CN112466103A - 航空器飞行威胁演化预警方法、装置、设备及存储介质 - Google Patents

航空器飞行威胁演化预警方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112466103A
CN112466103A CN202011264428.9A CN202011264428A CN112466103A CN 112466103 A CN112466103 A CN 112466103A CN 202011264428 A CN202011264428 A CN 202011264428A CN 112466103 A CN112466103 A CN 112466103A
Authority
CN
China
Prior art keywords
evolution
threat
data
historical
flight
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
CN202011264428.9A
Other languages
English (en)
Other versions
CN112466103B (zh
Inventor
蔡开泉
朱衍波
陈家同
喻兰辰晖
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 CN202011264428.9A priority Critical patent/CN112466103B/zh
Publication of CN112466103A publication Critical patent/CN112466103A/zh
Priority to US17/485,271 priority patent/US11790767B2/en
Application granted granted Critical
Publication of CN112466103B publication Critical patent/CN112466103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • 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
    • G06F16/219—Managing data history or versioning
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0004—Transmission of traffic-related information to or from an aircraft
    • G08G5/0013—Transmission of traffic-related information to or from an aircraft with a ground station
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0017—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information
    • G08G5/0026—Arrangements for implementing traffic-related aircraft activities, e.g. arrangements for generating, displaying, acquiring or managing traffic information located on the ground
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0047—Navigation or guidance aids for a single aircraft
    • G08G5/0052—Navigation or guidance aids for a single aircraft for cruising
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0047—Navigation or guidance aids for a single aircraft
    • G08G5/0056—Navigation or guidance aids for a single aircraft in an emergency situation, e.g. hijacking
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0073—Surveillance aids
    • G08G5/0091—Surveillance aids for monitoring atmospheric conditions
    • 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

Abstract

本发明实施例提供一种航空器飞行威胁演化预警方法、装置、设备及存储介质，具体实现方案为：该方法包括：将历史威胁态势数据输入至训练至收敛的演化模型中，以输出所述历史威胁态势数据对应的各个演化模式及所述演化模式对应的概率；根据所述演化模式和所述概率得到所述历史威胁态势数据对应的演化趋势数据；根据众包策略分派目标航空器预设范围内的其他航空器的探测任务，获取所述其他航空器根据所述探测任务探测的当前实际飞行威胁信息；若所述飞行威胁满足预警条件，则将预警信息发送给预警设备。本发明实施例的方法可以预测目标航空器在未来预设时间段的飞行威胁，从而可以实现对航空器飞行威胁的预警。

