CN115359684A - 一种基于Elastic-BiGRU结构的航空器轨迹预测方法 - Google Patents
一种基于Elastic-BiGRU结构的航空器轨迹预测方法 Download PDFInfo
- Publication number
- CN115359684A CN115359684A CN202210982945.2A CN202210982945A CN115359684A CN 115359684 A CN115359684 A CN 115359684A CN 202210982945 A CN202210982945 A CN 202210982945A CN 115359684 A CN115359684 A CN 115359684A
- Authority
- CN
- China
- Prior art keywords
- data
- elastic
- trajectory
- aircraft
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory 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]
- G08G5/003—Flight plan management
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Elastic‑BiGRU结构的航空器轨迹预测方法，包括清除ADS‑B数据中的极端数值，获取较为合理的轨迹数据集为接下来的模型训练预测做准备；构建以Elastic‑BiGRU为基础的轨迹训练模型，在探索航空器轨迹的运动规律过程中，以时间t为标准不断地将大量轨迹噪声清除并将缺失数据填补回去，完整地实现未来时刻航空器地理坐标的预测定位。本发明选取双向门控循环单元为预测模型的主要结构，在训练模型过程中添加基于弹性网络的曲线拟合过程，对原始数据进行预处理修正；对航空器轨迹预测模型在结构选取、参数设置等方面进行优化，从大量的历史轨迹数据中，学习航空器轨迹的时空特征，在相对较短时间内总结数据中隐藏的变化规律，将轨迹预测的精准度进一步提高。
Description
技术领域
本发明涉及轨迹预测的技术领域，尤其涉及一种基于Elastic-BiGRU结构的航空器轨迹预测方法。
背景技术
随着经济全球化发展，人们交流日益频繁，导致各类航空器在民用和军事领域的需求增大、飞行空间密度逐渐压缩，频繁出现空中交通拥堵，机场起降混乱等问题，严重影响飞行安全。因此对航空器移动数据进行采集、分析、预测，探寻它们的潜在规律，实现速度更快、准确率更高的航空器轨迹修正及预测模型变得尤为重要。在民用领域，精准的轨迹预测数据，可以辅助空管人员对航空器进行合理的排序和调度，提高空域资源的利用率并实现安全飞行。在军事领域，预测轨迹数据结合辅助雷达，红外测距仪等设备，可实现对移动目标的远距离探测跟踪任务，预测锁定目标的动态轨迹，在射程范围完成精准打击。
李冰荣、皮德常等人，通过引入最小描述长度策略(Minimum DescriptionLength,MDL)实现轨迹分段，然后基于卷积和长短期记忆循环单元(CNN-LSTM)形成新的深度学习算法，在一定程度上提高了移动对象目的地预测精度。
通过对每一条轨迹分段数据进行轨迹分割，解决了数据稀疏问题。然后，将分段后的数据进行图像化处理和局部特征提取，并对轨迹目的地进行聚类，为轨迹数据增加标签。最后，将局部图像数据和标签作为CNN模型的输入，通过空间特征的深度提取并保留有效信息，然后利用LSTM进行训练和目的地预测。
结合卷积和长短期记忆循环单元的深度学习算法CNN-LSTM，在针对移动目标的轨迹和目的地预测时，由于模型结构复杂，在训练和预测过程中耗时较高，同时对移动目标的真实轨迹数据分析不够充分，出现准确率较低等问题。
张宗腾、张琳等人，针对无人机(UAV)飞行轨迹预测问题，提出以Adamax为优化算法的双向门控循环单元(Bi-GRU)模型，在具有连续性和交互性的复杂时间序列轨迹预测中，达到更佳的效果。
首先，建立无人机飞行动力模型，仿真获得不同状态的飞行轨迹样本。然后，利用均方误差作为损失函数，确定双向GRU轨迹预测模型的隐藏层节点参数和迭代次数。最后，利用Adamax算法对双向GRU模型进行优化，建立基于双向GRU的无人机轨迹预测模型，从而预测未来的飞行变化趋势。
