CN109814101A - 一种航空器位置预测的方法及装置 - Google Patents

Abstract

本发明实施例提供了航空器位置预测的方法及装置，包括：获取航空器的前k个时刻的位置数据，将前k个时刻的位置数据输入到神经网络NN1中，输出符合航空器当前运动状态的运动状态模型的模型类型，按照模型类型，使用前m+1个时刻的位置数据，计算运动状态模型的模型参数，得到运动状态模型，基于符合航空器当前运动状态的运动状态模型，计算下一时刻航空器可能处于的位置，作为航空器的位置预测值；应用本发明实施例，通过使用神经网络NN1快速准确地选择最合适的运动状态方程，解决了使用传统卡尔曼滤波算法时运动状态方程更新周期长的问题，使得航空监控系统能够准确地监视到航空器的位置信息。与现有技术相比，提高了航空器位置预测的准确度。

Description

一种航空器位置预测的方法及装置

技术领域

本发明涉及航空器位置预测的技术领域，特别涉及一种航空器位置预测的方法及装置。

背景技术

随着运输业的发展和国民经济的增长，民用航空业也在蓬勃发展，使得国内通用航空飞行量不断增长，这就对全球范围航空器的位置监控提出了更高要求。一系列的航空事故都凸显航空器监视的紧迫性和必要性。

在航空器监视领域，一般会使用雷达测量航空器的位置，然后选择合适的滤波算法处理雷达数据，对航空器的未来位置进行预测，进而对航空器飞行活动进行监视和控制，保证飞行安全和有秩序飞行。

在目前的航空器监视系统中，一般采用卡尔曼滤波算法对雷达数据进行处理。其主要思想是根据当前时刻的测量值和预测值更新系统的状态矩阵，然后根据已更新的状态矩阵，通过计算预测下一时刻的航空器位置。

然而采用上述方法，当航空器在非匀速直线运动状态时，状态方程的更新需要相对较长的时间周期，导致在该周期内的航空器位置预测精度过低。

发明内容

本发明实施例的目的在于提供一种基于神经网络的航空器位置预测方法，使得航空监视系统能够对航空器的位置进行精准地预测。具体技术方案如下：

为了达到上述目的，本发明实施例提供了一种航空器位置预测方法，所述方法包括：

获得航空器的前k个时刻的位置数据；

将前k个时刻的所述位置数据输入到神经网络NN1中，输出符合所述航空器当前运动状态的运动状态模型的模型类型，其中，所述神经网络NN1为基于第一样本数据进行训练得到的，所述第一样本数据包括样本航空器的样本位置数据，以及所述样本航空器的与所述样本位置数据对应的已知运动状态模型；

按照所述模型类型，使用前m+1个时刻的位置数据，计算所述运动状态模型的模型参数，得到所述运动状态模型；

基于符合所述航空器当前运动状态的所述运动状态模型，计算下一时刻所述航空器可能处于的位置，作为所述航空器的位置预测值。

进一步的，所述位置预测值为第一阶段位置预测值；在所述计算下一时刻所述航空器可能处于的位置之后，还包括：

将所述第一阶段位置预测值输入到神经网络NN2中，输出偏移值，其中，所述神经网络NN2为基于第二样本数据进行训练得到的，所述第二样本数据包括样本航空器的样本第一阶段位置预测值，以及所述样本航空器的实际位置数据，所述样本第一阶段位置预测值为使用所述神经网络NN1对所述样本航空器进行位置预测得到的；

将所述偏移值与所述第一阶段位置预测值相加，得到所述航空器的位置预测结果。

进一步的，所述获得航空器的前k个时刻的位置数据，包括：

获得雷达测量得到的航空器的前k个时刻的原始位置数据，其中，所述原始位置数据为极坐标状态下的数据；

将前k个时刻所述航空器的所述原始位置数据，从极坐标状态下转化为大地直角坐标系状态下的数据，得到所述航空器的前k个时刻的位置数据。

进一步的，所述神经网络NN1能够输出的运动状态模型包括如下三种：

第一种：匀速直线运动模型；

第二种：匀变速直线运动模型；

第三种：匀变加速直线运动模型。

进一步的，所述按照所述模型类型，使用前m+1个时刻的位置数据，计算所述运动状态模型的模型参数，包括：

使用前m+1个时刻的位置数据，采用如下公式计算所述运动状态模型的模型参数：

其中，t_i为前m+1个时刻中第i个时刻对应的时间值，x_i为前m+1个时刻中第i个时刻所述航空器的位置数据，i的取值为从0到m的整数，n为表示所述运动状态模型的方程的次方数，n为大于等于1的整数，a₀、a₁…a_n为所述运动状态模型的模型参数，依次为表示所述运动状态模型的方程中从时间的低次方到时间的高次方前的系数。