Description

航空器飞行威胁演化预警方法、装置、设备及存储介质
技术领域
本发明实施例涉及航空安全技术领域，尤其涉及一种航空器飞行威胁演化预警方法、装置、设备及存储介质。
背景技术
空中交通安全运行是民航领域永恒的关注重点和首要保障。近年来，民航业发展迅速，航班量显著增加，当前的空管系统已逐渐无法满足安全高效运行需求；另一方面，确保航空器安全运行的前提是准确预测空中交通安全态势的演化趋势，从而实现对危险场景的预警和避让。
然而，空中交通安全态势受到飞行威胁态势的直接影响。航空器飞行威胁对象主要包含危险天气威胁，如雷暴、颠簸等，以及飞行冲突威胁，如受控航空器碰撞、非受控航空器闯入受控空域等。其态势特征由影响范围和影响强度构成，影响范围决定了威胁态势的作用区域，而影响强度决定了威胁态势在区域内各点的危险程度。因此，飞行威胁对空中交通安全态势的感知、预测造成了极大挑战。
目前，由于飞行威胁具有动态性高、影响力强等特点，缺乏对于航空器飞行威胁的预警方式。
发明内容
本发明提供一种航空器飞行威胁演化预警方法、装置、设备及存储介质，用以解决目前缺乏对于航空器飞行威胁的预警方式的问题。
本发明实施例第一方面提供一种航空器飞行威胁演化预警方法，所述方法应用于电子设备，所述方法包括：
获取目标航线预设区域范围内的历史威胁态势数据；
将所述历史威胁态势数据输入至训练至收敛的演化模型中，以输出所述历史威胁态势数据对应的各个演化模式及所述演化模式对应的概率；
根据所述演化模式和所述概率得到所述历史威胁态势数据对应的演化趋势数据；
根据众包策略分派目标航空器预设范围内的其他航空器的探测任务，获取所述其他航空器根据所述探测任务探测的当前实际飞行威胁信息；
根据所述当前实际飞行威胁信息和所述演化趋势数据确定增强演化数据；
获取目标航空器的当前航线信息，并根据所述当前航线信息和所述增强演化数据预测目标航空器在未来预设时间段的飞行威胁；
若所述飞行威胁满足预警条件，则将预警信息发送给预警设备。
进一步地，如上所述的方法，所述获取目标航线预设区域范围内的历史威胁态势数据，包括：
确定所述目标航线预设区域范围内的多个采样点；
获取每个采样点对应的至少一种历史威胁态势数据，每个采样点的每种历史威胁态势数据包括历史威胁位置数据和历史威胁强度数据；
根据所述目标航线的飞行时间信息生成每个采样点对应的各历史威胁态势数据与时间的关系序列；
所述将所述历史威胁态势数据输入至训练至收敛的演化模型中，以输出所述历史威胁态势数据对应的各个演化模式及所述演化模式对应的概率，包括：
将每个采样点对应的各历史威胁态势数据与时间的关系序列输入至训练至收敛的演化模型中，以输出每个采样点在每种历史威胁态势数据下各关系序列对应的各个演化模式及所述演化模式对应的概率。
进一步地，如上所述的方法，所述根据所述演化模式和所述概率得到所述历史威胁态势数据对应的演化趋势数据包括：
将每个关系序列中对应的各个演化模式及所述演化模式对应的概率按照所述概率进行加权求和操作，得到每个关系序列对应的演化趋势数据；
将每个采样点在每种历史威胁态势数据下的各关系序列对应的演化趋势数据进行融合，得到每个采样点在每种历史威胁态势数据下对应的演化趋势数据；
将所有采样点在每种历史威胁态势数据下对应的演化趋势数据融合，以得到每种历史威胁态势数据对应的演化趋势数据。
进一步地，如上所述的方法，所述当前航线信息包括当前航线位置信息和当前航线时间信息；所述增强演化数据包括威胁范围演化数据和威胁强度演化数据；
所述根据所述当前航线信息和所述增强演化数据预测目标航空器在未来预设时间段的飞行威胁，包括：
根据所述当前航线位置信息和当前航线时间信息判断所述增强演化数据中对应的当前威胁范围演化数据是否与所述当前航线位置信息相匹配；
若确定与所述当前航线位置信息相匹配，则根据所述增强演化数据确定目标航空器在未来预设时间段的威胁范围演化数据和威胁强度演化数据；
根据所述未来预设时间段的威胁范围演化数据和威胁强度演化数据确定所述飞行威胁。
进一步地，如上所述的方法，所述将所述历史威胁态势数据输入至训练至收敛的演化模型中之前，还包括：
获取训练样本，所述训练样本中包括：所述对应的各历史威胁态势数据与时间的关系序列及对应的实际演化模式和所述实际演化模式对应的概率；
将所述训练样本输入到预设演化模型中，以对所述预设演化模型进行训练；
采用预设误差公式判断所述预设演化模型是否满足收敛条件；
若所述预设演化模型满足收敛条件，则将满足收敛条件的预设演化模型确定为训练至收敛的演化模型。
进一步地，如上所述的方法，所述根据所述当前实际飞行威胁信息和所述演化趋势数据确定增强演化数据，包括：
计算所述当前实际飞行威胁信息与对应区域中所述演化趋势数据的误差值；
将所述误差值输入预设的预测模型，以输出预测误差值；
根据所述演化趋势数据和所述预测误差值确定增强演化数据。
本发明实施例第二方面提供一种装置，所述装置位于电子设备中，包括：
获取模块，用于获取目标航线预设区域范围内的历史威胁态势数据；
演化模块，用于将所述历史威胁态势数据输入至训练至收敛的演化模型中，以输出所述历史威胁态势数据对应的各个演化模式及所述演化模式对应的概率；
演化趋势确定模块，用于根据所述演化模式和所述概率得到所述历史威胁态势数据对应的演化趋势数据；
威胁预测模块，用于根据众包策略分派目标航空器预设范围内的其他航空器的探测任务，获取所述其他航空器根据所述探测任务探测的当前实际飞行威胁信息；根据所述当前实际飞行威胁信息和所述演化趋势数据确定增强演化数据；获取目标航空器的当前航线信息，并根据所述当前航线信息和所述增强演化数据预测目标航空器在未来预设时间段的飞行威胁；
预警模块，用于若所述飞行威胁满足预警条件，则将预警信息发送给预警设备。
进一步地，如上所述的装置，所述获取模块具体用于：
确定所述目标航线预设区域范围内的多个采样点；获取每个采样点对应的至少一种历史威胁态势数据，每个采样点的每种历史威胁态势数据包括历史威胁位置数据和历史威胁强度数据；根据所述目标航线的飞行时间信息生成每个采样点对应的各历史威胁态势数据与时间的关系序列；
所述演化模块具体用于：
将每个采样点对应的各历史威胁态势数据与时间的关系序列输入至训练至收敛的演化模型中，以输出每个采样点在每种历史威胁态势数据下各关系序列对应的各个演化模式及所述演化模式对应的概率。
进一步地，如上所述的装置，所述演化趋势确定模块具体用于：
将每个关系序列中对应的各个演化模式及所述演化模式对应的概率按照所述概率进行加权求和操作，得到每个关系序列对应的演化趋势数据；将每个采样点在每种历史威胁态势数据下的各关系序列对应的演化趋势数据进行融合，得到每个采样点在每种历史威胁态势数据下对应的演化趋势数据；将所有采样点在每种历史威胁态势数据下对应的演化趋势数据融合，以得到每种历史威胁态势数据对应的演化趋势数据。
进一步地，如上所述的装置，所述当前航线信息包括当前航线位置信息和当前航线时间信息；所述增强演化数据包括威胁范围演化数据和威胁强度演化数据；
所述威胁预测模块在根据所述当前航线信息和所述增强演化数据预测目标航空器在未来预设时间段的飞行威胁时，具体用于：
根据所述当前航线位置信息和当前航线时间信息判断所述增强演化数据中对应的当前威胁范围演化数据是否与所述当前航线位置信息相匹配；若确定与所述当前航线位置信息相匹配，则根据所述增强演化数据确定目标航空器在未来预设时间段的威胁范围演化数据和威胁强度演化数据；根据所述未来预设时间段的威胁范围演化数据和威胁强度演化数据确定所述飞行威胁。
进一步地，如上所述的装置，所述装置还包括训练模块，所述训练模块用于：
获取训练样本，所述训练样本中包括：所述对应的各历史威胁态势数据与时间的关系序列及对应的实际演化模式和所述实际演化模式对应的概率；将所述训练样本输入到预设演化模型中，以对所述预设演化模型进行训练；采用预设误差公式判断所述预设演化模型是否满足收敛条件；若所述预设演化模型满足收敛条件，则将满足收敛条件的预设演化模型确定为训练至收敛的演化模型。
