CN111292563A - 一种航班航迹预测方法 - Google Patents

一种航班航迹预测方法 Download PDF

Info

Publication number
CN111292563A
CN111292563A CN202010394699.XA CN202010394699A CN111292563A CN 111292563 A CN111292563 A CN 111292563A CN 202010394699 A CN202010394699 A CN 202010394699A CN 111292563 A CN111292563 A CN 111292563A
Authority
CN
China
Prior art keywords
layer
flight
data
neural network
track
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.)
Granted
Application number
CN202010394699.XA
Other languages
English (en)
Other versions
CN111292563B (zh
Inventor
朱熙
朱少川
曹先彬
杜文博
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202010394699.XA priority Critical patent/CN111292563B/zh
Publication of CN111292563A publication Critical patent/CN111292563A/zh
Application granted granted Critical
Publication of CN111292563B publication Critical patent/CN111292563B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0095—Aspects of air-traffic control not provided for in the other subgroups of this main group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

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

Abstract

本发明公开了一种航班航迹预测方法，考虑航班所处的气象环境，利用卷积神经网络提取气象特征，利用一种循环神经网络对航迹特征进行建模，最终输出得到一系列未来航班轨迹，具体包括航迹数据预处理、气象特征提取、定义时序模型、模型编译及训练、航迹预测。通过本发明的技术方案，能够在实际环境下对航班长期轨迹进行准确预测。

