹预测，具体方法如下：
(4-1)预测航空器在未来某一具体时刻t的航迹信息，利用预测时刻t之前的航空器实际运行过程中产生的航迹信息，按照步骤(2)中方法构建输入样本向量，输入样本特征包括预测时刻之前的航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度这五类实测信息；
(4-2)利用经过训练优化的深度记忆网络模型，根据构建的输入样本向量作为模型输入，得到预测时刻的输出向量，输出向量特征包括航空器所处经度、航空器所处纬度和航空器所处高度，实现对航空器4D航迹的提前预测。
有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：
(1)通过长短期记忆网络，动态更新系统隐含态信息，能够保留较长时间序列下的有效信息，避免传统循环神经网络的梯度消失；
(2)样本信息综合考虑航空器四维航迹信息、航空器速度以及角度信息，适用范围广，可应用于多种场景多条航线的航迹预测；
(3)引入注意力机制，对不同特征的信息分配不同的资源，有效提高资源利用和学习效率，实用效果较好；
(4)集成注意力机制和长短期记忆深度网络，保存原始信息中各个位置的相关信息，各隐含态可以直接调用相关信息作为训练辅助，有效避免了在长距离信息传递中的信息丢失问题，且缩短了信息传递的距离。
附图说明
图1是本发明方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的一种基于深度记忆网络的航空器轨迹预测方法，该方法包括如下步骤：
(1)提取航空器航迹信息数据集并进行数据清洗，对清洗后的航空器航迹信息数据集进行数据规约，形成新的航空器航迹信息数据集；
(2)根据步骤(1)形成的新的航空器航迹信息数据集，构建输入和输出样本向量，对输入和输出样本向量进行标准化处理，生成无量纲的训练数据集；
(3)根据步骤(2)生成的无量纲训练数据集，构建深度记忆网络模型；
(4)利用步骤(3)构建好的深度网络预测模型进行航空器航迹预测。
其中，在步骤(1)中，获取新的航空器航迹信息数据集的方法如下：
(1-1)现行的航空器飞行存储数据都是多架航空器数据并行存放，提取的航空器飞行数据包含了航空器编号，所以包括了多架航空器的数据，读入航空器飞行数据，提取航空器航迹信息数据集，包括信息记录时间、航空器编号、航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度；
(1-2)对航空器航迹信息数据集进行数据清洗，即缺失值处理，缺失值处理是指航迹信息记录中(1-1)所述的信息记录时间、航空器编号、航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度任一数据是缺失的，则删除该条航迹信息记录，删除含缺失值的记录是为了保证后续神经网络训练的质量和效率；
(1-3)对数据清洗后的航空器航迹信息数据集进行数据规约。航空器航迹信息数据集包含了多架航空器的航迹信息，利用数据集中的航空器编号和信息记录时间，将航迹信息按航空器编号分类，并将同一航空器编号对应的航迹信息按信息记录时间先后顺序排列，形成时间序列下的航空器航迹信息数据序列；
由于各条航迹信息的信息记录时间不同，为保证预测的精度，利用数据集中的信息记录时间，按相同的时间间隔，假设同一时间间隔内的航空器飞行速度不变，航空器飞行速度为时间间隔内数据集记录的航空器速度的算术平均值。同样地，按相同的时间间隔，假设同一时间间隔内的航空器所处经度、航空器所处纬度、航空器所处高度和航空器角度不变，得到在各个时间间隔内的航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度的算术平均值，形成新的航空器航迹信息数据集。
其中，在步骤(2)中，根据新的航空器航迹信息数据集，构建输入和输出样本向量，对输入和输出样本向量进行标准化处理，生成无量纲的训练数据集，方法如下：
(2-1)根据新的航空器航迹信息数据集，构建输入样本向量；输入样本特征包括航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度，根据航空器编号生成对应不同航空器编号的航空器航迹信息数据序列，航迹信息数据序列特征包括航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度，构建输入样本向量：
Ir＝{Ir(t1),Ir(t2),Ir(t3),...,Ir(tk-1),Ir(tk)}′ (1)
其中，r表示航空器编号，Ir表示航空器r对应的航迹序列，tk表示数据集中的信息记录时间，k取值范围是[1,K-1]，K表示数据集中信息记录时间点数，Ir(tk)表示航空器r在tk时刻输入航迹的特征信息，表示为：
Ir(tk)＝{lr(tk),er(tk),zr(tk),vr(tk),pr(tk)} (2)
