CN114842681A - 一种基于多头注意力机制的机场场面航迹预测方法 - Google Patents
一种基于多头注意力机制的机场场面航迹预测方法 Download PDFInfo
- Publication number
- CN114842681A CN114842681A CN202210777482.6A CN202210777482A CN114842681A CN 114842681 A CN114842681 A CN 114842681A CN 202210777482 A CN202210777482 A CN 202210777482A CN 114842681 A CN114842681 A CN 114842681A
- Authority
- CN
- China
- Prior art keywords
- attention mechanism
- aircraft
- vector
- training
- self
- 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.)
- Pending
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 76
- 238000012549 training Methods 0.000 claims description 58
- 239000000126 substance Substances 0.000 claims description 37
- 238000010606 normalization Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000000844 transformation Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 2
- 238000004880 explosion Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000004480 active ingredient Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
-
- 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
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Aviation & Aerospace Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本发明提供一种基于多头注意力机制的机场场面航迹预测方法,涉及航空器空中交通管理领域。该方法采取自注意力机制和前馈神经网络框架结构的多变量时序自注意力机制模型,通过自注意力机制提取航空器滑行轨迹特征,学习规律,并对未来一段时间内的航迹进行预测。同时,该方法利用多头注意力机制进行并行运算,提高运算效率。本发明对航空器滑行期间的未来轨迹进行预测,保证机场场面内滑行中航空器之间的飞行安全,为航空滑行轨迹预测算法提供一份参考。
Description
技术领域
本发明涉及一种机场场面航迹预测方法,特别是一种基于多头注意力机制的机场场面航迹预测方法。
背景技术
全球航空运输量不断增长,民航机场起降量迅速增长,机场场面运行愈发繁忙,机场建设规模也越来越大,建设多跑道机场,场面交通环境愈发复杂。机场场面运行管理面临许多尖锐亟待解决的安全、效率问题,例如滑行冲突、机坪交通事件等,需要能够实时、智能、准确的识别这些场面运行风险,并且能够对各种飞行区风险进行及时、准确的告警计算处理,给机场运行管理人员、管制员提供预警,使其进行处置,防止飞行区不安全事件发生,而其中最为重要的技术就是航空器滑行轨迹预测技术。
目前,现有航空器轨迹预测方法主要包括:基于航空器模型的航迹预测方法、根据BADA(Base of Aircraft Data)航空器基础资料及航空器滑行意图航迹预测法、基于卡尔曼滤波的轨迹预测方法、粒子滤波航迹预测方法以及基于深度学习的航迹滤波技术。上述方法主要分为两类思想,第一类是通过航空器在航行过程中的各种参数,如航空器自身参数、地理位置、航速、航向角等信息(包括飞行意图信息)建立运动学方程,从而构建航空器滑行轨迹。另一种主要采用概率的思想,通过航空器随机历史样本近似构建概率密度函数,并使用样本均值的方法进行最小方差计算,对航空器器的下一阶段滑行轨迹进行预测。随着深度学习技术的不断发展,循环神经网络(RNN)、长短期神经网络(LSTM)在时序预测方面都取得了很大的成效,并在轨迹预测方面得到了广泛应用。但RNN、LSTM模型也存在着一些问题,如:模型的计算是顺序计算,当前时刻的值依赖上一时刻的值,模型并行运算能力差。随着时序序列的增加,计算过程会发生信息丢失等情况。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种基于多头注意力机制的机场场面航迹预测方法。