进一步地，如上所述的装置，所述威胁预测模块在根据所述当前实际飞行威胁信息和所述演化趋势数据确定增强演化数据时，具体用于：
计算所述当前实际飞行威胁信息与对应区域中所述演化趋势数据的误差值；将所述误差值输入预设的预测模型，以输出预测误差值；根据所述演化趋势数据和所述预测误差值确定增强演化数据。
本发明实施例第三方面提供一种航空器飞行威胁演化预警设备，包括：存储器，处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为由所述处理器执行第一方面任一项所述的航空器飞行威胁演化预警方法。
本发明实施例第四方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现第一方面任一项所述的航空器飞行威胁演化预警方法。
本发明实施例提供的一种航空器飞行威胁演化预警方法、装置、设备及存储介质，该方法应用于电子设备，该方法包括：获取目标航线预设区域范围内的历史威胁态势数据；将所述历史威胁态势数据输入至训练至收敛的演化模型中，以输出所述历史威胁态势数据对应的各个演化模式及所述演化模式对应的概率；根据所述演化模式和所述概率得到所述历史威胁态势数据对应的演化趋势数据；根据众包策略分派目标航空器预设范围内的其他航空器的探测任务，获取所述其他航空器根据所述探测任务探测的当前实际飞行威胁信息；根据所述当前实际飞行威胁信息和所述演化趋势数据确定增强演化数据；获取目标航空器的当前航线信息，并根据所述当前航线信息和所述增强演化数据预测目标航空器在未来预设时间段的飞行威胁；若所述飞行威胁满足预警条件，则将预警信息发送给预警设备。本发明实施例的航空器飞行威胁预警方法，通过获取目标航线预设区域范围内的历史威胁态势数据，并将历史威胁态势数据输入训练至收敛的演化模型中，以根据输出的演化模式和概率得到后续历史威胁态势数据对应的演化趋势数据，同时，通过众包策略分派目标航空器预设范围内的其他航空器探测任务以探测实际飞行威胁信息，从而可以确定更为精确的增强演化数据。从而根据所述增强演化数据可以预测未来预设时间段的飞行威胁。同时，通过结合目标航空器的当前航线信息和增强演化数据可以预测目标航空器在未来预设时间段的飞行威胁，从而可以在飞行威胁满足预警条件时，将预警信息发送给预警设备，进而实现对航空器飞行威胁的预警。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1为可以实现本发明实施例的航空器飞行威胁演化预警方法的场景图；
图2为本发明一实施例提供的航空器飞行威胁演化预警方法的流程示意图；
图3为本发明另一实施例提供的航空器飞行威胁演化预警方法的流程示意图；
图4为本发明又一实施例提供的航空器飞行威胁演化预警方法中演化模型训练的流程示意图；
图5为本发明一实施例提供的航空器飞行威胁演化预警方法的采样点选取示意图；
图6为本发明一实施例提供的航空器飞行威胁演化预警装置的结构示意图；
图7为本发明一实施例提供的电子设备的结构示意图。
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
首先对本发明实施例所涉及的名词进行解释：
FCM：中文为：模糊C均值算法，全称为：FuzzyC-Means，FCM是一种通过逐步迭代来确定每个数据点属于某个聚类概率的算法，使得同类的簇相似度高，不同类的簇相似度低，该聚类算法可以看作是对传统硬聚类算法的一种改进。
Xie and Beni指标以及Fukuyama-Sugeno指标：是聚类有效指标，指标数越低聚类效果越好。
演化：指没有方向的变化，可以是由简单到复杂的进化，也可以是由复杂到简单的退化。
下面对本发明实施例提供的航空器飞行威胁演化预警方法的应用场景进行介绍。如图1所示，其中，1为第一电子设备，2为第二电子设备，3为目标航空器。本发明实施例提供的航空器飞行威胁演化预警方法对应的应用场景的网络架构中包括：第一电子设备1、第二电子设备2和目标航空器3。第二电子设备2存储有历史威胁态势数据，尤其是目标航线预设区域范围内的历史威胁态势数据。第一电子设备1从第二电子设备2中获取目标航线预设区域范围内的历史威胁态势数据，预设区域范围可以是目标航线周围10公里或者根据实际需求来设置。然后将历史威胁态势数据输入至训练至收敛的演化模型中，以输出历史威胁态势数据对应的各个演化模式及演化模式对应的概率。通过演化模式及演化模式对应的概率可以计算得到历史威胁态势数据对应的演化趋势数据，同时，根据演化趋势数据可以预测未来时间段内，历史威胁态势数据会如何演化。然后，根据众包策略分派目标航空器预设范围内的其他航空器的探测任务，获取其他航空器根据探测任务探测的当前实际飞行威胁信息，从而通过演化趋势数据和当前实际飞行威胁信息得到增强演化数据。从而通过从目标航空器3获取的目标航空器的当前航线信息，结合增强演化数据预测目标航空器在未来预设时间段的飞行威胁，若飞行威胁满足预警条件，则将预警信息发送至航空器中的预警设备。
本发明实施例提供的航空器飞行威胁演化预警方法，通过获取目标航线预设区域范围内的历史威胁态势数据，并将历史威胁态势数据输入训练至收敛的演化模型中，以根据输出的演化模式和概率得到后续历史威胁态势数据对应的演化趋势数据，同时，通过众包策略分派目标航空器预设范围内的其他航空器探测任务以探测实际飞行威胁信息，从而可以确定更为精确的增强演化数据。根据增强演化数据可以预测未来预设时间段的飞行威胁。同时，通过结合目标航空器的当前航线信息和增强演化数据可以预测目标航空器在未来预设时间段的飞行威胁，从而可以在飞行威胁满足预警条件时，将预警信息发送给预警设备，进而可以实现对航空器飞行威胁的预警。
下面结合说明书附图对本发明实施例进行介绍。
图2为本发明一实施例提供的航空器飞行威胁演化预警方法的流程示意图，如图2所示，本实施例中，本发明实施例的执行主体为航空器飞行威胁演化预警装置，该航空器飞行威胁演化预警装置可以集成在电子设备中。则本实施例提供的航空器飞行威胁演化预警方法包括以下几个步骤：
步骤S101，获取目标航线预设区域范围内的历史威胁态势数据。
首先，本实施例中，目标航线为目标航空器将要飞行的航线。预设区域范围可以是以目标航空器为原点，半径为预设长度的球体区域范围。如预设长度为5公里。可以理解的是，球体半径大小可以根据实际需求进行设置，本实施例对此不作限定。
本实施例中，历史威胁态势数据指记录的历史飞行威胁态势数据，历史威胁态势数据可以通过航空器在过去的时间段内运行在对应航线时采集，也可以通过地面控制中心或者气象系统处记录各种飞行威胁态势数据。在完成历史威胁态势数据采集过程后，可以建立历史威胁态势数据的存储数据库，将历史威胁态势数据存储在存储数据库中，从而在需要对目标航空器提供飞行威胁预警时，可以直接从存储数据库中，获取历史威胁态势数据，提高飞行威胁预警的效率。
在本实施例中，历史威胁态势数据有多种类型，如雷暴、颠簸、以及飞行冲突威胁等等。每一种历史威胁态势数据的数据变化都是不一样的。
步骤S102，将历史威胁态势数据输入至训练至收敛的演化模型中，以输出历史威胁态势数据对应的各个演化模式及演化模式对应的概率。
本实施例中，训练至收敛的演化模型可以采用BP神经网络，即误差反向传播神经网络，从而在演化模型输出端若发现误差可以反馈至输入端，进行对应调整以减少演化模型的误差。
本实施例中，由于飞行威胁本身存在很强的随机性和变化性。历史威胁态势数据会有多种演化模式以及演化模式对应的概率。为了方便理解，本实施例将以常见的函数来举例说明，其实际并不是用下列函数来进行简单演化。比如当历史威胁态势数据种类为雷暴威胁态势数据时，演化模式可能有一次函数、二次函数及三次函数，三个演化模式，分别对应有百分之50、百分之30及百分之20的概率。这说明其中接近一半的数据时按照一次函数进行演化，百分之30的数据按照二次函数演化，百分之20的数据按照三次函数演化。