其中，lr(tk)表示航空器r在tk时刻所处的经度，er(tk)表示航空器r在tk时刻所处的纬度，zr(tk)表示航空器r在tk时刻所处的高度，vr(tk)表示航空器r在tk时刻的速度，pr(tk)表示航空器r在tk时刻的角度；
(2-2)根据新的航空器航迹信息数据集，构建输出样本向量；输出样本特征包括航空器所处经度、航空器所处纬度和航空器所处高度；根据输入样本向量，生成对应的输出样本向量，即根据输入样本向量为航空器r在tk时刻的输入航迹信息Ir(tk)，生成对应的输出样本向量为航空器在tk+1时刻输出航迹的特征信息Or(tk+1)，表示为：
Or(tk+1)＝{lr(tk+1),er(tk+1),zr(tk+1)} (3)
其中，lr(tk+1)表示航空器r在tk+1时刻所处的经度，er(tk+1)表示航空器r在tk+1时刻所处的纬度，zr(tk+1)表示航空器r在tk+1时刻所处的高度，tk+1表示数据集中的信息记录时间，k取值范围是[1,K-1]，K表示数据集中信息记录时间点数；
(2-3)由于数据集里包含的各个维度信息的单位不同，包括时间和空间，需要转换成无量纲数据集；对输入样本向量和输出样本向量，使用零均值标准化进行标准化处理，生成无量纲的训练数据集。
其中，在步骤(3)中，根据生成的无量纲训练数据集，构建深度记忆网络模型，该网络模型的结构从上到下包括：输入层、长短期记忆网络层(LSTM层)、输出层，构建深度记忆网络模型需要对输入、输出和中间层进行参数设置，步骤如下：
(3-1)根据训练数据集中的样本向量得出输入特征和输出特征，初始化结构参数，构建航迹预测神经网络的输入层和输出层，包括如下步骤：
(3-1-1)设置每批次训练的样本数，得到每一批次由多少组信息数据序列样本组成；
(3-1-2)设置一组序列的时间步长，每批次训练的样本数和时间步长设置无具体标准，可后续根据网络训练的验证测试效果，进一步优化调整；
(3-1-3)设置输入特征数量，输入特征数量指的是输入特征向量中包含的输入航迹信息的特征数量，也就是维度；公式(2)中Ir(tk)，即航空器r在tk时刻的输入航迹信息的特征包括经度、纬度、高度、速度、角度，输入航迹信息的特征数量，即特征维度为5；
(3-1-4)设置输出特征数量，输出特征数量指的是输出特征向量中包含的输出航迹信息的特征数量，也就是维度；公式(3)中Or(tk+1)，即航空器r在tk+1时刻的输出航迹信息的特征包括经度、纬度、高度，输出航迹信息的特征数量，即特征维度为3；
(3-1-5)设置初始化的输入层权重和偏置，初始化的输入层权重和偏置矩阵维度由输入特征和隐层数量决定，隐层数量用户可根据数据集维度酌情设置，初始化输入层权重和偏置数值从服从指定正太分布的数值集合中随机抽取；
(3-1-6)设置初始化的输出层权重和偏置，初始化的输出层偏置矩阵维度由隐层数量和输出特征决定，初始化输出层权重和偏置数值均设置为0.1，以防止出现梯度消失，预测模型无法收敛的情况出现；
(3-2)选择激励函数和误差函数，搭建长短期记忆网络层，初始化激励函数统一选择双曲正切函数，误差函数选择均方误差，通过输入层的输入，进行如下计算，得到输出层的输出结果：
Figure BDA0001822617840000111
其中，当前执行时刻为t时刻，ft表示t时刻的信息遗忘状态函数，it表示t时刻的信息记忆状态函数，ot表示t时刻的信息输出状态函数，三者的输出范围均为[0,1]，σ是逻辑激活函数，
Figure BDA0001822617840000112
表示t时刻的记忆信息，Ct-1表示(t-1)时刻的细胞状态信息，Ct表示t时刻的细胞状态信息，Ht-1为(t-1)时刻序列输入的隐层节点状态，xt为t时刻网络模型输入层的实际输入，即根据预设时间步长，从输入样本向量中截取得到时间序列中t时刻之前的信息数据集，作为网络模型输入层的实际输入，Ht表示t时刻序列输入的隐层节点状态，tanh是双曲正切函数，yt表示t时刻网络模型输出层的输出，同时也是对(t+1)时刻的预测信息，Softmax为归一化指数函数。W和V均为计算过程中的权重系数矩阵，权重系数矩阵W包括遗忘权重矩阵、记忆权重矩阵、细胞单元权重矩阵、输出权重矩阵，下标分别为f，i，u，o；b和c均为计算过程中的偏置矩阵，偏置矩阵b包括遗忘、记忆、细胞单元、输出偏置，下标分别为f，i，u，o，可后续根据网络训练的验证测试效果，对网络层参数进一步优化调整；
(3-3)把注意力机制模型集成于长短期记忆网络层(LSTM)中，以长短期记忆网络层(LSTM)各阶段的隐层节点状态作为注意力机制模型的输入参数，来实现序列输入特征中对不同特征的注意力系数分配，提高预测网络的效率；
首先，分别对输入航迹的每个特征信息进行相似性特征指标计算，通过公式(4)计算上一时刻，即(t-1)时刻输入序列的隐层节点状态Ht-1和当前时刻，即t时刻输入序列中输入航迹的特征信息i对应的隐层节点状态hi的相似性特征指标S(Ht-1,hi)：