为了解决上述技术问题,本发明公开了一种基于多头注意力机制的机场场面航迹预测方法,包括以下步骤:
步骤1,获取航空器飞行过程中的状态信息参数,包括:地理位置信息即经纬度、飞行高度、速度信息、航向角信息以及时间信息;对状态信息参数进行预处理;
步骤2,使用预处理过的状态信息参数构建时间序列的训练集、验证集和测试集,分别用于训练多变量时序自注意力机制模型、验证训练结果以及对训练好的模型进行测试;
步骤3,将训练集和验证集输入多变量时序自注意力机制模型中进行训练;通过多头注意力机制并行计算,减少训练时间并优化深度学习中长序列预测中的梯度消失及梯度爆炸问题;
本发明步骤1中所述状态信息参数,指航空器飞行时的数字信息,包括:航空器所在的经度、纬度、高度、速度、航向角以及获取信息之间的时间间隔;
本发明步骤1中所述对状态信息参数进行预处理,方法包括:
对每个状态信息参数进行归一化处理,方法如下:
本发明步骤3中所述的多变量时序自注意力机制模型,包括:个编码器、个解码器,N为大于等于1的整数(一般取值为6),以及连接编码器与解码器的连接层;其中,每个编码器由两个子层组成,包括:自注意力层及前馈神经网络层,两个子层中使用一个残差连接进行归一化操作;解码器与编码器结构相似,并在自注意力层及前馈神经网络层之间添加了一个注意力层,用于关注输入的航空器样本状态信息。
本发明步骤3中所述多变量时序自注意力机制模型,具体建模过程包括:
步骤3-1,采用位置编码的方法,解决航空器的状态信息参数中元素顺序序列问题;
步骤3-2,多变量时序自注意力机制模型下的自注意力机制计算;
步骤3-3,利用多头注意力机制进行并行运算;
步骤3-4,通过残差连接进行归一化处理,得出注意力层的输出,并作为前馈神经网络的输入;
步骤3-5,编码器子层输出;
步骤3-6,进入解码器部分进行解码输出;
步骤3-7,输出预测结果;
步骤3-8,根据训练集中下一阶段的真实信息,计算预测与真值之间的损失;通过反向传播调整多变量时序自注意力机制模型的权重参数;再次进入训练;直至完成训练。
本发明步骤3-2中,多变量时序自注意力机制模型下的自注意力机制计算,包括:
本发明步骤3-3中,利用多头注意力机制进行并行运算,包括:
步骤3-7,输出预测结果;在输出部分将解码器输出目标向量输入一个线性层及softmax层后获得下一阶段的位置信息;
有益效果:
1.模型网络由注意力机制组成,完全使用自注意力与前馈神经网络对样本进行“自我学习”以及“自我调整”,省去先验知识处理步骤,且多头注意力机制使得模型并行效率增加,并行能力高于RNN、LSTM等算法,对预测问题有很好的解决效果。
2.航空器飞行过程中飞行参数时刻发生变化,对此,构建每一时刻的航空器运动方程困难。本发明采用深度学习对长序列进行预测的原理,跳过航空器运动学建模过程,实现对未来航空器航迹的预测。本方案具有实际参考价值。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明整体流程示意图。
图2为数据集处理流程示意图。
图3为多变量时序自注意力机制模型结构示意图。
图4为多头注意力机制结构示意图。
图5为多变量时序自注意力机制模型的模型训练损失曲线图。
图6为多变量时序自注意力机制模型预测轨迹曲线图。
图7为多变量时序自注意力机制模型预测误差曲线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,展示了本发明的整体流程图,接下来依照各个模块功能,按步骤对本发明进行详细说明。
步骤1、获取待预测的航空器的滑行数据,并对其进行数据预处理,数据处理方法如图2所示;
所述航空器的滑行数据是指航空器滑行时的状态信息,包括:航空器所在的经度、纬度、高度、速度、航向角、获取信息之间的时间间隔等。
为了消除不同特征参数量纲之间带来的误差,便于模型训练,对每个参数信息进行归一化处理,方法如下:
步骤2、收集多个样本数据,将处理好的数据集,输入多变量时序自注意力机制模型进行预训练,多变量时序自注意力机制模型如图3所示,其基本过程如下:
步骤2.1、位置编码,由于序列具有顺序结构,因此为解决航空器历史状态信息中元素顺序序列问题,偶数位置采用正弦编码,奇数位置采用余弦编码。具体公式如下:
步骤2.2、多变量时序自注意力机制模型下的自注意力(Attention)机制计算;
输入端编码器将时间序列作为向量进行输入并进入模型中的自注意力层,同时通过将向量中每个样本点积训练过程中创建的3个训练矩阵,为每个样本生成三个诠释向量,即查询向量、键向量、值向量。注意力机制实现具体步骤如下:
步骤2.2.2、计算得分函数
步骤2.2.3、优化训练梯度
步骤2.3、利用多头注意力机制进行并行运算;
步骤2.4、通过残差连接进行归一化处理,得出注意力层的输出,并作为前馈神经网络的输入。其表达式为:
步骤2.5、子层输出,编码器一般由两个子层(sublayer)组成,分别为:多头自注意力和前馈神经网络。每两个子层中都会使用一个残差连接进行归一化操作。每个子层的输出可以用下式表示:
步骤2.7、输出预测结果。在输出部分将解码器输出目标向量输入一个线性层及softmax层后获得下一阶段的位置信息。
