CN112069889A - 民航飞行器轨迹预测方法、电子设备及存储介质 - Google Patents
民航飞行器轨迹预测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112069889A CN112069889A CN202010759794.5A CN202010759794A CN112069889A CN 112069889 A CN112069889 A CN 112069889A CN 202010759794 A CN202010759794 A CN 202010759794A CN 112069889 A CN112069889 A CN 112069889A
- Authority
- CN
- China
- Prior art keywords
- track
- data
- civil aircraft
- network
- time
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Abstract
本公开提供了一种民航飞行器轨迹预测方法,其包括:S1、构建FTP‑GAN网络;S2、获取民航飞行器的轨迹数据,并对民航飞行器的轨迹数据进行归一化处理;其中,FTP‑GAN网络的生成器根据归一化后的轨迹数据生成民用飞行器的预测轨迹。
Description
技术领域
本公开涉及一种空中交通管制领域,尤其涉及一种基于生成对抗网络的三维空间民航飞行器轨迹预测方法、电子设备及存储介质。
背景技术
随着经济水平的不断提高,航空业得到了迅速发展。以民航客运为例,据中国民用航空局的统计数据显示,2019年12月份民航所完成的旅客运输量达到了5276万人次。民航飞行器轨迹预测作为航空交通管理(air traffic management)的关键技术,能够有效的提高空域资源的利用率,加强空中交通的安全性。
轨迹预测问题是基于已经发生过的轨迹,预测接下来的轨迹走向,问题的本质是对时间序列数据的回归预测。现有研究主要围绕行人或车辆等地面交通参与者,使用基于长短时记忆网络(Long Short-term Memory)的深度学习模型,对发生在地面平面上的轨迹进行预测。
例如,中国发明专利公开文件CN111339867A公开了一种基于生成对抗网络的行人轨迹预测方法,但是其所处理的数据是基于某场景下行人的运动轨迹,但是,众所周知,民航飞行器轨迹的数据与行人轨迹存在较大的差别,即,民航轨迹由于其位于三维空间中,各个维度的变化幅度差异较大,且具有时间维度上的采样不均匀性,无法直接使用针对地面轨迹的预测模型进行民航轨迹预测。
发明内容
为了解决上述技术问题之一,本公开提供了一种民航飞行器轨迹预测方法、电子设备及存储介质。
本公开的一种民航飞行器轨迹预测方法、电子设备及存储介质通过以下技术方案实现。
根据本公开的一个方面,提供一种民航飞行器轨迹预测方法,包括:S1、构建FTP-GAN网络;S2、获取民航飞行器的轨迹数据,并对民航飞行器的轨迹数据进行归一化处理;其中,FTP-GAN网络的生成器根据归一化后的轨迹数据生成民用飞行器的预测轨迹。
根据本公开一个方面的所述的民航飞行器轨迹预测方法,S2中,地面监视设备向一定范围内的民航飞行器的机载设备发送请求,实时获取该民航飞行器的轨迹;并对民航飞行器的实时轨迹数据进行归一化和重采样。
根据本公开一个方面的所述的民航飞行器轨迹预测方法,S1中,FTP-GAN网络的生成器包括编码器、池化层和解码器;
在编码器中,每一条输入轨迹由一个独立LSTM网络负责提取时序特征,然后通过池化层对输入轨迹与其时序特征进行汇集,捕获不同轨迹之间的交互特征,最后通过解码器中的LSTM网络解码生成预测轨迹结果。
根据本公开一个方面的所述的民航飞行器轨迹预测方法,FTP-GAN中的判别器使用LSTM网络提取待判别轨迹的时序特征,并通过MLP网络对其是否有效进行判断。
根据本公开一个方面的所述的民航飞行器轨迹预测方法,所述编码器同时接受同一时间段内的多条输入轨迹X={X1,X2,X3,……,Xn},每个时刻通过位置嵌入将输入的数据压缩得到一个固定长度向量然后连同上一时刻的隐藏特征一起输入到LSTM网络中进行编码;
根据本公开一个方面的所述的民航飞行器轨迹预测方法,所述池化层的输入为汇集了同一时间段内不同轨迹LSTM网络最后输出的隐藏特征ht,以及不同飞机之间的相对位置posrel;先通过对posrel进行嵌入操作,将它与ht的维度对齐,然后一起输入到MLP网络中,最后通过最大池化来提取交互特征;
ret=MLP(posrel;Wpe) (3)
其中,ret是对民航飞行器之间的相对位置进行嵌入操作的结果,posrel为不同飞机之间的相对位置,通过多层感知机MLP(·)之后得到一个n*n*embedding_dim的向量,通过池化后重新得到一个n*embedding_dim的交互特征;Wpe为嵌入操作过程中的参数;WMLP为MLP层的参数。
