CN113538974B - 一种基于多源数据融合的飞行目标异常检测方法 - Google Patents

Abstract

本发明涉及飞行目标异常检测领域，其公开了一种基于多源数据融合的飞行目标异常检测方法，解决现有技术中单独依靠ADS‑B数据的飞行目标异常检测的方法准确性和可靠性低的问题。该方法包括：基于ADS‑B系统获取飞行目标历史航迹，对历史航迹进行聚类，获得航路数据；将通过雷达得到的飞行目标位置点数据与航路数据进行匹配；根据雷达位置点绘制飞行目标轨迹，并与航路数据进行匹配；将通过雷达得到的飞行目标位置点数据与ADS‑B数据进行匹配，并校验ADS‑B数据的真实性，如果真实，则查询飞行目标的飞行计划，将ADS‑B数据与飞行计划进行匹配；根据步骤前述获得的匹配结果，利用预先建立的飞行目标异常检测模型判断当前飞行目标是否异常。

Description

一种基于多源数据融合的飞行目标异常检测方法

技术领域

本发明涉及飞行目标异常检测领域，具体涉及一种基于多源数据融合的飞行目标异常检测方法。

背景技术

在航空领域，ADS-B(广播式自动相关监视系统)采用GPS(全球定位系统)等传感器获得飞机的实时位置及其他状态信息，通过广播将信息发送至周边飞机及空中交通管制系统，为航班的安全飞行提供保障。通过对ADS-B数据分析，实时监测飞行目标状态，可及时发现飞行异常。

然而，受恶劣飞行环境影响，ADS-B数据的可靠性、准确性会降低。同时，ADS-B系统是一种主动广播模式，飞行目标出于某些原因可能隐藏或谎报ADS-B数据，单独借助于ADS-B数据进行飞行目标异常检测，则存在一定隐患。

发明内容

本发明所要解决的技术问题是：提出一种基于多源数据融合的飞行目标异常检测方法，解决现有技术中单独依靠ADS-B数据的飞行目标异常检测的方法准确性和可靠性低的问题。

本发明解决上述技术问题采用的技术方案是：一种基于多源数据融合的飞行目标异常检测方法，包括以下步骤，

步骤A、数据及模型准备：

A1、获取历史飞行的真实雷达数据和对应的ADS-B数据；

A2、基于历史飞行的ADS-B数据获取历史飞行航迹，对历史飞行航迹进行聚类，获得航路数据；

A3、基于历史飞行的真实雷达数据和对应的ADS-B数据，建立飞行目标异常检测模型；

步骤B、飞行目标异常检测：

B1、通过雷达探测飞行目标的飞行位置，并将雷达得到的飞行目标的位置点数据与航路数据进行匹配，获得匹配结果X₁；

B2、按设定的数量和/或时间区间提取通过雷达得到的飞行目标的位置点数据；根据雷达得到的飞行目标的各个位置点数据，绘制飞行目标轨迹，并将该飞行目标轨迹与航路数据进行匹配，获得匹配结果X₂；

B3、根据B2中提取的通过雷达得到的各个位置点数据，与ADS-B数据进行匹配，并通过均值方法获得匹配结果X₃，根据X₃校验ADS-B数据的真实性；

B4、若ADS-B数据验真正常，则查询并提取飞行目标的飞行计划，并将ADS-B数据形成的轨迹与飞行计划所记载的轨迹进行匹配，获得匹配结果X₄，若ADS-B数据验真异常，则赋予X₄预设值；综合X₃和X₄，获得评分参数Y；

