CN112948161B - 一种基于深度学习的航空报文纠错修正方法及系统 - Google Patents
一种基于深度学习的航空报文纠错修正方法及系统 Download PDFInfo
- Publication number
- CN112948161B CN112948161B CN202110255038.3A CN202110255038A CN112948161B CN 112948161 B CN112948161 B CN 112948161B CN 202110255038 A CN202110255038 A CN 202110255038A CN 112948161 B CN112948161 B CN 112948161B
- Authority
- CN
- China
- Prior art keywords
- information
- model
- verified
- airway
- error correction
- 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
Links
- 238000012937 correction Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims 1
- 238000002715 modification method Methods 0.000 claims 1
- 238000012795 verification Methods 0.000 abstract description 6
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- WBWWGRHZICKQGZ-HZAMXZRMSA-M taurocholate Chemical compound C([C@H]1C[C@H]2O)[C@H](O)CC[C@]1(C)[C@@H]1[C@@H]2[C@@H]2CC[C@H]([C@@H](CCC(=O)NCCS([O-])(=O)=O)C)[C@@]2(C)[C@@H](O)C1 WBWWGRHZICKQGZ-HZAMXZRMSA-M 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0793—Remedial or corrective actions
-
- 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
- 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)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于深度学习的航空报文纠错修正方法及系统，包括：接收领航计划报，对所述领航计划报进行解析，得到待验证航路信息；利用预先建立的航路‑频次字典以及预先训练好的检错深度模型判断所述待验证航路信息是否存在错误，再利用预先训练好的纠错深度模型与修正模型对错误航路信息进行纠错修正。本方法通过频次字典、检错模型、纠错模型、修正模型的多重验证、修正机制，确保输出的FPL报文中包含正确的航路信息，本方法能够实现对FPL报文(领航计划报)的自动解析，包括对航路编组的检错和纠错，确保输出的FPL报文的准确度，减少航空管制压力。
Description
技术领域
本发明涉及空中交通信息化管理技术领域，特别涉及一种基于深度学习的航空报文纠错修正方法及系统。
背景技术
民用航空飞行动态固定格式电报的拍发与接收，是各空中交通管制单位和航空公司航务部门了解和掌握飞行动态的重要手段之一。电报的规范、正确使用不仅是飞行动态信息的及时、准确传递的基础，也是空中交通安全、有序、高效的重要保障。领航计划报(FPL)是所有报文中频率最高的报文，由空中交通服务单位根据航空器运营人或代理人在航空器飞行前提交的飞行计划数据，经审批后拍发给沿航路所有相关空中交通服务单位的电报。由于FPL报文是由人工进行编写和拍发，其中难免出现错漏，在实际使用过程中，错误的FPL报文不仅干扰了航班的正常飞行，也给管制工作带来了不必要的压力。因此，如何对领航计划报进行高效纠错成为急需解决的问题。
发明内容
本发明的目的在于克服现有技术中领航计划报由人工进行编写和拍发、易出错，干扰航空管制工作的问题，提供一种基于深度学习的航空报文纠错修正方法及系统，本方法能够实现对FPL报文的自动解析，包括对航路编组的检错和纠错修正，确保输出的FPL报文的准确度，减少航空管制压力。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于深度学习的航空报文纠错修正方法，所述方法包括：
步骤1：接收领航计划报，提取所述领航计划报中的待验证航路信息；
步骤2，在预先建立的航路-频次字典中查找所述待验证航路信息，判断所述待验证航路信息中的每个航路点(编组15的航路点信息)的频次是否大于阈值，若是，则直接输出所述领航计划报，若否，则进入步骤3；