步骤S103，根据演化模式和概率得到历史威胁态势数据对应的演化趋势数据。
本实施例中，可以将演化模式和演化模式对应的概率进行融合得到历史威胁态势数据对应的演化趋势数据，以在后续通过演化趋势数据预测目标航空器进行未来预设时间段的飞行威胁。
步骤S104，根据众包策略分派目标航空器预设范围内的其他航空器的探测任务，获取其他航空器根据探测任务探测的当前实际飞行威胁信息。
本实施例中，目标航空器预设范围可以是以目标航空器为原点，半径为5公里的球体。在这个范围内，可能会有其他的航空器。通过获取其他航空器探测的当前实际飞行威胁信息，可以得到目标航空器预设范围内的实际情况。
步骤S105，根据当前实际飞行威胁信息和演化趋势数据确定增强演化数据。
本实施例中，是通过众包策略，利用目标航空器周围的若干个飞行器探测其周围实际飞行威胁信息，然后将周围飞行器探测的实际飞行威胁信息与演化趋势数据确定增强演化数据。增强演化数据对于飞行威胁的预测精确度更高。
步骤S106，获取目标航空器的当前航线信息，并根据当前航线信息和增强演化数据预测目标航空器在未来预设时间段的飞行威胁。
本实施例中，获取目标航空器的当前航线信息，当前航线信息可以包括当前航线位置信息和当前航线时间信息。根据当前航线位置信息和当前航线时间信息可以匹配增强演化数据中对应位置，从而预测目标航空器在未来预设时间段的飞行威胁。
步骤S107，若飞行威胁满足预警条件，则将预警信息发送给预警设备。
本实施例中，预警条件可以是飞行威胁强度大于预设的阈值，此时可以将预警信息发送给预警设备。预警设备可以设于航空器内部，以达到快速预警的效果。预警设备可以是通过发出警报声，也可以是以红色高频率闪光的方式来发出预警。
本实施例中，可以以时间为参考轴，提取飞行威胁演化预警全过程中每个时隙与当前航线信息的重叠部分信息，比如在该航路段上的影响程度分布情况，将其打包为预警信息并附上时间戳。
在此基础上，可以将航空器的基础属性信息(如重量、机型等)以及航空器的任务-状态信息(如爬升、进近、巡航等)，结合管制经验以及专家知识，为航空器订制相匹配的预警信息，并将上述预警信息通过数据链发送至驾驶舱，由机载系统解析并形成可视化图像反馈至飞行员。
本发明实施例提供的一种航空器飞行威胁演化预警方法，该方法应用于电子设备，该方法包括：获取目标航线预设区域范围内的历史威胁态势数据。将历史威胁态势数据输入至训练至收敛的演化模型中，以输出历史威胁态势数据对应的各个演化模式及演化模式对应的概率。根据演化模式和概率得到历史威胁态势数据对应的演化趋势数据。获取目标航空器的当前航线信息，并根据当前航线信息和演化趋势数据预测目标航空器在未来预设时间段的飞行威胁。若飞行威胁满足预警条件，则将预警信息发送给预警设备。本发明实施例的航空器飞行威胁演化预警方法，通过获取目标航线预设区域范围内的历史威胁态势数据，并将历史威胁态势数据输入训练至收敛的演化模型中，以根据输出的演化模式和概率得到后续历史威胁态势数据对应的演化趋势数据，同时，通过众包策略分派目标航空器预设范围内的其他航空器探测任务以探测实际飞行威胁信息，从而可以确定更为精确的增强演化数据。从而根据增强演化数据可以预测未来预设时间段的飞行威胁。同时，通过结合目标航空器的当前航线信息和增强演化数据可以预测目标航空器在未来预设时间段的飞行威胁，从而可以在飞行威胁满足预警条件时，将预警信息发送给预警设备，进而实现对航空器飞行威胁的预警。
图3为本发明另一实施例提供的航空器飞行威胁演化预警方法的流程示意图，如图3所示，本实施例提供的航空器飞行威胁演化预警方法，是在本发明上一实施例提供的航空器飞行威胁演化预警方法的基础上，对其中的各个步骤的进一步细化。则本实施例提供的航空器飞行威胁演化预警方法包括以下步骤。
其中，步骤201-202是对步骤101的进一步细化。
步骤S201，确定目标航线预设区域范围内的多个采样点。获取每个采样点对应的至少一种历史威胁态势数据，每个采样点的每种历史威胁态势数据包括历史威胁位置数据和历史威胁强度数据。
本实施例中，采样点的数量可以是多个，同时，采样点的数量越多可以让后续根据演化趋势数据预测目标航空器的飞行威胁的准确率越高。采样点位于目标航线预设区域范围内，预设区域范围可以是以目标航线中的位置为原点，半径为预设数值的球体，同样，预设区域范围也可以是方体，本实施例对此不做限定。同样，采样点也可以是从目标航线预设区域范围内某种历史威胁态势数据对应的威胁范围中获取的采样点。
本实施例中，采样点对应至少一种历史威胁态势数据，比如对应雷暴威胁态势数据、颠簸威胁态势数据、以及飞行冲突威胁态势数据等。通过对多种历史威胁态势数据进行分析采样可以使后续的飞行威胁预测更为全面。同时，每个采样点的每种历史威胁态势数据都具有历史威胁位置数据和历史威胁强度数据。其中，历史威胁位置数据可以通过历史威胁的三维坐标数据来体现。
步骤S202，根据目标航线的飞行时间信息生成每个采样点对应的各历史威胁态势数据与时间的关系序列。
本实施例中，目标航线的飞行时间信息为从航线出发到航线到达期间，历经的所有时间信息。当以目标航线的飞行时间信息为依据生成每个采样点对应的各历史威胁态势数据与时间的关系序列可以更符合目标航线的实际情况。
本实施例中，每个采样点对应的各历史威胁态势数据与时间的关系序列为各历史威胁态势数据中将历史威胁位置数据以三维坐标数据的形式划分成X轴、Y轴、Z轴三维分别与时间的关系序列以及历史威胁强度数据与时间的关系序列。从而形成X与时间的关系序列、Y与时间的关系序列、Z与时间的关系序列以及历史威胁强度数据与时间的关系序列，这四个关系序列。每个关系序列的长度与目标航线的飞行时间信息有关。进而通过每个采样点的四个关系序列可以得到每个采样点对应的各历史威胁态势数据在时间上的演化情况。
需要说明的是，步骤203是对步骤102的进一步细化。
步骤S203，将每个采样点对应的各历史威胁态势数据与时间的关系序列输入至训练至收敛的演化模型中，以输出每个采样点在每种历史威胁态势数据下各关系序列对应的各个演化模式及演化模式对应的概率。
本实施例中，训练至收敛的演化模型用于将每个采样点对应的各历史威胁态势数据与时间的关系序列转化为每个采样点在每种历史威胁态势数据下各关系序列对应的各个演化模式及演化模式对应的概率。假如每个采样点有3种历史威胁态势数据，每种历史威胁态势数据又有4个关系序列，那么每个采样点将拥有12个关系序列。每个关系序列又有多种演化模式及演化模式对应的概率。
本实施例中，由于每个采样点可以对应不同的各历史威胁态势数据，比如对应雷暴威胁态势数据、颠簸威胁态势数据、以及飞行冲突威胁态势数据等，那么每个采样点对应的关系序列也是对应不同的各历史威胁态势数据，如雷暴对应的关系序列、颠簸对应的关系序列、飞行冲突威胁对应的关系序列等。每个关系序列会有多种演化模式以及演化模式对应的概率。为了方便理解，本实施例将以常见的函数来举例说明，其实际并不是用下列函数来进行简单演化。比如当历史威胁态势数据种类为雷暴威胁态势数据时，雷暴威胁态势数据对应的关系序列演化模式可能有一次函数、二次函数及三次函数，三个演化模式，分别有百分之50、百分之30及百分之20的概率。说明其中接近一半的数据时按照一次函数进行演化，百分之30的数据按照二次函数演化，百分之20的数据按照三次函数演化。如果为其他种类的威胁态势数据，其原理也同上。
需要说明的是，步骤204-206是对步骤103的进一步细化。
步骤S204，将每个关系序列中对应的各个演化模式及演化模式对应的概率按照概率进行加权求和操作，得到每个关系序列对应的演化趋势数据。