B5、根据步骤B1-B4获得的匹配结果，利用预先建立的飞行目标异常检测模型判断当前飞行目标是否异常。

作为进一步优化，步骤A2包括：

A21、基于ADS-B系统历史飞行的ADS-B数据获取历史的飞行航迹；

A22、对历史飞行航迹的任意两条航迹计算其DTW距离，并将其DTW距离进行单位化作为该两条航迹间的距离结果；

A23、在完成所有的各历史飞行航迹间的DTW距离计算后，根据各历史飞行航迹间的DTW距离对历史航迹数据使用DBSCAN方法进行聚类；

A24、对聚类获得的核心点集中所包含的各个核心点所对应的轨迹集合进行处理，获得航路数据。

作为进一步优化，在步骤A23中，在使用DBSCAN方法进行聚类过程时，通过观察聚类的簇数量与航路数量的差值，迭代调整聚类所需参数，直至二者数量最为接近。

作为进一步优化，步骤A24中，所述对聚类获得的核心点集中所包含的各个核心点所对应的轨迹集合进行处理，获得航路数据，包括：

将每个簇聚类获得的核心点集中所包含的各个核心点所对应的各历史飞行轨迹数据从其起点开始按设定的距离间隔取点，形成历史飞行轨迹的位置点集；

按设定的取点距离间隔，将历史飞行轨迹的位置点集划分为子集；

计算各子集内的所有位置点的经纬度均值，将计算获得的经纬度均值作为该簇聚类对应航路的航点数据；

按上述步骤完成对所有簇聚类的处理，获得由的航点组成的整个航空路网的航路数据。

作为进一步优化，步骤B1包括：

B11、按设定的数量和/或时间区间提取通过雷达得到的飞行目标的位置点数据；

B12、分别计算步骤B11获取的各位置点与航路数据航点之间的最近距离；

B13、若位置点的最近距离小于预设阈值，则该位置点判定为正常，否则，判定为异常；

B14、对步骤B13中判断为正常的各位置点的最近距离取均值，并归一化处理后记为参数X₁。

作为进一步优化，步骤B12中，位置点与航路数据航点之间的距离计算方法为：

其中U和V为一条航路上相邻的两个航点，P为待计算位置点，α是

和

的夹角，β为

和

的夹角；所述最近距离即所有计算获得距离中的最小值。

作为进一步优化，步骤B2包括：

B21、根据雷达得到的飞行目标的各个位置点数据，绘制目标飞行轨迹；

B22、根据获取的目标飞行轨迹的经度最大值、经度最小值、纬度最大值及纬度最小值，组成四元组，基于该四元组确定航路数据的截取范围；

B23、使用DTW方法，将目标飞行轨迹与截取航路数据片段中所包含的各航路进行相似性匹配，计算获得目标飞行轨迹与对应航路间的DTW距离；

B24、将计算获得的DTW距离单位化并归一化处理，记为参数X₂；

B25、若参数X₂小于预设阈值，则目标飞行轨迹与航路匹配正常，否则，目标飞行轨迹与航路匹配异常。

作为进一步优化，步骤B3包括：

B31、根据雷达得到的设定时间区间内飞行目标的各个位置点数据，获取目标飞行的经度最大值、经度最小值、纬度最大值及纬度最小值，组成四元组；

B32、基于步骤B31获得的四元组，截取对应时间和空间范围内的ADS-B数据片段；

B33、分别计算步骤B31获取的各位置点与对应ADS-B数据点的距离，对所有位置点的距离结果取均值，并进行归一化记为参数X₃；

B34、若X₃小于预设阈值，则ADS-B数据验真正常，否则，ADS-B数据验真异常。

作为进一步优化，步骤B33中，所述计算步骤B31获取的各位置点与对应ADS-B数据点的距离，具体包括：

获取步骤B31所获取各位置点及步骤B32所截取ADS-B数据片段各数据点的获取时间的时间集合，将时间集合按时间顺序组合成时间序列，根据该时间序列，对每个B31所获取的位置点，分别计算其与其获取时间相邻的两个ADS-B数据点的欧氏距离。

作为进一步优化，步骤B4包括：

B41、若ADS-B数据验真正常，则进行步骤B42；若ADS-B数据验真异常，则令X₄＝1，并跳转至步骤B44；

B42、若ADS-B数据为真，则获取飞行目标的身份，查询其目标飞行计划，并计算ADS-B数据形成的轨迹与飞行计划所记载的轨迹的距离，结果进行归一化记为参数X₄；

B43、若X₄小于预设阈值，则ADS-B数据与飞行计划匹配正常；否则，ADS-B数据与飞行计划匹配异常；

B44、计算参数X₃与X₄的综合评分，获得参数Y，Y的评分逻辑如下表：

评分公式如下：

作为进一步优化，步骤A3中，所述飞行目标异常检测模型的建立方法为：

(1)获取记录的历史飞行的真实雷达数据和对应的ADS-B数据，并对飞行轨迹是否异常进行标注；

(2)根据所述真实雷达数据和对应的ADS-B数据，按照步骤B1～B4分别计算：

飞行目标雷达位置点数据与航路数据的匹配结果X₁、飞行目标雷达轨迹数据与航路数据的匹配结果X₂、飞行目标雷达位置点数据与ADS-B数据的匹配结果X3、ADS-B数据与飞行计划的匹配结果X₄、匹配结果X₃与匹配结果X₄的综合评分Y；