然后对t-1时刻位置数据进行嵌入,将嵌入之后的结果与之前计算出来的LSTM网络的初始隐藏状态一起输入到LSTM网络中,最后对LSTM网络输出的结果输入到多层感知机中生成预测的轨迹;
根据本公开一个方面的所述的民航飞行器轨迹预测方法,所述生成器的损失函数分为两个部分,一部分是预测的位置偏移损失L2loss,另一部分是判别器对生成结果的对抗损失;
L=LGAN+λ*LL2 (10)
其中,LGAN为模型中的判别器对于生成结果的对抗损失,LL2为预测的位置偏移损失,λ是超参数,用来平衡对抗损失与位置偏移损失;
指的是Yi采样于真实的数据分布,D(Yi)对判别器对于真实结果的判定,Ez指的是噪音z采样于生成数据,G(Xi,z)为通过输入第i条轨迹的观测轨迹和噪音生成预测结果,D(G(Xi,z))即为对判别器对生成结果的判定;
G(Xi,z)(k)为生成器对于每次输入产生的k个生成结果,k是生成器的采样次数,Yi为真实轨迹。
根据本公开的另一方面,提供一种电子设备,包括:
存储器,所述存储器存储执行指令;以及
处理器,所述处理器执行所述存储器存储的执行指令,使得所述处理器执行如上述的方法。
根据本公开的另一方面,提供一种可读存储介质,所述可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现如上述的方法。
附图说明
附图示出了本公开的示例性实施方式,并与其说明一起用于解释本公开的原理,其中包括了这些附图以提供对本公开的进一步理解,并且附图包括在本说明书中并构成本说明书的一部分。
图1为本公开的民航飞行器轨迹预测方法的流程图;
图2为2条轨迹在重采样前后的采样点在飞行高度维度上的分布图;
图3为5条轨迹经过重采样之后在时间轴上的分布图;
图4为本公开的民航飞行器的轨迹预测方法所使用的FTP-GAN网络的结构示意图。
图5是根据本公开一个实施方式的电子设备的示意性视图。
具体实施方式
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施方式仅用于解释相关内容,而非对本公开的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本公开相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开的技术方案。
除非另有说明,否则示出的示例性实施方式/实施例将被理解为提供可以在实践中实施本公开的技术构思的一些方式的各种细节的示例性特征。因此,除非另有说明,否则在不脱离本公开的技术构思的情况下,各种实施方式/实施例的特征可以另外地组合、分离、互换和/或重新布置。
在附图中使用交叉影线和/或阴影通常用于使相邻部件之间的边界变得清晰。如此,除非说明,否则交叉影线或阴影的存在与否均不传达或表示对部件的具体材料、材料性质、尺寸、比例、示出的部件之间的共性和/或部件的任何其它特性、属性、性质等的任何偏好或者要求。此外,在附图中,为了清楚和/或描述性的目的,可以夸大部件的尺寸和相对尺寸。当可以不同地实施示例性实施例时,可以以不同于所描述的顺序来执行具体的工艺顺序。例如,可以基本同时执行或者以与所描述的顺序相反的顺序执行两个连续描述的工艺。此外,同样的附图标记表示同样的部件。
当一个部件被称作“在”另一部件“上”或“之上”、“连接到”或“结合到”另一部件时,该部件可以直接在所述另一部件上、直接连接到或直接结合到所述另一部件,或者可以存在中间部件。然而,当部件被称作“直接在”另一部件“上”、“直接连接到”或“直接结合到”另一部件时,不存在中间部件。为此,术语“连接”可以指物理连接、电气连接等,并且具有或不具有中间部件。
为了描述性目的,本公开可使用诸如“在……之下”、“在……下方”、“在……下”、“下”、“在……上方”、“上”、“在……之上”、“较高的”和“侧(例如,如在“侧壁”中)”等的空间相对术语,从而来描述如附图中示出的一个部件与另一(其它)部件的关系。除了附图中描绘的方位之外,空间相对术语还意图包含设备在使用、操作和/或制造中的不同方位。例如,如果附图中的设备被翻转,则被描述为“在”其它部件或特征“下方”或“之下”的部件将随后被定位为“在”所述其它部件或特征“上方”。因此,示例性术语“在……下方”可以包含“上方”和“下方”两种方位。此外,设备可被另外定位(例如,旋转90度或者在其它方位处),如此,相应地解释这里使用的空间相对描述语。
这里使用的术语是为了描述具体实施例的目的,而不意图是限制性的。如这里所使用的,除非上下文另外清楚地指出,否则单数形式“一个(种、者)”和“所述(该)”也意图包括复数形式。此外,当在本说明书中使用术语“包含”和/或“包括”以及它们的变型时,说明存在所陈述的特征、整体、步骤、操作、部件、组件和/或它们的组,但不排除存在或附加一个或更多个其它特征、整体、步骤、操作、部件、组件和/或它们的组。还要注意的是,如这里使用的,术语“基本上”、“大约”和其它类似的术语被用作近似术语而不用作程度术语,如此,它们被用来解释本领域普通技术人员将认识到的测量值、计算值和/或提供的值的固有偏差。