Figure BDA0001822617840000121
然后，对得到的每个特征信息的相似性特征指标，根据公式(5)，进行归一化处理，得到上一时刻，即(t-1)时刻输入序列的隐层节点状态Ht-1和当前时刻，即t时刻输入序列中输入航迹的特征信息i对应的隐层节点状态hi的权重系数ai：
Figure BDA0001822617840000122
其中，Ht-1为(t-1)时刻特征序列输入的隐层节点状态，hi为t时刻输入序列中输入航迹的特征信息i对应的隐层节点状态,q表示输入特征的数量，hj为t时刻输入序列中输入航迹的特征信息j对应的隐层节点状态；
最后，根据每个特征信息的注意力权重系数ai和t时刻输入层的实际输入，即步骤(3-2)中的xt中对应输入航迹的特征信息i的特征向量xt(i)得到输入航迹的特征信息i在t时刻的注意力数值At(i)：
At(i)＝ai·xt(i) (6)
其中，At(i)表示t时刻输入序列中特征信息i对应的注意力数值，xt(i)为t时刻输入层的实际输入xt中对应输入航迹的特征信息i的特征向量，即根据预设时间步长，从输入样本向量中截取得到时间序列中t时刻之前的信息数据集中的经度特征向量、纬度特征向量、高度特征向量、速度特征向量以及角度特征向量；
根据输入航迹的特征信息i在t时刻的注意力数值At(i)，得到t时刻网络模型输入层的输入At，用来替代传统长短期记忆网络的固有特征输入,即步骤(3-2)中的xt：
At＝{At(l),At(e),At(z),At(v),At(p)} (7)
其中，At表示t时刻网络模型输入层的输入，At(l),At(e),At(z),At(v),At(p)分别表示t时刻输入序列中的经度、维度、高度、速度和角度特征信息对应的注意力数值。
(3-4)根据(3-1)、(3-2)和(3-3)步骤建立完成的神经网络结构模型，设置损失函数，进行模型参数修正，在航迹预测神经网络中选择回归模型中收敛速度较快的均方差损失函数：
Figure BDA0001822617840000131
其中，yt为网络模型对于(t+1)时刻的预测输出值，即对于t时刻输入层的实际输入xt经过(3-3)步骤处理后得到的替代输入At经过神经网络计算得到的输出层的实际输出yt，ut为t时刻输入样本向量对应的(t+1)时刻输出样本向量特征的实际值，即(t+1)时刻输出样本向量对应的输出特征：航空器所处经度、航空器所处纬度、航空器所处高度的实际值，n为训练样本数量，对输入样本中的各个特征，即航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度，分别经过公式(8)计算均方差损失；
(3-5)神经网络结构模型设置完成之后开始模型训练，根据每一次训练的结果来进行模型的优化，具体方法如下：
(3-5-1)对无量纲的训练数据集根据9:1比例分割训练样本和测试样本，训练样本作为预测模型的训练集，预测模型需要使用训练样本来进行模型训练，测试样本作为模型的测试集，用来检测模型的训练效果是否满足用户要求；
(3-5-2)对训练样本中的输入样本向量，根据不同航空器编号对应的航迹序列进行不同批次的模型训练，不同航空器编号的航迹序列对应不同的样本批次；
(3-5-3)训练的时间步根据样本长度不同可以设置不同的数值，具体数值根据训练效果进行优化设置；
(3-5-4)输出样本向量根据航空器编号与输入样本向量相对应，作为目标输出；
(3-5-5)根据预测输出与实际输出构成的损失函数的具体数值，即公式(8)计算得出，比较损失函数数值是否在预设值范围，如果满足则模型训练结束，否则重复以上(3-1)至(3-4)步骤，对每批次训练的样本数、时间步、隐层数量及神经网络结构进行更改，重新进行模型训练步骤(3-5)。
其中，在步骤(4)中，利用步骤(3)构建好的深度网络预测模型进行航空器航迹预测，具体方法如下：
(4-1)预测航空器在未来某一具体时刻t的航迹信息，利用预测时刻t之前的航空器实际运行过程中产生的航迹信息，按照步骤(2)中方法构建输入样本向量，输入样本特征包括预测时刻之前的航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度这五类实测信息；
(4-2)利用经过训练优化的深度记忆网络模型，根据构建的输入样本向量作为模型输入，得到预测时刻的输出向量，输出向量特征包括航空器所处经度、航空器所处纬度和航空器所处高度，实现对航空器4D航迹的提前预测。
举例而言，以中南区2014年3月1日前110000组飞行数据为基础，前100000组飞行数据作为训练样本，对后续10000组航迹进行了预测验证。经验证，传统神经网络方法训练时间较长，而改进的集成注意力机制和长短期记忆深度网络训练用时较短，均方差损失较小，说明模型训练效率更高，且与实际数据的拟合程度更好。
表1不同网络结构数据对比
Figure BDA0001822617840000141

Claims (4)