(3)将X₁、X₂、Y的值以及对飞行轨迹是否异常标注的标签作为SVM的输入，计算SVM的分类超平面，获得飞行目标异常检测模型。

作为进一步优化，步骤B5中，所述利用预先建立的飞行目标异常检测模型判断当前飞行目标是否异常，具体包括：

针对待检测飞行目标，在通过步骤B1-B4获得参数X₁、X₂以及Y的值后，将其作为飞行目标异常检测模型的输入，若飞行目标计算结果在SVM分类超平面内部，则判定飞行目标不存在异常，否则，判定飞行目标存在异常。

本发明的有益效果是：综合雷达数据、ADS-B数据、飞行计划数据建立飞行目标异常检测模型，通过多源信息的融合，综合多方面的数据判定飞行目标是否异常，提升检测结果的准确性和可靠性。

附图说明

图1是本发明实施例中的基于多源数据融合的飞行目标异常检测方法整体流程图；

图2是本发明实施例中通过异常检测模型进行飞行目标异常检测流程图。

具体实施方式

本发明旨在提出一种基于多源数据融合的飞行目标异常检测方法，解决现有技术中单独依靠ADS-B数据的飞行目标异常检测的方法准确性和可靠性低的问题。为了能更加准确地对飞行航班进行异常检测，本发明融合了多方面的数据，包括ADS-B数据、雷达数据和飞行计划数据。

雷达数据受天气影响小、可靠性高，雷达由观测者掌握，数据真实可信。通过将雷达数据与ADS-B数据融合可以准确检测飞行目标是否谎报ADS-B数据、是否偏离航路。其次，飞行计划是飞行目标预先报备的飞行数据，将ADS-B数据与飞行计划融合，可以判断飞行目标是否按飞行计划飞行，有助于对飞行目标进行监控。

实施例：

以对当前某一空域内的飞行目标进行异常检测为例，本实施例通过融合雷达、ADS-B、飞行计划等数据源计算所需参数，并建立异常检测模型，对飞行目标是否异常做出判定。

如图1所示，本实施例中的基于多源数据融合的飞行目标异常检测方法，包括以下步骤，

步骤A、数据及模型准备：

A1、获取历史飞行的真实雷达数据和对应的ADS-B数据；

A2、基于历史飞行的ADS-B数据获取历史飞行航迹，对历史飞行航迹进行聚类，获得航路数据；

A3、基于历史飞行的真实雷达数据和对应的ADS-B数据，建立飞行目标异常检测模型；

步骤B、飞行目标异常检测：

B1、通过雷达探测飞行目标的飞行位置，并将雷达得到的飞行目标的位置点数据与航路数据进行匹配，获得匹配结果X₁；

B2、按设定的时间区间提取该时间区间内通过雷达得到的飞行目标的位置点数据；根据雷达得到的该时间区间内飞行目标的各个位置点数据，绘制飞行目标轨迹，并将该飞行目标轨迹与航路数据进行匹配，获得匹配结果X₂；

B3、根据B2中提取的通过雷达得到的各个位置点数据，与ADS-B数据进行匹配，并通过均值方法获得匹配结果X₃，根据X₃校验ADS-B数据的真实性；

B4、根据X₃校验ADS-B数据的真实性；若ADS-B数据验真正常，则查询并提取飞行目标的飞行计划，并将ADS-B数据形成的轨迹与飞行计划所记载的轨迹进行匹配，获得匹配结果X₄，若ADS-B数据验真异常，则赋予X₄预设值；综合X₃和X₄，获得评分参数Y；

B5、根据步骤B1-B4获得的匹配结果，利用预先建立的飞行目标异常检测模型判断当前飞行目标是否异常。

下面对各个步骤的具体实施手段作进一步详细的描述：

在进行飞行异常检测之前，首先需要进行数据及模型准备，而在建立飞行目标异常检测模型及进行飞行异常检测之前，需要通过步骤A2获取区域内的航空路网信息，包括如下步骤：

A21、基于ADS-B系统历史飞行的ADS-B数据获取历史的飞行航迹，并记录下来，为每一条航迹分配一个航迹ID，记录的形式为{航迹ID,P₁,P₂,.P_i..,P_n}，P_i(i＝1...n)是ADS-B数据中的位置信息，表示形式为{经度Lon_i,纬度Lat_i}；