Description

一种航班航迹预测方法
技术领域
本发明属于民航技术领域，尤其涉及一种航班航迹预测方法。
背景技术
国民经济的高质量增长促进了航空运输业的蓬勃发展，根据《2018年民航行业发展统计公报》显示，2018年经济出现新的下行压力，民航业的发展仍然保持了稳中有进的良好态势。从统计数据看出，我国空中交通流量愈发增大，航路航线覆盖范围愈发宽广，机场分布愈发密集。然而，空域资源有限，外加恶劣天气扰乱，大范围空域拥挤和大面积航班延误等问题日益凸显。因此，为保证空域运行安全、提高运行效率，亟需精细化的空管决策支持系统。
目前，中、美、欧等地区已经开展了大量空管决策支持系统的研究与研发。基于指令运行的空管系统将成为过去，基于航迹运行的空管系统将取而代之，成为空域精细管理的重要手段。其中，精确的航迹预测是空管系统安全运行的基础支撑。
现有的航迹预测方法主要分为确定性方法和概率性方法。确定性方法包括最优估计和动力学或运动学建模，其局限在于不考虑任何不确定性，如对流天气影响等，预测精度低。概率性方法主要是机器学习模型，虽然传统机器学习模型在数据挖掘、预测上取得了很好的表现，然而在航迹预测上仍然存在以下几点不足：一是现有方法缺乏考虑动态气象对航迹的影响；二是现有方法难以完成中长期的航迹预测；三是由于航班轨迹的特征众多，时间序列关联性强，表现出复杂的非线性特性，传统机器学习方法难以对其进行准确的表征。综上，现有方法在实际的长期航迹预测上效果不佳。
发明内容
为了解决上述已有技术存在的不足，在实际环境下对航班长期轨迹进行准确预测，本发明提出一种考虑动态气象的航班轨迹预测方法，旨在通过考虑航班所处的气象环境，利用卷积神经网络提取气象特征，利用循环神经网络对航迹特征进行建模，最终输出得到一系列未来航班轨迹。本发明的具体技术方案如下：
一种航班航迹预测方法，其特征在于，包括以下步骤：
S1：航迹数据预处理：
S1-1：航迹历史数据清洗：收集ADS-B数据，检索出起始机场A、目标机场B的航迹信息，进行数据筛选，对航迹进行等时采样，补全、剔除缺失和重复的数据；
S1-2：生成特征数据：通过航迹点j与航迹点j+1的经纬度数据，计算航迹点j的航向角、 航速，依次类推，计算出所有航迹点的航向角
Figure 242996DEST_PATH_IMAGE001
、航速
Figure 307904DEST_PATH_IMAGE002
，得到每条特征样本
Figure 917044DEST_PATH_IMAGE003
:
Figure 81309DEST_PATH_IMAGE004
，其中，
Figure 385251DEST_PATH_IMAGE005
为日期，
Figure 925954DEST_PATH_IMAGE006
为航班号，
Figure 303846DEST_PATH_IMAGE007
为经度，
Figure 966908DEST_PATH_IMAGE008
为纬度，
Figure 430250DEST_PATH_IMAGE009
为高度，
Figure 836961DEST_PATH_IMAGE002
为航速，
Figure 69359DEST_PATH_IMAGE001
为航向角，
Figure 841006DEST_PATH_IMAGE010
为时刻；
S1-3：提取高空区数据：针对步骤S1-1和S1-2处理后的航迹数据集，截取起始机场A、目标机场B终端区之外的数据，使得最终的航迹数据集Traj满足：
Figure 853962DEST_PATH_IMAGE011
，
Figure 736467DEST_PATH_IMAGE012
，
其中，
Figure 275901DEST_PATH_IMAGE013
表示取出被D包含的C中的对象，
Figure 218450DEST_PATH_IMAGE014
表示起始机场A的终 端区几何区域，
Figure 718701DEST_PATH_IMAGE015
表示目标机场B的终端区几何区域，为空集，最终数据集Traj为
Figure 143046DEST_PATH_IMAGE017
，
Figure 584392DEST_PATH_IMAGE018
其中，为航班i的所有航迹集，i=1,2,…N，N为航班数量，
Figure 796247DEST_PATH_IMAGE020
表示航班的第t个航迹 点，
Figure 388903DEST_PATH_IMAGE021
为时刻，
Figure 876516DEST_PATH_IMAGE022
，T为该航班飞行总时长；
S2：气象特征提取；
S2-1：对全国雷达回波指标数据按照rgb转换规则生成全国雷达回波图；对于每个航迹点，以自身坐标为中心，构建n*n的方块雷达回波图，n=0.2°，视为目标方块；在目标方块的周围构建11个对应的n*n方块雷达回波图，n=0.2°，分别为目标方块的正前方、左侧、右侧、正前前方、正前左侧、正前右侧、正前前左侧、正前前右侧、正后方、正后左侧、正后右侧，视为影响目标航迹点的气象方块；
S2-2：针对目标方块和气象方块，利用卷积神经网络提取，得到表征气象因素的指标， 所述卷积神经网络为多层神经网络，包括C1卷积层、C2卷积层、D全连接层，其中，C1卷积层 是通过3*3的卷积核得到的6个特征图，C2卷积层是通过6*6的卷积核得到的12个特征图，D 全连接层将12个特征图平铺后转化为维度为1的特征输出，最终，将12个方块雷达回波图卷 积得到的结果拼接，得到维度为12的气象特征输出
Figure 616939DEST_PATH_IMAGE023
；
S2-3：设对流强度阈值为
Figure 441675DEST_PATH_IMAGE024
，若
Figure 216733DEST_PATH_IMAGE025
，则对流程度
Figure 875248DEST_PATH_IMAGE026