步骤3：将所述待验证航路信息输入至预先训练的检错深度模型中，利用所述预先训练的检错深度模型判断所述待验证航路信息是否存在错误，若是，则进入步骤4；若否，则直接输出所述领航计划报；
步骤4，将所述待验证航路信息输入至预先训练好的纠错深度模型，利用所述预先训练好的纠错深度模型根据所述待验证航路信息生成一个预测航路信息，并将所述预测航路信息输出至修正模型；
以及，将所述待验证航路信息输入至所述修正模型中，利用所述修正模型对所述预测航路信息与所述待验证航路信息进行评分，当所述预测航路信息得分高于所述待验证航路信息时，利用所述预测航路信息替换所述领航计划报中的待验证航路信息，并输出替换后的领航计划报。
通过对接收到的领航计划报进行解析，根据领航计划报中的最易错的航路信息生成待验证航路信息，并通过预先建立的航路-频次字典、预先训练好的检错深度模型依次对待验证航路信息进行验证，并将验证出现错误的航路报文输出至纠错深度模型与修正模型进行纠错修正，通过多重验证、最后修正的方式确保输出的FPL报文中包含正确的航路信息，本方法能够实现对领航计划报的自动解析、自动检错以及自动修正，确保输出的FPL报文的准确度，有效减少航空管制压力。
优选的，上述基于深度学习的航空报文纠错修正方法中，所述修正模型通过以下步骤对所述预测航路信息与所述待验证航路信息进行评分：
在所述预先建立的航路-频次字典中查找所述预测航路信息与所述待验证航路信息中每个航路点出现的频次，并根据频次查找结果对所述预测航路信息与所述待验证航路信息进行评分。
优选的，上述基于深度学习的航空报文纠错修正方法中，所述步骤1包括：
步骤101，接收领航计划报，利用正则表达式提取所属领航计划报中的多个编组信息；
步骤102，提取多个所述编组信息中的航路信息，并对所述航路信息进行数据清洗，得到所述待验证航路信息。
优选的，上述基于深度学习的航空报文纠错修正方法中，所述预先训练的检错深度模型的算法复杂度小于所述预先训练好的纠错深度模型。
优选的，上述基于深度学习的航空报文纠错修正方法中，所述预先训练好的检错深度模型由以下步骤得到：
基于NNLM语义模型建立初始检错深度模型，采用梯度下降算法利用标注好的第一训练数据集对所述初始检错深度模型进行训练，直到所述初始检错深度模型性能趋于稳定，得到所述预先训练好的检错深度模型，以及，在利用标注好的第一训练数据集对所述初始检错深度模型进行训练的过程中，采用负采样算法提高模型训练速度。
优选的，上述基于深度学习的航空报文纠错修正方法中，所述预先训练好的纠错深度模型由以下步骤得到：
基于Transformer模型建立初始纠错深度模型，采用Adam算法利用标注好的第二训练数据集对所述初始纠错深度模型进行训练，直到所述初始纠错深度模型性能趋于稳定，得到所述预先训练好的纠错深度模型。
优选的，上述基于深度学习的航空报文纠错修正方法中，在利用标注好的第二训练数据集对所述初始纠错深度模型进行训练的过程中，采用Tensorflow的Estimator高级API训练模型提高所述纠错深度模型的训练速度。
其中，检错深度模型相对于纠错深度模型而言应用的是一个相对简单的模型，从模型结构上而言，采用的是一种全连接网络模型，预测能力有限，采用轻量化的模型执行检错的初步筛选判断，能够有效减少检错时间、提高整个系统的检错、纠错运行效率。
在本发明进一步的实施例中还提供一种基于深度学习的航空报文纠错修正系统，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够上述基于深度学习的航空报文纠错修正方法。
在本发明进一步的实施例中还提供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上存储有一个或者多个程序，所述一个或者多个程序可被至少一个处理器执行，以实现上述基于深度学习的航空报文纠错修正方法。
与现有技术相比，本发明的有益效果：
1、本发明通过对接收到的领航计划报进行解析，根据领航计划报中的最易错的航路信息生成待验证航路信息，并通过预先建立的航路-频次字典、预先训练好的检错深度模型依次对待验证航路信息进行验证，并将验证出现错误的航路报文输出至纠错深度模型与修正模型进行纠错修正，通过频次字典、检错模型、纠错模型、修正模型的多重验证、修正机制，确保输出的FPL报文中包含正确的航路信息，本方法能够实现对领航计划报的自动解析、自动检错以及自动修正，确保输出的FPL报文的准确度，有效减少航空管制压力。
2、采用运行速度较快、模型复杂度较低NNLM作为初步筛选判断的检错模块，配合其后的模型复杂度较高、句子预测能力较强的Transformer纠错深度模型进行纠错，可以在确保这种多重验证机制的准确度的基础上，有效提高系统运行效率。
附图说明：
图1示出了本发明示例性实施例的基于深度学习的航空报文纠错修正方法流程图。
图2示出了本发明示例性实施例的经过解析得到的待验证航路信息的示意图。
图3示出了本发明示例性实施例的NNLM模型的特征输入与标签示意图。
图4示出了本发明示例性实施例的训练NNLM模型的训练流程图。
图5示出了本发明示例性实施例的训练Transformer模型的特征输入与标签示意图。
图6示出了本发明示例性实施例的修正模型修正原理示意图。