图1是根据本公开的一个实施方式的民航飞行器轨迹预测方法的流程图。
如图1所示,本实施例的民航飞行器轨迹预测方法,包括:S1、构建FTP-GAN网络;以及S2、获取民航飞行器的轨迹数据,并对民航飞行器的轨迹数据进行归一化处理;其中,FTP-GAN网络的生成器根据归一化后的轨迹数据生成民用飞行器的预测轨迹。
其中,步骤S1的构建FTP-GAN网络具体包括:生成初始FTP-GAN网络;以及根据民航飞行器的历史轨迹数据对初始FTP-GAN网络进行训练,获得FTP-GAN网络。
本实施例中提出了一种面向三维空间坐标的民航飞行器的轨迹预测模型的FTP-GAN网络,其结构如图4所示。
本实施例的FTP-GAN网络的生成器包括编码器、池化层和解码器;该FTP-GAN网络在生成时,其参数值为初始值,因此,可以称之为初始FTP-GAN网络。
然后,需要获取至少一个民航飞行器的至少一个历史轨迹数据。具体地,与地面轨迹数据相比,民航飞行器的轨迹数据是包含了时间维度与三个空间维度的四维时空数据,而非地面轨迹数据的三维时空数据。在实际应用中,地面轨迹数据通常来自于视频,这意味着数据中的两个空间维度具有相似的变化幅度。而民航轨迹的三个空间维度通常为经纬度和高度,三个维度的变化幅度差异很大。
另外,对地面轨迹数据的采样往往取决于视频采样率,表现为每个视频帧对应一个轨迹点,在时间维度上具有均匀性。而民航轨迹的采样由于依赖于硬件设备的通讯质量,在时间维度上表现为非均匀采样,这使得民航轨迹数据无法直接作为输入轨迹用于现有的轨迹预测网络,而需要进行必要的重采样,以满足训练网络的需求。
基于此,在获取至少一个民航飞行器的至少一个历史轨迹数据时,通过地面监视设备所存储的民航飞行器的历史轨迹得到。
以其中的一个民航飞行器的历史轨迹为例,该民用飞行器的历史轨迹中包括多个轨迹原始数据,而且这些轨迹原始数据的采集时间周期并非均匀分布,进而导致同一架飞机的轨迹数据不连贯,并且存在部分数据缺失现象,因此,需要以一定周期对该民航飞行器的轨迹原始数据进行重采样。
本实施例中,优选地,所述一定周期为1分钟;当所述轨迹原始数据的周期小于1分钟时,对轨迹原始数据进行下采样和/或线性插值;当所述轨迹原始数据的周期大于1分钟时,对轨迹原始数据进行上采样和/或线性插值,以生成重采样点的三维空间坐标,其结果如图2所示,即图2展示了2条轨迹在重采样前后的采样点在飞行高度维度上的分布,其中空心点为民航飞行器的轨迹原始采样点,实心点为重采样后的采样点。
由于民航飞行器的历史轨迹数据的空间坐标是三维数据,其中的高度与经纬度的量纲差异很大,即在实际飞行过程中,高度的变化幅度远大于经纬度的变化幅度,因此对三个空间维度需要进行归一化处理。
本实施例采用线性归一化的方法,将三个空间维度的范围都归一化至[0,1]。经过归一化处理之后的民航轨迹集合记为:
X={X1,X2,X3,……,Xn};
其中Xi表示第i条轨迹,每条轨迹中包含若干轨迹点,相邻轨迹点的时间距离为1分钟,其结果如图3所示,图3展示了5条轨迹经过重采样之后在时间轴上的分布,其中横坐标代表重采样之后的时间点,纵坐标代表坐标点的高度。
在编码器中,每一条输入轨迹由一个独立LSTM网络负责提取时序特征,然后通过池化层对输入轨迹与其时序特征进行汇集,捕获不同轨迹之间的交互特征,最后通过解码器中的LSTM网络解码生成预测轨迹结果。
FTP-GAN中的判别器使用LSTM网络提取待判别轨迹的时序特征,并通过MLP网络对其是否有效进行判断,即判断使用FTP-GAN网络生成的轨迹是否符合原始数据的分布规律;当所述判别器判断使用FTP-GAN网络生成的轨迹与原始数据的差异是否在预设范围内,如果否,则需要对FTP-GAN网络的参数进行重新设定。
编码器同时接受同一时间段内的多条输入轨迹X={X1,X2,X3,……,Xn},每个时刻通过位置嵌入(location embedding)将输入的数据压缩得到一个固定长度向量然后连同上一时刻的隐藏特征一起输入到LSTM网络中进行编码。
其中,为第i条轨迹在t时刻的数据,长度为τobs,包含经度、纬度和高度的信息,为第i条轨迹t时刻LSTM网络的隐藏层特征,Wee为嵌入层(embedding layer)的参数,Wel为LSTM网络的参数。
池化层的输入来自两部分,第一部分是汇集了同一时间段内不同轨迹LSTM网络最后输出的隐藏特征ht,另一部分是不同飞机之间的相对位置posrel。先通过对posrel进行嵌入(embedding)操作,将它与ht的维度对齐。然后两者一起输入到MLP网络中,最后通过最大池化来提取交互特征。
ret=MLP(posrel;Wpe) (3)