1.一种基于深度记忆网络的航空器航迹预测方法，其特征在于，该方法包括如下步骤：
(1)提取航空器航迹信息数据集并进行数据清洗，对清洗后的航空器航迹信息数据集进行数据规约，形成新的航空器航迹信息数据集；
(1-1)读入航空器飞行数据，提取航空器航迹信息数据集，包括信息记录时间、航空器编号、航空器所处经度、纬度、高度，航空器速度和角度；
(1-2)采用删除法剔除航空器航迹信息数据集中缺失航迹信息的数据记录，实现数据清洗；
(1-3)对数据清洗后的航空器航迹信息数据集进行数据规约，利用数据集中的航空器编号和信息记录时间，将航迹信息按航空器编号分类，并将同一航空器编号对应的航迹信息按信息记录时间先后顺序排列，形成时间序列下的航空器航迹信息数据序列；
按相同的时间间隔，假设同一时间间隔内的航空器所处经度、纬度、高度，航空器速度和角度不变，得到在各个时间间隔内的航空器所处经度、纬度、高度，航空器速度和角度的算术平均值，形成新的航空器航迹信息数据集；
(2)根据步骤(1)形成的新的航空器航迹信息数据集，构建输入和输出样本向量，对输入和输出样本向量进行标准化处理，生成无量纲的训练数据集；
(2-1)根据航空器编号生成对应不同航空器编号的航空器航迹信息数据序列，航迹信息数据序列特征包括航空器所处经度、纬度、高度，航空器速度和角度，构建输入样本向量：
Ir＝{Ir(t1),Ir(t2),Ir(t3),...,Ir(tk-1),Ir(tk)}′ (1)
其中，r表示航空器编号，Ir表示航空器r对应的航迹序列，tk表示数据集中的信息记录时间，k取值范围是[1,K-1]，K表示数据集中信息记录时间点数，Ir(tk)表示航空器r在tk时刻输入航迹的特征信息，表示为：
Ir(tk)＝{lr(tk),er(tk),zr(tk),vr(tk),pr(tk)} (2)
其中，lr(tk)表示航空器r在tk时刻所处的经度，er(tk)表示航空器r在tk时刻所处的纬度，zr(tk)表示航空器r在tk时刻所处的高度，vr(tk)表示航空器r在tk时刻的速度，pr(tk)表示航空器r在tk时刻的角度；
(2-2)根据输入样本向量，生成对应的输出样本向量，即根据输入样本向量为航空器r在tk时刻的输入航迹信息Ir(tk)，生成对应的输出样本向量为航空器在tk+1时刻输出航迹的特征信息Or(tk+1)，表示为：
Or(tk+1)＝{lr(tk+1),er(tk+1),zr(tk+1)} (3)
其中，lr(tk+1)表示航空器r在tk+1时刻所处的经度，er(tk+1)表示航空器r在tk+1时刻所处的纬度，zr(tk+1)表示航空器r在tk+1时刻所处的高度，tk+1表示数据集中的信息记录时间，k取值范围是[1,K-1]，K表示数据集中信息记录时间点数；
(2-3)对输入样本向量和输出样本向量，使用零均值标准化进行标准化处理，生成无量纲的训练数据集；
(3)根据步骤(2)生成的无量纲训练数据集，构建深度记忆网络模型；
(3-1)根据训练数据集中的样本向量得出输入特征和输出特征，初始化结构参数，构建航迹预测神经网络的输入层和输出层；
(3-2)选择激励函数和误差函数，搭建长短期记忆网络层，初始化激励函数统一选择双曲正切函数，误差函数选择均方误差，通过输入层的输入，进行如下计算，得到输出层的输出结果：
Figure FDA0003128688460000021
其中，当前执行时刻为t时刻，ft表示t时刻的信息遗忘状态函数，it表示t时刻的信息记忆状态函数，ot表示t时刻的信息输出状态函数，三者的输出范围均为[0,1]，σ是逻辑激活函数，
Figure FDA0003128688460000022
表示t时刻的记忆信息，Ct-1表示(t-1)时刻的细胞状态信息，Ct表示t时刻的细胞状态信息，Ht-1为(t-1)时刻序列输入的隐层节点状态，xt为t时刻网络模型输入层的实际输入，即根据预设时间步长，从输入样本向量中截取得到时间序列中t时刻之前的信息数据集，作为网络模型输入层的实际输入，Ht表示t时刻序列输入的隐层节点状态，tanh是双曲正切函数，yt表示t时刻网络模型输出层的输出，同时也是对(t+1)时刻的预测信息，Softmax为归一化指数函数； W和V均为计算过程中的权重系数矩阵，权重系数矩阵W包括遗忘权重矩阵、记忆权重矩阵、细胞单元权重矩阵、输出权重矩阵，下标分别为f，i，u，o；b和c均为计算过程中的偏置矩阵，偏置矩阵b包括遗忘、记忆、细胞单元、输出偏置，下标分别为f，i，u，o，可后续根据网络训练的验证测试效果，对网络层参数进一步优化调整；
(3-3)把注意力机制模型集成于长短期记忆网络层中，首先，分别对输入航迹的每个特征信息进行相似性特征指标计算，通过公式(4)计算上一时刻，即(t-1)时刻输入序列的隐层节点状态Ht-1和当前时刻，即t时刻输入序列中输入航迹的特征信息i对应的隐层节点状态hi的相似性特征指标S(Ht-1,hi)：
Figure FDA0003128688460000031