图7示出了本发明示例性实施例的基于深度学习的航空报文纠错修正系统原理框图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
图1示出了本发明示例性实施例的基于深度学习的航空报文纠错修正方法，包括：
步骤1：接收领航计划报(FPL报文)，提取所述领航计划报中的待验证航路信息；
具体的，在FPL报文预处理阶段，对接收到的FPL报文，提取起飞机场、降落机场以及航路航线等重要信息。以下是一份符合标准的领航计划报：
(FPL-LKE9556-IS
-B738/M-SDE2E3FGHIRWY/LB1
-ZJHK2230(编组13)
-M078S1100AGTELW71 LH R339 BSEA599 LXI(编组15)
-ZPPP0140ZUGYZGNN(编组16)
-PBN/A1B4C1D1L1O2S2T1 NAV/ABAS DOF/190906 REG/B7993EET/ZGZU0007ZPKM0101SEL/DECR CODE/78101FOPR/LUCKY AIR RMK/TCAS)。
其中，1.编组13含A和B两个数据项，数据项A代表起飞机场(机场4字代码)，数据项B代表时间(4位UTC时间)，格式：AB；2.编组15含A、B和C三个数据项，数据项A代表巡航速度(最多5个字符)，数据项B代表巡航高度层(最多5个字符)，数据项C代表航路点数据项(若干航路点数据项以空格隔开，其中航路点数据项可分七类：标准离场航路代号，空中交通服务航路代号，重要点，重要点、巡航速度或马赫数/申请的巡航高度层、简字DCT\VFR\IFR\T，巡航爬高、标准进场航线代号)。格式为：AB(空格)C；3.编组16含A、B和C三个数据项，数据项A代表目的机场(机场4字代码)，数据项B代表预计总飞行时间(4位UTC时间)，数据项C代表目的地备降机场(最多可填2个备降机场，空格隔开)，格式为：AB(空格)C。
具体而言，根据标准的领航计划报格式，我们的解析步骤为：步骤101，使用正则表达式匹配提取FPL报文中的多个编组信息(即去除领航计划报中的收发件人等信息之外的所有编组信息)；根据连字符“-”’将报文分割成各编组；步骤102，提取编组13的起飞机场ICAO代码、编组15的航路数据与编组16的降落机场ICAO代码；将三部分数据加空格符拼接，并进行数据清洗，去除编组15的数据项A与数据项B，并去除附加信息。(重要点“/”及后面的信息)如上原始FPL报文的示例，经过解析处理，数据清洗得到如图2所示的航路数据为：ZJHKAGTELW71 LH R339 BSEA599 LXI ZPPP。
根据大量领航计划报统计数据显示，领航计划报中最易错的信息为编组15中的航路信息，因此本发明结合领航计划报中编组15的航路信息、编组13的起飞机场信息和编组16的目的机场信息生成上述待验证航路信息。同时本发明对大量民航AFTN电报数据编组15的航路信息、编组13的起飞机场信息和编组16的目的机场信息进行提取、清洗、频次统计，以建立航路-频次字典。
步骤2，在预先建立的航路-频次字典中查找所述待验证航路信息，判断所述待验证航路信息中的每个航路点(编组15的七类航路点)的频次是否大于阈值，若是，则为正确航路，输出所述待验证航路信息，若否，则进入步骤3；
具体而言，在预先建立的航路-频次字典中查找步骤1所提取到的待验证航路信息，判断所述待验证航路信息的频次是否大于阈值(本实施例中，阈值设定为3)，若是，则为正确航路，输出所述待验证航路信息，若否，则通过步骤3～4中的检错深度模型、纠错深度模型、修正模型对待验证航路信息进行检错，以及对待验证航路信息出现的错误进行纠正。
步骤3：将所述待验证航路信息输入至预先训练好的检错深度模型中，利用所述预先训练的检错深度模型判断所述待验证航路信息是否存在错误，若是，则进入步骤4；若否，则为正确航路，输出所述待验证航路信息；
(1)具体而言，基于NNLM模型建立所述检错深度模型，本专利的NNLM检错模型，受连续词袋模型(CBOW)的启发，特点是输入已知上下文信息，输出对中心词的预测。因此，对于每一条完整航路序列，特征选择选取航路序列的起飞机场+中心词前后词+降落机场作为输入特征，相应标签为中心词，依次从航路段的第一个词到最后一个词滑动，建立NNLM检错模型对应的第一训练数据集(其中，第一训练数据集：来自大量民航AFTN电报数据中的FPL报文，提取FPL报文中的航路信息，并对航路信息进行标注，形成NNLM检错模型对应的第一训练数据集)；示例特征输入与标签如图3所示，假设待验证航路信息序列ZJHKAGTELW71 LHZPPP，其中ZJHK、ZPPP为起降机场(默认为正确的)，对中间的航路词组AGTELW71 LH进行依次验证，此时，设定窗口为3，通过NNLM模型对中间的航路词组进行一一验证：以当前待验证的航路词组左右的航路词组加上起降机场作为NNLM模型的输入，判断待验证的航路词组是否与NNLM模型输出的中心词一致，若一致，则依次进行下一词组的验证。具体的，以待验证航路信息序列ZJHKAGTELW71 LH ZPPP为例，待验证航路词组依次为AGTELW71 LH，首先对第一航路词组AGTEL进行检错，其左右词组为ZJHK、W71，则以ZJHKZJHK W71 ZPPP为NNLM模型的输入，若NNLM模型输出为AGTEL，则认为不存在错误，进行W71的检错，将ZJHKAGTELLHZPPP送入检错模型，若检错模型输出结果不是W71，则认为存在错误，送入下一阶段纠错模型；若输出结果是W71，则对LH进行检错，若NNLM输出与LH也一致，则认为待验证航路信息序列为正确的，直接将FPL报文输出即可。