其中,ret其实是对民航飞行器之间的相对位置进行嵌入(embedding)操作的结果;posrel为不同飞机之间的相对位置,通过多层感知机MLP(·)之后得到一个n*n*embedding_dim的向量,通过池化后重新得到一个n*embedding_dim的交互特征。Wpe为嵌入(embedding)操作过程中的参数。WMLP为MLP层的参数;n为一个批次(batch)计算的轨迹条数,embedding_dim为超参数,设置embedding操作之后向量的维度;max为最大池化操作。
其中,公式(5)中Pi为不同飞机之间的交互特征,为公式(2)计算得到的tobs时刻的隐藏特征,Wc为MLP网络的参数。z为高斯噪音,与公式(5)中计算得到的一起组成得到解码器LSTM网络的初始化隐藏特征
然后对t-1时刻位置数据进行嵌入(embedding),将嵌入(embedding)之后的结果与之前计算出来的LSTM网络的初始隐藏状态一起输入到LSTM网络中。最后对LSTM网络输出的结果输入到多层感知机中生成预测的轨迹。
其中,公式(7)中,为第i条轨迹t-1时刻的位置数据,Wde为MLP网络的参数,通过对t-1时刻的位置数据进行embedding得到t-1时刻的位置特征 为公式(6)中计算得到的t-1时刻的初始化隐藏特征,联合t-1时刻的位置特征输入到LSTM网络中计算得到t时刻的解码特征其中Wdl为LSTM网络计算时候的参数。最后对解码特征进行解码,为最后计算得到的预测结果。
生成器的损失函数分为两个部分,一部分是预测的位置偏移损失L2loss,另一部分是判别器对生成结果的对抗损失。
L=LGAN+λ*LL2 (10)
其中,LGAN为模型中的判别器对于生成结果的对抗损失,LL2为预测的位置偏移损失,λ是超参数,用来平衡对抗损失与位置偏移损失。
指的是Yl采样于真实的数据分布,D(Yi)对判别器对于真实结果的判定,Ez指的是噪音z采样于生成数据,G(Xi,z)为通过输入第i条轨迹的观测轨迹和噪音生成预测结果,D(G(Xi,z))即为对判别器对生成结果的判定。
G(Xi,z)(k)为生成器对于每次输入产生的k个生成结果,在本实验中,每次采取k个结果中最小的。Yi为真实轨迹。k是生成器的采样次数,每次从k个生成结果中取其中最好的结果。
当FTP-GAN网络被确定后,在应用于实际场景时,需要实时采集民航飞行器的飞行数据。
具体地,S2中,地面监视设备向一定范围内的民航飞行器的机载设备发送请求获取该民航飞行器的轨迹;其中,该一定范围可以为地面监视设备的探测范围,或者根据经度和纬度划分的范围;而且在所述探测范围内存在至少一个民航飞行器,地面监测设备可以获得该一定范围内所有的民航飞行器的实时轨迹。
当获取该民航飞行器的实时轨迹后,对该实时轨迹进行归一化和重采样处理,并将归一化和重采样处理后的实时轨迹的轨迹数据输入至训练完成的FTP-GAN网络,从而得出民航飞行器的预测轨迹;其中,所述归一化和重采样处理与前述归一化和重采样过程相同,在此不再一一赘述。
以下以实际示例为例,对本公开的民航飞行器轨迹预测方法进行进一步说明。
具体地,例如,2017年6月1日的东经70度到东经140度、北纬0度到北纬60度的全球民航飞机轨迹数据共1675条。为了解决部分飞行轨迹存在原始采样点不连续的问题,若两个相邻采样点的时间间隔大于1分钟,则将其拆分为不同的飞行轨迹。
对上述飞行轨迹进行重采样,并将重采样后的轨迹长度设定为不超过32个连续采样点,共得到9030条连续的飞行轨迹数据。按照8:1:1的比例,将全部飞行轨迹数据划分为训练集、验证集与测试集。
本实施例中,采用小批量梯度下降(Mini-batch Gradient Descent)的方式来进行训练,根据机器的性能和实际训练的效果,设置的批量大小为8。采用固定步长衰减的学习率衰减方式,每隔固定的步长,学习率乘以一个衰减系数,其衰减公式为:
其中,learning_rate为当前的学习率,learning_ratebase为初始学习率,gamma为学习率衰减系数,step_size为固定步长大小,step是从开始训练到当前的步数。
本实施例中,可以设置初始学习率为2*10-3,学习率衰减系数为0.5,固定步长为1000,以epoch为周期来记录步数。
选择Adam作为优化算法,训练迭代的次数为20000,神经网络的激活函数选择的是Relu,相对应的网络参数初始化的方法为Kaiming Initialization。训练时输入每条轨迹的观察长度tobs=8,预测长度tpred=8。
在评价性指标的选择方面,本实施例中选择平均偏移误差(AverageDisplacement Error,ADE)、最终偏移误差(Final Displacement Error,FDE)作为描述模型预测准确性的评价指标。
平均偏移误差是指最终的预测结果与真实轨迹每个坐标点之间L2距离的平均值,其公式如下:
其中,和为第i条轨迹t时刻预测的经纬度以及高度,和是第i条轨迹t时刻的真实轨迹点;n为自然数,i为1…n;tobs为观测的轨迹点数,tpred为预测的轨迹点数,即通过观测tobs个轨迹点来预测tpred个轨迹点。
最终偏移误差是指预测的最后一个点与真实轨迹最后一个点之间的l2距离,其公式如下:
ttotal=tobs+tpred (16)
在同样的实验条件下,FDE与ADE的数值越低,代表模型的拟合效果越好,预测精度更高。
与其他的民航飞行器轨迹预测模型相比,例如Linear模型与LSTM模型均采用现有技术中所提及的实现方式,Linear模型通过一个单层线性回归模型进行轨迹预测;LSTM模型则使用不带池化机制的简单LSTM网络来进行预测。Shi-LSTM模型将飞行轨迹与飞行计划作为输入特征同时输入到双层的LSTM网络进行训练预测。各种轨迹预测模型在测试集上的评价结果如下所示(FTP-GAN为本实施例所创建的网络):
FDE | ADE | |
Linear | 0.036657 | 0.037163 |
LSTM | 0.007869 | 0.011780 |
Shi-LSTM | 0.007153 | 0.005552 |
本实施例的FTP-GAN | 0.007312 | 0.003904 |
由上表可以看出,本实施例的FTP-GAN模型在ADE指标上明显优于其他模型,在FDE指标上与Shi-LSTM相当。这是由于FTP-GAN使用了生成对抗网络来训练模型,能够最大化学习到数据的分布规律,提高模型的拟合效果,并且在编码与解码的过程中,通过池化模块来提取了不同飞机之间的交互特征,提升了在多机交互的场景下,对数据特征的提取能力。而通过增加模型的复杂度,提高对于时序特征的提取能力,也可以一定程度上获得更强的复杂数据表征能力。
由于民航轨迹中包含三个维度的空间数据,其中的高度与经纬度具有明显不同的量纲和变化范围,因此当高度存在较大变化时,可能会影响到轨迹预测精度。为了更好地对飞机在不同飞行阶段的轨迹预测准确度进行评价,本实施例对飞机处于起飞、平飞、下降等不同阶段的轨迹预测准确度也进行了比较。
若轨迹i的第j轨迹点高度hi,j<α*max(hi),其中max(hi)为轨迹i的最大高度,则认为飞机在该轨迹点处于起飞或下降阶段,否则为平飞阶段。本实施例中,取α=0.7,可以得到飞机在不同飞行阶段的轨迹预测评价结果如下表所示:
观察表中数据可以发现,当使用部分飞行阶段的轨迹作为测试集时,使用相同阶段的轨迹数据训练出来的模型表现效果最好,这表明相同阶段的轨迹数据具有相似的分布,而不同阶段的轨迹数据的分布则存在较大差异。在不同飞行阶段中,起飞下降阶段的轨迹数据具有最复杂的变化模式,平飞阶段的轨迹数据变化较为简单。
因此,当使用飞机的完整轨迹作为测试集时,对起飞下降阶段和平飞阶段都进行了充分学习的模型,能够取得更好的预测结果。
本公开还提供一种电子设备,如图5所示,该设备包括:通信接口1000、存储器2000和处理器3000。通信接口1000用于与外界设备进行通信,进行数据交互传输。存储器2000内存储有可在处理器3000上运行的计算机程序。处理器3000执行所述计算机程序时实现上述实施方式中方法。所述存储器2000和处理器3000的数量可以为一个或多个。
存储器2000可以包括高速RAM存储器,也可以还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果通信接口1000、存储器2000及处理器3000独立实现,则通信接口1000、存储器2000及处理器3000可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,PeripheralComponent)总线或扩展工业标准体系结构(EISA,Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,该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。
可选的,在具体实现上,如果通信接口1000、存储器2000、及处理器3000集成在一块芯片上,则通信接口1000、存储器2000、及处理器3000可以通过内部接口完成相互间的通信。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本公开的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本公开的实施方式所属技术领域的技术人员所理解。处理器执行上文所描述的各个方法和处理。例如,本公开中的方法实施方式可以被实现为软件程序,其被有形地包含于机器可读介质,例如存储器。在一些实施方式中,软件程序的部分或者全部可以经由存储器和/或通信接口而被载入和/或安装。当软件程序加载到存储器并由处理器执行时,可以执行上文描述的方法中的一个或多个步骤。备选地,在其他实施方式中,处理器可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述方法之一。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,可以具体实现在任何可读存储介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