A22、对历史飞行航迹的任意两条航迹计算其DTW距离，并将其DTW距离进行单位化作为该两条航迹间的距离结果。

A221、由于ADS-B数据稠密的特点，本实施例使用DTW方法作为航迹间距离度量的方法，根据航迹间位置点数据计算两条航迹之间的DTW距离。DTW是动态规划方法，给定轨迹a＝{a₁,a₂,..a_i.,a_n}，a_i(i＝1...n)是一个包含经度和纬度两个数据的数组，Head(A)表示a₁，Rest(A)表示{a₂,...,a_n}，D(A,B)表示A、B两点间的欧氏距离，定义长度为n和m的两条轨迹A和B之间的DTW距离为：

A222、将计算得到的两轨迹间的DTW距离进行单位化，即将DTW距离除以两条航迹长度的最小值，公式如下：

A23、在完成所有的各历史飞行航迹间的DTW距离计算后，根据各历史飞行航迹间的DTW距离对历史航迹数据使用DBSCAN方法进行聚类。

A231、绘制数据的k-距离曲线图，图中明显拐点的位置对应邻居参数设置为DBSCAN的邻域半径(Minpts)参数；

A232、为了让聚类出的结果中核心点的数量尽量多，以充分考虑到尽可能多的航迹，减少本应属于某条航路的历史航迹由于异常被视为单独一条航路的情况，可以将DBSCAN的核心距离(Eps)参数初始值设置为一个较大的值，本实施例中将其设置为20；

A233、获取目标区域内的航路数量：在使用DBSCAN方法进行聚类过程时，通过观察聚类的簇数量与航路数量的差值，迭代调整聚类所需参数，直至二者数量最为接近。

A24、对聚类获得的核心点集中所包含的各个核心点所对应的轨迹集合进行处理，获得航路数据。

A241、将每个簇聚类获得的核心点集中所包含的各个核心点所对应的各历史飞行轨迹数据从其起点开始按设定的距离间隔取点，形成历史飞行轨迹的位置点集，考虑到飞机的巡航速度和ADS-B的发送时间间隔，本实施例设定的取点距离间隔选定为1千米，对应各历史飞行轨迹取出的点按照步骤A21中的形式进行记录，并由各历史飞行轨迹的记录形成位置点集；

A242、按设定的取点距离间隔，将历史飞行轨迹的位置点集划分为子集，也即，子集包含的是某1千米范围内对应各历史飞行轨迹的位置点，由于步骤A241中取点的粒度足够小，获取的数据数量足够多，所以，允许的取点误差范围可以稍微大一些，本实施例取点的误差允许在50米之内；

A243、计算各子集内的所有位置点的经纬度均值，将计算获得的经纬度均值作为该簇聚类对应航路的航点数据；

A244、按上述步骤完成对所有簇聚类的处理，获到由航点组成的整个航空路网的航路数据，也即，得到一个由间隔约1千米的航点组成的整个航空路网信息。

在获得航空路网信息后，即可通过步骤A3，建立飞行目标异常检测模型：

(1)获取记录的历史飞行的真实雷达数据和对应的ADS-B数据，并对飞行轨迹是否异常进行标注；

(2)根据所述真实雷达数据和对应的ADS-B数据，按照步骤B1～B4分别计算：

飞行目标雷达位置点数据与航路数据的匹配结果X₁、飞行目标雷达轨迹数据与航路数据的匹配结果X₂、飞行目标雷达位置点数据与ADS-B数据的匹配结果X3、ADS-B数据与飞行计划的匹配结果X₄、匹配结果X₃与匹配结果X₄的综合评分Y；

(3)将X₁、X₂、Y的值以及对飞行轨迹是否异常标注的标签作为SVM的输入，计算SVM的分类超平面，获得飞行目标异常检测模型。

在完成了数据及模型准备后，即可对飞行目标进行异常检测，具体包括：

步骤B1中，通过雷达探测飞行目标的飞行位置，并将雷达得到的飞行目标的位置点数据与航路数据进行匹配，获得匹配结果X₁。

实际应用中，由于雷达可能受到其他干扰因素影响，因此，雷达获取目标情况的复杂程度无法确定，在雷达的一个探测周期内并不能肯定能获得位置信号的反馈，因此，步骤B1中的位置点数量难以设定。而理论上，雷达能获得位置点的数量越多，则其判定的准确性越好；但数量越多，时间间隔越长，则越不利于异常检测。因此，在本实施例中，数量限定为10个，时间间隔不超过10秒。也即，当数量达到10个时，停止取点；当数量未达到10个，但时间已到达10秒时，则也要停止取点。因此，步骤B1具体包括以下步骤：