进一步的，NNLM模型训练过程包括模型搭建、模型训练、模型参数调优等三个步骤，训练过程下图4所示，包括：
1.1NNLM模型搭建：本专利中使用NNLM检错模型作为检错的基础模型，NNLM检错模型的初始参数包括语料库大小、输入层维度、词嵌入维度、每批数据规格、隐藏层个数与维度、Dropout层丢弃率、输出层维度、学习率、激活函数的选择、训练迭代次数等参数。确定好初始参数后，使用TensorFlow深度学习框架，完成NNLM检错模型搭建。
1.2NNLM模型训练：模型训练优化器使用梯度下降算法，并采用负采样(NegativeSampling)优化训练过程，提高训练速度。
1.3NNLM模型参数调优：根据模型在交叉验证集上的表现，进行参数调整。
NNLM检错模块通过将传入的待验证航路信息序列预处理成一系列一维特征输入，然后经过模型预测出估计序列，对比输入序列，是否存在偏差，如果存在偏差则进入Transformer纠错模型与修正模型，否则判定为正确航路并输出。
步骤4，将所述待验证航路信息输入至预先训练好的纠错深度模型，利用所述预先训练的检错深度模型根据所述待验证航路信息生成一个预测航路报文并将所述预测航路报文输出至所述修正模型；
以及，将待验证航路信息输入至修正模型中，所述修正模型能够对所述预测航路报文以及所述待验证航路信息进行评估，并将得分高的航路报文作为正确航路进行输出。
具体而言，基于Transformer搭建纠错深度模型，本发明的Transformer纠错模型，是典型的Encoder-Decoder模型，输入与输出都是完整的航路序列，数据集由频次大于可信阈值的航路作为特征输入并同时作为标签的可靠样本、人工标注的错误样本(即对来自大量民航AFTN电报数据中的FPL报文的航路信息进行预处理、标注，形成Transformer纠错模型对应的第二训练数据集)。四种示例特征输入与标签如图5所示，将完整待验证航路信息送入纠错模型当中，待纠错模型预测出一条包含五个航路信息的预测航路报文(与完整待验证航路信息数据长度一致)
进一步的，纠错深度模型训练过程包括模型搭建、模型训练、模型参数调优等三个步骤，训练过程下，包括：
2.1Transformer模型搭建：本专利中使用Transformer纠错模型作为纠错的基础模型，Transformer纠错模型的初始参数包括语料库大小、输入层维度、Key维度、Value维度、Query维度、模型维度、Head数、前馈神经网络层维度、Transformer层数、每批数据规格、Dropout层丢弃率、输出层维度、学习率、激活函数的选择、训练迭代次数等参数。确定好初始参数后，使用TensorFlow深度学习框架，完成Transformer纠错模型搭建。2.2Transformer模型训练：模型训练优化器使用Adam算法，采用Tensorflow的Estimator高级API训练模型。2.3Transformer模型参数调优：根据模型在交叉验证集上的表现，进行参数调整。
在本实施例中，NNLM模型是针对于词级的预测模型，通过词的上下文预测词，更擅长对序列局部预测，局部容错率更低；但词级预测模型的缺点是模型不能学习到更远的上下文信息，预测能力有限，而Transformer模型(是句子级的复杂模型)，能够进行完整句子的预测，因此选择轻量化、复杂度较低词级模型作为初步筛选判断的检错模块，再配合具有较强预测能力的复杂句子预测模型进行纠错，可以在确保这种多重验证机制的准确度的基础上，有效提高系统运行效率。
进一步的，Transformer模型上层输入、输出航路序列分别为待验证航路信息序列和预测报文信息序列，将两者传入修正模块进行修正处理。在修正模块中，以原始航路为基准与预测航路进行比较，通过滑动窗口方法，对于两条航路中不一致的航路序列分别进行打分，若预测航路序列得分高于原始航路序列则进行序列替换，若不高于原始待验证航路信息序列，则保留原始待验证航路信息序列，若高于该原始待验证航路信息序列，则利用预测航路信息序列替换FPL报文中的航路信息，再输出更新后的FPL报文。如图6所示，修正模型打分机制如下：以航点组-频次字典为打分依据，对航路中窗口长度为n的航路子序列，进行打分，即依次判断每个航路点数据项的频次，如图6所示，预测航路信息序列频次大于原始待验证航路信息序列，会得到较高的评分，此时，修正模块则会利用预测航路信息序列去替换领航计划报中的待验证航路信息，最后将替换后的领航计划报进行输出。
实施例2
图7示出了根据本发明示例性实施例的基于深度学习的航空报文纠错修正系统，即电子设备310(例如具备程序执行功能的计算机服务器)，其包括至少一个处理器311，电源314，以及与所述至少一个处理器311通信连接的存储器312和输入输出接口313；所述存储器312存储有可被所述至少一个处理器311执行的指令，所述指令被所述至少一个处理器311执行，以使所述至少一个处理器311能够执行前述任一实施例所公开的方法；所述输入输出接口313可以包括显示器、键盘、鼠标、以及USB接口，用于输入输出数据；电源314用于为电子设备310提供电能。