本发明实施例还提供了一种航空器位置预测装置，所述装置包括：

位置数据采集模块，用于获得航空器的前k个时刻的位置数据；

神经网络NN1模块，用于将前k个时刻的所述位置数据输入到神经网络NN1中，输出符合所述航空器当前运动状态的运动状态模型的模型类型，其中，所述神经网络NN1为基于第一样本数据进行训练得到的，所述第一样本数据包括样本航空器的样本位置数据，以及所述样本航空器的与所述样本位置数据对应的已知运动状态模型；

运动状态模型计算模块，用于按照所述模型类型，使用前m+1个时刻的位置数据，计算所述运动状态模型的模型参数，得到所述运动状态模型；

第一位置计算模块，用于基于符合所述航空器当前运动状态的所述运动状态模型，计算下一时刻所述航空器可能处于的位置，作为所述航空器的位置预测值。

进一步的，所述位置预测值为第一阶段位置预测值，所述装置，还包括：

神经网络NN2模块，用于将所述第一阶段位置预测值输入到神经网络NN2中，输出偏移值，其中，所述神经网络NN2为基于第二样本数据进行训练得到的，所述第二样本数据包括样本航空器的样本第一阶段位置预测值，以及所述样本航空器的实际位置数据，所述样本第一阶段位置预测值为使用所述神经网络NN1对所述样本航空器进行位置预测得到的；

第二位置计算模块，用于将所述偏移值与所述第一阶段位置预测值相加，得到所述航空器的位置预测结果。

进一步的，所述位置数据采集模块，具体用于获得雷达测量得到的航空器的前k个时刻的原始位置数据，其中，所述原始位置数据为极坐标状态下的数据；将前k个时刻所述航空器的所述原始位置数据，从极坐标状态下转化为大地直角坐标系状态下的数据，得到所述航空器的前k个时刻的位置数据。

进一步的，所述神经网络NN1模块能够输出的运动状态模型包括如下三种：

第一种：匀速直线运动模型；

第二种：匀变速直线运动模型；

第三种：匀变加速直线运动模型。

进一步的，所述运动状态模型计算模块，具体用于使用前m+1个时刻的位置数据，采用如下公式计算所述运动状态模型的模型参数：

其中，t_i为前m+1个时刻中第i个时刻对应的时间值，x_i为前m+1个时刻中第i个时刻所述航空器的位置数据，i的取值为从0到m的整数，n为表示所述运动状态模型的方程的次方数，n为大于等于1的整数，a₀、a₁…a_n为所述运动状态模型的模型参数，依次为表示所述运动状态模型的方程中从时间的低次方到时间的高次方前的系数。

本发明实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现上述任一航空器位置预测方法的步骤。

本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一航空器位置预测方法的步骤。

本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一航空器位置预测方法的步骤。

本发明实施例有益效果：

本发明实施例提供的一种基于神经网络的航空器位置预测的方法，通过使用神经网络NN1快速准确地选择最合适的运动状态方程，并且采用神经网络NN2对位置预测数据进行校准，解决了使用传统卡尔曼滤波算法时运动状态方程更新周期长的问题，使得航空监控系统能够准确地监视到航空器的位置信息。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1为本发明实施例提供的航空器位置预测方法的流程图；

图2为本发明实施例提供的航空器位置预测方法的另一流程图；

图3本发明实施例提供的航空器位置预测方法的神经网络NN1的网络结构示意图；

图4为本发明实施例提供的航空器位置预测方法的神经网络NN2的网络结构示意图；

图5为本发明实施例提供的航空器位置预测装置的结构示意图；

图6为本发明实施例提供的航空器位置预测装置的另一结构示意图；

图7为本发明实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。在本发明实施例中的均以航空器位置的x方向为例，以下所有方法和装置对航空器位置的y方向同样适用。

本发明实施例提供了一种航空器位置预测方法，如图1所示，具体可以包括如下步骤：

步骤101、获得航空器的前k个时刻的位置数据。

本步骤中，可以获得雷达测量得到的航空器的前k个时刻的原始位置数据，其中，原始位置数据为极坐标状态下的数据；

然后，将前k个时刻航空器的原始位置数据，从极坐标状态下转化为大地直角坐标系状态下的数据，得到上述航空器的前k个时刻的位置数据。

步骤102、将前k个时刻的位置数据输入到神经网络NN1中，输出符合航空器当前运动状态的运动状态模型的模型类型。其中，上述神经网络NN1可以是一个用来分类的网络。

具体的，神经网络NN1可以为基于第一样本数据进行训练得到的，第一样本数据包括样本航空器的样本位置数据，以及样本航空器的与样本位置数据对应的已知运动状态模型。

本发明实施例中，神经网络NN1模块能够输出的运动状态模型可以包括如下三种：

第一种：匀速直线运动模型，可以通过公式x＝a₁t+a₀表示；

第二种：匀变速直线运动模型，可以通过公式x＝a₂t²+a₁t+a₀表示；

第三种：匀变加速直线运动模型，可以通过公式x＝a₃t³+at²+a₁t+a₀表示。

步骤103、按照输出的上述模型类型，使用前m+1个时刻的位置数据，计算符合航空器当前运动状态的该运动状态模型的模型参数，得到该运动状态模型。

本步骤中，具体可以使用前m+1个时刻的位置数据，采用如下公式计算该运动状态模型的模型参数：

其中，t_i为前m+1个时刻中第i个时刻对应的时间值，x_i为前m+1个时刻中第i个时刻所述航空器的位置数据，i的取值为从0到m的整数，n为表示所述运动状态模型的方程的次方数，n为大于等于1的整数，a₀、a₁…a_n为该运动状态模型的模型参数，依次为表示该运动状态模型的方程中从时间的低次方到时间的高次方前的系数。

本发明实施例中，m+1可以等于k，也可以小于k，例如，假设m+1＝7，针对上述不同运动状态模型的模型类型时，模型参数的计算方式如下所示：

当该运动状态模型为匀速直线运动时，计算参数a₀和a₁的公式为：

当该运动状态模型为匀变速直线运动时，计算参数a₀、a₁和a₂的公式为：

当该运动状态模型为匀变加速直线运动时，计算参数a₀、a₁、a₂和a₃的公式为：

步骤104、基于符合航空器当前运动状态的该运动状态模型，计算下一时刻航空器可能处于的位置，作为航空器的位置预测值。

采用本发明实施例提供的上述图1所示的航空器位置预测方法，通过使用神经网络NN1快速准确地选择最合适的运动状态方程，解决了使用传统卡尔曼滤波算法时运动状态方程更新周期长的问题，能够高效地预测下一时刻航空器的位置数据。

进一步的，上述位置预测值为第一阶段位置预测值，在上述图1所示流程的基础上，上述航空器位置预测方法如图2所示，还可以包括如下步骤：

步骤201、将第一阶段位置预测值输入到神经网络NN2中，输出偏移值。

其中，上述神经网络NN2可以用来解决回归问题。具体的，神经网络NN2为基于第二样本数据进行训练得到的，第二样本数据包括样本航空器的样本第一阶段位置预测值，以及样本航空器的实际位置数据，上述样本第一阶段位置预测值为使用神经网络NN1对样本航空器进行位置预测得到的。

步骤202、将偏移值与上述第一阶段位置预测值相加，得到航空器的位置预测结果。

采用本发明实施例提供的航空器位置预测方法，在通过神经网络NN1选择出合适的运动状态方程，并且计算出第一阶段位置预测值的基础上，采用神经网络NN2对位置预测数据进行校准更加提高了航空器位置预测的准确率。

下面结合附图3，对本发明实施例提供的神经网络NN1的结构进行详细描述，神经网络NN1的结构包括：

输入层301，用于数据的输入，将航空器的前k个时刻的位置数据输入到输入层。

隐藏层302，用于通过某种函数联系将输入层的数据处理成原始的输出数据，隐藏层的层数可以根据实际训练的结果进行调整。

原始输出层303，用于将数据通过隐藏层的训练得到的原始输出数据。

Softmax函数层304，用于将原始输出层的结果压缩到[0,1]之间，使最终的输出是一个向量，向量各元素代表概率，和为1。

输出层305，用于输出航空器当前的运动状态模型类型。

在本发明实施例中，K的取值可以通过训练神经网络NN1的过程调整，假设初始的k值为7,设置匀速直线运动标签为0，通过神经网络NN1理论上应该输出[0,0,1]；设置匀变速直线运动标签为1，通过神经网络NN1理论上应该输出[0,1,0]；匀变加速直线运动标签为2，通过神经网络NN1理论上应该输出[1,0,0]；神经网络NN1的训练步骤如下：

假设有一组原始位置训练数据，如下所示：

t₁:x₁、t₂:x₂、t₃:x₃…t₆:x₆、t₇:x₇

数据代表着t_i时刻航空器的横坐标是x_i，作为训练神经网络NN1的输入数据，取相对坐标代替绝对坐标，取相对时间代替绝对时间，将原始位置训练数据处理成位置训练数据，如下格式所示：

t₂-t₁:x₂-x₁、t₃-t₂:x₃-x₂…t₆-t₅:x₆-x₅、t₇-t₆:x₇-x₆

进一步的，确定训练数据的标签，对每组处理过的雷达数据，可以分别使用已经计算好参数的匀速直线运动、匀变速直线运动及云变加速直线运动模型计算下一时刻的预测值，然后将计算结果和下一时刻的雷达探测数据进行对比，取误差较小的运动状态模型作为该组数据的标签。假设有下表数据：

表1一组雷达数据

编号	时间(ms)	X坐标(m)
			1	0	115445.762
2	3904	115788.940
			3	7997	116137.970
4	11937	116469.732
			5	15872	116809.856
6	19937	117114.510
			7	23873	117385.615
8	27832	117608.760

表2根据表1数据使用不同运动模型的预测结果

根据表1中的1～7项数据预测第8项数据，表2为使用不同运动模型后的位置预测值，观察得到匀变加速直线运动状态下预测值与下一时刻的雷达探测数据的差值最小，所以将该组数据的标签确定为2。

进一步的，将训练数据输入神经网络NN1中进行训练，训练过程中采用的损失函数是交叉熵，交叉熵可以度量两个概率分布之间的差异性信息。

以表1的数据为例，将该组数据通过取相对坐标代替绝对坐标，取相对时间代替绝对时间的方式处理成位置训练数据后，作为神经网络NN1的输入，其最初的输出值可能为[0.1,0.65,0.25]，期待输出值为[1,0,0]，计算这两个向量的交叉熵，使用该结果让神经网络往使交叉熵小的方向调整网络各神经元的参数，使用不同的训练数据不断反复训练。训练完成后，向神经网络NN1输入测试位置数据，假设输出可能是[0.95,0.01,0.04]，则该输出说明该组数据的标签大概率是2，该标签代表了航空器当前的运动状态为匀变加速直线运动状态。一个训练完成的神经网络NN1能够准确地输出航空器当前运动状态的模型类型。

进一步的，在上述神经网络NN1结构的基础上，本发明实施例还提供了一种神经网络NN2结构，如图4所示，该结构包括：

输入层401，用于输入第一阶段位置预测值数据。

隐藏层402，用于通过某种函数将输入值与准确位置值之间互相联系。

输出层403，用于输出经过校准后的偏移值数据。

在本发明实施例中，神经网络NN2可以解决回归问题，训练神经网络NN2的过程中可以利用损失函数计算最小均方差，将输出的偏移值和期望的偏移值进行比较，训练神经网络NN2的步骤如下：

假设有一组训练数据，如在t_n时刻航空器的准确位置是x_n，横坐标第一阶段位置预测值为p_x，预测位置与准确位置的差值为x_n-p_x，将p_x作为训练神经网络NN2时的输入，最初未训练的网络的输出为q_x，用下式描述神经网络输出值和期待值之间的差距：

((x_n-p_x)-q_x)²

设定一个阈值，当通过上述公式计算得到的误差值大于该阈值时，调整神经网络NN2中隐藏层层数以及各个神经元的参数，用不同的训练数据不断反复训练，直到误差值小于该阈值，即神经网络NN2训练完成。

相应的，根据本发明上述实施例提供的航空器位置预测方法，本发明实施例还提供了一种航空器位置预测装置，如图5所示，包括：

位置数据采集模块501，用于获得航空器的前k个时刻的位置数据；

神经网络NN1模块502，用于将前k个时刻的所述位置数据输入到神经网络NN1中，输出符合航空器当前运动状态的运动状态模型的模型类型，其中，神经网络NN1为基于第一样本数据进行训练得到的，该第一样本数据包括样本航空器的样本位置数据，以及该样本航空器的与该样本位置数据对应的已知运动状态模型；

运动状态模型计算模块503，用于按照上述模型类型，使用前m+1个时刻的位置数据，计算该运动状态模型的模型参数，得到该运动状态模型；

第一位置计算模块504，用于基于符合航空器当前运动状态的运动状态模型，计算下一时刻航空器可能处于的位置，作为航空器的位置预测值。

进一步的，上述位置数据采集模块501，具体用于获得雷达测量得到的航空器的前k个时刻的原始位置数据，其中，该原始位置数据为极坐标状态下的数据；将前k个时刻航空器的原始位置数据，从极坐标状态下转化为大地直角坐标系状态下的数据，得到航空器的前k个时刻的位置数据。

进一步的，神经网络NN1模块502能够输出的运动状态模型包括如下三种：

第一种：匀速直线运动模型；

第二种：匀变速直线运动模型；

第三种：匀变加速直线运动模型。

进一步的，上述数据计算模块503，具体用于使用前m+1个时刻的位置数据，采用如下公式计算所述运动状态模型的模型参数：

其中，t_i为前m+1个时刻中第i个时刻对应的时间值，x_i为前m+1个时刻中第i个时刻所述航空器的位置数据，i的取值为从0到m的整数，n为表示所述运动状态模型的方程的次方数，n为大于等于1的整数，a₀、a₁…a_n为所述运动状态模型的模型参数，依次为表示所述运动状态模型的方程中从时间的低次方到时间的高次方前的系数。

进一步的，上述位置预测值为第一阶段位置预测值，如图6所示，上述发明实施例提供的航空器位置预测装置还可以包括：

神经网络NN2模块601，用于将第一阶段位置预测值输入到神经网络NN2模块中，输出偏移值，其中，神经网络NN2为基于第二样本数据进行训练得到的，该第二样本数据包括样本航空器的样本第一阶段位置预测值，以及样本航空器的实际位置数据，上述样本第一阶段位置预测值为使用神经网络NN1对样本航空器进行位置预测得到的；

第二位置计算模块602，用于将输出偏移值与第一阶段位置预测值相加，得到航空器的位置预测结果。

本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，

存储器703，用于存放计算机程序；

处理器701，用于执行存储器703上所存放的程序时，实现上述任一航空器位置预测方法的步骤。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一航空器位置预测方法的步骤。

在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一航空器位置预测方法。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质以及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种航空器位置预测方法，其特征在于，包括：

获得航空器的前k个时刻的位置数据；

将前k个时刻的所述位置数据输入到神经网络NN1中，输出符合所述航空器当前运动状态的运动状态模型的模型类型，其中，所述神经网络NN1为基于第一样本数据进行训练得到的，所述第一样本数据包括样本航空器的样本位置数据，以及所述样本航空器的与所述样本位置数据对应的已知运动状态模型；

按照所述模型类型，使用前m+1个时刻的位置数据，计算所述运动状态模型的模型参数，得到所述运动状态模型；

基于符合所述航空器当前运动状态的所述运动状态模型，计算下一时刻所述航空器可能处于的位置，作为所述航空器的位置预测值。

2.根据权利要求1所述的方法，其特征在于，所述位置预测值为第一阶段位置预测值；

在所述计算下一时刻所述航空器可能处于的位置之后，还包括：

将所述第一阶段位置预测值输入到神经网络NN2中，输出偏移值，其中，所述神经网络NN2为基于第二样本数据进行训练得到的，所述第二样本数据包括样本航空器的样本第一阶段位置预测值，以及所述样本航空器的实际位置数据，所述样本第一阶段位置预测值为使用所述神经网络NN1对所述样本航空器进行位置预测得到的；

将所述偏移值与所述第一阶段位置预测值相加，得到所述航空器的位置预测结果。

3.根据权利要求1所述的方法，其特征在于，所述获得航空器的前k个时刻的位置数据，包括：

获得雷达测量得到的航空器的前k个时刻的原始位置数据，其中，所述原始位置数据为极坐标状态下的数据；

将前k个时刻所述航空器的所述原始位置数据，从极坐标状态下转化为大地直角坐标系状态下的数据，得到所述航空器的前k个时刻的位置数据。

4.根据权利要求1所述的方法，其特征在于，所述神经网络NN1能够输出的运动状态模型包括如下三种：

第一种：匀速直线运动模型；

第二种：匀变速直线运动模型；

第三种：匀变加速直线运动模型。

5.根据权利要求1所述的方法，其特征在于，所述按照所述模型类型，使用前m+1个时刻的位置数据，计算所述运动状态模型的模型参数，包括：

使用前m+1个时刻的位置数据，采用如下公式计算所述运动状态模型的模型参数：

其中，t_i为前m+1个时刻中第i个时刻对应的时间值，x_i为前m+1个时刻中第i个时刻所述航空器的位置数据，i的取值为从0到m的整数，n为表示所述运动状态模型的方程的次方数，n为大于等于1的整数，a₀、a₁…a_n为所述运动状态模型的模型参数，依次为表示所述运动状态模型的方程中从时间的低次方到时间的高次方前的系数。

6.一种航空器位置预测装置，其特征在于，包括：

位置数据采集模块，用于获得航空器的前k个时刻的位置数据；

神经网络NN1模块，用于将前k个时刻的所述位置数据输入到神经网络NN1中，输出符合所述航空器当前运动状态的运动状态模型的模型类型，其中，所述神经网络NN1为基于第一样本数据进行训练得到的，所述第一样本数据包括样本航空器的样本位置数据，以及所述样本航空器的与所述样本位置数据对应的已知运动状态模型；

运动状态模型计算模块，用于按照所述模型类型，使用前m+1个时刻的位置数据，计算所述运动状态模型的模型参数，得到所述运动状态模型；

第一位置计算模块，用于基于符合所述航空器当前运动状态的所述运动状态模型，计算下一时刻所述航空器可能处于的位置，作为所述航空器的位置预测值。

7.根据权利要求6所述的装置，其特征在于，所述位置预测值为第一阶段位置预测值，所述装置，还包括：

神经网络NN2模块，用于将所述第一阶段位置预测值输入到神经网络NN2中，输出偏移值，其中，所述神经网络NN2为基于第二样本数据进行训练得到的，所述第二样本数据包括样本航空器的样本第一阶段位置预测值，以及所述样本航空器的实际位置数据，所述样本第一阶段位置预测值为使用所述神经网络NN1对所述样本航空器进行位置预测得到的；

第二位置计算模块，用于将所述偏移值与所述第一阶段位置预测值相加，得到所述航空器的位置预测结果。

8.根据权利要求6所述的装置，其特征在于，所述位置数据采集模块，具体用于获得雷达测量得到的航空器的前k个时刻的原始位置数据，其中，所述原始位置数据为极坐标状态下的数据；将前k个时刻所述航空器的所述原始位置数据，从极坐标状态下转化为大地直角坐标系状态下的数据，得到所述航空器的前k个时刻的位置数据。

9.根据权利要求6所述的装置，其特征在于，所述神经网络NN1模块能够输出的运动状态模型包括如下三种：

第一种：匀速直线运动模型；

第二种：匀变速直线运动模型；

第三种：匀变加速直线运动模型。

10.根据权利要求6所述的装置，其特征在于，所述运动状态模型计算模块，具体用于使用前m+1个时刻的位置数据，采用如下公式计算所述运动状态模型的模型参数：

其中，t_i为前m+1个时刻中第i个时刻对应的时间值，x_i为前m+1个时刻中第i个时刻所述航空器的位置数据，i的取值为从0到m的整数，n为表示所述运动状态模型的方程的次方数，n为大于等于1的整数，a₀、a₁…a_n为所述运动状态模型的模型参数，依次为表示所述运动状态模型的方程中从时间的低次方到时间的高次方前的系数。