B11、按设定的数量和时间区间提取通过雷达得到的飞行目标的位置点数据，记录通过雷达得到的目标飞行位置点的经纬度与时间信息，采用三元组的形式记录，具体形式为{时间t，经度Lon，纬度Lat}。

B12、采用上述步骤B11的数据形式，分别计算雷达获取的各位置点与航路数据航点之间的最近距离，位置点与航路数据航点之间的距离计算方法为：

其中U和V为一条航路上相邻的两个航点，P为待计算位置点，α是

和

的夹角，β为

和

的夹角；所述最近距离即所有计算获得距离中的最小值。

B13、根据上述步骤B12中得到的最近距离进行判断，若位置点的最近距离小于预设阈值，则该位置点，判定为正常，否则，判定为异常。

根据我国飞行基本规则第十五条，航路的宽度为20公里，其中心线两侧各10公里，所以这里设置一个10千米的阈值，若位置点与航路计算所得最近距离小于10千米，则位置点正常，记录航路ID、最近距离和最近两航点的经纬度，组成正常点集合。集合的形式为{航路ID、最近距离Bdist，最近两个航点经度集合{LonA,LonB}、最近两个航点纬度集合{LonA,LonB}}，正常点集合数量为n；若各位置点与航路计算所得最近距离均大于10千米，也即各位置点均判断为异常，则判定飞行异常，一旦判断飞行异常，则不进行后续的步骤；

B14、对步骤B13中判断为正常的各位置点的最近距离取均值，并归一化处理后记为参数X₁。

B141、由于雷达会获得多个位置点，因此，需要对判断为正常的各位置点的最近距离取均值；

B142、采用min-max的方法对最近距离的均值进行归一化，最小值设置为0，最大值设置为10，δ表示归一化过程，最终结果作参数X₁：

步骤B2中，按设定的数量和/或时间区间提取通过雷达得到的飞行目标的位置点数据，在本实施例中，设定的时间区间为10秒；根据雷达得到的该时间区间内飞行目标的各个位置点数据，绘制飞行目标轨迹，并将该飞行目标轨迹与航路数据进行匹配，获得匹配结果X₂，包括以下步骤：

B21、将雷达获取的飞行目标多个位置点按时间先后连接，绘制目标飞行轨迹，以{P₁,P₂,...,P_n}的形式记录下来。

B22、根据获取的目标飞行轨迹的经度最大值、经度最小值、纬度最大值及纬度最小值，组成四元组，具体形式为：{经度最大值、经度最小值，纬度最大值，纬度最小值}，基于该四元组确定航路数据的截取范围。

基于上述四元组的值确定航路数据的截取范围，减小待计算航路数据的航路数量，从而降低计算量。基于上述四元组的值确定截取范围，可以是仅就上述四元组的值确定一个以其四个参数为边界的矩形范围；但考虑到不同目标飞行轨迹存在一定偏差，为了能包含所有正常轨迹，在上述四元组值的基础上设定一个偏移值，偏移值可以根据实际需要进行设定，在本实施例中，偏移值设定为20千米，也即，将矩形范围确定至经纬度极限值之外的20千米处，使目标飞行轨迹中的所有点距离矩形边界20千米。

B23、使用DTW方法，将目标飞行轨迹与截取航路数据片段中所包含的各航路进行相似性匹配，计算获得目标飞行轨迹与对应航路间的DTW距离。

具体的，采用上述步骤B21的数据形式，计算雷达飞行轨迹与截取的航路数据片段中各航路间的DTW距离，找到航路中与雷达飞行轨迹最匹配的航路，并以其距离作为目标飞行轨迹与对应航路间的DTW距离；