然后，对得到的每个特征信息的相似性特征指标，根据公式(5)，进行归一化处理，得到上一时刻，即(t-1)时刻输入序列的隐层节点状态Ht-1和当前时刻，即t时刻输入序列中输入航迹的特征信息i对应的隐层节点状态hi的权重系数ai：
Figure FDA0003128688460000032
其中，Ht-1为(t-1)时刻特征序列输入的隐层节点状态，hi为t时刻输入序列中输入航迹的特征信息i对应的隐层节点状态,q表示输入特征的数量，hj为t时刻输入序列中输入航迹的特征信息j对应的隐层节点状态；
最后，根据每个特征信息的注意力权重系数ai和t时刻输入层的实际输入，即步骤(3-2)中的xt中对应输入航迹的特征信息i的特征向量xt(i)得到输入航迹的特征信息i在t时刻的注意力数值At(i)：
At(i)＝ai·xt(i) (6)
其中，At(i)表示t时刻输入序列中特征信息i对应的注意力数值，xt(i)为t时刻输入层的实际输入xt中对应输入航迹的特征信息i的特征向量，即根据预设时间步长，从输入样本向量中截取得到时间序列中t时刻之前的信息数据集中的经度特征向量、纬度特征向量、高度特征向量、速度特征向量以及角度特征向量；
根据输入航迹的特征信息i在t时刻的注意力数值At(i)，得到t时刻网络模型输入层的输入At，用来替代传统长短期记忆网络的固有特征输入,即步骤(3-2)中的xt：
At＝{At(l),At(e),At(z),At(v),At(p)} (7)
其中，At表示t时刻网络模型输入层的输入，At(l),At(e),At(z),At(v),At(p)分别表示t时刻输入序列中的经度、维度、高度、速度和角度特征信息对应的注意力数值；
(3-4)根据(3-1)、(3-2)和(3-3)步骤建立完成的神经网络结构模型，设置损失函数，进行模型参数修正，在航迹预测神经网络中选择均方差损失函数：
Figure FDA0003128688460000041
其中，yt为网络模型对于(t+1)时刻的预测输出值，即对于t时刻输入层的实际输入xt经过(3-3)步骤处理后得到的替代输入At经过神经网络计算得到的输出层的实际输出yt，ut为t时刻输入样本向量对应的(t+1)时刻输出样本向量特征的实际值，即(t+1)时刻输出样本向量对应的输出特征：航空器所处经度、航空器所处纬度、航空器所处高度的实际值，n为训练样本数量，对输入样本中的各个特征，即航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度，分别经过公式(8)计算均方差损失；
(3-5)神经网络结构模型设置完成之后开始模型训练，根据每一次训练的结果来进行模型的优化；
(4)利用步骤(3)构建好的深度网络预测模型进行航空器航迹预测。
2.根据权利要求1所述的一种基于深度记忆网络的航空器航迹预测方法，其特征在于，在步骤(3-1)中，根据训练集维度得出输入特征，初始化结构参数，构建航迹预测神经网络的输入层和输出层，包括如下步骤：
(3-1-1)设置每批次训练的样本数；
(3-1-2)设置一组序列的时间步长；
(3-1-3)设置输入特征数量，输入特征数量指的是输入样本向量中包含的输入航迹信息的特征数量，输入航迹信息的特征包括经度、纬度、高度、速度、角度；
(3-1-4)设置输出特征数量，输出特征数量指的是输出样本向量中包含的输出航迹信息的特征数量，输出航迹信息的特征包括经度、纬度、高度；
(3-1-5)设置初始化的输入层权重和偏置，初始化的输入层权重和偏置矩阵维度由输入特征和隐层数量决定；
(3-1-6)设置初始化的输出层权重和偏置，初始化的输出层偏置矩阵维度由隐层数量和输出特征决定，初始化输出层权重和偏置数值均设置为0.1。
3.根据权利要求1所述的一种基于深度记忆网络的航空器航迹预测方法，其特征在于，在步骤(3-5)中，神经网络结构模型设置完成之后开始模型训练，根据每一次训练的结果来进行模型的优化，方法如下：
(3-5-1)采集训练样本对预测模型进行训练；
(3-5-2)对训练样本中的输入样本向量，根据不同航空器编号对应的航迹序列进行不同批次的模型训练；
(3-5-3)训练的时间步长根据样本长度不同设置不同的数值；
(3-5-4)输出样本向量根据航空器编号与输入样本向量相对应，作为目标输出；
(3-5-5)根据预测输出与实际输出构成的损失函数的数值，即公式(8)计算得出，比较损失函数数值是否在预设值范围，如果满足则模型训练结束，否则重复以上(3-1)至(3-4)步骤，对每批次训练的样本数、时间步、隐层数量及神经网络结构进行更改，重新进行模型训练步骤(3-5)。
4.根据权利要求1-3任一所述的一种基于深度记忆网络的航空器航迹预测方法，其特征在于，在步骤(4)中，利用步骤(3)构建好的深度记忆网络预测模型进行航空器航迹预测，方法如下：
(4-1)将预测时刻之前的输入样本特征即航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度，按照步骤(2)中方法构建输入样本向量输入深度记忆网络预测模型；