本实施例中，如上述雷暴威胁态势数据的举例说明，当对雷暴威胁态势数据中各个关系序列对应的各个演化模式和概率进行加权求和操作时，将一次函数按照0.5加权、二次函数按照0.3加权以及三次函数按照0.2加权，并在加权后对三者求和得到各个关系序列对应的演化趋势数据。
本实施例中，通过将每个关系序列中对应的各个演化模式及演化模式对应的概率按照概率进行加权求和操作可以让得到的每个关系序列对应的演化趋势数据更符合实际威胁的变化情况，同时使后续预测目标航空器的飞行威胁更为精确。
步骤S205，将每个采样点在每种历史威胁态势数据下的各关系序列对应的演化趋势数据进行融合，得到每个采样点在每种历史威胁态势数据下对应的演化趋势数据。
本实施例中，由于每个采样点在每种历史威胁态势数据下具有四个关系序列，将每种历史威胁态势数据下具有四个关系序列进行融合可以得到每种历史威胁态势数据下对应的演化趋势数据。
步骤S206，将所有采样点在每种历史威胁态势数据下对应的演化趋势数据融合以得到每种历史威胁态势数据对应的演化趋势数据。
本实施例中，由于采样点具有多种的历史威胁态势数据，将采样点在每种历史威胁态势数据下对应的演化趋势数据融合可以得到每个采样点对应的演化趋势数据。将所有采样点对应的演化趋势数据进行融合即可以得到每种历史威胁态势数据对应的演化趋势数据。
步骤S207，根据众包策略分派目标航空器预设范围内的其他航空器的探测任务，获取其他航空器根据探测任务探测的当前实际飞行威胁信息。
本实施例中，步骤207的实现方式与本发明上一实施例中的步骤104的实现方式类似，在此不再一一赘述。
步骤S208，根据当前实际飞行威胁信息和演化趋势数据确定增强演化数据。
本实施例中，步骤208的实现方式与本发明上一实施例中的步骤105的实现方式类似，在此不再一一赘述。
需要说明的是，步骤209-211是对其中步骤106的进一步细化。其中，当前航线信息包括当前航线位置信息和当前航线时间信息。演化趋势数据包括威胁范围演化数据和威胁强度演化数据。
步骤S209，获取目标航空器的当前航线信息，根据当前航线位置信息和当前航线时间信息判断增强演化数据中对应的当前威胁范围演化数据是否与当前航线位置信息相匹配。
本实施例中，获取目标航空器的当前航线信息的方式可以是通过控制中心获取或者其他的方式获取，本实施例对此不作限定。根据当前航线位置信息和当前航线时间信息判断增强演化数据中对应的当前威胁范围演化数据是否与当前航线位置信息相匹配，从而可以在匹配的情况下预测目标航空器在未来预设时间段的飞行威胁。
步骤S210，若确定与当前航线位置信息相匹配，则根据增强演化数据确定目标航空器在未来预设时间段的威胁范围演化数据和威胁强度演化数据。
本实施例中，威胁范围演化数据可以由每个采样点构成的范围变化情况来确定。威胁强度演化数据可以由每个采样点的威胁强度演化情况来确定。
步骤S211，根据未来预设时间段的威胁范围演化数据和威胁强度演化数据确定飞行威胁。
本实施例中，未来预设时间段可以为未来的一小时内，两小时内，或者其他时间，可以根据实际的需求进行设置。根据威胁范围演化数据可以判断目标航空器的目标航线与飞行威胁范围边界之间的距离演变情况，从而更精确的判断目标航空器的飞行威胁情况。根据威胁强度演化数据可以确定目标航空器的目标航线与飞行威胁范围边界之间的威胁强度演变情况。当距离到达一定阈值且威胁强度达到预设的阈值时，将预警信息发送给预警设备。
步骤S212，若飞行威胁满足预警条件，则将预警信息发送给预警设备。
本实施例中，步骤212的实现方式与本发明上一实施例中的步骤107的实现方式类似，在此不再一一赘述。
本发明实施例提供的一种航空器飞行威胁演化预警方法，该方法通过获取目标航线预设区域范围内的历史威胁态势数据，同时，确定目标航线预设区域范围内的多个采样点，采样点对应的历史威胁态势数据有多种，从而可以针对多种历史威胁态势数据来进行后续的预测，以使后续飞行威胁预测更为全面，同时，采样点可以分为四个与时间相关的关系序列，从而将关系序列输入训练至收敛的演化模型中，以根据输出的每个关系序列对应的演化模式和概率得到后续历史威胁态势数据对应的演化趋势数据，同时，通过众包策略分派目标航空器预设范围内的其他航空器探测任务以探测实际飞行威胁信息，从而可以确定更为精确的增强演化数据。从而根据增强演化数据可以预测未来预设时间段的飞行威胁。此外，通过结合目标航空器的当前航线信息和增强演化数据可以预测目标航空器在未来预设时间段的飞行威胁。同时，通过结合目标航空器的当前航线信息和演化趋势数据可以预测目标航空器在未来预设时间段的飞行威胁，从而可以在飞行威胁满足预警条件时，将预警信息发送给预警设备，进而实现对航空器飞行威胁的预警。
图4为本发明又一实施例提供的航空器飞行威胁演化预警方法中演化模型训练的流程示意图。如图4所示，本实施例提供的航空器飞行威胁演化预警方法，是在本发明上一实施例提供的航空器飞行威胁演化预警方法的基础上，增加了演化模型训练和增强演化的流程。则本实施例提供的航空器飞行威胁演化预警方法包括以下步骤。
步骤S301，获取训练样本，训练样本中包括：对应的各历史威胁态势数据与时间的关系序列及对应的实际演化模式和实际演化模式对应的概率。
本实施例中，训练样本为各历史威胁态势数据与时间的关系序列以及在采集的各历史威胁态势数据中，关系序列对应的各个实际演化模式和实际演化模式对应的概率。从而可以通过实际发生的历史威胁态势数据来对演化模型进行训练。
步骤S302，将训练样本输入到预设演化模型中，以对预设演化模型进行训练。
本实施例中，预设演化模型为需要进行训练的演化模型。
步骤S303，采用预设误差公式判断预设演化模型是否满足收敛条件。
本实施例中，通过预设误差公式收敛后的预设演化模型输出的演化模式及对应的概率更为精确。
本实施例中，演化模型中通过Xie and Beni指标以及Fukuyama-Sugeno指标判断当前的聚类簇数是否是最佳。
步骤S304，若预设演化模型满足收敛条件，则将满足收敛条件的预设演化模型确定为训练至收敛的演化模型。
可选的，本实施例中，根据当前实际飞行威胁信息和演化趋势数据确定增强演化数据，包括：
计算当前实际飞行威胁信息与对应区域中演化趋势数据的误差值。
将误差值输入预设的预测模型，以输出预测误差值。
根据演化趋势数据和预测误差值确定增强演化数据。
本实施例中，可以将其他航空器的飞行威胁轨迹、气象威胁信息与演化趋势数据对应位置的数据进行比较，从而计算出两者的误差，以得到一段时间内的预测误差序列。然后，根据Holt二次指数平滑时序预测模型对该预测误差序列进行预测，可以得到在未来预设时间段内的误差变化情况。从而可以根据误差变化情况和演化趋势数据确定增强演化数据确定增强演化数据。
其预测原理为：
St＝αΔnit+(1-α)(St-1+bt-1)
bt＝β(St-St-1)+(1-β)bt-1
其中，Δnit为预测误差序列，St、bt为通过对序列Δnit迭代计算出的中间序列，α、β可以对历史误差数据预测并使用最小二乘法得出。
本发明实施例提供的一种航空器飞行威胁演化预警方法，该方法通过获取目标航线预设区域范围内的历史威胁态势数据，同时，确定目标航线预设区域范围内的多个采样点，采样点对应的历史威胁态势数据有多种，且采样点可以分为四个与时间相关的关系序列，从而将关系序列输入训练至收敛的演化模型中，以根据输出的每个关系序列对应的演化模式和概率得到后续历史威胁态势数据对应的演化趋势数据，根据众包策略分派目标航空器预设范围内的其他航空器的探测任务，获取其他航空器根据探测任务探测的当前实际飞行威胁信息；根据当前实际飞行威胁信息和演化趋势数据确定增强演化数据；获取目标航空器的当前航线信息，并根据当前航线信息和增强演化数据预测目标航空器在未来预设时间段的飞行威胁，提高了预测的精确度。从而可以在飞行威胁满足预警条件时，将预警信息发送给预警设备，进而实现对航空器飞行威胁的预警。