，表示当前区域对流天气强 烈；若
Figure 102967DEST_PATH_IMAGE027
，则对流程度
Figure 934657DEST_PATH_IMAGE028
，表示当前区域无对流天气或较少对流天气，最终每个航 迹点得到一组对应的气象特征向量Q=[q0,q1,q3,q4,q5,q6,q7,q8,q9,q10,q11]，其中，q0, q1,q3,q4,q5,q6,q7,q8,q9,q10,q11分别为目标方块的正前方、左侧、右侧、正前前方、正前 左侧、正前右侧、正前前左侧、正前前右侧、正后方侧、正后左侧、正后右侧对应的方块对流 强度特征；
S3：定义时序模型：使用Keras Sequential API设计基于深度循环神经网络的序列模型，所述序列模型从上到下为：输入层、卷积块、第一层长短时记忆神经网络、第二层长短时记忆神经网络、全连接层、输出层，具体地：
输入层对模型的输入数据编码，将输入序列嵌入成64维向量pos_embedding；
卷积块获得气象特征，将[lon,lat,
Figure 705167DEST_PATH_IMAGE001
]输入步骤S2-2得到气象特征输出
Figure 924795DEST_PATH_IMAGE023
,将
Figure 249597DEST_PATH_IMAGE023
与 pos_embedding拼接，作为第一层长短时记忆神经网络的输入；
第一层长短时记忆神经网络和第二层长短时记忆神经网络对航迹序列进行时间序列学习，第一层长短时记忆神经网络设置128个神经元，第二层长短时记忆神经网络设置64个神经元；
全连接层将第二层长短时记忆神经网络的输出状态hidden再次与pos_embedding进行连接，最终输出一个维度为64的向量；
输出层将输入维度为64的向量转化为维度为3的输出向量；
S4：模型编译及训练；
S4-1：配置模型的学习过程compile，学习过程compile参数包括优化器optimizer、损失函数loss，评估标准metrics，优化器optimizer选择‘adam’，损失函数loss选择‘mae’；
S4-2：训练模型，将步骤S1得到的数据作为训练数据，训练时，批次大小batch_size=32，输入序列长度seq=6，输出序列长度out_train=1，学习率lr=0.0001，迭代次数epoch=300，进入训练模型阶段并最终将模型保存；
S5：航迹预测；
S5-1：获取要预测航班F的已知航迹序列，提取最新的k个航迹点作为输入序列
Figure 212874DEST_PATH_IMAGE029
，k 即输入序列
Figure 634628DEST_PATH_IMAGE029
的长度，
Figure 900524DEST_PATH_IMAGE030
，
Figure 306098DEST_PATH_IMAGE031
，
Figure 807487DEST_PATH_IMAGE020
表示航班的第t个航迹点；
S5-2：加载步骤S4训练得到的模型；
S5-3：将
Figure 287009DEST_PATH_IMAGE029
归一化后，改造为[1,k,feature_num]的形式输入模型进行预测，得到t+ 1时刻的特征向量
Figure 520545DEST_PATH_IMAGE032
；feature_num为输入数据的特征维度；
S5-4：将特征向量
Figure 210152DEST_PATH_IMAGE032
反归一化，得到
Figure 187335DEST_PATH_IMAGE033
；利用步骤S1计算 出t+1时刻的航向角和航速，加上单位间隔时间，组合获得
Figure 318102DEST_PATH_IMAGE034
，并将
Figure 50435DEST_PATH_IMAGE035
加入
Figure 430601DEST_PATH_IMAGE029
；
S5-5：判断预测输出的位置信息是否符合以下要求：
Figure 211475DEST_PATH_IMAGE036
，若符合，则停止预测，输出全部航迹
Figure 993486DEST_PATH_IMAGE029
，完成预测；若不符合，则在
Figure 772086DEST_PATH_IMAGE029
中取出最新的序列长度航迹点，并返回步骤S5-3，其 中，
Figure 436286DEST_PATH_IMAGE037
和
Figure 692955DEST_PATH_IMAGE038
分别为t时刻的航班F所处的经度、纬度，
Figure 126210DEST_PATH_IMAGE039
和
Figure 75712DEST_PATH_IMAGE040
为目标机场B所在的 经度、纬度。
本发明的有益效果在于：
1.本发明的方法充分利用了循环神经网络的优势，摆脱了确定性方法在预测上对航空器性能参数的依赖性，充分捕捉航迹序列上的时间相关性，为航迹预测的可行性、可靠性提供了支撑；
2.相比仅从航迹数据本身出发，本发明的方法充分考虑了气象特征这一不确定性因素，为在复杂天气条件下的航迹预测度提供了更有效的结果；
3.本发明的方法从空间层面考虑了气象对航迹点的影响，更加全面的捕捉了不同区域气象特征对于航迹点的作用能力，减少了计算成本的同时也增强了模型的性能。
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，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：
图1是本发明的航班航迹预测方法流程图；
图2是本发明的气象特征提取图；
图3是本发明的航班航迹预测模型结构图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明提出一种本发明的一种航班航迹预测方法，流程图如图1所示，具体包括以下步骤：