在无人机轨迹预测中，使用仿真获得的数据，训练后的模型预测结果经常处于理想环境状态，并没有考虑无人机运动时遇到的特殊情况，如周围风速、温度等因素的变化对实际轨迹的影响。因此，应将含有这些因素的真实轨迹数据放入实时预测模型中，提高预测的真实性和准确性。
发明内容
针对现有技术中的不足，本发明所要解决的技术问题在于提供一种基于Elastic-BiGRU结构的航空器轨迹预测方法，选取双向门控循环单元(Bi-GRU)为预测模型的主要结构，在训练模型过程中添加基于弹性网络(Elastic Net)的曲线拟合过程，对原始数据进行预处理修正；同时对航空器轨迹预测模型在结构选取、参数设置等方面进行优化，从大量的历史轨迹数据中，学习航空器轨迹的时空特征，在相对较短时间内总结数据中隐藏的变化规律，将轨迹预测的精准度进一步提高。
为了解决上述技术问题，本发明通过以下技术方案来实现：
本发明提供一种基于Elastic-BiGRU结构的航空器轨迹预测方法，包括以下步骤：
S1、清除ADS-B数据中的极端数值，获取较为合理的轨迹数据集为接下来的模型训练预测做准备；
S2、构建以Elastic-BiGRU为基础的轨迹训练模型，在探索航空器轨迹的运动规律过程中，以时间t为标准不断地将大量轨迹噪声清除并将缺失数据填补回去，完整地实现未来时刻航空器地理坐标的预测定位。
优选的，在步骤S2中，在t时刻时，对输入数据进行前向和后向地推算，前向Elastic-GRU层具有输入序列中t时刻以及之前时刻的信息，而后向Elastic-GRU层具有输入序列中t时刻以及之后时刻的信息；根据连续的t时刻信息组成一定长度的训练数据段，依次进行Elastic修正后放入GRU内部计算，前向Elastic-GRU层t时刻的输出结果记作
，后向Elastic-GRU层t时刻的输出结果记作
，对双向Elastic-GRU层最后输出的隐含状态进行concat拼接，作为最终结果。
进一步的，提出基于弹性网络的数据预处理算法，该算法将原始数据转化为多元参数的线性组合，形成基于弹性网络限制的求解模型，有效防止回归曲线发生欠拟合或过拟合的问题；然后将原始数据与拟合模型数据进行对比，调整偏离点位置，并根据拟合曲线填补原始数据中缺失的断点。
进一步的，以一条训练集轨迹为例，通过时间t循环遍历整条数据中所有M个轨迹点，提取连续m个轨迹点组成输入特征x_train，第m+1个轨迹点作为标签Label，共构建M-m-1组数据段；每次取一个数据段中的Label标签为中点，将周围2m+1个轨迹点转化为多元参数的线性组合，通过分析每组数据中目标值和特征值之间的关系，形成有规律的弹性网络回归曲线。
进一步的，整个求解过程所获得的多项式模型，称作弹性网络回归曲线，把数据组中每个点带入
弹性网络回归曲线中进行比较，如果
对第i个偏离曲线点进行归正，然后对有缺失的点进行补充，形成完整连续的多维轨迹数据段，取修正后的m+1个轨迹点作为一组训练的特征数据，依次输入循环神经网络中进行训练。
由上，本发明的基于Elastic-BiGRU结构的航空器轨迹预测方法通过分析航空器轨迹数据时序性特点和循环神经网络模型结构，提出基于Elastic-BiGRU的航空器轨迹预测模型，为复杂条件下的航迹修正预测提供了全新的思路。数据的质量和模型内部结构都会对预测效果产生影响，因此该算法在数据处理和轨迹预测两方面展开。通过构建弹性网络与Bi-GRU为核心的多维预测算法，对历史数据进行处理，消除部分噪声、填补空缺，使其符合可训练标准，然后运用训练好的模型预测出航空器未来时刻的位置信息，逐步迭代优化参数来提高预测的精度。与传统RNN，Bi-LSTM，Bi-GRU等航迹预测模型在时间效率与性能指标方面进行对比分析，表明Elastic-BiGRU模型在航空器轨迹预测的综合性能表现更优，准确性和鲁棒性更高。也可以在很多场景中应用，为移动目标精准定位提供帮助。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1是本发明的基于Elastic-BiGRU结构的航空器轨迹预测方法的流程图；
图2是本发明的Elastic-BiGRU结构模型训练过程图；
图3是正则化3种效果对比图；
图4是ElasticNet数据处理流程图；
图5是Bi-GRU网络结构图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。
针对于移动目标轨迹预测的现有改进方法，存在着模型内部结构复杂，训练速度慢，拟合原始轨迹精度不高等问题。同时没有考虑复杂环境中数据实际采集，受到信号干扰、物体遮挡、运动姿态变化等不确定因素影响出现的数据轨迹偏离、精度下降等情况。通过分析历史轨迹数据，可以发现航空器轨迹预测问题，本质上是基于历史轨迹数据对未来轨迹经度、纬度、高度等序列点的回归问题，对于比较复杂的非线性轨迹预测系统，使用深度学习模型更为适用。基于这些特点，本发明提出一种综合表现更优的航空器多维轨迹预测模型，选取双向门控循环单元(Bi-GRU)为预测模型的主要结构，在训练模型过程中添加基于弹性网络(Elastic Net)的曲线拟合过程，对原始数据进行预处理修正。同时对航空器轨迹预测模型在结构选取、参数设置等方面进行优化，从大量的历史轨迹数据中，学习航空器轨迹的时空特征，在相对较短时间内总结数据中隐藏的变化规律，将轨迹预测的精准度进一步提高。
航空器航迹训练预测方法流程如图1所示，第一部分作为整体数据集的预处理方法，清除了ADS-B数据中的极端数值，获取较为合理的轨迹数据集为接下来的模型训练预测做准备。第二部分根据预处理后的ADS-B数据集，构建了以Elastic-BiGRU为基础的轨迹训练模型，在探索航空器轨迹的运动规律过程中，以时间t为标准不断地将大量轨迹噪声清除并将缺失数据填补回去，完整地实现未来时刻航空器地理坐标的预测定位。
其中Elastic-BiGRU结构模型训练过程如图2所示，在t时刻时，对输入数据进行前向和后向地推算，前向Elastic-GRU层具有输入序列中t时刻以及之前时刻的信息，而后向Elastic-GRU层具有输入序列中t时刻以及之后时刻的信息。根据连续的t时刻信息组成一定长度的训练数据段，依次进行Elastic修正后放入GRU内部计算，前向Elastic-GRU层t时刻的输出结果记作
后向Elastic-GRU层t时刻的输出结果记作
对双向Elastic-GRU层最后输出的隐含状态进行concat拼接，作为最终结果。
与理想的航空器轨迹数据相比，在真实环境中采集的数据存在定位点偏离、丢失等问题，达不到训练预测模型的标准，严重影响模型精度。提出一种基于弹性网络的数据预处理算法，该算法将原始数据转化为多元参数的线性组合，形成基于弹性网络限制的求解模型，有效防止回归曲线发生欠拟合或过拟合的问题。然后将原始数据与拟合模型数据进行对比，调整偏离点位置，并根据拟合曲线填补原始数据中缺失的断点。
以一条训练集轨迹为例，通过时间t循环遍历整条数据中所有M个轨迹点，提取连续m个轨迹点组成输入特征x_train，第m+1个轨迹点作为标签Label，共构建M-m-1组数据段。每次取一个数据段中的Label标签为中点，将周围2m+1个轨迹点转化为多元参数的线性组合，通过分析每组数据中目标值和特征值之间的关系，形成有规律的弹性网络回归曲线(Elastic Curve Fitting)，具体公式如下：
式中，n表示多项式的次数，w表示系数。
在监督学习中，通过代价函数求解上述回归曲线模型参数，通过计算出一组最优的自变量组合，将拟合曲线与实际曲线之间的偏差Ew降为最小，达到拟合的效果。对于有限样本的航空器轨迹数据，利用最小二乘法选取
与y之间偏差平方和最小的多项式曲线作为回归曲线，具体公式如下：
式中，m表示样本个数，
表示预测值，y表示真实值，pi(xi,yi)为给定数据点，其中每个点i＝1,2…,2m+1。
同时针对多项式回归曲线中高次项过大导致的过拟合问题，提出了可以动态调节正则项(Regularizer)方法的弹性网络结构，降低模型复杂度从而提高稳定性。其基本原理是在代价函数后面加上一个对参数的惩罚项，普通的正则项具体公式如下：
式中，p表示几阶范数，常见有L1正则项(L1范数)和L2正则项(L2范数)。
通过结合岭回归(Ridge Regression)中L2范数和Lasso(套索)回归中L1范数自身优点，对两者进行加权动态混合，形成弹性网络(Elastic Net)，具体公式如下：
式中，加入新的超参数混合比r(Mix Ratio)进行分配，其中r和1-r分别表示添加的两个惩罚项比例，正则化3种效果对比如图3所示。
将上述整个求解过程所获得的多项式模型，称作弹性网络回归曲线，把数据组中每个点带入
弹性网络回归曲线中进行比较，如果
对第i个偏离曲线点进行归正，然后对有缺失的点进行补充，形成完整连续的多维轨迹数据段，取修正后的m+1个轨迹点作为一组训练的特征数据，依次输入循环神经网络中进行训练，具体流程如图4所示。
深度学习算法的发展中，循环神经网络(Recurrent Neural Network,RNN)在处理序列性特征信息问题上展现了强大的性能，但随着传统RNN模型网络深度的增加，会逐渐出现梯度消失或爆炸、长期依赖等问题。因此在RNN基础上进行改进，形成长短期记忆(LongShort Term Memory,LSTM)和门控循环单元(Gate Recurrent Unit,GRU)结构，可以更好地探索长序列数据之间的语义关联。
由于LSTM内部引入了三种相对复杂的门结构，与传统RNN相比在相同条件下的训练效率更低，为了节约时间，GRU将LSTM中的遗忘门和输入门合并为更新门，同时将包含之前节点信息的hidden state(隐状态)，直接传给下一个单元，既减小了网络内部的复杂结构，又达到与LSTM近似的效果。首先，通过结合上一个单元传递下来的隐状态
和当前节点的输入xt，获取两个门控信号，更新门(update gate)公式、重置门(reset gate)公式如下：
其中，w表示权重矩阵；σ表示sigmoid函数，可以将数据的值控制在0到1范围内，作为门控信号。
门控信号接收后，通过重置门计算rt*ht-1得到重置数据，与输入xt进行合并，再通过tanh激活函数将数据控制在-1到1范围内，得到候选隐藏层公式如下：
然后将部分维度信息选择性遗忘，同时记忆当前节点部分输入信息，保持一种恒定状态，最后完成更新记忆阶段，得到记忆体基本公式如下。
其中，
表示
对原本维度中一些不重要的隐藏状态
进行选择性遗忘；
表示
对包含当前节点信息的
进行选择性记忆，可以看作是忘记
维度中的一些不重要的信息。
在单向GRU中，模型仅仅从前向后记忆信息，而没有考虑后面数据与前向的相关性。因此，将一个从序列起点移动的GRU网络和一个从序列末尾移动的GRU网络相结合，在不改变模型本身内部结构的前提下，组成双向门控循环单元(Bidirectional GateRecurrent Unit,Bi-GRU)，可以更好地捕捉数据中重要的关联性特征，Bi-GRU网络结构如图5所示。
本发明针对预测航空器移动轨迹的实际需要，分析具有时序性特点的目标轨迹，提出一种将弹性网络(Elastic Net)拟合与双向门控循环单元结构(Bi-GRU)相结合的轨迹预测模型。该模型避免了受复杂环境影响出现的数据失真或丢失问题，对存在偏差的数据进行修正，进一步提高航空器多维轨迹数据的预测精度。
以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，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变动，这些改进和变动也视为本发明的保护范围。
Claims (5)
1.一种基于Elastic-BiGRU结构的航空器轨迹预测方法，其特征在于，包括以下步骤：
S1、清除ADS-B数据中的极端数值，获取较为合理的轨迹数据集为接下来的模型训练预测做准备；
S2、构建以Elastic-BiGRU为基础的轨迹训练模型，在探索航空器轨迹的运动规律过程中，以时间t为标准不断地将大量轨迹噪声清除并将缺失数据填补回去，完整地实现未来时刻航空器地理坐标的预测定位。
2.如权利要求1所述的基于Elastic-BiGRU结构的航空器轨迹预测方法，其特征在于，在步骤S2中，在t时刻时，对输入数据进行前向和后向地推算，前向Elastic-GRU层具有输入序列中t时刻以及之前时刻的信息，而后向Elastic-GRU层具有输入序列中t时刻以及之后时刻的信息；根据连续的t时刻信息组成一定长度的训练数据段，依次进行Elastic修正后放入GRU内部计算，前向Elastic-GRU层t时刻的输出结果记作
后向Elastic-GRU层t时刻的输出结果记作
对双向Elastic-GRU层最后输出的隐含状态进行concat拼接，作为最终结果。
3.如权利要求2所述的基于Elastic-BiGRU结构的航空器轨迹预测方法，其特征在于，提出基于弹性网络的数据预处理算法，该算法将原始数据转化为多元参数的线性组合，形成基于弹性网络限制的求解模型，有效防止回归曲线发生欠拟合或过拟合的问题；然后将原始数据与拟合模型数据进行对比，调整偏离点位置，并根据拟合曲线填补原始数据中缺失的断点。
4.如权利要求3所述的基于Elastic-BiGRU结构的航空器轨迹预测方法，其特征在于，以一条训练集轨迹为例，通过时间t循环遍历整条数据中所有M个轨迹点，提取连续m个轨迹点组成输入特征x_train，第m+1个轨迹点作为标签Label，共构建M-m-1组数据段；每次取一个数据段中的Label标签为中点，将周围2m+1个轨迹点转化为多元参数的线性组合，通过分析每组数据中目标值和特征值之间的关系，形成有规律的弹性网络回归曲线。
5.如权利要求4所述的基于Elastic-BiGRU结构的航空器轨迹预测方法，其特征在于，整个求解过程所获得的多项式模型，称作弹性网络回归曲线，把数据组中每个点带入
弹性网络回归曲线中进行比较，如果
对第i个偏离曲线点进行归正，然后对有缺失的点进行补充，形成完整连续的多维轨迹数据段，取修正后的m+1个轨迹点作为一组训练的特征数据，依次输入循环神经网络中进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210982945.2A CN115359684A (zh) | 2022-08-16 | 2022-08-16 | 一种基于Elastic-BiGRU结构的航空器轨迹预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210982945.2A CN115359684A (zh) | 2022-08-16 | 2022-08-16 | 一种基于Elastic-BiGRU结构的航空器轨迹预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115359684A true CN115359684A (zh) | 2022-11-18 |
Family
ID=84001685
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210982945.2A Pending CN115359684A (zh) | 2022-08-16 | 2022-08-16 | 一种基于Elastic-BiGRU结构的航空器轨迹预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115359684A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118485105A (zh) * | 2024-07-16 | 2024-08-13 | 中国电子科技集团公司第十五研究所 | 双向gru雷达探测航迹预测方法、装置、设备和介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108563739A (zh) * | 2018-04-11 | 2018-09-21 | 平安科技（深圳）有限公司 | 天气数据获取方法及装置、计算机装置及可读存储介质 |
| CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
| CN112115550A (zh) * | 2020-09-13 | 2020-12-22 | 西北工业大学 | 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法 |
| CN112712203A (zh) * | 2020-12-29 | 2021-04-27 | 湖南大学 | 一种配电网日最高负荷预测方法和系统 |
-
2022
- 2022-08-16 CN CN202210982945.2A patent/CN115359684A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108563739A (zh) * | 2018-04-11 | 2018-09-21 | 平安科技（深圳）有限公司 | 天气数据获取方法及装置、计算机装置及可读存储介质 |
| CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
| CN112115550A (zh) * | 2020-09-13 | 2020-12-22 | 西北工业大学 | 基于Mogrifier-BiGRU的飞行器机动轨迹预测方法 |
| CN112712203A (zh) * | 2020-12-29 | 2021-04-27 | 湖南大学 | 一种配电网日最高负荷预测方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 贺文灏: "基于弹性网络正则化的隐因子预测模型", 《计算机应用与软件》, vol. 36, no. 7, pages 287 - 293 * |
| 靳冰洁: "《基于负荷特性聚类及Elastic Net 分析的短期 负荷预测方法》", 《中国电力》, vol. 53, no. 9, pages 221 - 228 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118485105A (zh) * | 2024-07-16 | 2024-08-13 | 中国电子科技集团公司第十五研究所 | 双向gru雷达探测航迹预测方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12072705B2 (en) | Intelligent decision-making method and system for unmanned surface vehicle | |
| CN113110592B (zh) | 一种无人机避障与路径规划方法 | |
| CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
| CN108764560B (zh) | 基于长短期记忆神经网络的航空器场面轨迹预测方法 | |
| CN110874578A (zh) | 一种基于强化学习的无人机视角车辆识别追踪方法 | |
| CN113569465B (zh) | 一种基于深度学习的航迹矢量和目标类型联合估计系统及估计方法 | |
| CN112862171B (zh) | 一种基于时空神经网络的航班到达时间预测方法 | |
| CN116110022B (zh) | 基于响应知识蒸馏的轻量化交通标志检测方法及系统 | |
| CN112148008A (zh) | 一种基于深度强化学习的实时无人机路径预测方法 | |
| CN114842681A (zh) | 一种基于多头注意力机制的机场场面航迹预测方法 | |
| Yang et al. | LSTM-based deep learning model for civil aircraft position and attitude prediction approach | |
| CN114090718A (zh) | 基于Bi-LSTM预测与模糊分析的中断航迹关联方法 | |
| CN115359684A (zh) | 一种基于Elastic-BiGRU结构的航空器轨迹预测方法 | |
| CN114972439A (zh) | 一种新的无人机目标跟踪算法 | |
| CN117311393A (zh) | 一种无人机自主飞行路径规划方法及系统 | |
| CN116663384A (zh) | 一种战场任务规划背景下的目标轨迹预测方法 | |
| CN117011728A (zh) | 基于改进YOLOv7的无人机航拍目标检测方法 | |
| CN115298671A (zh) | 一种使用子内核搜索模块优化设备上神经网络模型的方法和装置 | |
| CN112396164A (zh) | 一种基于环境敏感的智能车辆轨迹预测方法 | |
| Wang et al. | Learning embedding features based on multisense-scaled attention architecture to improve the predictive performance of air combat intention recognition | |
| CN114972429B (zh) | 云边协同自适应推理路径规划的目标追踪方法和系统 | |
| Chen et al. | Target intent recognition method based on evidence fusion in TimeSeries networks | |
| Zeng et al. | Multi-task panoramic driving perception algorithm based on improved YOLOv5 | |
| CN116760888B (zh) | 一种多无人机间数据智能组织与推送方法 | |
| Gao et al. | Depth Estimation for Small Obstacles Based on Monocular Vision |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20221118 |
|
| WD01 | Invention patent application deemed withdrawn after publication |