就本说明书而言,“可读存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。可读存储介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在存储器中。
应当理解,本公开的各部分可以用硬件、软件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施方式方法的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种可读存储介质中,该程序在执行时,包括方法实施方式的步骤之一或其组合。
此外,在本公开各个实施方式中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个可读存储介质中。所述存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明本公开,而并非是对本公开的范围进行限定。对于所属领域的技术人员而言,在上述公开的基础上还可以做出其它变化或变型,并且这些变化或变型仍处于本公开的范围内。
Claims (10)
1.一种民航飞行器轨迹预测方法,其特征在于,包括:
S1、构建FTP-GAN网络;
S2、获取民航飞行器的轨迹数据,并对民航飞行器的轨迹数据进行归一化处理;
其中,FTP-GAN网络的生成器根据归一化后的轨迹数据生成民用飞行器的预测轨迹。
2.根据权利要求1所述的民航飞行器轨迹预测方法,其特征在于,S2中,地面监视设备向一定范围内的民航飞行器的机载设备发送请求,实时获取该民航飞行器的轨迹;并对民航飞行器的实时轨迹数据进行归一化和重采样。
3.根据权利要求1或2所述的民航飞行器轨迹预测方法,其特征在于,S1中,FTP-GAN网络的生成器包括编码器、池化层和解码器;
在编码器中,每一条输入轨迹由一个独立LSTM网络负责提取时序特征,然后通过池化层对输入轨迹与其时序特征进行汇集,捕获不同轨迹之间的交互特征,最后通过解码器中的LSTM网络解码生成预测轨迹结果。
4.根据权利要求3所述的民航飞行器轨迹预测方法,其特征在于,FTP-GAN中的判别器使用LSTM网络提取待判别轨迹的时序特征,并通过MLP网络对其是否有效进行判断。
6.根据权利要求5所述的民航飞行器轨迹预测方法,其特征在于,
所述池化层的输入为汇集了同一时间段内不同轨迹LSTM网络最后输出的隐藏特征ht,以及不同飞机之间的相对位置posrel;先通过对posrel进行嵌入操作,将它与ht的维度对齐,然后一起输入到MLP网络中,最后通过最大池化来提取交互特征;
ret=MLP(posrel;Wpe) (3)
其中,ret是对民航飞行器之间的相对位置进行嵌入操作的结果,posrel为不同飞机之间的相对位置,通过多层感知机MLP(·)之后得到一个n*n*embedding_dim的向量,通过池化后重新得到一个n*embedding_dim的交互特征;Wpe为嵌入操作过程中的参数;WMLP为MLP层的参数。
7.根据权利要求6所述的民航飞行器轨迹预测方法,其特征在于,
然后对t-1时刻位置数据进行嵌入,将嵌入之后的结果与之前计算出来的LSTM网络的初始隐藏状态一起输入到LSTM网络中,最后对LSTM网络输出的结果输入到多层感知机中生成预测的轨迹;
8.根据权利要求7所述的民航飞行器轨迹预测方法,其特征在于,
所述生成器的损失函数分为两个部分,一部分是预测的位置偏移损失L2loss,另一部分是判别器对生成结果的对抗损失;
L=LGAN+λ*LL2 (10)
其中,LGAN为模型中的判别器对于生成结果的对抗损失,LL2为预测的位置偏移损失,λ是超参数,用来平衡对抗损失与位置偏移损失;
指的是Yi采样于真实的数据分布,D(Yi)对判别器对于真实结果的判定,Ez指的是噪音z采样于生成数据,G(Xi,z)为通过输入第i条轨迹的观测轨迹和噪音生成预测结果,D(G(Xi,z))即为对判别器对生成结果的判定;
G(Xi,z)(k)为生成器对于每次输入产生的k个生成结果,k是生成器的采样次数,Yi为真实轨迹。
9.一种电子设备,其特征在于,包括:
存储器,所述存储器存储执行指令;以及
处理器,所述处理器执行所述存储器存储的执行指令,使得所述处理器执行如权利要求1至8中任一项所述的方法。