B24、将计算获得的DTW距离单位化、归一化，记为参数X₂：

具体的，将雷达目标飞行轨迹E和航路中最匹配的航路F的DTW距离除以雷达扫描到的目标飞行的数据点个数k，得到雷达飞行轨迹位置点的平均相似度；

将上述步骤计算获得的平均相似度结果进行归一化，记为参数X₂，公式如下：

B25、若参数X₂小于预设阈值，则目标飞行轨迹与航路匹配正常，否则，目标飞行轨迹与航路匹配异常。

与B13的阈值类似，该阈值根据我国飞行规则的距离要求进行初始化设置，并可根据后续飞行目标异常检测模型训练的结果进行调整，一旦匹配异常，则不进行此后的步骤，直接判定飞行异常。

步骤B3中，根据B2中提取的雷达得到的各个位置点数据，与ADS-B数据进行匹配，并通过均值方法获得匹配结果X₃，具体如下：

B31、根据雷达得到的设定时间区间内飞行目标的各个位置点数据，获取目标飞行的经度最大值、经度最小值、纬度最大值及纬度最小值，组成四元组，具体形式为：{经度最大值、经度最小值，纬度最大值，纬度最小值}；

B32、基于步骤B31获得的四元组，截取对应时间和空间范围内的ADS-B数据片段，缩小待匹配的轨迹范围，减小计算量：

B321、根据开始时间和结束时间截取开始时间之前5秒和结束时间之后5秒的ADS-B数据片段；

B322、采用步骤B22中相同的方法，通过步骤B31中的四元组将检查范围确定在一个矩形区间内部；

B33、分别计算步骤B31获取的各位置点与对应ADS-B数据点的距离，对所有位置点的距离结果取均值，并进行归一化记为参数X₃：

B331、获取步骤B31所获取各位置点及步骤B32所截取ADS-B数据片段各数据点的获取时间的时间集合；

B332、按照时间的先后顺序，将获取各位置点的时刻分别插入ADS-B数据时间集合中，组合成时间序列，具体形式为{t₁,t₂,...,t_n}；

B333、计算t时刻雷达位置点P_k和与时间相邻的两ADS-B数据点Q_i和Q_j的欧式距离；

B334、将所有雷达位置点计算所得距离取均值，记录结果Ddist(R,S)，公式如下：

其中，S为飞行目标对应的真实ADS-B数据，R为目标雷达位置点集合，集合形式为{P₁,P₂,...,P_n}，P_k为此集合中的一个位置点，D(P_k,Q_i)为P_k，Q_i两点的欧氏距离。

B335、Ddist(R,S)进行归一化，最终结果作参数X₃，公式如下：

B34、若X₃小于预设阈值，则ADS-B数据验真正常，否则，ADS-B数据验真异常。

这里的阈值，如果阈值设置过大会使部分异常目标的雷达数据和ADS-B数据匹配成功，造成部分异常目标无法检测出来。反之，如果阈值设置过小会使部分正常数据被视为异常。实际应用中，可由历史数据统计得出或根据经验值设置一个合适值。

步骤B4中，对真实的ADS-B数据提取目标身份，进而获取飞行计划，获得参数X₄，最后对这两个参数进行综合评分，获得参数Y，具体包括以下步骤：

B41、确定一个阈值，若ADS-B数据验真正常，则进行步骤B42；若ADS-B数据验真异常，则令X₄＝1，并跳转至步骤B44。

B42、根据步骤B41的结果，若ADS-B数据为真，则获取飞行目标的身份，也即从ADS-B数据中获取飞行目标的ICAO24(国际民航组织24位飞行地址)码，并通过此码查询目标飞行计划，并计算ADS-B数据形成的轨迹与飞行计划所记载的轨迹的距离，结果进行归一化记为参数X₄；

B421、采用步骤B23中的方法计算ADS-B数据形成的轨迹与飞行计划所记载的轨迹的距离，其中，以ADS-B数据形成的轨迹替换B23中雷达飞行轨迹，以飞行计划替换B23中匹配的航路数据，求解ADS-B数据形成的轨迹与飞行计划所记载的轨迹的距离，以ADS-B数据的个数替换B23中雷达扫描到的目标飞行数据点个数，得到ADS-B数据形成的轨迹位置点的平均相似度。

B422、令S为飞行目标对应的真实ADS-B数据，L为目标飞行计划的轨迹位置点集合，将上述步骤的计算结果归一化，最终结果作参数X₄，公式如下：

B43、确定一个阈值，其设置与步骤B41相同，若X₄小于预设阈值，则ADS-B数据与飞行计划匹配正常；否则，ADS-B数据与飞行计划匹配异常；

B44、计算参数X₃与X₄的综合评分，获得参数Y，Y的评分逻辑如下表：

评分公式如下：

步骤B5中，根据步骤B1-B4获得的匹配结果，利用预先建立的飞行目标异常检测模型判断当前飞行目标是否异常，流程如图2所示，具体包括：

针对待检测飞行目标，在通过步骤B1-B4获得参数X₁、X₂以及Y的值后，将其作为飞行目标异常检测模型的输入，若飞行目标计算结果在SVM分类超平面内部，则判定飞行目标不存在异常，否则，判定飞行目标存在异常，这样就得到飞行目标异常检测结果。

Claims (8)

1.一种基于多源数据融合的飞行目标异常检测方法，其特征在于，包括以下步骤，

步骤A、数据及模型准备：

A1、获取历史飞行的真实雷达数据和对应的ADS-B数据；

A2、基于历史飞行的ADS-B数据获取历史飞行航迹，对历史飞行航迹进行聚类，获得航路数据；

A3、基于历史飞行的真实雷达数据和对应的ADS-B数据，建立飞行目标异常检测模型；

步骤B、飞行目标异常检测：

B1、通过雷达探测飞行目标的飞行位置，并将雷达得到的飞行目标的位置点数据与航路数据进行匹配，获得匹配结果X₁；步骤B1具体包括B11-B14：

B11、按设定的数量和/或时间区间提取通过雷达得到的飞行目标的位置点数据；

B12、分别计算步骤B11获取的各位置点与航路数据航点之间的最近距离；

B13、若位置点的最近距离小于预设阈值，则该位置点判定为正常，否则，判定为异常；

B14、对步骤B13中判断为正常的各位置点的最近距离取均值，并归一化处理后记为参数X₁；

B2、按设定的数量和/或时间区间提取通过雷达得到的飞行目标的位置点数据；根据雷达得到的飞行目标的各个位置点数据，绘制飞行目标轨迹，并将该飞行目标轨迹与航路数据进行匹配，获得匹配结果X₂；步骤B2具体包括B21-B25：

B21、根据雷达得到的飞行目标的各个位置点数据，绘制目标飞行轨迹；

B22、根据获取的目标飞行轨迹的经度最大值、经度最小值、纬度最大值及纬度最小值，组成四元组，基于该四元组确定航路数据的截取范围；

B23、使用DTW方法，所述DTW方法也即动态时间规整方法，将目标飞行轨迹与截取航路数据片段中所包含的各航路进行相似性匹配，计算获得目标飞行轨迹与对应航路间的DTW距离；

B24、将计算获得的DTW距离单位化并归一化处理，记为参数X₂；

B25、若参数X₂小于预设阈值，则目标飞行轨迹与航路匹配正常，否则，目标飞行轨迹与航路匹配异常；

B3、根据B2中提取的通过雷达得到的各个位置点数据，与ADS-B数据进行匹配，并通过均值方法获得匹配结果X₃，根据X₃校验ADS-B数据的真实性；步骤B3具体包括B31-B34：

B31、根据雷达得到的设定时间区间内飞行目标的各个位置点数据，获取目标飞行的经度最大值、经度最小值、纬度最大值及纬度最小值，组成四元组；

B32、基于步骤B31获得的四元组，截取对应时间和空间范围内的ADS-B数据片段；

B33、分别计算步骤B31获取的各位置点与对应ADS-B数据点的距离，对所有位置点的距离结果取均值，并进行归一化记为参数X₃；

B34、若X₃小于预设阈值，则ADS-B数据验真正常，否则，ADS-B数据验真异常；

B4、若ADS-B数据验真正常，则查询并提取飞行目标的飞行计划，并将ADS-B数据形成的轨迹与飞行计划所记载的轨迹进行匹配，获得匹配结果X₄，若ADS-B数据验真异常，则赋予X₄预设值；综合X₃和X₄，获得评分参数Y；步骤B4具体包括B41-B44：