图5为本发明一实施例提供的航空器飞行威胁演化预警方法的采样点选取示意图，如图5所示，本实施例提供的航空器飞行威胁演化预警方法，是在本发明上述实施例提供的航空器飞行威胁演化预警方法的基础上，结合图5描述采样点选取方式、演化模型的构建流程。则本实施例提供的航空器飞行威胁演化预警方法包括以下步骤。
从空间的角度来看，采样点的选取规则为：以影响范围的几何中心为原点，每隔δ度在边界进行采样，得到边界点的位置及强度数据。同时，在边界点与原点的连线上，以1/n为分度值选取n-1个点作为反映影响强度变化的采样点。以圆形影响范围和等值影响强度所构成的态势为例，令δ＝45，n＝2，其在固定时间点上的二维空间采样如图5所示。
在此基础上，将上述每个采样点与时间对应的关系序列按三维位置XYZ以及强度分解为四个一维时间的关系序列。针对于一个具体态势，会产生360/δ×(n-1)×4个一维时间序列，即4倍采样点数的关系序列。
演化模型的构建流程如下：
演化模型中基于FCM对关系序列进行演化模式提取。对每一组关系序列基于FCM算法进行聚类，其算法优势在于态势演化本身存在着不确定性，且没有明确的推导过程，因此应用模糊思想，可以降低不确定性对结果的影响，提升演化结果的鲁棒性。
采用BP神经网络作为模型骨架。同时，以历史威胁态势数据的若干关系序列作为输入，以FCM算法得到的该关系序列所属演化模式的概率为标签，作为BP神经网络的输出。
获取训练集以及集合BP神经网络结构，使用sigmoid函数作为神经元激活函数，并利用反向传播算法对神经网络进行训练，以构建得到演化模型。
图6为本发明一实施例提供的航空器飞行威胁演化预警装置的结构示意图，如图6所示，本实施例中，装置位于电子设备中，该航空器飞行威胁演化预警装置4 00包括：
获取模块401，用于获取目标航线预设区域范围内的历史威胁态势数据。
演化模块402，用于将历史威胁态势数据输入至训练至收敛的演化模型中，以输出历史威胁态势数据对应的各个演化模式及演化模式对应的概率。
演化趋势确定模块403，用于根据演化模式和概率得到历史威胁态势数据对应的演化趋势数据。
威胁预测模块404，用于根据众包策略分派目标航空器预设范围内的其他航空器的探测任务，获取其他航空器根据探测任务探测的当前实际飞行威胁信息；根据当前实际飞行威胁信息和演化趋势数据确定增强演化数据；获取目标航空器的当前航线信息，并根据当前航线信息和增强演化数据预测目标航空器在未来预设时间段的飞行威胁。
预警模块405，用于若飞行威胁满足预警条件，则将预警信息发送给预警设备。
本实施例提供的航空器飞行威胁演化预警装置可以执行图2所示方法实施例的技术方案，其实现原理和技术效果与图2所示方法实施例类似，在此不再一一赘述。
同时，本发明提供的航空器飞行威胁演化预警装置另一实施例在上一实施例提供的航空器飞行威胁演化预警装置的基础上，对航空器飞行威胁演化预警装置400进行了进一步的细化。
可选的，本实施例中，获取模块401具体用于：
确定目标航线预设区域范围内的多个采样点。同时，获取每个采样点对应的至少一种历史威胁态势数据，每个采样点的每种历史威胁态势数据包括历史威胁位置数据和历史威胁强度数据。根据目标航线的飞行时间信息生成每个采样点对应的各历史威胁态势数据与时间的关系序列。
同时，演化模块402具体用于：
将每个采样点对应的各历史威胁态势数据与时间的关系序列输入至训练至收敛的演化模型中，以输出每个采样点在每种历史威胁态势数据下各关系序列对应的各个演化模式及演化模式对应的概率。
可选的，本实施例中，演化趋势确定模块403具体用于：
将每个关系序列中对应的各个演化模式及演化模式对应的概率按照概率进行加权求和操作，得到每个关系序列对应的演化趋势数据。然后，将每个采样点在每种历史威胁态势数据下的各关系序列对应的演化趋势数据进行融合，得到每个采样点在每种历史威胁态势数据下对应的演化趋势数据。最后，将所有采样点在每种历史威胁态势数据下对应的演化趋势数据融合，以得到每种历史威胁态势数据对应的演化趋势数据。
可选的，本实施例中，当前航线信息包括当前航线位置信息和当前航线时间信息。增强演化数据包括威胁范围演化数据和威胁强度演化数据。
威胁预测模块404在根据当前航线信息和增强演化数据预测目标航空器在未来预设时间段的飞行威胁时，具体用于：
根据当前航线位置信息和当前航线时间信息判断增强演化数据中对应的当前威胁范围演化数据是否与当前航线位置信息相匹配。若确定与当前航线位置信息相匹配，则根据增强演化数据确定目标航空器在未来预设时间段的威胁范围演化数据和威胁强度演化数据。根据未来预设时间段的威胁范围演化数据和威胁强度演化数据确定飞行威胁。
可选的，本实施例中，航空器飞行威胁演化预警装置400，还包括：训练模块，训练模块用于：
获取训练样本，训练样本中包括：对应的各历史威胁态势数据与时间的关系序列及对应的实际演化模式和实际演化模式对应的概率。将训练样本输入到预设演化模型中，以对预设演化模型进行训练。采用预设误差公式判断预设演化模型是否满足收敛条件。若预设演化模型满足收敛条件，则将满足收敛条件的预设演化模型确定为训练至收敛的演化模型。
可选的，本实施例中，威胁预测模块404在根据当前实际飞行威胁信息和演化趋势数据确定增强演化数据时，具体用于：
计算当前实际飞行威胁信息与对应区域中演化趋势数据的误差值。将误差值输入预设的预测模型，以输出预测误差值。根据演化趋势数据和预测误差值确定增强演化数据。
本实施例提供的航空器飞行威胁演化预警装置可以执行图2-图4所示方法实施例的技术方案，其实现原理和技术效果与图2-图4所示方法实施例类似，在此不再一一赘述。
根据本发明的实施例，本发明还提供了一种电子设备和一种计算机可读存储介质。
如图7所示，图7是本发明一实施例提供的电子设备的结构示意图。电子设备旨在各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示，该电子设备包括：处理器501、存储器502。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理。
存储器502即为本发明所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本发明所提供的航空器飞行威胁演化预警方法。本发明的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本发明所提供的航空器飞行威胁演化预警方法。
存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本发明实施例中的航空器飞行威胁演化预警方法对应的程序指令/模块(例如，附图6所示的获取模块401，演化模块402，演化趋势确定模块403，威胁预测模块404及预警模块405)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的航空器飞行威胁演化预警方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明实施例的其它实施方案。本发明旨在涵盖本发明实施例的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明实施例的一般性原理并包括本发明实施例未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明实施例的真正范围和精神由下面的权利要求书指出。
应当理解的是，本发明实施例并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明实施例的范围仅由所附的权利要求书来限制。