(4-2)根据深度记忆网络预测模型，得到预测时刻的航空器所处经度、航空器所处纬度和航空器所处高度。
CN201811171578.8A 2018-10-09 2018-10-09 一种基于深度记忆网络的航空器航迹预测方法 Active CN109508812B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811171578.8A CN109508812B (zh) 2018-10-09 2018-10-09 一种基于深度记忆网络的航空器航迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811171578.8A CN109508812B (zh) 2018-10-09 2018-10-09 一种基于深度记忆网络的航空器航迹预测方法

Publications (2)

Publication Number Publication Date
CN109508812A CN109508812A (zh) 2019-03-22
CN109508812B true CN109508812B (zh) 2021-11-30

Family

ID=65746434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811171578.8A Active CN109508812B (zh) 2018-10-09 2018-10-09 一种基于深度记忆网络的航空器航迹预测方法

Country Status (1)

Country Link
CN (1) CN109508812B (zh)

Families Citing this family (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210648B (zh) * 2019-04-30 2023-05-23 南京航空航天大学 基于灰色长短期记忆网络的管制空域战略流量预测方法
CN110163439A (zh) * 2019-05-24 2019-08-23 长安大学 一种基于注意力机制的城市规模出租车轨迹预测方法
CN110443448B (zh) * 2019-07-01 2022-03-29 华中科技大学 一种基于双向lstm的飞机机位分类预测方法和系统
CN110471055B (zh) * 2019-07-08 2021-03-30 岭澳核电有限公司 飞行物轨迹预测方法、装置、可读存储介质及终端设备
CN110321401B (zh) * 2019-07-09 2023-05-26 中国人民解放军海军航空大学 时空数据关联深度学习方法
CN110825597A (zh) * 2019-08-21 2020-02-21 广州市申迪计算机系统有限公司 一种磁盘空间占有率预测方法、装置及存储介质
CN110647560B (zh) * 2019-09-25 2022-05-03 山西三合盛智慧科技股份有限公司 一种机理与类脑智能结合的电厂入炉煤质在线软测量方法
CN110658818B (zh) * 2019-09-29 2020-08-21 浙江大学 面向新型供电列车的多目标优化智能运行控制预测方法
CN111310965A (zh) * 2019-10-30 2020-06-19 北京航空航天大学 一种基于lstm网络的飞行器航迹预测方法
CN111175719B (zh) * 2020-01-08 2023-10-17 中国船舶集团有限公司第七二四研究所 基于bp神经网络的智能航迹起始方法
CN111461292B (zh) * 2020-03-17 2023-06-27 南京航空航天大学 一种无人机实时轨迹预测方法
CN111767475A (zh) * 2020-03-20 2020-10-13 吉利汽车研究院（宁波）有限公司 一种目标行人轨迹预测模型训练方法、装置、电子设备及存储介质
CN111475986B (zh) * 2020-04-02 2024-05-24 重庆大学 一种基于lstm-aon的齿轮剩余寿命的预测方法
CN111695195B (zh) * 2020-05-15 2023-07-18 北京控制工程研究所 一种基于长短时间记忆网络的空间物理运动体建模方法
CN111582485A (zh) * 2020-05-27 2020-08-25 电子科技大学 基于神经网络的航迹融合办法
CN111858565B (zh) * 2020-06-10 2023-04-21 北京航空航天大学 一种基于线段聚类的多维度高精度航迹智能预测方法
CN111897353B (zh) * 2020-07-08 2022-08-02 西北工业大学 基于gru的飞行器机动轨迹预测方法