10.一种可读存储介质,其特征在于,所述可读存储介质中存储有执行指令,所述执行指令被处理器执行时用于实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010759794.5A CN112069889B (zh) | 2020-07-31 | 2020-07-31 | 民航飞行器轨迹预测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010759794.5A CN112069889B (zh) | 2020-07-31 | 2020-07-31 | 民航飞行器轨迹预测方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069889A true CN112069889A (zh) | 2020-12-11 |
CN112069889B CN112069889B (zh) | 2021-08-03 |
Family
ID=73657610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010759794.5A Active CN112069889B (zh) | 2020-07-31 | 2020-07-31 | 民航飞行器轨迹预测方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069889B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113068129A (zh) * | 2021-03-26 | 2021-07-02 | 中国工商银行股份有限公司 | 基于轨迹预测的异构网络低时延切换方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140025236A1 (en) * | 2012-07-17 | 2014-01-23 | Elwha LLC, a limited liability company of the State of Delaware | Unmanned device utilization methods and systems |
CN107817820A (zh) * | 2017-10-16 | 2018-03-20 | 复旦大学 | 一种基于深度学习的无人机自主飞行控制方法与系统 |
CN109634309A (zh) * | 2019-02-21 | 2019-04-16 | 南京晓庄学院 | 一种飞行器自主避障系统、方法及飞行器 |
CN110675418A (zh) * | 2019-09-26 | 2020-01-10 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的目标轨迹优化方法 |
CN110751266A (zh) * | 2019-09-26 | 2020-02-04 | 北航(四川)西部国际创新港科技有限公司 | 一种无人机轨迹预测模块及其预测方法 |
CN111339867A (zh) * | 2020-02-18 | 2020-06-26 | 广东工业大学 | 一种基于生成对抗网络的行人轨迹预测方法 |
CN111428763A (zh) * | 2020-03-17 | 2020-07-17 | 陕西师范大学 | 一种基于场景约束gan的行人轨迹预测方法 |
-
2020
- 2020-07-31 CN CN202010759794.5A patent/CN112069889B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140025236A1 (en) * | 2012-07-17 | 2014-01-23 | Elwha LLC, a limited liability company of the State of Delaware | Unmanned device utilization methods and systems |
CN107817820A (zh) * | 2017-10-16 | 2018-03-20 | 复旦大学 | 一种基于深度学习的无人机自主飞行控制方法与系统 |
CN109634309A (zh) * | 2019-02-21 | 2019-04-16 | 南京晓庄学院 | 一种飞行器自主避障系统、方法及飞行器 |
CN110675418A (zh) * | 2019-09-26 | 2020-01-10 | 深圳市唯特视科技有限公司 | 一种基于ds证据理论的目标轨迹优化方法 |
CN110751266A (zh) * | 2019-09-26 | 2020-02-04 | 北航(四川)西部国际创新港科技有限公司 | 一种无人机轨迹预测模块及其预测方法 |