Claims (10)

1.一种航空器飞行威胁演化预警方法，其特征在于，所述方法应用于电子设备，所述方法包括：
获取目标航线预设区域范围内的历史威胁态势数据；
将所述历史威胁态势数据输入至训练至收敛的演化模型中，以输出所述历史威胁态势数据对应的各个演化模式及所述演化模式对应的概率；
根据所述演化模式和所述概率得到所述历史威胁态势数据对应的演化趋势数据；
根据众包策略分派目标航空器预设范围内的其他航空器的探测任务，获取所述其他航空器根据所述探测任务探测的当前实际飞行威胁信息；
根据所述当前实际飞行威胁信息和所述演化趋势数据确定增强演化数据；
获取目标航空器的当前航线信息，并根据所述当前航线信息和所述增强演化数据预测目标航空器在未来预设时间段的飞行威胁；
若所述飞行威胁满足预警条件，则将预警信息发送给预警设备。
2.根据权利要求1所述的方法，其特征在于，所述获取目标航线预设区域范围内的历史威胁态势数据，包括：
确定所述目标航线预设区域范围内的多个采样点；
获取每个采样点对应的至少一种历史威胁态势数据，每个采样点的每种历史威胁态势数据包括历史威胁位置数据和历史威胁强度数据；
根据所述目标航线的飞行时间信息生成每个采样点对应的各历史威胁态势数据与时间的关系序列；
所述将所述历史威胁态势数据输入至训练至收敛的演化模型中，以输出所述历史威胁态势数据对应的各个演化模式及所述演化模式对应的概率，包括：
将每个采样点对应的各历史威胁态势数据与时间的关系序列输入至训练至收敛的演化模型中，以输出每个采样点在每种历史威胁态势数据下各关系序列对应的各个演化模式及所述演化模式对应的概率。
3.根据权利要求2所述的方法，其特征在于，所述根据所述演化模式和所述概率得到所述历史威胁态势数据对应的演化趋势数据包括：
将每个关系序列中对应的各个演化模式及所述演化模式对应的概率按照所述概率进行加权求和操作，得到每个关系序列对应的演化趋势数据；
将每个采样点在每种历史威胁态势数据下的各关系序列对应的演化趋势数据进行融合，得到每个采样点在每种历史威胁态势数据下对应的演化趋势数据；
将所有采样点在每种历史威胁态势数据下对应的演化趋势数据融合，以得到每种历史威胁态势数据对应的演化趋势数据。
4.根据权利要求1所述的方法，其特征在于，所述当前航线信息包括当前航线位置信息和当前航线时间信息；所述增强演化数据包括威胁范围演化数据和威胁强度演化数据；
所述根据所述当前航线信息和所述增强演化数据预测目标航空器在未来预设时间段的飞行威胁，包括：
根据所述当前航线位置信息和当前航线时间信息判断所述增强演化数据中对应的当前威胁范围演化数据是否与所述当前航线位置信息相匹配；
若确定与所述当前航线位置信息相匹配，则根据所述增强演化数据确定目标航空器在未来预设时间段的威胁范围演化数据和威胁强度演化数据；
根据所述未来预设时间段的威胁范围演化数据和威胁强度演化数据确定所述飞行威胁。
5.根据权利要求2所述的方法，其特征在于，所述将所述历史威胁态势数据输入至训练至收敛的演化模型中之前，还包括：
获取训练样本，所述训练样本中包括：所述对应的各历史威胁态势数据与时间的关系序列及对应的实际演化模式和所述实际演化模式对应的概率；
将所述训练样本输入到预设演化模型中，以对所述预设演化模型进行训练；
采用预设误差公式判断所述预设演化模型是否满足收敛条件；
若所述预设演化模型满足收敛条件，则将满足收敛条件的预设演化模型确定为训练至收敛的演化模型。
6.根据权利要求1所述的方法，其特征在于，所述根据所述当前实际飞行威胁信息和所述演化趋势数据确定增强演化数据，包括：
计算所述当前实际飞行威胁信息与对应区域中所述演化趋势数据的误差值；
将所述误差值输入预设的预测模型，以输出预测误差值；
根据所述演化趋势数据和所述预测误差值确定增强演化数据。
7.一种航空器飞行威胁演化预警装置，其特征在于，所述装置位于电子设备中，包括：
获取模块，用于获取目标航线预设区域范围内的历史威胁态势数据；
演化模块，用于将所述历史威胁态势数据输入至训练至收敛的演化模型中，以输出所述历史威胁态势数据对应的各个演化模式及所述演化模式对应的概率；
演化趋势确定模块，用于根据所述演化模式和所述概率得到所述历史威胁态势数据对应的演化趋势数据；
威胁预测模块，用于根据众包策略分派目标航空器预设范围内的其他航空器的探测任务，获取所述其他航空器根据所述探测任务探测的当前实际飞行威胁信息；根据所述当前实际飞行威胁信息和所述演化趋势数据确定增强演化数据；获取目标航空器的当前航线信息，并根据所述当前航线信息和所述增强演化数据预测目标航空器在未来预设时间段的飞行威胁；
预警模块，用于若所述飞行威胁满足预警条件，则将预警信息发送给预警设备。
8.根据权利要求7所述的装置，其特征在于，所述获取模块具体用于：
确定所述目标航线预设区域范围内的多个采样点；获取每个采样点对应的至少一种历史威胁态势数据，每个采样点的每种历史威胁态势数据包括历史威胁位置数据和历史威胁强度数据；根据所述目标航线的飞行时间信息生成每个采样点对应的各历史威胁态势数据与时间的关系序列；
所述演化模块具体用于：
将每个采样点对应的各历史威胁态势数据与时间的关系序列输入至训练至收敛的演化模型中，以输出每个采样点在每种历史威胁态势数据下各关系序列对应的各个演化模式及所述演化模式对应的概率。
9.一种航空器飞行威胁演化预警设备，其特征在于，包括：存储器，处理器；
存储器；用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为由所述处理器执行如权利要求1至6任一项所述的航空器飞行威胁演化预警方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至6任一项所述的航空器飞行威胁演化预警方法。
CN202011264428.9A 2020-11-12 2020-11-12 航空器飞行威胁演化预警方法、装置、设备及存储介质 Active CN112466103B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011264428.9A CN112466103B (zh) 2020-11-12 2020-11-12 航空器飞行威胁演化预警方法、装置、设备及存储介质
US17/485,271 US11790767B2 (en) 2020-11-12 2021-09-24 Method, apparatus, device and storage medium for pre-warning of aircraft flight threat evolution