S1：航迹数据预处理，提取指定时间内起始机场A、目标机场B的有效航迹数据；
S1-1：根据时间[
Figure 899311DEST_PATH_IMAGE041
,
Figure 84305DEST_PATH_IMAGE042
]从航迹数据库中截取起始机场A、目标机场B的所 有航迹数据，
Figure 981854DEST_PATH_IMAGE041
为选取数据的起始日期，
Figure 492469DEST_PATH_IMAGE042
为选取数据的终止日期；
对数据集进行去重与剔除处理，即把航迹属性date，flightid，time均一致的数据进行 剔除，保留首项，针对每个航班航迹数据，若
Figure 741048DEST_PATH_IMAGE043
，则将 该航班的所有轨迹剔除，视为无效轨迹数据，其中，
Figure 729733DEST_PATH_IMAGE037
为时刻t所处位置的经度，
Figure 12947DEST_PATH_IMAGE044
时 刻t-1所处位置的经度，
Figure 100988DEST_PATH_IMAGE038
为时刻t所处位置的纬度，
Figure 961497DEST_PATH_IMAGE045
为时刻t-1所处位置的纬度，
Figure 957135DEST_PATH_IMAGE046
为距离阈值，本发明设置为50km，具体可根据实际需求进行调整；
对数据集进行缺失填充与采样处理，对于每个航班航迹，当其连续的两个轨迹点之间的时间差大于1s时，利用线性插值方法对其进行补全，之后将完整的轨迹进行重采样，采样时间间隔为10s，依次对所有日期的所有航班进行上述操作，得到清洗后的数据集；
S1-2：利用航迹基础属性进行航向角、航速特征生成，航向角
Figure 891593DEST_PATH_IMAGE001
计算公式为：，航速计算公式为：，对每个 航迹计算，最终每条航迹记录包括：
Figure 641877DEST_PATH_IMAGE004
，其中，
Figure 24317DEST_PATH_IMAGE005
为日期，
Figure 657423DEST_PATH_IMAGE006
为航班号，
Figure 492524DEST_PATH_IMAGE007
为经度，
Figure 236489DEST_PATH_IMAGE008
为纬度，
Figure 473436DEST_PATH_IMAGE009
为高度，
Figure 277444DEST_PATH_IMAGE002
为航速，
Figure 271944DEST_PATH_IMAGE001
为航向角，
Figure 147496DEST_PATH_IMAGE010
为时刻；
S1-3：截取起始机场A、目标机场B终端区之外的数据，由于终端区航迹飞行规则复杂，受空中管理严重，因此，只考虑终端区外的航迹，使得最终的航迹数据集Traj满足：
Figure 238949DEST_PATH_IMAGE049
，
Figure 479438DEST_PATH_IMAGE050
，
其中，
Figure 351448DEST_PATH_IMAGE013
表示取出被D包含的C中的对象，
Figure 702795DEST_PATH_IMAGE014
表示起始机场A的终 端区几何区域，
Figure 648754DEST_PATH_IMAGE015
表示目标机场B的终端区几何区域，为空集，最终数据集
Figure 622712DEST_PATH_IMAGE017
，
Figure 636804DEST_PATH_IMAGE018
；
其中，为航班i的所有航迹集，i=1,2,…N，N为航班数量，
Figure 19561DEST_PATH_IMAGE020
表示航班的第t个航迹 点，
Figure 413633DEST_PATH_IMAGE021
为时刻，
Figure 231417DEST_PATH_IMAGE022
，T为该航班飞行总时长；
S2：气象特征提取；由于在对流天气下，航班运行极易受到影响，常常表现为避让、绕飞等行为；
S2-1：将全国雷达回波指标p按照rgb转换规则生成去全国雷达回波图，具体的RGB转换规则如下：
p∈[10,15) →RGB(1, 160, 246)
p∈[15,20) →RGB(0, 236, 236)
p∈[20,25) →RGB(0,216,0)
p∈[25,30) →RGB(1,144,0)
p∈[30,35) →RGB(255,255,0)
p∈[35,40) →RGB(231,192,0)
p∈[40,45) →RGB(255,144,0)
p∈[45,50) →RGB(255,0,0)
p∈[50,55) →RGB(214,0,0)
p∈[55,60) →RGB(192,0,0)
p∈[60,65) →RGB(255,0,240)
p∈[65,70) →RGB(150,0,180)
p∈[70,75) →RGB(173,144,240)
p∈other →RGB(255, 255, 255)
其中，other是指p值小于10或者大于等于75；
针对每个航迹点
Figure 761755DEST_PATH_IMAGE003
，以lon、lat为中心，截取一个n*n的方块雷达回波图,其中n=0.2， 视为该点对应的目标方块。接着在目标方块的周围构建11个n*n方块雷达回波图，n=0.2°， 分别为目标方块的正前方、左侧、右侧、正前前方、正前左侧、正前右侧、正前前左侧、正前前 右侧、正后方、正后左侧、正后右侧,视为影响目标航迹点的气象方块，具体如图2左侧图所 示；
S2-2：针对目标方块和气象方块，利用卷积神经网络提取，得到表征气象因素的指标， 卷积神经网络为多层神经网络，包括C1卷积层、C2卷积层、D全连接层，其中，C1卷积层是通 过3*3的卷积核得到的6个特征图，C2卷积层是通过6*6的卷积核得到的12个特征图，D全连 接层将12个特征图平铺后转化为维度为1的特征输出，最终，将12个方块雷达回波图卷积得 到的结果拼接，得到维度为12的气象特征输出
Figure 311685DEST_PATH_IMAGE023
；
S2-3：设定对流强度阈值为α，若
Figure 317687DEST_PATH_IMAGE025
，则对流程度
Figure 814528DEST_PATH_IMAGE026
，表示当前区域对流天气强 烈；若
Figure 324006DEST_PATH_IMAGE027
，则对流程度
Figure 982521DEST_PATH_IMAGE028
，表示当前区域无对流天气或较少对流天气。最终每个轨 迹点将得到一组对应的气象特征向量Q=[q0,q1,q3,q4,q5,q6,q7,q8,q9,q10,q11]，
其中，q0,q1,q3,q4,q5,q6,q7,q8,q9,q10,q11分别为目标方块的正前方、左侧、右侧、正前前方、正前左侧、正前右侧、正前前左侧、正前前右侧、正后方侧、正后左侧、正后右侧对应的方块对流强度特征，如图2右侧图为具体的气象特征表达形式；
S3：定义时序模型：
使用Keras Sequential API设计基于深度循环神经网络的序列模型，所述序列模型从上到下为：输入层、卷积块、第一层长短时记忆神经网络、第二层长短时记忆神经网络、全连接层、输出层，模型结构如图3所示，具体地：
输入层对模型的输入序列进行编码，将原本的输入特征嵌入成64维向量并通过relu函数进行非线性转换，得到pos_embedding；
卷积块获得气象特征，将[lon,lat,
Figure 475819DEST_PATH_IMAGE052
]输入步骤S2-2得到气象特征输出
Figure 307509DEST_PATH_IMAGE023
,利用连接 层将
Figure 78019DEST_PATH_IMAGE023
与pos_embedding拼接，作为第一层长短时记忆神经网络的输入input_embedding；
第一层长短时记忆神经网络和第二层长短时记忆神经网络对input_embedding序列进行时间序列学习，第一层长短时记忆神经网络设置128个神经元，dropout=0.2；第二层 长短时记忆神经网络设置64个神经元，dropout=0.2；
全连接层将第二层长短时记忆神经网络的输出状态hidden再次与pos_embedding进行连接，并通过relu函数进行非线性映射，最终输出一个维度为64的向量output；
输出层将向量output向量转化为维度为3的输出向量；
S4：模型编译及训练；
定义完模型的网络结构后，配置模型的学习过程（compile），compile参数主要包括优化器optimizer、损失函数loss、学习率lr，评估标准metrics。优化器optimizer选择‘adam’, 损失函数loss选择‘mae’。
训练模型，利用步骤S1获取训练数据训练，批次大小batch_size =32，输入序列长度k，输出序列长度out_train=1，学习率为lr=0.0001，迭代次数epoch=300，进入训练模型阶段并最终将模型保存；
S5：航迹预测；
S5-1：确定要预测航班F，并获取已得到的航迹数据，取最新的k个航迹点作为输入序列
Figure 32068DEST_PATH_IMAGE029
，k即输入序列
Figure 888029DEST_PATH_IMAGE029
的长度，
Figure 54568DEST_PATH_IMAGE030
，
Figure 538639DEST_PATH_IMAGE031
，pos t 表示航班的第t个航迹点；
S5-2：加载步骤S4训练得到的模型；
S5-3：将
Figure 804535DEST_PATH_IMAGE029
归一化后，改造为[1,k,feature_num]的形式输入模型进行预测，得到t+ 1时刻的特征向量
Figure 6846DEST_PATH_IMAGE032
；其中，feature_num为输入数据的特征维度；
S5-4：将特征向量
Figure 649180DEST_PATH_IMAGE032
反归一化，得到
Figure 253337DEST_PATH_IMAGE033
；利用步骤S1计算出 t+1时刻的航向角和航速，以及预测时刻的，组合获得
Figure 379742DEST_PATH_IMAGE034
，并将
Figure 560188DEST_PATH_IMAGE035
加入
Figure 18851DEST_PATH_IMAGE029
；
S5-5：判断预测输出的位置信息是否符合以下要求：
Figure 626550DEST_PATH_IMAGE036
，若符合，则停止预测，输出全部航迹
Figure 475557DEST_PATH_IMAGE029
，完成预测；若不符合，则在
Figure 318748DEST_PATH_IMAGE029
中取出最新的序列长度航迹点，并返回步骤S5-3，其 中，
Figure 772863DEST_PATH_IMAGE037
和
Figure 676097DEST_PATH_IMAGE038
分别为t时刻的航班F所处的经度、纬度，
Figure 950084DEST_PATH_IMAGE039
和
Figure 596966DEST_PATH_IMAGE040
为目标机场B所在的 经度、纬度。
完成预测输出后，通过Python的basemap库对预测航迹进行展示，完成整个预测过程。
在本发明中，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。

Claims (1)

1.一种航班航迹预测方法，其特征在于，包括以下步骤：
S1：航迹数据预处理：
S1-1：航迹历史数据清洗：收集ADS-B数据，检索出起始机场A、目标机场B的航迹信息，进行数据筛选，对航迹进行等时采样，补全、剔除缺失和重复的数据；
S1-2：生成特征数据：通过航迹点j与航迹点j+1的经纬度数据，计算航迹点j的航向角、 航速，依次类推，计算出所有航迹点的航向角
Figure 964481DEST_PATH_IMAGE001
、航速
Figure 703767DEST_PATH_IMAGE002
，得到每条特征样本
Figure 141702DEST_PATH_IMAGE003
:
Figure 890215DEST_PATH_IMAGE004
，其中，
Figure 97205DEST_PATH_IMAGE005
为日期，
Figure 272972DEST_PATH_IMAGE006
为航班号，
Figure 198202DEST_PATH_IMAGE007
为经度，
Figure 484827DEST_PATH_IMAGE008
为纬度，
Figure 811903DEST_PATH_IMAGE009
为高度，
Figure 96254DEST_PATH_IMAGE002
为航速，
Figure 305518DEST_PATH_IMAGE001
为航向角，
Figure 333517DEST_PATH_IMAGE010
为时刻；
S1-3：提取高空区数据：针对步骤S1-1和S1-2处理后的航迹数据集，截取起始机场A、目标机场B终端区之外的数据，使得最终的航迹数据集Traj满足：
Figure 577417DEST_PATH_IMAGE011
，
Figure 32669DEST_PATH_IMAGE012
，
其中，
Figure 994809DEST_PATH_IMAGE013
表示取出被D包含的C中的对象，
Figure 560919DEST_PATH_IMAGE014
表示起始机场A的终 端区几何区域，
Figure 659325DEST_PATH_IMAGE015
表示目标机场B的终端区几何区域，为空集，最终数据集Traj为
Figure 469335DEST_PATH_IMAGE017
，
Figure 839137DEST_PATH_IMAGE018
其中，为航班i的所有航迹集，i=1,2,…N，N为航班数量，pos t 表示航班的第t个航迹 点，t为时刻，
Figure 854683DEST_PATH_IMAGE020
，T为该航班飞行总时长；
S2：气象特征提取；
S2-1：对全国雷达回波指标数据按照rgb转换规则生成全国雷达回波图；对于每个航迹点，以自身坐标为中心，构建n*n的方块雷达回波图，n=0.2°，视为目标方块；在目标方块的周围构建11个对应的n*n方块雷达回波图，n=0.2°，分别为目标方块的正前方、左侧、右侧、正前前方、正前左侧、正前右侧、正前前左侧、正前前右侧、正后方、正后左侧、正后右侧，视为影响目标航迹点的气象方块；
S2-2：针对目标方块和气象方块，利用卷积神经网络提取，得到表征气象因素的指标， 所述卷积神经网络为多层神经网络，包括C1卷积层、C2卷积层、D全连接层，其中，C1卷积层 是通过3*3的卷积核得到的6个特征图，C2卷积层是通过6*6的卷积核得到的12个特征图，D 全连接层将12个特征图平铺后转化为维度为1的特征输出，最终，将12个方块雷达回波图卷 积得到的结果拼接，得到维度为12的气象特征输出
Figure 525836DEST_PATH_IMAGE021
；
S2-3：设对流强度阈值为
Figure 433749DEST_PATH_IMAGE022
，若
Figure 506747DEST_PATH_IMAGE023
，则对流程度
Figure 474703DEST_PATH_IMAGE024
，表示当前区域对流天气强 烈；若
Figure 633152DEST_PATH_IMAGE025
，则对流程度
Figure 344756DEST_PATH_IMAGE026
，表示当前区域无对流天气或较少对流天气，最终每个航 迹点得到一组对应的气象特征向量Q=[q0,q1,q3,q4,q5,q6,q7,q8,q9,q10,q11]，其中，q0, q1,q3,q4,q5,q6,q7,q8,q9,q10,q11分别为目标方块的正前方、左侧、右侧、正前前方、正前 左侧、正前右侧、正前前左侧、正前前右侧、正后方侧、正后左侧、正后右侧对应的方块对流 强度特征；
S3：定义时序模型：使用Keras Sequential API设计基于深度循环神经网络的序列模型，所述序列模型从上到下为：输入层、卷积块、第一层长短时记忆神经网络、第二层长短时记忆神经网络、全连接层、输出层，具体地：
输入层对模型的输入数据编码，将输入序列嵌入成64维向量pos_embedding；
卷积块获得气象特征，将[lon,lat,
Figure 537840DEST_PATH_IMAGE001
]输入步骤S2-2得到气象特征输出
Figure 676698DEST_PATH_IMAGE021
,将
Figure 56863DEST_PATH_IMAGE021
与 pos_embedding拼接，作为第一层长短时记忆神经网络的输入；
第一层长短时记忆神经网络和第二层长短时记忆神经网络对航迹序列进行时间序列学习，第一层长短时记忆神经网络设置128个神经元，第二层长短时记忆神经网络设置64个神经元；
全连接层将第二层长短时记忆神经网络的输出状态hidden再次与pos_embedding进行连接，最终输出一个维度为64的向量；
输出层将输入维度为64的向量转化为维度为3的输出向量；
S4：模型编译及训练；
S4-1：配置模型的学习过程compile，学习过程compile参数包括优化器optimizer、损失函数loss，评估标准metrics，优化器optimizer选择‘adam’，损失函数loss选择‘mae’；
S4-2：训练模型，将步骤S1得到的数据作为训练数据，训练时，批次大小batch_size=32，输入序列长度seq=6，输出序列长度out_train=1，学习率lr=0.0001，迭代次数epoch=300，进入训练模型阶段并最终将模型保存；
S5：航迹预测；
S5-1：获取要预测航班F的已知航迹序列，提取最新的k个航迹点作为输入序列
Figure 572158DEST_PATH_IMAGE027
，k 即输入序列
Figure 557432DEST_PATH_IMAGE027
的长度，
Figure 929507DEST_PATH_IMAGE028
，
Figure 734652DEST_PATH_IMAGE029
，
Figure 850376DEST_PATH_IMAGE030
表示航班的第t个航迹点；
S5-2：加载步骤S4训练得到的模型；
S5-3:将
Figure 690156DEST_PATH_IMAGE027
归一化后，改造为[1,k,feature_num]的形式输入模型进行预测，得到t+ 1时刻的特征向量
Figure 233133DEST_PATH_IMAGE031
；feature_num为输入数据的特征维度；
S5-4：将特征向量
Figure 791153DEST_PATH_IMAGE031
反归一化，得到
Figure 444988DEST_PATH_IMAGE032
；利用步骤S1计算出 t+1时刻的航向角和航速，加上单位间隔时间，组合获得
Figure 404854DEST_PATH_IMAGE033
，并将
Figure 118732DEST_PATH_IMAGE034
加入
Figure 898469DEST_PATH_IMAGE027
；
S5-5：判断预测输出的位置信息是否符合以下要求：
Figure 293679DEST_PATH_IMAGE035
，若符合，则停止预测，输出全部航迹
Figure 170368DEST_PATH_IMAGE027
，完成预测；若不符合，则在
Figure 992830DEST_PATH_IMAGE027
中取出最新的序列长度航迹点，并返回步骤S5-3，其 中，
Figure 322180DEST_PATH_IMAGE036
和
Figure 521080DEST_PATH_IMAGE037
分别为t时刻的航班F所处的经度、纬度，
Figure 252276DEST_PATH_IMAGE038
和
Figure 245640DEST_PATH_IMAGE039
为目标机场B所在的 经度、纬度。
CN202010394699.XA 2020-05-12 2020-05-12 一种航班航迹预测方法 Active CN111292563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010394699.XA CN111292563B (zh) 2020-05-12 2020-05-12 一种航班航迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010394699.XA CN111292563B (zh) 2020-05-12 2020-05-12 一种航班航迹预测方法

Publications (2)

Publication Number Publication Date
CN111292563A true CN111292563A (zh) 2020-06-16
CN111292563B CN111292563B (zh) 2020-08-11

Family

ID=71026238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010394699.XA Active CN111292563B (zh) 2020-05-12 2020-05-12 一种航班航迹预测方法

Country Status (1)

Country Link
CN (1) CN111292563B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915934A (zh) * 2020-08-11 2020-11-10 民航数据通信有限责任公司 一种航迹连续性分析方法
CN112348225A (zh) * 2020-09-16 2021-02-09 北京中兵数字科技集团有限公司 航迹预测方法、电子设备、非瞬时性计算机可读存储介质
CN112734346A (zh) * 2021-04-02 2021-04-30 北京三快在线科技有限公司 航线覆盖范围的确定方法、装置、设备及可读存储介质
CN112785876A (zh) * 2021-01-28 2021-05-11 南京航空航天大学 终端区时序气象场景智能识别系统
CN112862171A (zh) * 2021-01-29 2021-05-28 北京航空航天大学 一种基于时空神经网络的航班到达时间预测方法
CN113052313A (zh) * 2021-04-27 2021-06-29 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
CN113239775A (zh) * 2021-05-09 2021-08-10 西北工业大学 一种基于分层关注深度卷积神经网络的方位历程图中航迹检测与提取方法
CN113240212A (zh) * 2021-07-09 2021-08-10 中航信移动科技有限公司 生成航班飞行轨迹的数据处理方法、电子设备和介质
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
CN114373337A (zh) * 2022-01-17 2022-04-19 北京航空航天大学 一种航迹不确定性条件下的飞行冲突自主解脱方法
CN116935700A (zh) * 2023-09-18 2023-10-24 四川大学 一种基于多源特征的扇区交通态势预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7248949B2 (en) * 2004-10-22 2007-07-24 The Mitre Corporation System and method for stochastic aircraft flight-path modeling
CN101201978A (zh) * 2007-12-20 2008-06-18 四川川大智胜软件股份有限公司 基于实时雷达和飞行情报的短期空中交通流量预测方法
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
CN107194493A (zh) * 2017-04-14 2017-09-22 南京航空航天大学 一种短期天气影响下终端空域空中交通延误预测方法
CN110930770A (zh) * 2019-11-06 2020-03-27 南京莱斯信息技术股份有限公司 一种基于管制意图和飞机性能模型的四维航迹预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7248949B2 (en) * 2004-10-22 2007-07-24 The Mitre Corporation System and method for stochastic aircraft flight-path modeling
CN101201978A (zh) * 2007-12-20 2008-06-18 四川川大智胜软件股份有限公司 基于实时雷达和飞行情报的短期空中交通流量预测方法
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
CN107194493A (zh) * 2017-04-14 2017-09-22 南京航空航天大学 一种短期天气影响下终端空域空中交通延误预测方法
CN110930770A (zh) * 2019-11-06 2020-03-27 南京莱斯信息技术股份有限公司 一种基于管制意图和飞机性能模型的四维航迹预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何光勤 等: "基于最小二乘法的雷暴天气下飞行改航决策研究", 《安全与环境工程》 *
张佳静 等: "基于4D轨迹预测的航空气象辅助决策技术", 《江苏科技信息》 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111915934A (zh) * 2020-08-11 2020-11-10 民航数据通信有限责任公司 一种航迹连续性分析方法
CN111915934B (zh) * 2020-08-11 2021-10-08 民航数据通信有限责任公司 一种航迹连续性分析方法
CN112348225A (zh) * 2020-09-16 2021-02-09 北京中兵数字科技集团有限公司 航迹预测方法、电子设备、非瞬时性计算机可读存储介质
CN112785876A (zh) * 2021-01-28 2021-05-11 南京航空航天大学 终端区时序气象场景智能识别系统
CN112862171A (zh) * 2021-01-29 2021-05-28 北京航空航天大学 一种基于时空神经网络的航班到达时间预测方法
CN112862171B (zh) * 2021-01-29 2022-05-27 北京航空航天大学 一种基于时空神经网络的航班到达时间预测方法
CN112734346A (zh) * 2021-04-02 2021-04-30 北京三快在线科技有限公司 航线覆盖范围的确定方法、装置、设备及可读存储介质
CN113052313A (zh) * 2021-04-27 2021-06-29 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
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
CN113239775A (zh) * 2021-05-09 2021-08-10 西北工业大学 一种基于分层关注深度卷积神经网络的方位历程图中航迹检测与提取方法
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
CN113240212B (zh) * 2021-07-09 2021-09-28 中航信移动科技有限公司 生成航班飞行轨迹的数据处理方法、电子设备和介质
CN113240212A (zh) * 2021-07-09 2021-08-10 中航信移动科技有限公司 生成航班飞行轨迹的数据处理方法、电子设备和介质
CN114373337A (zh) * 2022-01-17 2022-04-19 北京航空航天大学 一种航迹不确定性条件下的飞行冲突自主解脱方法
CN114373337B (zh) * 2022-01-17 2022-11-22 北京航空航天大学 一种航迹不确定性条件下的飞行冲突自主解脱方法
CN116935700A (zh) * 2023-09-18 2023-10-24 四川大学 一种基于多源特征的扇区交通态势预测方法
CN116935700B (zh) * 2023-09-18 2023-12-05 四川大学 一种基于多源特征的扇区交通态势预测方法

Also Published As

Publication number Publication date
CN111292563B (zh) 2020-08-11

Similar Documents

Publication Publication Date Title
CN111292563B (zh) 一种航班航迹预测方法
Xiao et al. Maritime traffic probabilistic forecasting based on vessels’ waterway patterns and motion behaviors
CN110197215A (zh) 一种自主驾驶的地面感知点云语义分割方法
US9727976B1 (en) Geospatial-temporal semantic graph representations of trajectories from remote sensing and geolocation data
CN110988880B (zh) 一种基于smr目标轨迹的地理信息提取及目标跟踪方法
CN104156984A (zh) 一种不均匀杂波环境下多目标跟踪的概率假设密度方法
CN112862171B (zh) 一种基于时空神经网络的航班到达时间预测方法
CN114812564A (zh) 基于城市动态时空风险分析的多目标无人机路径规划方法
Yang et al. LSTM-based deep learning model for civil aircraft position and attitude prediction approach
CN109410576A (zh) 多源数据融合的路况分析方法、装置、存储介质及系统
CN114802303A (zh) 障碍物轨迹预测方法、装置、电子设备及存储介质
CN114547866A (zh) 基于bim-无人机-机械狗的预制构件智能检测方法
CN113284369A (zh) 一种基于ads-b实测航路数据的预测方法
CN115471805A (zh) 点云处理和深度学习模型训练方法、装置及自动驾驶车辆
Lu et al. Historical AIS data-driven unsupervised automatic extraction of directional maritime traffic networks
Shangguan et al. Interactive perception-based multiple object tracking via CVIS and AV
Jiang et al. Research on method of trajectory prediction in aircraft flight based on aircraft performance and historical track data
CN112562419A (zh) 一种基于离线多目标跟踪的天气规避区划设方法
US20230394694A1 (en) Methods and apparatus for depth estimation using stereo cameras in a vehicle system
US10801841B1 (en) Trajectory prediction via a feature vector approach
CN113190632B (zh) 一种轨迹复原算法的模型建立方法及系统
CN115359684A (zh) 一种基于Elastic-BiGRU结构的航空器轨迹预测方法
CN111144501B (zh) 一种基于栅格的证据融合时空轨迹数据关联方法
CN114898203A (zh) 一种基于深度学习的轨道交通周边危险源变化检测方法
CN114898204A (zh) 一种基于深度学习的轨道交通周边危险源检测方法

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