B41、若ADS-B数据验真正常，则进行步骤B42；若ADS-B数据验真异常，则令X₄＝1，并跳转至步骤B44；

B42、若ADS-B数据为真，则获取飞行目标的身份，查询其目标飞行计划，并计算ADS-B数据形成的轨迹与飞行计划所记载的轨迹的距离，结果进行归一化记为参数X₄；

B43、若X₄小于预设阈值，则ADS-B数据与飞行计划匹配正常；否则，ADS-B数据与飞行计划匹配异常；

B44、计算参数X₃与X₄的综合评分，获得参数Y，Y的评分逻辑如下表：

评分公式如下：

B5、根据步骤B1-B4获得的匹配结果，利用预先建立的飞行目标异常检测模型判断当前飞行目标是否异常。

2.如权利要求1所述的一种基于多源数据融合的飞行目标异常检测方法，其特征在于，

步骤A2包括：

A21、基于ADS-B系统历史飞行的ADS-B数据获取历史的飞行航迹；

A22、对历史飞行航迹的任意两条航迹计算其DTW距离，并将其DTW距离进行单位化作为该两条航迹间的距离结果；

A23、在完成所有的各历史飞行航迹间的DTW距离计算后，根据各历史飞行航迹间的DTW距离对历史航迹数据使用DBSCAN方法进行聚类；

A24、对聚类获得的核心点集中所包含的各个核心点所对应的轨迹集合进行处理，获得航路数据。

3.如权利要求2所述的一种基于多源数据融合的飞行目标异常检测方法，其特征在于，

在步骤A23中，在使用DBSCAN方法进行聚类过程时，通过观察聚类的簇数量与航路数量的差值，迭代调整聚类所需参数，直至二者数量最为接近。

4.如权利要求2所述的一种基于多源数据融合的飞行目标异常检测方法，其特征在于，

步骤A24中，所述对聚类获得的核心点集中所包含的各个核心点所对应的轨迹集合进行处理，获得航路数据，包括：

将每个簇聚类获得的核心点集中所包含的各个核心点所对应的各历史飞行轨迹数据从其起点开始按设定的距离间隔取点，形成历史飞行轨迹的位置点集；

按设定的取点距离间隔，将历史飞行轨迹的位置点集划分为子集；

计算各子集内的所有位置点的经纬度均值，将计算获得的经纬度均值作为该簇聚类对应航路的航点数据；

按上述步骤完成对所有簇聚类的处理，获得由的航点组成的整个航空路网的航路数据。

5.如权利要求1所述的一种基于多源数据融合的飞行目标异常检测方法，其特征在于，

步骤B12中，位置点与航路数据航点之间的距离计算方法为：

其中U和V为一条航路上相邻的两个航点，P为待计算位置点，α是

和

的夹角，β为

和

的夹角；

所述最近距离即所有计算获得距离中的最小值。

6.如权利要求1所述的一种基于多源数据融合的飞行目标异常检测方法，其特征在于，

步骤B33中，所述计算步骤B31获取的各位置点与对应ADS-B数据点的距离，具体包括：

获取步骤B31所获取各位置点及步骤B32所截取ADS-B数据片段各数据点的获取时间的时间集合，将时间集合按时间顺序组合成时间序列，根据该时间序列，对每个B31所获取的位置点，分别计算其与其获取时间相邻的两个ADS-B数据点的欧氏距离。

7.如权利要求1所述的一种基于多源数据融合的飞行目标异常检测方法，其特征在于，

步骤A3中，所述飞行目标异常检测模型的建立方法为：

(1)获取记录的历史飞行的真实雷达数据和对应的ADS-B数据，并对飞行轨迹是否异常进行标注；

(2)根据所述真实雷达数据和对应的ADS-B数据，按照步骤B1～B4分别计算：

飞行目标雷达位置点数据与航路数据的匹配结果X₁、飞行目标雷达轨迹数据与航路数据的匹配结果X₂、飞行目标雷达位置点数据与ADS-B数据的匹配结果X3、ADS-B数据与飞行计划的匹配结果X₄、匹配结果X₃与匹配结果X₄的综合评分Y；

(3)将X₁、X₂、Y的值以及对飞行轨迹是否异常标注的标签作为SVM的输入，计算SVM的分类超平面，获得飞行目标异常检测模型。

8.如权利要求1-7任意一项所述的一种基于多源数据融合的飞行目标异常检测方法，其特征在于，

步骤B5中，所述利用预先建立的飞行目标异常检测模型判断当前飞行目标是否异常，具体包括：

针对待检测飞行目标，在通过步骤B1-B4获得参数X₁、X₂以及Y的值后，将其作为飞行目标异常检测模型的输入，若飞行目标计算结果在SVM分类超平面内部，则判定飞行目标不存在异常，否则，判定飞行目标存在异常。

Images