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011264428.9A CN112466103B (zh) 2020-11-12 2020-11-12 航空器飞行威胁演化预警方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112466103A true CN112466103A (zh) 2021-03-09
CN112466103B CN112466103B (zh) 2021-10-01

Family

ID=74824951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011264428.9A Active CN112466103B (zh) 2020-11-12 2020-11-12 航空器飞行威胁演化预警方法、装置、设备及存储介质

Country Status (2)

Country Link
US (1) US11790767B2 (zh)
CN (1) CN112466103B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113377119A (zh) * 2021-04-21 2021-09-10 北京控制工程研究所 一种基于能力模型的航天器任务推演方法和系统
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

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451588B (zh) * 2023-04-25 2024-02-27 中航信移动科技有限公司 基于目标物预测轨迹确定提示信息的方法、介质及设备
CN117196323B (zh) * 2023-11-07 2024-02-27 之江实验室 一种基于高维图网络的复杂社会事件的预警方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106508038B (zh) * 2011-11-16 2014-07-02 中国人民解放军国防科学技术大学 基于误判率的航天器轨迹安全准则研究方法
CN105956790A (zh) * 2016-05-24 2016-09-21 南京航空航天大学 低空飞行态势安全性评估指标及其评估方法
CN106803362A (zh) * 2015-01-07 2017-06-06 江苏理工学院 一种基于4d航迹的飞行冲突预警方法
US20180018886A1 (en) * 2016-05-19 2018-01-18 Aviation Communication & Surveillance Systems, Llc Systems and methods for integrating terrain and weather avoidance for detection and avoidance
CN108830032A (zh) * 2018-05-17 2018-11-16 南京邮电大学 一种基于神经网络的无人机天气预警方法
CN109903590A (zh) * 2017-12-11 2019-06-18 上海航空电器有限公司 一种基于地形包线的航空器自动机动规避方法
CN109977546A (zh) * 2019-03-27 2019-07-05 北京航空航天大学 一种基于无监督学习的四维航迹在线异常检测方法
CN110379210A (zh) * 2019-07-30 2019-10-25 四川九洲空管科技有限责任公司 一种民用航空器异常飞行监测方法及装置
CN111144290A (zh) * 2019-12-26 2020-05-12 中国人民解放军93209部队 一种基于多视图的飞行态势精确感知方法
CN111819610A (zh) * 2018-03-06 2020-10-23 Dfs德国空管有限公司 用于无人驾驶飞行器和载人飞行器的空中态势信息和交通管理系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8600587B1 (en) * 2010-09-16 2013-12-03 Rockwell Collins, Inc. System and method for determining an object threat level
US20190066519A1 (en) * 2017-08-30 2019-02-28 The Boeing Company Aircraft flight planning apparatus and method
US11302204B2 (en) * 2018-04-02 2022-04-12 Ge Aviation Systems Llc Flight management system and method of updating
KR102451780B1 (ko) * 2020-06-30 2022-10-07 (주)한국해양기상기술 Ads-b 데이터 기반의 항로 기상 예측 방법, 장치 및 시스템

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106508038B (zh) * 2011-11-16 2014-07-02 中国人民解放军国防科学技术大学 基于误判率的航天器轨迹安全准则研究方法
CN106803362A (zh) * 2015-01-07 2017-06-06 江苏理工学院 一种基于4d航迹的飞行冲突预警方法
US20180018886A1 (en) * 2016-05-19 2018-01-18 Aviation Communication & Surveillance Systems, Llc Systems and methods for integrating terrain and weather avoidance for detection and avoidance
CN105956790A (zh) * 2016-05-24 2016-09-21 南京航空航天大学 低空飞行态势安全性评估指标及其评估方法
CN109903590A (zh) * 2017-12-11 2019-06-18 上海航空电器有限公司 一种基于地形包线的航空器自动机动规避方法
CN111819610A (zh) * 2018-03-06 2020-10-23 Dfs德国空管有限公司 用于无人驾驶飞行器和载人飞行器的空中态势信息和交通管理系统
CN108830032A (zh) * 2018-05-17 2018-11-16 南京邮电大学 一种基于神经网络的无人机天气预警方法
CN109977546A (zh) * 2019-03-27 2019-07-05 北京航空航天大学 一种基于无监督学习的四维航迹在线异常检测方法
CN110379210A (zh) * 2019-07-30 2019-10-25 四川九洲空管科技有限责任公司 一种民用航空器异常飞行监测方法及装置
CN111144290A (zh) * 2019-12-26 2020-05-12 中国人民解放军93209部队 一种基于多视图的飞行态势精确感知方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王慧，李永亮，丁辉，蔡开泉: "基于深度学习的航班延误预测方法", 《指挥信息系统与技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113377119A (zh) * 2021-04-21 2021-09-10 北京控制工程研究所 一种基于能力模型的航天器任务推演方法和系统
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

Also Published As

Publication number Publication date
US11790767B2 (en) 2023-10-17
US20220148436A1 (en) 2022-05-12
CN112466103B (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN112466103B (zh) 航空器飞行威胁演化预警方法、装置、设备及存储介质
Lin et al. An algorithm for trajectory prediction of flight plan based on relative motion between positions
Conde et al. Conflict detection and resolution method for cooperating unmanned aerial vehicles
CN104699943A (zh) 无人飞行器系统感测和避免传感器融合航迹初始化
US8229716B2 (en) Fast tracking methods and systems for air traffic modeling using a Monotonic Lagrangian Grid
CN105144207A (zh) 用于优化资源分配计划的方法及设备
Kochenderfer et al. Uncorrelated encounter model of the National Airspace System version 1.0
Narkawicz et al. Sensor uncertainty mitigation and dynamic well clear volumes in DAIDALUS
Al Said et al. Retracted: An unmanned aerial vehicles navigation system on the basis of pattern recognition applications—Review of implementation options and prospects for development
Ajakwe et al. Tractable minacious drones aerial recognition and safe-channel neutralization scheme for mission critical operations
Wang et al. Bayesian-based decision-making for object search and classification
US11487301B2 (en) Method and device for generating an optimum vertical trajectory intended to be followed by an aircraft
JP2019175287A (ja) 移動体の避航判断方法、避航判断装置及び避航判断プログラム
Zhao et al. Machine learning-based traffic management model for UAS instantaneous density prediction in an urban area
CN116630888A (zh) 无人机监测方法、无人机监测装置、电子设备及存储介质
Mikhalev et al. Comparison of hough transform and particle filter methods of emitter geolocation using fusion of TDOA data
He Online detection and modeling of safety boundaries for aerospace applications using active learning and bayesian statistics
Keong et al. Reinforcement learning for autonomous aircraft avoidance
Yang et al. Terminal-area aircraft intent inference approach based on online trajectory clustering
US20220035972A1 (en) Systems and methods for denoising gps signals using simulated models
US10801841B1 (en) Trajectory prediction via a feature vector approach
Kim et al. Development of an Autonomous Situational Awareness Software for Autonomous Unmanned Aerial Vehicles
Mishra et al. Context-Driven Proactive Decision Support: Challenges and Applications: Challenges and Applications Manisha Mishra,* David Sidoti, Gopi V. Avvari, Pujitha Mannaru, Diego FM Ayala and Krishna R. Pattipati
Baccari et al. Anomaly Detection in Connected and Autonomous Vehicles: A Survey, Analysis, and Research Challenges
Liang et al. Optimization of spatiotemporal clustering for target tracking from multisensor data

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