步骤2.8、根据训练集中下一阶段的真实信息,计算预测与真值之间的损失,通过反向传播调整模型权重参数,再次进入训练。其中损失函数可采用均方误差(MSE),即预测值与真实值之差的平方和的平均值:
实施例:
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1展示了本发明实现算法的各模块整体流程图,接下来依照各个模块功能,按步骤对本发明进行详细说明。
步骤1、获取待预测的航空器的滑行数据,并对其进行数据预处理,数据处理方法如图2所示;
所述航空器的滑行数据是指航空器滑行时的状态信息,包括:航空器所在的经度、纬度、高度、速度、航向角、获取信息之间的时间间隔等。表1展示了本实例中使用的部分航空器状态信息数据。
其中,经纬度的单位为°;高度单位为英尺;飞行速度单位为马赫;航向角的单位为°。由表1可知,航空器每个状态信息的采集时间为0.01 s/次。将所需参数中高度与速度转换为国际单位,其公式如下:
以此类推,直至数据预测完毕。
为了消除不同特征参数量纲之间带来的误差,便于模型训练,对每个参数信息进行归一化处理,方法如下:
步骤2、将处理好的数据集输入到多变量时序自注意力机制模型中进行预训练,多变量时序自注意力机制模型如图3所示,其基本过程如下:
在本实例中,将模型参数设置4个编码器、4个解码器。其中,每个编码器由两个子层组成,包括:自注意力层及前馈神经网络层,两个子层中使用一个残差连接进行归一化操作;解码器与编码器结构相似,并在自注意力层及前馈神经网络层之间添加了一个注意力层,用于关注输入的航空器样本状态信息。
步骤2.1、位置编码,由于序列具有顺序结构,因此为解决航空器历史状态信息中元素顺序序列问题,偶数位置采用正弦编码,奇数位置采用余弦编码。具体公式如下:
输入端航空器状态信息作为向量进行输入并进入模型中的自注意力层,同时通过将向量中每个样本点积训练过程中创建的3个训练矩阵,为每个样本生成三个诠释向量,即查询向量、键向量、值向量。注意力机制实现具体步骤如下:
步骤2.2.2、计算得分函数
步骤2.2.3、优化训练梯度
步骤2.3、利用多头注意力机制进行并行运算;
步骤2.4、通过残差连接进行归一化处理,得出注意力层的输出,并作为前馈神经网络的输入。其表达式为:
步骤2.5、子层输出,编码器一般由两个子层(sublayer)组成,分别为:多头自注意力和前馈神经网络。每两个子层中都会使用一个残差连接进行归一化操作。每个子层的输出可以用下式表示:
步骤2.7、输出预测结果。在输出部分将解码器输出目标向量输入一个线性层及softmax层后获得下一阶段的位置信息。
步骤2.8、根据训练集中下一阶段的真实信息,计算预测与真值之间的损失,通过反向传播调整模型权重参数,再次进入训练。其中损失函数可采用均方误差(MSE),即预测值与真实值之差的平方和的平均值:
其中,与分别表示第个预测值与第个真实值。当输出的函数值趋于一个稳定的小数时,模型达到收敛,模型训练完毕。如图5所示,为本实例训练过程中该模型损失函数的损失值曲线。其中,x轴表示该模型所用的训练集所训练的次数,y轴对应的是每次训练后的均方损失误差。由图5可知,训练集在3000轮后,损失值不再下降,趋于稳定。此时,模型训练完毕。
步骤3、将测试集输入已训练好的模型中,预测下一阶段航空器的位置信息。如图6所示,为该实例中航空器实际轨迹与预测轨迹结果。图6所展示的三维坐标系分别对应了飞行器的经度、纬度、高度坐标。其中,由星号所构成的航空器历史轨迹为航空器的实际位置轨迹,由圆点所构成的航空器轨迹为航空器的预测轨迹,即模型输出的轨迹序列。
如图7所示,为航空器预测位置与实际位置之间的误差曲线。其中,x轴表示对应航空器位置点的顺序,y轴对应了每个预测位置与实际位置的均方误差。在本次实例预测结果中,每个位置的均方误差最大不超过1。
具体实现中,本申请提供计算机存储介质以及对应的数据处理单元,其中,该计算机存储介质能够存储计算机程序,所述计算机程序通过数据处理单元执行时可运行本发明提供的一种基于多头注意力机制的机场场面航迹预测方法的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中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计算机程序即软件产品的形式体现出来,该计算机程序软件产品可以存储在存储介质中,包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机,服务器,单片机。MUU或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本发明提供了一种基于多头注意力机制的机场场面航迹预测方法的思路及方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (10)
1.一种基于多头注意力机制的机场场面航迹预测方法,其特征在于,包括以下步骤:
步骤1,获取航空器飞行过程中的状态信息参数,包括:地理位置信息即经纬度、飞行高度、速度信息、航向角信息以及时间信息;对状态信息参数进行预处理;
步骤2,使用预处理过的状态信息参数构建时间序列的训练集、验证集和测试集,分别用于训练多变量时序自注意力机制模型、验证训练结果以及对训练好的模型进行测试;