CN111339867A (zh) * | 2020-02-18 | 2020-06-26 | 广东工业大学 | 一种基于生成对抗网络的行人轨迹预测方法 |
CN111428763A (zh) * | 2020-03-17 | 2020-07-17 | 陕西师范大学 | 一种基于场景约束gan的行人轨迹预测方法 |
Non-Patent Citations (3)
Title |
---|
PHILLIP ISOLA ET AL.: "Image-to-Image Translation with Conditional Adversarial Networks", 《ARXIV:1611.07004V1 [CS.CV] 21 NOV 2016》 * |
YUTIAN PANG, YONGMING LIU: "Conditional Generative Adversarial Networks (CGAN) for Aircraft Trajectory Prediction considering weather effects", 《AIAA SCITECH 2020 FORUM》 * |
石全 等: "《系统决策与建模》", 31 December 2016 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113068129A (zh) * | 2021-03-26 | 2021-07-02 | 中国工商银行股份有限公司 | 基于轨迹预测的异构网络低时延切换方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112069889B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472483B (zh) | 一种面向sar图像的小样本语义特征增强的方法及装置 | |
CN113936339B (zh) | 基于双通道交叉注意力机制的打架识别方法和装置 | |
CN110307982B (zh) | 基于CNN和Adaboost的轴承故障分类方法 | |
CN109214107A (zh) | 一种船舶航行行为在线预测方法 | |
CN109726748B (zh) | 一种基于频带特征融合的gl-cnn遥感图像场景分类方法 | |
CN110933633B (zh) | 一种基于csi指纹特征迁移的船载环境室内定位方法 | |
US11061911B2 (en) | Driving data analyzer | |
CN111816205B (zh) | 一种基于飞机音频的机型智能识别方法 | |
CN112069889B (zh) | 民航飞行器轨迹预测方法、电子设备及存储介质 | |
CN111694913A (zh) | 一种基于卷积自编码器的船舶ais轨迹聚类方法和装置 | |
CN111401136A (zh) | 一种柱塞泵空化程度检测方法、装置及终端 | |
CN114155270A (zh) | 行人轨迹预测方法、装置、设备及存储介质 | |
CN111007871B (zh) | 无人机动态特征识别方法、介质、设备及装置 | |
CN112966555A (zh) | 一种基于深度学习和部件先验的遥感影像飞机识别方法 | |
CN112488171A (zh) | 一种变分模式分解的sru故障预测方法 | |
CN115131580A (zh) | 基于注意力机制的空间目标小样本识别方法 | |
CN115048870A (zh) | 基于残差网络和注意力机制的目标轨迹识别方法 | |
CN114693932A (zh) | 一种大型飞机大部件点云语义分割方法 | |
Yu et al. | Application of a convolutional autoencoder to half space radar hrrp recognition | |
CN109002746B (zh) | 3d立体火灾识别方法和系统 | |
Liu et al. | Deep flight track clustering based on spatial–temporal distance and denoising auto-encoding | |
CN113011308A (zh) | 一种引入注意力机制的行人检测方法 | |
CN112132207A (zh) | 基于多分支特征映射目标检测神经网络构建方法 | |
CN116012709B (zh) | 一种高分辨率遥感影像建筑物提取方法及系统 | |
CN116914730A (zh) | 基于广域卫星云图数据的日前光伏功率预测方法及装置 |
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 |