CN111898755B (zh) * 2020-08-11 2023-09-12 中国人民解放军海军航空大学 单一航迹智能合成方法及装置
CN112348223A (zh) * 2020-08-21 2021-02-09 哈尔滨工业大学 一种基于深度学习的导弹飞行轨迹预测方法
CN112115550B (zh) * 2020-09-13 2022-04-19 西北工业大学 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法
CN112327903B (zh) * 2020-09-15 2021-09-17 南京航空航天大学 一种基于深度混合密度网络的航空器轨迹生成方法
CN112509383B (zh) * 2020-11-24 2022-08-26 民航数据通信有限责任公司 一种提高ads-b航迹数据准确率的方法
CN112528190A (zh) * 2020-12-23 2021-03-19 中移（杭州）信息技术有限公司 基于片化结构与内容的网页篡改评判方法、装置及存储介质
CN112668804B (zh) * 2021-01-11 2023-04-07 中国海洋大学 一种地波雷达船只断裂航迹预测方法
CN113012767B (zh) * 2021-02-24 2024-08-20 大唐环境产业集团股份有限公司 基于时间序列的脱硫系统浆液pH值在线预测方法及装置
CN113052313B (zh) * 2021-04-27 2021-10-15 北京航空航天大学 一种海量交通数据知识挖掘与并行处理方法
CN113222229B (zh) * 2021-04-28 2024-02-13 南京航空航天大学 一种基于机器学习的非合作无人机轨迹预测方法
CN113393032B (zh) * 2021-06-15 2023-09-12 西安电子科技大学 基于重采样下的航迹循环预测方法
CN113435644B (zh) * 2021-06-25 2023-04-07 天津大学 基于深度双向长短期记忆神经网络的突发事件预测方法
CN113611158A (zh) * 2021-06-30 2021-11-05 四川大学 基于空域态势的航空器轨迹预测和高度调配方法
CN113962283A (zh) * 2021-09-01 2022-01-21 南京航空航天大学 一种基于局部自适应动态时间规整的航空器轨迹聚类方法
CN114118214B (zh) * 2021-10-25 2023-04-07 中国电子科技集团公司第十五研究所 基于目标运动模型自学习的低空组网融合结果优化方法
CN114358211B (zh) * 2022-01-14 2022-08-23 中科世通亨奇(北京)科技有限公司 基于多模态深度学习的航空器行为意图识别方法
CN114842681A (zh) * 2022-07-04 2022-08-02 中国电子科技集团公司第二十八研究所 一种基于多头注意力机制的机场场面航迹预测方法
CN115310677B (zh) * 2022-07-18 2023-05-12 四川大学 一种基于二进制编码表示与多分类的航迹预测方法及装置
CN115346401B (zh) * 2022-08-01 2023-09-12 南京航空航天大学 一种低空无人机监视和航迹预测方法
CN114999233B (zh) * 2022-08-05 2022-11-01 中国航天科工集团八五一一研究所 一种基于航迹关联的目标意图判断方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10565493B2 (en) * 2016-09-22 2020-02-18 Salesforce.Com, Inc. Pointer sentinel mixture architecture
CN106568445B (zh) * 2016-11-11 2019-07-05 吉林大学 基于双向循环神经网络的室内轨迹预测方法
CN107492113B (zh) * 2017-06-01 2019-11-05 南京行者易智能交通科技有限公司 一种视频图像中运动目标位置预测模型训练方法、位置预测方法及轨迹预测方法
CN107463967B (zh) * 2017-08-25 2021-08-24 中国人民解放军海军航空工程学院 多源航迹关联机器学习系统
CN108022012A (zh) * 2017-12-01 2018-05-11 兰州大学 基于深度学习的车辆位置预测方法
CN108182259B (zh) * 2018-01-03 2020-06-19 华南理工大学 基于深度长短期记忆神经网络对多变量时间序列分类方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