本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元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，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于深度学习的航空报文纠错修正方法，其特征在于，所述方法包括：
步骤1：接收领航计划报，提取所述领航计划报中的待验证航路信息；
步骤2，在预先建立的航路-频次字典中查找所述待验证航路信息，判断所述待验证航路信息中的每个航路点的频次是否大于阈值，若是，则直接输出所述领航计划报，若否，则进入步骤3；
步骤3：将所述待验证航路信息输入至预先训练的检错深度模型中，利用所述预先训练的检错深度模型判断所述待验证航路信息是否存在错误，若是，则进入步骤4；若否，则直接输出所述领航计划报；
步骤4，将所述待验证航路信息输入至预先训练好的纠错深度模型，利用所述预先训练好的纠错深度模型根据所述待验证航路信息生成一个预测航路信息，并将所述预测航路信息输出至修正模型；
以及，将所述待验证航路信息输入至所述修正模型中，利用所述修正模型对所述预测航路信息与所述待验证航路信息进行评分，当所述预测航路信息得分高于所述待验证航路信息时，利用所述预测航路信息替换所述领航计划报中的待验证航路信息，并输出替换后的领航计划报。
2.如权利要求1所述的基于深度学习的航空报文纠错修正方法，其特征在于，所述修正模型通过以下步骤对所述预测航路信息与所述待验证航路信息进行评分：
在所述预先建立的航路-频次字典中查找所述预测航路信息与所述待验证航路信息中每个航路点出现的频次，并根据频次查找结果对所述预测航路信息与所述待验证航路信息进行评分。
3.如权利要求1所述的基于深度学习的航空报文纠错修正方法，其特征在于，所述步骤1包括：
步骤101，接收领航计划报，利用正则表达式提取所属领航计划报中的多个编组信息；
步骤102，提取多个所述编组信息中的航路信息，并对所述航路信息进行数据清洗，得到所述待验证航路信息。
4.如权利要求1所述的基于深度学习的航空报文纠错修正方法，其特征在于，所述预先训练的检错深度模型的算法复杂度小于所述预先训练好的纠错深度模型。
5.如权利要求4所述的基于深度学习的航空报文纠错修正方法，其特征在于，所述预先训练的检错深度模型由以下步骤得到：
基于NNLM语义模型建立初始检错深度模型，采用梯度下降算法利用标注好的第一训练数据集对所述初始检错深度模型进行训练，直到所述初始检错深度模型性能趋于稳定，得到所述预先训练的检错深度模型，以及，在利用标注好的第一训练数据集对所述初始检错深度模型进行训练的过程中，采用负采样算法提高模型训练速度。
6.如权利要求4或5所述的基于深度学习的航空报文纠错修正方法，其特征在于，所述预先训练好的纠错深度模型由以下步骤得到：
基于Transformer模型建立初始纠错深度模型，采用Adam算法利用标注好的第二训练数据集对所述初始纠错深度模型进行训练，直到所述初始纠错深度模型性能趋于稳定，得到所述预先训练好的纠错深度模型。
7.如权利要求6所述的基于深度学习的航空报文纠错修正方法，其特征在于，在利用标注好的第二训练数据集对所述初始纠错深度模型进行训练的过程中，采用Tensorflow的Estimator高级API训练模型提高所述纠错深度模型的训练速度。
8.一种基于深度学习的航空报文纠错修正系统，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至7中任一项所述的方法。
9.一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上存储有一个或者多个程序，所述一个或者多个程序可被至少一个处理器执行，以实现如权利要求1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110255038.3A CN112948161B (zh) | 2021-03-09 | 2021-03-09 | 一种基于深度学习的航空报文纠错修正方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110255038.3A CN112948161B (zh) | 2021-03-09 | 2021-03-09 | 一种基于深度学习的航空报文纠错修正方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112948161A CN112948161A (zh) | 2021-06-11 |
| CN112948161B true CN112948161B (zh) | 2022-06-03 |
Family
ID=76230387