步骤3,将训练集和验证集输入多变量时序自注意力机制模型中进行训练;通过多头注意力机制并行计算,减少训练时间并优化深度学习中长序列预测中的梯度消失及梯度爆炸问题;
2.根据权利要求1所述的一种基于多头注意力机制的机场场面航迹预测方法,其特征在于,步骤1中所述状态信息参数,指航空器飞行时的数字信息,包括:航空器所在的经度、纬度、高度、速度、航向角以及获取信息之间的时间间隔;
5.根据权利要求4所述的一种基于多头注意力机制的机场场面航迹预测方法,其特征在于,步骤3中所述多变量时序自注意力机制模型,具体建模过程包括:
步骤3-2,多变量时序自注意力机制模型下的自注意力机制计算;
步骤3-3,利用多头注意力机制进行并行运算;
步骤3-4,通过残差连接进行归一化处理,得出注意力层的输出,并作为前馈神经网络的输入;
步骤3-5,编码器子层输出;
步骤3-6,进入解码器部分进行解码输出;
步骤3-7,输出预测结果;
步骤3-8,根据训练集中下一阶段的真实信息,计算预测与真值之间的损失;通过反向传播调整多变量时序自注意力机制模型的权重参数;再次进入训练;直至完成训练。
7.根据权利要求6所述的一种基于多头注意力机制的机场场面航迹预测方法,其特征在于,步骤3-2中,多变量时序自注意力机制模型下的自注意力机制计算,包括:
10.根据权利要求9所述的一种基于多头注意力机制的机场场面航迹预测方法,其特征在于,步骤3-5,编码器子层输出,编码器由两个子层组成,分别为:多头自注意力和前馈神经网络;每两个子层中使用一个残差连接进行归一化操作;每个子层的输出用下式表示:
步骤3-7,输出预测结果;在输出部分将解码器输出目标向量输入一个线性层及softmax层后获得下一阶段的位置信息;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210777482.6A CN114842681A (zh) | 2022-07-04 | 2022-07-04 | 一种基于多头注意力机制的机场场面航迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210777482.6A CN114842681A (zh) | 2022-07-04 | 2022-07-04 | 一种基于多头注意力机制的机场场面航迹预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114842681A true CN114842681A (zh) | 2022-08-02 |
Family
ID=82574027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210777482.6A Pending CN114842681A (zh) | 2022-07-04 | 2022-07-04 | 一种基于多头注意力机制的机场场面航迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842681A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502777A (zh) * | 2023-06-28 | 2023-07-28 | 四川大学 | 一种基于Transformer的四维航迹长时预测方法及其装置 |
CN116743286A (zh) * | 2023-06-12 | 2023-09-12 | 广东技术师范大学 | 基于自注意力机制的无线信号接收强度预测方法及装置 |
CN117034755A (zh) * | 2023-08-07 | 2023-11-10 | 兰州理工大学 | 一种融合多头注意力机制的冷轧钢力学性能预测方法 |
CN117114207A (zh) * | 2023-10-23 | 2023-11-24 | 山东科技大学 | 一种海上人员漂移轨迹预测方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
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 |
CN111488984A (zh) * | 2020-04-03 | 2020-08-04 | 中国科学院计算技术研究所 | 一种用于训练轨迹预测模型的方法和轨迹预测方法 |
CN112397139A (zh) * | 2020-11-13 | 2021-02-23 | 中山大学 | 一种通过序列预测抗体上结合位点的深度学习方法 |
CN112508085A (zh) * | 2020-12-05 | 2021-03-16 | 西安电子科技大学 | 基于感知神经网络的社交网络链路预测方法 |
CN113158687A (zh) * | 2021-04-29 | 2021-07-23 | 新声科技(深圳)有限公司 | 语义的消歧方法及装置、存储介质、电子装置 |
CN113505444A (zh) * | 2021-09-09 | 2021-10-15 | 中国电子科技集团公司第二十八研究所 | 基于自注意力的多维度轨迹预测方法、装置 |