An CNN-LSTM Attention Approach to Understanding User Query Intent from Online Health Communities;Cai, Ruichu 等;《2017 17TH IEEE INTERNATIONAL CONFERENCE ON DATA MINING WORKSHOPS (ICDMW 2017)》;20171231;第430-437页 *
Bi-Prediction: Pedestrian Trajectory Prediction Based on Bidirectional LSTM Classification;Xue, Hao 等;《2017 INTERNATIONAL CONFERENCE ON DIGITAL IMAGE COMPUTING - TECHNIQUES AND APPLICATIONS (DICTA)》;20171231;第307-314页 *
Predicting Salient Face in Multiple-Face Videos;Liu, Yufan 等;《30TH IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR 2017)》;20171231;第3224-3232页 *
基于注意力LSTM和多任务学习的远场语音识别;张宇 等;《清华大学学报(自然科学版)》;20180331;第58卷(第3期);第249-253页 *
基于深度学习的视频行为识别技术研究;余兴;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;中国学术期刊（光盘版）电子杂志社;20180915(第9期);第I138-225页 *
基于深度学习的轨迹数据恢复研究;吴翰韬;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;中国学术期刊（光盘版）电子杂志社;20180915(第9期);第I138-11页 *

Also Published As

Publication number Publication date
CN109508812A (zh) 2019-03-22

Similar Documents

Publication Publication Date Title
CN109508812B (zh) 一种基于深度记忆网络的航空器航迹预测方法
CN109191922B (zh) 一种大规模四维航迹动态预测方法及装置
WO2021082393A1 (zh) 基于大数据深度学习的机场场面可变滑出时间预测方法
CN108564136B (zh) 一种基于模糊推理的空域运行态势评估分类方法
CN107016464B (zh) 基于动态贝叶斯网络的威胁估计方法
CN112327903B (zh) 一种基于深度混合密度网络的航空器轨迹生成方法
CN109920248B (zh) 一种基于gru神经网络的公交到站时间预测方法
CN110442143B (zh) 一种基于组合多目标鸽群优化的无人机态势数据聚类方法
CN114492833A (zh) 基于梯度记忆的车联网联邦学习分层知识安全迁移方法
CN113393032B (zh) 基于重采样下的航迹循环预测方法
CN110619419B (zh) 城市轨道交通的客流预测方法
CN112330028A (zh) 基于谱聚类和lstm神经网络的电动公交车充电负荷预测方法
CN115564114B (zh) 一种基于图神经网络的空域碳排放短期预测方法及系统
CN113076686B (zh) 一种基于社会长短期记忆网络的航空器轨迹预测方法
CN113657671B (zh) 一种基于集成学习的航班延误预测方法
CN115730635A (zh) 一种电动汽车负荷预测方法
CN115907122A (zh) 区域电动汽车充电负荷预测方法
CN116415177A (zh) 一种基于极限学习机的分类器参数辨识方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN116956757A (zh) 出港航班滑行时间预测方法、电子设备和存储介质
CN114371729B (zh) 一种基于距离优先经验回放的无人机空战机动决策方法
CN111858565A (zh) 一种基于线段聚类的多维度高精度航迹智能预测方法
CN115115278A (zh) 一种离场航班推出速率动态自适应决策方法
CN113516163B (zh) 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质
CN113269341A (zh) 一种基于双目标lp的网约车在线订单匹配方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant