CN110471055B - 飞行物轨迹预测方法、装置、可读存储介质及终端设备 - Google Patents

飞行物轨迹预测方法、装置、可读存储介质及终端设备 Download PDF

Info

Publication number
CN110471055B
CN110471055B CN201910608895.XA CN201910608895A CN110471055B CN 110471055 B CN110471055 B CN 110471055B CN 201910608895 A CN201910608895 A CN 201910608895A CN 110471055 B CN110471055 B CN 110471055B
Authority
CN
China
Prior art keywords
speed information
sampling moment
flying object
flyer
speed
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
CN201910608895.XA
Other languages
English (en)
Other versions
CN110471055A (zh
Inventor
潘锋
杨越
刘建
张库国
张继伟
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.)
China General Nuclear Power Corp
China Nuclear Power Engineering Co Ltd
CGN Power Co Ltd
Daya Bay Nuclear Power Operations and Management Co Ltd
Lingdong Nuclear Power Co Ltd
Guangdong Nuclear Power Joint Venture Co Ltd
Lingao Nuclear Power Co Ltd
Original Assignee
China General Nuclear Power Corp
China Nuclear Power Engineering Co Ltd
CGN Power Co Ltd
Daya Bay Nuclear Power Operations and Management Co Ltd
Lingdong Nuclear Power Co Ltd
Guangdong Nuclear Power Joint Venture Co Ltd
Lingao Nuclear Power Co Ltd
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 China General Nuclear Power Corp, China Nuclear Power Engineering Co Ltd, CGN Power Co Ltd, Daya Bay Nuclear Power Operations and Management Co Ltd, Lingdong Nuclear Power Co Ltd, Guangdong Nuclear Power Joint Venture Co Ltd, Lingao Nuclear Power Co Ltd filed Critical China General Nuclear Power Corp
Priority to CN201910608895.XA priority Critical patent/CN110471055B/zh
Publication of CN110471055A publication Critical patent/CN110471055A/zh
Application granted granted Critical
Publication of CN110471055B publication Critical patent/CN110471055B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于核电站环境监测技术领域，尤其涉及一种飞行物轨迹预测方法、装置、计算机可读存储介质及终端设备。所述方法包括：使用预设的雷达阵列采集飞行物在预设的监测时段内的各个采样时刻的速度信息；根据各个采样时刻的所述速度信息构造所述飞行物在所述监测时段内的速度信息序列；使用预设的长短期记忆模型对所述速度信息序列进行计算，得到所述飞行物在所述监测时段之后的下一个采样时刻的预测速度；根据所述预测速度和基准位置坐标计算所述飞行物在所述下一个采样时刻的预测位置坐标，所述基准位置坐标为所述飞行物在所述监测时段内的最后一个采样时刻的位置坐标。对飞行物轨迹的预测更为精准，极大提高了对飞行物进行拦截的成功率。

Description

飞行物轨迹预测方法、装置、可读存储介质及终端设备
技术领域
本发明属于核电站环境监测技术领域，尤其涉及一种飞行物轨迹预测方法、装置、计算机可读存储介质及终端设备。
背景技术
近年来，包括核电站在内的国内外一些重要设施和目标受到各种低空飞行物干扰与威胁的事件时有发生，因此需要对重要设施和目标的低空空域进行管控，以防止意外事件的发送，保护重要设施和目标的安全运行。
低空空域管控的过程中需要对进行空域的飞行物的飞行轨迹进行预测，以便提前在其前进路线上对其进行拦截。但目前的飞行物轨迹预测方法一般是将飞行物当前的轨迹做一个线性的顺延，准确率较低，导致难以对飞行物进行成功的拦截。
发明内容
有鉴于此，本发明实施例提供了一种飞行物轨迹预测方法、装置、计算机可读存储介质及终端设备，以解决现有的飞行物轨迹预测方法准确率较低，导致难以对飞行物进行成功的拦截的问题。
本发明实施例的第一方面提供了一种飞行物轨迹预测方法，可以包括：
使用预设的雷达阵列采集飞行物在预设的监测时段内的各个采样时刻的速度信息；
根据各个采样时刻的所述速度信息构造所述飞行物在所述监测时段内的速度信息序列；
使用预设的长短期记忆模型对所述速度信息序列进行计算，得到所述飞行物在所述监测时段之后的下一个采样时刻的预测速度；
根据所述预测速度和基准位置坐标计算所述飞行物在所述下一个采样时刻的预测位置坐标，所述基准位置坐标为所述飞行物在所述监测时段内的最后一个采样时刻的位置坐标。
本发明实施例的第二方面提供了一种飞行物轨迹预测装置，可以包括：
速度信息采集模块，用于使用预设的雷达阵列采集飞行物在预设的监测时段内的各个采样时刻的速度信息；
速度信息序列构造模块，用于根据各个采样时刻的所述速度信息构造所述飞行物在所述监测时段内的速度信息序列；
预测速度计算模块，用于使用预设的长短期记忆模型对所述速度信息序列进行计算，得到所述飞行物在所述监测时段之后的下一个采样时刻的预测速度；
预测位置坐标计算模块，用于根据所述预测速度和基准位置坐标计算所述飞行物在所述下一个采样时刻的预测位置坐标，所述基准位置坐标为所述飞行物在所述监测时段内的最后一个采样时刻的位置坐标。
本发明实施例的第三方面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存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述任一种飞行物轨迹预测方法的步骤。
本发明实施例的第四方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述任一种飞行物轨迹预测方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例使用预设的雷达阵列采集飞行物在预设的监测时段内的各个采样时刻的速度信息；根据各个采样时刻的所述速度信息构造所述飞行物在所述监测时段内的速度信息序列；使用预设的长短期记忆模型对所述速度信息序列进行计算，得到所述飞行物在所述监测时段之后的下一个采样时刻的预测速度；根据所述预测速度和基准位置坐标计算所述飞行物在所述下一个采样时刻的预测位置坐标。通过本发明实施例，将飞行物的速度信息转化为一个序列，然后通过长短期记忆模型实现对该序列后续数据的预测，由于长短期记忆模型可以精确处理拥有长期依赖关系的数据序列，对飞行物轨迹的预测更为精准，极大提高了对飞行物进行拦截的成功率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例中一种飞行物轨迹预测方法的一个实施例流程图；
图2为使用预设的雷达阵列采集飞行物在预设的监测时段内的各个采样时刻的速度信息的示意流程图；
图3为长短期记忆模型的结构示意图；
图4为本发明实施例中一种飞行物轨迹预测装置的一个实施例结构图；
图5为本发明实施例中一种终端设备的示意框图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参阅图1，本发明实施例中一种飞行物轨迹预测方法的一个实施例可以包括：
步骤S101、使用预设的雷达阵列采集飞行物在预设的监测时段内的各个采样时刻的速度信息。
在本实施例中，可以预先建立一个空间立体坐标系统，在该空间立体坐标系统中包括三个坐标维度，分别记为第一坐标维度、第二坐标维度和第三坐标维度，其中，所述第二坐标维度垂直于所述第一坐标维度，所述第三坐标维度分别垂直于所述第一坐标维度和所述第二坐标维度。则可以分别采集所述飞行物在各个采样时刻的第一速度信息、第二速度信息和第三速度信息，其中，所述第一速度信息为在所述第一坐标维度上的速度信息，所述第二速度信息为在所述第二坐标维度上的速度信息，所述第三速度信息为在所述第三坐标维度上的速度信息。
所述雷达阵列可以包括两个以上分布在不同位置的雷达设备，如图2所示，步骤S101具体可以包括如下步骤：
步骤S1011、分别获取各个雷达设备采集的所述飞行物在第一采样时刻的速度信息。
所述第一采样时刻为所述监测时段内的任意一个采样时刻。优选地，相邻的两个采样时刻之间相差一个固定的时间间隔。
步骤S1012、分别获取各个雷达设备在所述第一采样时刻与所述飞行物之间的距离。
步骤S1013、分别计算各个雷达设备在所述第一采样时刻的权重系数。
其中，第n个权重系数与第n个距离负相关，即距离越近的雷达设备的权重系数越大，反之，距离越远的雷达设备的权重系数越小。所述第n个权重系数为第n个雷达设备在所述第一采样时刻的权重系数，所述第n个距离为所述第n个雷达设备在所述第一采样时刻与所述飞行物之间的距离，1≤n≤N，N为所述雷达阵列中的雷达设备总数。
步骤S1014、根据所述权重系数对各个雷达设备采集的所述飞行物在第一采样时刻的速度信息进行加权平均，得到所述飞行物在所述第一采样时刻的速度信息。
通过如图2所示的处理过程，可以对多个雷达设备采集的速度信息进行有效的融合，避免单一雷达设备的突发误差可能对最终计算结果造成的干扰，进一步提升了计算结果的准确度。
步骤S102、根据各个采样时刻的所述速度信息构造所述飞行物在所述监测时段内的速度信息序列。
具体地，可以构造如下所示的第一速度信息序列：
HX＝{v1,v2,...,vs,...,vSN}
其中，1≤s≤SN，SN为所述监测时段内的采样时刻的总数，vs为所述飞行物在第s个采样时刻的第一速度信息，HX为所述第一速度信息序列，也即在所述第一坐标维度上的速度信息序列。
类似地，还可以分别构造出第二速度信息序列(也即在所述第二坐标维度上的速度信息序列)和第三速度信息序列(也即在所述第三坐标维度上的速度信息序列)。
步骤S103、使用预设的长短期记忆模型对所述速度信息序列进行计算，得到所述飞行物在所述监测时段之后的下一个采样时刻的预测速度。
长短期记忆(Long Short-term Memory，LSTM)模型是一种用于处理序列数据的神经网络模型。本实施例中可以根据预设的数据库中存储的海量的各种飞行物的历史速度信息记录对预设的长短期记忆模型进行训练，得到训练好的长短期记忆模型。
具体地，本实施例中采用如图3所示的长短期记忆模型结构，根据如下的各式依次选取所述历史速度信息记录对所述长短期记忆模型进行训练，确定出所述长短期记忆模型中的各个神经单元参数：
it＝σ(ht-1Ui+xtWi)
ft＝σ(ht-1Uf+xtWf)
ot＝σ(ht-1Uo+xtWo)
Figure BDA0002121676750000061
Figure BDA0002121676750000062
ht＝ot tanh(ct)
其中，xt为时刻t的输入，ht为时刻t的输出，it为预设的第一单元输出，ft为预设的第二单元输出，ot为预设的第三单元输出，
Figure BDA0002121676750000063
为预设的第四单元输出，ct为预设的第五单元输出，σ为sigmoid函数，也即
Figure BDA0002121676750000064
Ui、Uf、Uc、Wi、Wf、Wc分别为待确定的所述神经单元参数。
在该长短期记忆模型中，整个处理过程由三部分组成：即输入门处理、遗忘门处理和输出门处理。
其中，遗忘门是以上一时刻输出ht-1和当前时刻输入xt为输入的sigmoid函数，为ct-1中的每一项产生一个在[0,1]内的值，来控制上一时刻的记忆状态被遗忘的程度。输入门和一个tanh函数
Figure BDA0002121676750000071
配合控制有哪些新信息被加入。tanh函数产生一个新的候选向量
Figure BDA0002121676750000072
输入门为
Figure BDA0002121676750000073
中的每一项产生一个在[0,1]内的值，控制新信息被加入的多少。在有了遗忘门的输出ft，用来控制上一时刻被遗忘的程度，也有了输入门的输出it，用来控制新信息被加入的多少，就可以更新当前时刻的记忆状态了。输出门用来控制当前时刻的记忆状态有多少被过滤掉。先将当前时刻的记忆状态激活，输出门为其中每一项产生一个在[0,1]内的值，控制当前时刻的记忆状态被过滤的程度。
可以看出，通过图3所示的结构中的状态结构缓存以往时刻的输入信息，并且通过输入门、遗忘门以及输出门对这些信息进行维护，从而实现了长距离历史信息的有效缓存。
通过使用所述历史速度信息记录对所述长短期记忆模型进行训练，可以得到速度信息之间的传递关系，也即得到各门的开合状况以及U、W等参数。
最后，通过所述训练好的长短期记忆模型对所述速度信息序列进行计算，得到所述飞行物在所述监测时段之后的下一个采样时刻的预测速度。容易理解地，本实施例中可以分别在三个坐标维度上进行计算，分别得到第一预测速度、第二预测速度和第三预测速度，所述第一预测速度为在所述第一坐标维度上的预测速度，所述第二预测速度为在所述第二坐标维度上的预测速度，所述第三预测速度为在所述第三坐标维度上的预测速度。
优选地，为了进一步提高计算结果的准确率，可以预先建立多个长短期记忆模型，每个长短期记忆模型对应一种飞行物的类别，飞行物的类别包括但不限于无人机、直升机、滑翔机、热气球等等类别。对于其中的任意一个长短期记忆模型，可以使用与之对应的类别的飞行物的历史速度信息记录进行训练。在步骤S103之前，可以首先对所述飞行物进行识别，得到所述飞行物的类别，然后在预设的模型集合中选取与所述飞行物的类别对应的长短期记忆模型，所述模型集合中包括与各种飞行物的类别分别对应的长短期记忆模型。最后使用选取出的长短期记忆模型对所述速度信息序列进行计算，得到所述飞行物在所述监测时段之后的下一个采样时刻的预测速度。
步骤S104、根据所述预测速度和基准位置坐标计算所述飞行物在所述下一个采样时刻的预测位置坐标。
所述基准位置坐标为所述飞行物在所述监测时段内的最后一个采样时刻的位置坐标。
具体地，可以根据下式计算所述飞行物在所述下一个采样时刻的预测位置坐标：
NewAxisX＝AxisX+VX*Δt
NewAxisY＝AxisY+VY*Δt
NewAxisZ＝AxisZ+VZ*Δt
其中，(AxisX，AxisY，AxisZ)为所述基准位置坐标，VX、VY、VZ分别为所述第一预测速度、所述第二预测速度和所述第三预测速度，Δt为相邻的两个采样时刻之间的时间间隔，(AxisX，AxisY，AxisZ)为所述飞行物在所述下一个采样时刻的预测位置坐标。
进一步地，考虑到飞行物的飞行轨迹是受到其固有的一些飞行特性的约束的，例如，每种类别的飞行物均有相对应的最小转弯半径，飞行物在飞行过程中不可能出现小于其最小转弯半径的飞行轨迹。为了避免在计算所述预测速度时可能出现的差错，本实施例中可以首先在预设的数据库中查询与所述飞行物的类别对应的最小转弯半径，然后根据所述预测速度和基准速度计算所述飞行物的预测转弯半径，所述基准速度为所述飞行物在所述监测时段内的最后一个采样时刻的速度。
若所述预测转弯半径大于或等于所述最小转弯半径，则说明所述飞行物是满足其飞行特性约束的，可以无需对计算得到的所述预测速度进行矫正。
若所述预测转弯半径小于所述最小转弯半径，则说明所述飞行物是不满足其飞行特性约束的，此时可以对计算得到的所述预测速度进行矫正。
首先，获取所述飞行物的参考数据。
具体地，可以获取所述飞行物的广播式自动相关监视设备发送的数据；
和/或
获取所述飞行物的无线电遥控信号数据；
和/或
获取所述飞行物对无线电询问的回复数据。
例如，对于安装了广播式自动相关监视设备(Automatic DependentSurveillance–Broadcast，ADS-B)的飞行物，可以获取其ADS-B设备发送的数据，进行分析后预测；对于无线电遥控的飞行物，可以解密其无线电遥控信号数据，进行分析后预测；对于预设路线自主飞行的飞行物，可以先识别是哪种飞行物，然后通过通过数据库查询匹配对应的特征无线电，向其进行无线电询问，得到其回复数据，从而获取存储在飞行物记忆体中的位置信息，来预测飞行轨迹。
然后可以根据所述参考数据对所述飞行物在所述下一个采样时刻的预测速度进行校正，得到校正后的预测速度。需要注意的是，在这种情况下，步骤S104中将根据校正后的预测速度和基准位置坐标来计算所述飞行物在所述下一个采样时刻的预测位置坐标。
综上所述，本发明实施例使用预设的雷达阵列采集飞行物在预设的监测时段内的各个采样时刻的速度信息；根据各个采样时刻的所述速度信息构造所述飞行物在所述监测时段内的速度信息序列；使用预设的长短期记忆模型对所述速度信息序列进行计算，得到所述飞行物在所述监测时段之后的下一个采样时刻的预测速度；根据所述预测速度和基准位置坐标计算所述飞行物在所述下一个采样时刻的预测位置坐标。通过本发明实施例，将飞行物的速度信息转化为一个序列，然后通过长短期记忆模型实现对该序列后续数据的预测，由于长短期记忆模型可以精确处理拥有长期依赖关系的数据序列，对飞行物轨迹的预测更为精准，极大提高了对飞行物进行拦截的成功率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例所述的一种飞行物轨迹预测方法，图4示出了本发明实施例提供的一种飞行物轨迹预测装置的一个实施例结构图。
本实施例中的一种飞行物轨迹预测装置可以包括：
速度信息采集模块401，用于使用预设的雷达阵列采集飞行物在预设的监测时段内的各个采样时刻的速度信息；
速度信息序列构造模块402，用于根据各个采样时刻的所述速度信息构造所述飞行物在所述监测时段内的速度信息序列；
预测速度计算模块403，用于使用预设的长短期记忆模型对所述速度信息序列进行计算，得到所述飞行物在所述监测时段之后的下一个采样时刻的预测速度；
预测位置坐标计算模块404，用于根据所述预测速度和基准位置坐标计算所述飞行物在所述下一个采样时刻的预测位置坐标，所述基准位置坐标为所述飞行物在所述监测时段内的最后一个采样时刻的位置坐标。
进一步地，所述速度信息采集模块可以包括：
第一采集单元，用于采集所述飞行物在各个采样时刻的第一速度信息，所述第一速度信息为在预设的第一坐标维度上的速度信息；
第二采集单元，用于采集所述飞行物在各个采样时刻的第二速度信息，所述第二速度信息为在预设的第二坐标维度上的速度信息，所述第二坐标维度垂直于所述第一坐标维度；
第三采集单元，用于采集所述飞行物在各个采样时刻的第三速度信息，所述第三速度信息为在预设的第三坐标维度上的速度信息，所述第三坐标维度分别垂直于所述第一坐标维度和所述第二坐标维度。
进一步地，所述雷达阵列包括两个以上分布在不同位置的雷达设备，所述速度信息采集模块可以包括：
速度信息获取单元，用于分别获取各个雷达设备采集的所述飞行物在第一采样时刻的速度信息，所述第一采样时刻为所述监测时段内的任意一个采样时刻；
距离获取单元，用于分别获取各个雷达设备在所述第一采样时刻与所述飞行物之间的距离；
权重系数计算单元，用于分别计算各个雷达设备在所述第一采样时刻的权重系数，其中，第n个权重系数与第n个距离负相关，所述第n个权重系数为第n个雷达设备在所述第一采样时刻的权重系数，所述第n个距离为所述第n个雷达设备在所述第一采样时刻与所述飞行物之间的距离，1≤n≤N，N为所述雷达阵列中的雷达设备总数；
速度信息计算单元，用于根据所述权重系数对各个雷达设备采集的所述飞行物在第一采样时刻的速度信息进行加权平均，得到所述飞行物在所述第一采样时刻的速度信息。
进一步地，所述飞行物轨迹预测装置还可以包括：
飞行物识别模块，用于对所述飞行物进行识别，得到所述飞行物的类别；
模型选取模块，用于在预设的模型集合中选取与所述飞行物的类别对应的长短期记忆模型，所述模型集合中包括与各种飞行物的类别分别对应的长短期记忆模型。
进一步地，所述飞行物轨迹预测装置还可以包括：
最小转弯半径查询模块，用于在预设的数据库中查询与所述飞行物的类别对应的最小转弯半径；
预测转弯半径计算模块，用于根据所述预测速度和基准速度计算所述飞行物的预测转弯半径，所述基准速度为所述飞行物在所述监测时段内的最后一个采样时刻的速度；
参考数据获取模块，用于若所述预测转弯半径小于所述最小转弯半径，则获取所述飞行物的参考数据；
校正计算模块，用于根据所述参考数据对所述飞行物在所述下一个采样时刻的预测速度进行校正，得到校正后的预测速度。
进一步地，所述参考数据获取模块可以包括：
第一数据获取单元，用于获取所述飞行物的广播式自动相关监视设备发送的数据；
和/或
第二数据获取单元，用于获取所述飞行物的无线电遥控信号数据；
和/或
第三数据获取单元，用于获取所述飞行物对无线电询问的回复数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图5示出了本发明实施例提供的一种终端设备的示意框图，为了便于说明，仅示出了与本发明实施例相关的部分。
在本实施例中，所述终端设备5可包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机可读指令52，例如执行上述的飞行物轨迹预测方法的计算机可读指令。所述处理器50执行所述计算机可读指令52时实现上述各个飞行物轨迹预测方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器50执行所述计算机可读指令52时实现上述各装置实施例中各模块/单元的功能，例如图4所示模块401至404的功能。
示例性的，所述计算机可读指令52可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器51中，并由所述处理器50执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令52在所述终端设备5中的执行过程。
所述终端设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解，图5仅仅是终端设备5的示例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备5还可以包括输入输出设备、网络接入设备、总线等。
所述处理器50可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，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)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机可读指令以及所述终端设备5所需的其它程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一计算机可读存储介质中，该计算机可读指令在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机可读指令包括计算机可读指令代码，所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (12)

1.一种飞行物轨迹预测方法，其特征在于，包括：
使用预设的雷达阵列采集飞行物在预设的监测时段内的各个采样时刻的速度信息；
根据各个采样时刻的所述速度信息构造所述飞行物在所述监测时段内的速度信息序列；
对所述飞行物进行识别，得到所述飞行物的类别；
在预设的模型集合中选取与所述飞行物的类别对应的长短期记忆模型，所述模型集合中包括与各种飞行物的类别分别对应的长短期记忆模型；
使用与所述飞行物的类别对应的长短期记忆模型对所述速度信息序列进行计算，得到所述飞行物在所述监测时段之后的下一个采样时刻的预测速度；
根据所述预测速度和基准位置坐标计算所述飞行物在所述下一个采样时刻的预测位置坐标，所述基准位置坐标为所述飞行物在所述监测时段内的最后一个采样时刻的位置坐标。
2.根据权利要求1所述的飞行物轨迹预测方法，其特征在于，所述使用预设的雷达阵列采集飞行物在预设的监测时段内的各个采样时刻的速度信息包括：
采集所述飞行物在各个采样时刻的第一速度信息，所述第一速度信息为在预设的第一坐标维度上的速度信息；
采集所述飞行物在各个采样时刻的第二速度信息，所述第二速度信息为在预设的第二坐标维度上的速度信息，所述第二坐标维度垂直于所述第一坐标维度；
采集所述飞行物在各个采样时刻的第三速度信息，所述第三速度信息为在预设的第三坐标维度上的速度信息，所述第三坐标维度分别垂直于所述第一坐标维度和所述第二坐标维度。
3.根据权利要求1所述的飞行物轨迹预测方法，其特征在于，所述雷达阵列包括两个以上分布在不同位置的雷达设备，所述使用预设的雷达阵列采集飞行物在预设的监测时段内的各个采样时刻的速度信息包括：
分别获取各个雷达设备采集的所述飞行物在第一采样时刻的速度信息，所述第一采样时刻为所述监测时段内的任意一个采样时刻；
分别获取各个雷达设备在所述第一采样时刻与所述飞行物之间的距离；
分别计算各个雷达设备在所述第一采样时刻的权重系数，其中，第n个权重系数与第n个距离负相关，所述第n个权重系数为第n个雷达设备在所述第一采样时刻的权重系数，所述第n个距离为所述第n个雷达设备在所述第一采样时刻与所述飞行物之间的距离，1≤n≤N，N为所述雷达阵列中的雷达设备总数；
根据所述权重系数对各个雷达设备采集的所述飞行物在第一采样时刻的速度信息进行加权平均，得到所述飞行物在所述第一采样时刻的速度信息。
4.根据权利要求1至3中任一项所述的飞行物轨迹预测方法，其特征在于，在根据所述预测速度和基准位置坐标计算所述飞行物在所述下一个采样时刻的预测位置坐标之前，还包括：
在预设的数据库中查询与所述飞行物的类别对应的最小转弯半径；
根据所述预测速度和基准速度计算所述飞行物的预测转弯半径，所述基准速度为所述飞行物在所述监测时段内的最后一个采样时刻的速度；
若所述预测转弯半径小于所述最小转弯半径，则获取所述飞行物的参考数据，并根据所述参考数据对所述飞行物在所述下一个采样时刻的预测速度进行校正，得到校正后的预测速度。
5.根据权利要求4所述的飞行物轨迹预测方法，其特征在于，所述获取所述飞行物的参考数据包括：
获取所述飞行物的广播式自动相关监视设备发送的数据；
和/或
获取所述飞行物的无线电遥控信号数据；
和/或
获取所述飞行物对无线电询问的回复数据。
6.一种飞行物轨迹预测装置，其特征在于，包括：
速度信息采集模块，用于使用预设的雷达阵列采集飞行物在预设的监测时段内的各个采样时刻的速度信息；
速度信息序列构造模块，用于根据各个采样时刻的所述速度信息构造所述飞行物在所述监测时段内的速度信息序列；
飞行物识别模块，用于对所述飞行物进行识别，得到所述飞行物的类别；
模型选取模块，用于在预设的模型集合中选取与所述飞行物的类别对应的长短期记忆模型，所述模型集合中包括与各种飞行物的类别分别对应的长短期记忆模型；
预测速度计算模块，用于使用与所述飞行物的类别对应的长短期记忆模型对所述速度信息序列进行计算，得到所述飞行物在所述监测时段之后的下一个采样时刻的预测速度；
预测位置坐标计算模块，用于根据所述预测速度和基准位置坐标计算所述飞行物在所述下一个采样时刻的预测位置坐标，所述基准位置坐标为所述飞行物在所述监测时段内的最后一个采样时刻的位置坐标。
7.根据权利要求6所述的飞行物轨迹预测装置，其特征在于，所述速度信息采集模块包括：
第一采集单元，用于采集所述飞行物在各个采样时刻的第一速度信息，所述第一速度信息为在预设的第一坐标维度上的速度信息；
第二采集单元，用于采集所述飞行物在各个采样时刻的第二速度信息，所述第二速度信息为在预设的第二坐标维度上的速度信息，所述第二坐标维度垂直于所述第一坐标维度；
第三采集单元，用于采集所述飞行物在各个采样时刻的第三速度信息，所述第三速度信息为在预设的第三坐标维度上的速度信息，所述第三坐标维度分别垂直于所述第一坐标维度和所述第二坐标维度。
8.根据权利要求6所述的飞行物轨迹预测装置，其特征在于，所述雷达阵列包括两个以上分布在不同位置的雷达设备，所述速度信息采集模块包括：
速度信息获取单元，用于分别获取各个雷达设备采集的所述飞行物在第一采样时刻的速度信息，所述第一采样时刻为所述监测时段内的任意一个采样时刻；
距离获取单元，用于分别获取各个雷达设备在所述第一采样时刻与所述飞行物之间的距离；
权重系数计算单元，用于分别计算各个雷达设备在所述第一采样时刻的权重系数，其中，第n个权重系数与第n个距离负相关，所述第n个权重系数为第n个雷达设备在所述第一采样时刻的权重系数，所述第n个距离为所述第n个雷达设备在所述第一采样时刻与所述飞行物之间的距离，1≤n≤N，N为所述雷达阵列中的雷达设备总数；
速度信息计算单元，用于根据所述权重系数对各个雷达设备采集的所述飞行物在第一采样时刻的速度信息进行加权平均，得到所述飞行物在所述第一采样时刻的速度信息。
9.根据权利要求6至8中任一项所述的飞行物轨迹预测装置，其特征在于，还包括：
最小转弯半径查询模块，用于在预设的数据库中查询与所述飞行物的类别对应的最小转弯半径；
预测转弯半径计算模块，用于根据所述预测速度和基准速度计算所述飞行物的预测转弯半径，所述基准速度为所述飞行物在所述监测时段内的最后一个采样时刻的速度；
参考数据获取模块，用于若所述预测转弯半径小于所述最小转弯半径，则获取所述飞行物的参考数据；
校正计算模块，用于根据所述参考数据对所述飞行物在所述下一个采样时刻的预测速度进行校正，得到校正后的预测速度。
10.根据权利要求9所述的飞行物轨迹预测装置，其特征在于，所述参考数据获取模块包括：
第一数据获取单元，用于获取所述飞行物的广播式自动相关监视设备发送的数据；
和/或
第二数据获取单元，用于获取所述飞行物的无线电遥控信号数据；
和/或
第三数据获取单元，用于获取所述飞行物对无线电询问的回复数据。
11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的飞行物轨迹预测方法的步骤。
12.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至5中任一项所述的飞行物轨迹预测方法的步骤。
CN201910608895.XA 2019-07-08 2019-07-08 飞行物轨迹预测方法、装置、可读存储介质及终端设备 Active CN110471055B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910608895.XA CN110471055B (zh) 2019-07-08 2019-07-08 飞行物轨迹预测方法、装置、可读存储介质及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910608895.XA CN110471055B (zh) 2019-07-08 2019-07-08 飞行物轨迹预测方法、装置、可读存储介质及终端设备

Publications (2)

Publication Number Publication Date
CN110471055A CN110471055A (zh) 2019-11-19
CN110471055B true CN110471055B (zh) 2021-03-30

Family

ID=68506810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910608895.XA Active CN110471055B (zh) 2019-07-08 2019-07-08 飞行物轨迹预测方法、装置、可读存储介质及终端设备

Country Status (1)

Country Link
CN (1) CN110471055B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401805A (zh) * 2020-03-05 2020-07-10 上海东普信息科技有限公司 快件的实时预测拦截方法及系统
CN112908039B (zh) * 2021-01-27 2022-02-25 深圳协鑫智慧能源有限公司 一种基于智慧路灯的空域管制方法及智慧路灯
CN113064444B (zh) * 2021-03-15 2022-09-09 中国南方电网有限责任公司超高压输电公司天生桥局 无人机下一飞行位置的预测方法、装置、设备和存储介质
CN116580329B (zh) * 2023-07-13 2023-09-26 杰能科世智能安全科技(杭州)有限公司 无人机热度预测方法、装置、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5396252A (en) * 1993-09-30 1995-03-07 United Technologies Corporation Multiple target discrimination
CN101692315A (zh) * 2009-09-25 2010-04-07 民航总局空管局技术中心 基于实时雷达数据的高精度4d飞机航迹分析方法
CN107576977A (zh) * 2017-09-08 2018-01-12 北京韦加无人机科技股份有限公司 基于多源信息自适应融合的无人机导航系统及方法
CN107909600A (zh) * 2017-11-04 2018-04-13 南京奇蛙智能科技有限公司 一种基于视觉的无人机实时运动目标分类与检测方法
CN108564118A (zh) * 2018-03-30 2018-09-21 陕西师范大学 基于社会亲和力长短期记忆网络模型的拥挤场景行人轨迹预测方法
CN108764560A (zh) * 2018-05-22 2018-11-06 电子科技大学 基于长短期记忆神经网络的航空器场面轨迹预测方法
CN109508812A (zh) * 2018-10-09 2019-03-22 南京航空航天大学 一种基于深度记忆网络的航空器航迹预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2529551B (en) * 2015-07-22 2016-07-20 Via Tech Ltd Method for detecting conflicts between aircraft
US10178792B2 (en) * 2017-04-14 2019-01-08 The United States Of America, As Represented By The Secretary Of The Navy One-person portable command and control data center
CN108319132B (zh) * 2018-01-11 2021-01-26 合肥工业大学 用于无人机空中对抗的决策系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5396252A (en) * 1993-09-30 1995-03-07 United Technologies Corporation Multiple target discrimination
CN101692315A (zh) * 2009-09-25 2010-04-07 民航总局空管局技术中心 基于实时雷达数据的高精度4d飞机航迹分析方法
CN107576977A (zh) * 2017-09-08 2018-01-12 北京韦加无人机科技股份有限公司 基于多源信息自适应融合的无人机导航系统及方法
CN107909600A (zh) * 2017-11-04 2018-04-13 南京奇蛙智能科技有限公司 一种基于视觉的无人机实时运动目标分类与检测方法
CN108564118A (zh) * 2018-03-30 2018-09-21 陕西师范大学 基于社会亲和力长短期记忆网络模型的拥挤场景行人轨迹预测方法
CN108764560A (zh) * 2018-05-22 2018-11-06 电子科技大学 基于长短期记忆神经网络的航空器场面轨迹预测方法
CN109508812A (zh) * 2018-10-09 2019-03-22 南京航空航天大学 一种基于深度记忆网络的航空器航迹预测方法

Also Published As

Publication number Publication date
CN110471055A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
CN110471055B (zh) 飞行物轨迹预测方法、装置、可读存储介质及终端设备
US11783590B2 (en) Method, apparatus, device and medium for classifying driving scenario data
CN110375753B (zh) 地图匹配方法、装置、服务器及存储介质
CN109631915B (zh) 轨迹预测方法、装置、设备及计算机可读存储介质
CN109870698B (zh) 一种超声波阵列障碍物检测结果处理方法及系统
CN108710623B (zh) 基于时间序列相似性度量的机场离港延误时间预测方法
Obod et al. Optimization of data transfer in cooperative surveillance systems
CN110264270B (zh) 一种行为预测方法、装置、设备和存储介质
CN111723929A (zh) 一种基于神经网络的数值预报产品订正方法、装置和系统
CN114879695A (zh) 轨迹匹配方法、装置、设备和介质
CN111968414B (zh) 基于大数据和ai的4d轨迹预测方法、装置及电子设备
CN111626519A (zh) 一种航班到达时间预测方法、装置和电子设备
CN111046895B (zh) 一种确定目标区域的方法和装置
CN112435469A (zh) 车辆预警控制方法、装置、计算机可读介质及电子设备
CN114254840A (zh) 一种数据处理方法、电子设备及存储介质
CN107274215A (zh) 航班价格预测方法、装置、设备和存储介质
CN115994611A (zh) 类别预测模型的训练方法、预测方法、设备和存储介质
CN113895460B (zh) 行人轨迹预测方法、装置及存储介质
RU2740708C1 (ru) Способ обработки результатов радиомониторинга
CN113821535A (zh) 一种模型训练的方法及装置、计算机设备和存储介质
CN106529835B (zh) 一种终端区日通行能力确定方法及装置
CN110580483A (zh) 一种室内外用户区分方法及装置
CN110378388B (zh) 飞行物识别方法、装置、计算机可读存储介质及终端设备
CN114596702A (zh) 一种交通状态预测模型构建方法及交通状态预测方法
CN111240361A (zh) 一种基于四维数据的飞行控制方法、装置、设备及存储介质

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