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110255038.3A Active CN112948161B (zh) | 2021-03-09 | 2021-03-09 | 一种基于深度学习的航空报文纠错修正方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112948161B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114783213B (zh) * | 2022-03-30 | 2023-11-21 | 南京莱斯信息技术股份有限公司 | 民航飞行动态电报与空域单元运行状态的自动校验方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779214A (zh) * | 2016-12-15 | 2017-05-31 | 南开大学 | 一种基于主题模型的多因素融合民航旅客出行预测方法 |
| CN108416086A (zh) * | 2018-01-25 | 2018-08-17 | 大连理工大学 | 一种基于深度学习算法的航空发动机全包线模型自适应修正方法 |
| CN108958217A (zh) * | 2018-06-20 | 2018-12-07 | 长春工业大学 | 一种基于深度学习的can总线报文异常检测方法 |
| CN110619049A (zh) * | 2019-09-25 | 2019-12-27 | 北京工业大学 | 一种基于深度学习的报文异常检测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9118713B2 (en) * | 2011-09-26 | 2015-08-25 | The Board Of Trustees Of The University Of Illinois | System and a method for automatically detecting security vulnerabilities in client-server applications |
| FR3061342B1 (fr) * | 2016-12-22 | 2023-03-17 | Thales Sa | Gestion des messages aux navigants aeriens |
| US11568231B2 (en) * | 2017-12-08 | 2023-01-31 | Raytheon Bbn Technologies Corp. | Waypoint detection for a contact center analysis system |
| US10733077B2 (en) * | 2017-12-28 | 2020-08-04 | Intel Corporation | Techniques for monitoring errors and system performance using debug trace information |
| US20200063665A1 (en) * | 2018-01-25 | 2020-02-27 | Dalian University Of Technology | Aero-engine full flight envelope model adaptive modification method based on deep learning algorithm |
| US11287270B2 (en) * | 2018-12-26 | 2022-03-29 | Beijing Voyager Technology Co., Ltd. | Systems and methods for safe route planning for a vehicle |
-
2021
- 2021-03-09 CN CN202110255038.3A patent/CN112948161B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106779214A (zh) * | 2016-12-15 | 2017-05-31 | 南开大学 | 一种基于主题模型的多因素融合民航旅客出行预测方法 |
| CN108416086A (zh) * | 2018-01-25 | 2018-08-17 | 大连理工大学 | 一种基于深度学习算法的航空发动机全包线模型自适应修正方法 |
| CN108958217A (zh) * | 2018-06-20 | 2018-12-07 | 长春工业大学 | 一种基于深度学习的can总线报文异常检测方法 |
| CN110619049A (zh) * | 2019-09-25 | 2019-12-27 | 北京工业大学 | 一种基于深度学习的报文异常检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| Guan Gui."Flight delay prediction based on aviation big data and machine learning".《IEEE Transactions on Vehicular Technology》.2019,第69卷(第1期),第140-150页. * |