CN113537240A (zh) * | 2021-07-09 | 2021-10-22 | 北方工业大学 | 一种基于雷达序列图像的形变区智能提取方法及系统 |
CN114117259A (zh) * | 2021-11-30 | 2022-03-01 | 重庆七腾科技有限公司 | 一种基于双重注意力机制的轨迹预测方法及装置 |
CN114168845A (zh) * | 2021-11-24 | 2022-03-11 | 电子科技大学 | 一种基于多任务学习的序列化推荐方法 |
CN114219021A (zh) * | 2021-12-06 | 2022-03-22 | 中国电子科技集团公司第十五研究所 | 基于卷积自注意力机制的航迹时间序列分类算法 |
CN114239935A (zh) * | 2021-12-06 | 2022-03-25 | 中国电子科技集团公司第十五研究所 | 一种针对非均匀轨迹序列的预测方法 |
CN114639138A (zh) * | 2022-02-17 | 2022-06-17 | 浙江大学 | 基于生成对抗网络的新生儿疼痛表情识别方法 |
-
2022
- 2022-07-04 CN CN202210777482.6A patent/CN114842681A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508812A (zh) * | 2018-10-09 | 2019-03-22 | 南京航空航天大学 | 一种基于深度记忆网络的航空器航迹预测方法 |
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 |
CN111488984A (zh) * | 2020-04-03 | 2020-08-04 | 中国科学院计算技术研究所 | 一种用于训练轨迹预测模型的方法和轨迹预测方法 |
CN112397139A (zh) * | 2020-11-13 | 2021-02-23 | 中山大学 | 一种通过序列预测抗体上结合位点的深度学习方法 |
CN112508085A (zh) * | 2020-12-05 | 2021-03-16 | 西安电子科技大学 | 基于感知神经网络的社交网络链路预测方法 |
CN113158687A (zh) * | 2021-04-29 | 2021-07-23 | 新声科技(深圳)有限公司 | 语义的消歧方法及装置、存储介质、电子装置 |
CN113537240A (zh) * | 2021-07-09 | 2021-10-22 | 北方工业大学 | 一种基于雷达序列图像的形变区智能提取方法及系统 |
CN113505444A (zh) * | 2021-09-09 | 2021-10-15 | 中国电子科技集团公司第二十八研究所 | 基于自注意力的多维度轨迹预测方法、装置 |
CN114168845A (zh) * | 2021-11-24 | 2022-03-11 | 电子科技大学 | 一种基于多任务学习的序列化推荐方法 |
CN114117259A (zh) * | 2021-11-30 | 2022-03-01 | 重庆七腾科技有限公司 | 一种基于双重注意力机制的轨迹预测方法及装置 |
CN114219021A (zh) * | 2021-12-06 | 2022-03-22 | 中国电子科技集团公司第十五研究所 | 基于卷积自注意力机制的航迹时间序列分类算法 |
CN114239935A (zh) * | 2021-12-06 | 2022-03-25 | 中国电子科技集团公司第十五研究所 | 一种针对非均匀轨迹序列的预测方法 |
CN114639138A (zh) * | 2022-02-17 | 2022-06-17 | 浙江大学 | 基于生成对抗网络的新生儿疼痛表情识别方法 |
Non-Patent Citations (3)
Title |
---|
刘瑜岚: "基于深度学习的目标航迹识别和预测研究", 《中国优秀博硕士学位论文全文数据库(硕士)社会科学Ⅰ辑》 * |
徐瑞龙: "船舶航迹跟踪预测方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
徐瑞龙等: "基于Transformer模型和Kalman滤波预测船舶航迹", 《计算机应用与软件》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116743286A (zh) * | 2023-06-12 | 2023-09-12 | 广东技术师范大学 | 基于自注意力机制的无线信号接收强度预测方法及装置 |
CN116743286B (zh) * | 2023-06-12 | 2024-01-30 | 广东技术师范大学 | 基于自注意力机制的无线信号接收强度预测方法及装置 |
CN116502777A (zh) * | 2023-06-28 | 2023-07-28 | 四川大学 | 一种基于Transformer的四维航迹长时预测方法及其装置 |
CN116502777B (zh) * | 2023-06-28 | 2023-09-19 | 四川大学 | 一种基于Transformer的四维航迹长时预测方法及其装置 |
CN117034755A (zh) * | 2023-08-07 | 2023-11-10 | 兰州理工大学 | 一种融合多头注意力机制的冷轧钢力学性能预测方法 |
CN117114207A (zh) * | 2023-10-23 | 2023-11-24 | 山东科技大学 | 一种海上人员漂移轨迹预测方法 |
CN117114207B (zh) * | 2023-10-23 | 2024-02-06 | 山东科技大学 | 一种海上人员漂移轨迹预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114842681A (zh) | 一种基于多头注意力机制的机场场面航迹预测方法 | |
Julian et al. | Deep neural network compression for aircraft collision avoidance systems | |
Zeng et al. | A deep learning approach for aircraft trajectory prediction in terminal airspace | |
CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CN110189304B (zh) | 基于人工智能的光学遥感图像目标在线快速检测方法 | |
CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
CN108764560A (zh) | 基于长短期记忆神经网络的航空器场面轨迹预测方法 | |
CN108805350B (zh) | 基于多维蒙特卡洛理论的搜救范围预测方法 | |
Pang et al. | Bayesian spatio-temporal graph transformer network (b-star) for multi-aircraft trajectory prediction | |
CN112651437B (zh) | 一种基于深度学习的空间非合作目标位姿估计方法 | |
CN116229295A (zh) | 基于融合卷积注意力机制的遥感图像目标检测方法 | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
CN112859898B (zh) | 一种基于双通道双向神经网络的飞行器轨迹预测方法 | |
CN112862171B (zh) | 一种基于时空神经网络的航班到达时间预测方法 | |
Pang et al. | Probabilistic aircraft trajectory prediction considering weather uncertainties using dropout as Bayesian approximate variational inference | |
CN114152257A (zh) | 基于注意力机制和环境感知lstm的船舶预测导航方法 | |
CN112465199A (zh) | 空域态势评估系统 | |
Liu et al. | Online multiple outputs least-squares support vector regression model of ship trajectory prediction based on automatic information system data and selection mechanism | |
CN112327903A (zh) | 一种基于深度混合密度网络的航空器轨迹生成方法 | |
CN116502777B (zh) | 一种基于Transformer的四维航迹长时预测方法及其装置 | |
Kovarik et al. | Comparative analysis of machine learning and statistical methods for aircraft phase of flight prediction | |
CN113076686A (zh) | 一种基于社会长短期记忆网络的航空器轨迹预测方法 | |
CN116543603A (zh) | 一种考虑空域态势和局部优化的航迹补全预测方法及装置 | |
Ruppel et al. | Transformers for object detection in large point clouds | |
CN113221450A (zh) | 一种针对稀疏不均匀时序数据的航位预测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220802 |
|
RJ01 | Rejection of invention patent application after publication |