| 刘宇."雷达数据处理中的航迹相关".《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》.2004,(第01期),第1-48页. * |
| 张蕾."民航空管自动化系统中飞行电报自动化处理研究".《信息通信》.2019,(第07期),第269-270页. * |
| 杜冬."基于正则表达式的飞行电报处理算法".《中国民航飞行学院学报》.2013,第24卷(第1期),第21-23页. * |
| 王帅."我国民航航路航线的优化和设计问题探讨".《科技创新与应用》.2016,(第21期),第67页. * |
| 魏东宇."飞行电报信息异常处理方法的研究与实现".《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》.2016,(第03期),第1-89页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112948161A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220405592A1 (en) | Multi-feature log anomaly detection method and system based on log full semantics | |
| CN110134757B (zh) | 一种基于多头注意力机制的事件论元角色抽取方法 | |
| Lin et al. | A real-time ATC safety monitoring framework using a deep learning approach | |
| US11501039B2 (en) | Optimizing aircraft flows at airports using data driven predicted capabilities | |
| Tromp et al. | Graph-based n-gram language identification on short texts | |
| CN110717327A (zh) | 标题生成方法、装置、电子设备和存储介质 | |
| CN111709242B (zh) | 一种基于命名实体识别的中文标点符号添加方法 | |
| CN110032639A (zh) | 将语义文本数据与标签匹配的方法、装置及存储介质 | |
| CN113569545B (zh) | 一种基于语音识别纠错模型的管制信息提取方法 | |
| KR102368188B1 (ko) | 인공지능 기반 직업 매칭 시스템 | |
| CN110751234B (zh) | Ocr识别纠错方法、装置及设备 | |
| CN106846920A (zh) | 一种基于自然语义提取的空管辅助决策方法 | |
| CN111627257B (zh) | 基于航空器运动趋势预判的管制指令安全预演与校验方法 | |
| CN112948161B (zh) | 一种基于深度学习的航空报文纠错修正方法及系统 | |
| CN114969326A (zh) | 分类模型训练、语义分类方法、装置、设备和介质 | |
| Ohneiser et al. | Prediction and extraction of tower controller commands for speech recognition applications | |
| CN116502628A (zh) | 基于知识图谱的政务领域多阶段融合的文本纠错方法 | |
| CN110069771B (zh) | 一种基于语义组块的管制指令信息处理方法 | |
| CN107577738A (zh) | 一种通过svm文本挖掘处理数据的fmeca方法 | |
| CN114547300A (zh) | 一种结合远程监督和有监督的关系分类方法 | |
| CN110232121A (zh) | 一种基于语义网的管制指令分类方法 | |
| Chandra et al. | Aviation-BERT: A preliminary aviation-specific natural language model | |
| CN109460547A (zh) | 一种基于自然语言处理的结构化管制指令提取方法 | |
| Bladier et al. | German and French neural supertagging experiments for LTAG parsing | |
| Shore | Knowledge-based word lattice re-scoring in a dynamic context |
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 |