CN116543603A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116543603A CN116543603A CN202310831619.6A CN202310831619A CN116543603A CN 116543603 A CN116543603 A CN 116543603A CN 202310831619 A CN202310831619 A CN 202310831619A CN 116543603 A CN116543603 A CN 116543603A
- Authority
- CN
- China
- Prior art keywords
- track
- vector
- airspace
- layer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000011176 pooling Methods 0.000 claims abstract description 30
- 230000000295 complement effect Effects 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 84
- 238000013507 mapping Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 101100001674 Emericella variicolor andI gene Proteins 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 239000013604 expression vector Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及空中交通管理技术领域,具体涉及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。包括以下步骤:步骤1:获取航迹数据,构建数据集;步骤2:构建航迹嵌入预训练模型;步骤3:构建航迹补全与预测模;步骤4:构建损失函数,采用数据集对航迹嵌入预训练模型和航迹补全与预测模型进行训练;步骤5:采用训练后的航迹嵌入预训练模型和航迹补全与预测模型进行航迹补全预测;本发明不仅考虑缺失航迹点前后的轨迹信息,同时考察局部空域内其它航空器对缺失航迹点的影响,并使用区域池化方法将局部空域内其它航空器的飞行态势信息进行融合、降维,更加符合实际情况;对具有复杂飞行模式的航迹片段进行补全,具有较高的补全精度。
Description
技术领域
本发明涉及空中交通管理技术领域,具体涉及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。
背景技术
在空中交通控制系统中,ADS-B系统常以一定的频率采集航空器广播的信息,包括位置、航向、呼号等。在这些信息中,若将位置信息依时间维度整合起来就能够得到航空器的飞行轨迹信息,大量的历史飞行轨迹为飞行计划制定、空中交通流控制、空中轨迹预测等空管应用提供了重要的经验信息。但由于存在广播信号干扰、存储介质故障、错误测量等因素的影响,ADS-B系统捕获的飞行轨迹信息会出现缺失值或离群值。为了对其进行航迹补齐,现有方法大多采用插值的方法,虽然此类方法简单高效,但实际的飞行轨迹需要考虑碰撞及冲突的避免,而受到局部空域内其他航空器的制约,因此现有方法缺乏对局部空域内其他航空器影响的建模。
发明内容
本发明根据现有技术存在的问题提供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。
本发明采用的技术方案是:
一种考虑空域态势和局部优化的航迹补全预测方法,包括以下步骤:
步骤1:获取航迹数据,构建数据集;
步骤2:构建航迹嵌入预训练模型,用于提取航迹片段中的航迹点属性映射为多维特征向量;对多维特征向量进行时序建模得到包括航迹点特征的航迹嵌入向量;将航迹嵌入向量映射为航迹点属性得到航迹点属性的估计值;
步骤3:构建航迹补全与预测模型,用于将空域态势表示嵌入融合,得到局部空域态势信息;根据局部空域态势信息和航迹嵌入向量获取航迹片段,对航迹片段进行时序建模得到预测缺失航迹点特征的隐含向量;将隐含向量进行线性映射得到补全后的航迹点属性;
步骤4:构建损失函数,采用数据集对航迹嵌入预训练模型和航迹补全与预测模型进行训练;
步骤5:采用训练后的航迹嵌入预训练模型和航迹补全与预测模型进行航迹补全预测。
进一步的,所述航迹嵌入预训练模型包括编码器模块和解码器模块;编码器模块包括输入映射层和第一Transformer模块;输入映射层为全连接层,用于将航迹片段中的航迹点属性映射为多维特征向量;第一Transformer模块包括依次连接的多头自注意力模块、层标准化层、前馈神经网络和层标准层,用于对多维特征向量进行时序建模,输出包括航迹点特征的航迹嵌入向量;解码器模块为输出映射层,用于将航迹嵌入向量映射为航迹点属性,得到航迹点属性的估计值。
进一步的,所述航迹补全与预测模型包括区域池化模块、第二Transformer模块和输出嵌入层;区域池化模块包括区域池化向量和第一全连接层和第二全连接层;区域池化向量用于存放空域态势表示嵌入;第一全连接层用于将空域态势嵌入进行融合得到局部空域态势信息;第二全连接层用于根据航迹嵌入向量和局部空域态势信息获取航迹片段;第二Transformer模块包括依次连接的Masked多头自注意力模块、层标准化层、前馈神经网络、层标准层;用于对区域池化模块输出的航迹片段进行时序建模,提取预测缺失航迹点特征的隐含向量;输出嵌入层为全连接层用于将第二Transformer模块输出的隐含向量进行线性映射输出补全后的航迹点属性。
进一步的,所述步骤3训练过程根据不同场景采用三种训练模式训练航迹补全与预测模型;
模式一:采用前序F个航迹点和后序B个航迹点对中间N个航迹点进行航迹补全与预测;
若后序B个航迹点缺失,则采用模式二:采用前序F个航迹点对中间N个航迹点进行航迹补全与预测;
若前序F个航迹点缺失,则采用模式三:采用后序B个航迹点对中间N个航迹点进行航迹补全与预测。
进一步的,所述第一Transformer模块对每个多维特征向量进行随机Mask操作,过程如下:
式中:U(0,1)为采样范围为0到1的均匀分布,u为进行采样后的随机标量,α是随机Mask概率;I是输入到所述第一Transformer模块的高维特征向量;I masked是经过随机Mask操作后的高维特征向量;sgn(·)为符号函数;
第二Transformer模块中Masked多头自注意力模块的Mask矩阵三种不同的模式分别满足下述公式:
模式一:
模式二:
模式三:
式中:Mask为Masked多头自注意力模块的Mask矩阵,triu(·)算子为取矩阵的上三角区域,diag(·)算子为取矩阵的对角线区域,i为航迹点序号,inf为无穷大数,F为前序航点数,N为中间航点数,B为后续航点数。
进一步的,所述区域池化模块处理过程满足下式:
式中:P a为航迹点a的区域池化张量,为包括在航迹点a局部空域的第i个扇区块,第j个簇,第k个区域内其他航空器的航迹点集合,h r是航迹点r的航迹嵌入向量,S a为第一全连接层的输出,W 1和b 1分别为第一全连接层的权重矩阵和偏置向量,C a和I a分别为第二个全连接层的输入和输出,W 2和b 2分别为第二全连接层的权重矩阵和偏置向量,flatten(·)算子为将张量沿各维度平铺为一个向量;concat(·)算子为将两个向量进行首尾相连,T为向量的转置。
进一步的,所述航迹数据经过预处理,然后构建数据集,预处理过程如下:
根据航迹数据的采样间隔,将航迹数据中存在缺失值的片段剔除;
对航迹点属性进行最小最大值归一化;航迹数据为包括每条航线中各个时刻的航迹点属性和飞行器的运动趋势;
航迹点属性包括时间戳、经度、纬度、海拔、经度方向速度、纬度方向速度和垂直速度;采取最小最大值归一化的航迹点属性不包括时间戳;
飞行器的运动趋势包括爬升、保持、转弯、下降。
进一步的,所述损失函数如下:
式中:p i为第i个航迹点的属性损失,a i,j为第i个航迹点的第j个属性的真实值,为第i个航迹点的第j个属性的预测值,N t为航迹嵌入预训练模型或航迹补全与预测模型输出的航迹点个数,N a为每个航迹点的属性个数,L为损失函数。
进一步的,所述局部空域指的是半径为R,垂直高度偏差为H的圆柱体空间;
区域池化方法如下:
将局部空域依圆心等角度切分为D 1个扇区块,每个扇区块依半径等分为D 2个簇,每个簇依高度等分为D 3个区域,将处于同一区域内航空器的航迹嵌入向量进行相加得到当前时刻的空域态势表示嵌入,再使用线性映射对所有区域的空域态势表示嵌入进行融合,得到区域池化结果。
一种考虑空域态势和局部优化的航迹补全预测的装置,包括至少一个处理器、至少一个存储器、输入输出设备和电源;存储器用于存储考虑空域态势和局部优化的航迹补全预测方法的指令;处理器用于执行考虑空域态势和局部优化的航迹补全预测方法;输入输出设备用于进行数据交互;电源用于为设备提供电源。
本发明的有益效果是:
(1)本发明对缺失航迹点进行估计时,不仅考虑缺失航迹点前后的轨迹信息,同时考察局部空域内其它航空器对缺失航迹点的影响,并使用区域池化方法将局部空域内其它航空器的飞行态势信息进行融合、降维,更加符合实际情况;
(2)本发明对具有复杂飞行模式的航迹片段进行补全,具有较高的补全精度。
附图说明
图1为本发明方法流程示意图。
图2为本发明实施例中航迹嵌入预训练模型示意图。
图3为本发明实施例中航迹补全与预测模型示意图。
图4为本发明实施例中航迹补全与预测模型不同训练模式的适用场景。
图5为本发明实施例中区域池化方法对局部空域划分的示意图。
图6为本发明实施例中航迹嵌入预训练模型的第一Transformer模块示意图。
图7为本发明实施例中航迹补全与预测模型的第二Transformer模块示意图。
图8为本发明实施例中装置结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
如图1所示,一种考虑空域态势和局部优化的航迹补全预测方法,包括以下步骤:
步骤1:从ATC系统中获取航迹数据,经解码后,进行数据预处理并构建数据集;
解码后的航迹数据包括每条航线中各个时刻的航迹点属性:时间戳、经度、纬度、海拔、经度方向速度、纬度方向速度以及垂直速度;航迹数据包括飞行器各种运动趋势,包括爬升、保持、转弯以及下降。
数据预处理过程包括以下步骤:
S1:根据航迹数据的采样间隔,将航迹数据中存在缺失值的片段剔除;
S2:对航迹点除时间戳以外的六个属性进行最小最大值归一化,满足以下公式:
式中:为航迹点第i个属性值,/>为所有航迹点第i个属性的最小值,为所有航迹点第i个属性的最大值,/>为经过归一化后的航迹点第i个属性值。
构建数据集的过程包括如下步骤:
若使用M个航迹点训练所述航迹嵌入预训练模型,则使用窗口大小为M的滑动窗口以一个航迹点为步长,在航迹数据上不断截取数据对,并使用7:1:2的比例从所有数据对中划分出训练集、验证集和测试集。
若需要进行航迹补全与预测的目标片段的航迹点个数为K,则使用窗口大小为K的滑动窗口以一个航迹点为步长,在航迹数据上不断截取数据对,并使用7:1:2的比例从所述数据对中划分出训练集、验证集和测试集。
步骤2:如图2所示,构建航迹嵌入预训练模型,用于提取航迹片段中的航迹点属性映射为多维特征向量;对多维特征向量进行时序建模得到包括航迹点特征的航迹嵌入向量;将航迹嵌入向量映射为航迹点属性得到航迹点属性的估计值。通过该模型构建航迹点特征的多维表达向量,增强数据的表征能力,提高航迹补全与预测模型的学习效果。
航迹嵌入预训练模型包括编码器模块和解码器模块;编码器模块包括输入映射层和第一Transformer模块;输入映射层为全连接层,用于将航迹片段中的航迹点属性(经度、纬度、海拔、经度方向速度、纬度方向速度和垂直速度)映射为多维特征向量,提升航迹点特征的表征能力。如图6所示,第一Transformer模块包括依次连接的多头自注意力模块、层标准化层、前馈神经网络和层标准层;用于对多维特征向量进行时序建模,输出包括航迹点特征的航迹嵌入向量,提取了不同时刻航迹点特征之间的相似性和差异性;解码器模块为输出映射层,用于将航迹嵌入向量映射为航迹点属性。输出映射层包括两个全连接层,将航迹嵌入向量映射为航迹点的六个属性:经度、纬度、海拔、经度方向速度、纬度方向速度和垂直速度。这六个属性值应当与输入到航迹嵌入预训练模型的编码器模块的对应航迹点属性相同。
第一Transformer模块对每个多维特征向量进行随机Mask操作,过程如下:
式中:U(0,1)为采样范围为0到1的均匀分布,u为进行采样后的随机标量,α是随机Mask概率;I是输入到所述第一Transformer模块的高维特征向量;I masked是经过随机Mask操作后的高维特征向量;sgn(·)为符号函数。
步骤3:如图3所示,构建航迹补全与预测模型,用于将空域态势表示嵌入融合,得到局部空域态势信息;根据局部空域态势信息和航迹嵌入向量获取航迹片段,对航迹片段进行时序建模得到预测缺失航迹点特征的隐含向量;将隐含向量进行线性映射得到补全后的航迹点属性。在考虑局部空域内其他航空器位置信息的情况下,对具有缺失值的航迹片段进行补全任务。
航迹补全与预测模型包括区域池化模块、第二Transformer模块和输出嵌入层;区域池化模块包括区域池化向量和第一全连接层和第二全连接层;区域池化向量用于存放空域态势表示嵌入;第一全连接层用于将空域态势嵌入进行融合得到局部空域态势信息;第二全连接层用于根据航迹嵌入向量和局部空域态势信息获取航迹片段,进一步提取当前时刻航迹点航迹嵌入向量和局部空域态势信息的相关性与差异性。区域池化模块处理过程满足下式:
式中:P a为航迹点a的区域池化张量,维度为4,初始化为全0张量,为包括在航迹点a局部空域的第i个扇区块,第j个簇,第k个区域内其他航空器的航迹点集合,h r是航迹点r的航迹嵌入向量,S a为第一全连接层的输出,W 1和b 1分别为第一全连接层的权重矩阵和偏置向量,C a和I a分别为第二个全连接层的输入和输出,W 2和b 2分别为第二全连接层的权重矩阵和偏置向量,flatten(·)算子为将张量沿各维度平铺为一个向量;concat(·)算子为将两个向量进行首尾相连,T为向量的转置。
如图7所示,第二Transformer模块包括依次连接的Masked多头自注意力模块、层标准化层、前馈神经网络、层标准层;用于对区域池化模块输出的航迹片段进行时序建模,提取预测缺失航迹点特征的隐含向量;不同训练模式对应不同的Masked多头自注意力模块的Mask矩阵:
模式一:
模式二:
模式三:
式中:Mask为Masked多头自注意力模块的Mask矩阵,triu(·)算子为取矩阵的上三角区域,diag(·)算子为取矩阵的对角线区域,i为航迹点序号,inf为无穷大数,F为前序航点数,N为中间航点数,B为后续航点数。
对于每个模式,Mask经过初始化后,依次进行对应式中从上到下的操作完成Mask矩阵的构建。
输出嵌入层为全连接层用于将第二Transformer模块输出的隐含向量进行线性映射输出补全后的航迹点属性,实现航迹补全与预测。
步骤4:构建损失函数,采用数据集对航迹嵌入预训练模型和航迹补全与预测模型进行训练;
损失函数L满足以下公式:
式中:p i为第i个航迹点的属性损失,a i,j为第i个航迹点的第j个属性的真实值,为第i个航迹点的第j个属性的预测值,N t为航迹嵌入预训练模型或航迹补全与预测模型输出的航迹点个数,N a为每个航迹点的属性个数,L为损失函数。
训练航迹补全与预测模型时,根据不同的训练模式训练,调整超参数,得到训练后的航迹补全与预测模型,不同的训练模式对应不同的航迹补全与预测场景。如图4所示:
模式一:采用前序F个航迹点和后序B个航迹点对中间N个航迹点进行航迹补全与预测;
若后序B个航迹点缺失,则采用模式二:采用前序F个航迹点对中间N个航迹点进行航迹补全与预测;
若前序F个航迹点缺失,则采用模式三:采用后序B个航迹点对中间N个航迹点进行航迹补全与预测。
需要进行航迹补全与预测的目标片段中,缺失航迹点的个数可以是一个或多个,缺失航迹点的位置可以是所述目标片段中的任意一个或多个位置。若后续B个航迹点全部缺失采用模式二,若前序F个航迹点全部缺失采用模式三。
针对所述目标片段中的每个航迹点,使用其航迹嵌入向量和局部空域态势信息对当前航迹点属性进行估计,对于缺失航迹点,令其航迹嵌入向量为全0向量;所述局部空域态势信息是前一个或后一个时刻航迹点为中心的局部空域内其他航空器当前时刻航迹嵌入向量的区域池化结果。
根据不同的训练模式确定使用哪个时刻的航迹点作为中心,模式一、二选择前一个时刻,模式三选择后一个时刻;如图5所示,局部空域指的是半径为R,垂直高度偏差为H的圆柱体空间;区域池化的方法为:将所述局部空域依圆心等角度切分为D 1个扇区块,每个扇区块依半径等分为D 2个簇,每个簇依高度等分为D 3个区域,将处于同一区域内航空器的航迹嵌入向量进行相加得到当前时刻的空域态势表示嵌入,再使用线性映射对所有区域的空域态势表示嵌入进行融合,得到区域池化结果。
步骤5:采用训练后的航迹嵌入预训练模型和航迹补全与预测模型进行航迹补全预测。
针对某一条具有缺失航迹点的航迹片段,捕获缺失航迹点一定范围内其他航空器的飞行轨迹,一并输入训练完成的航迹嵌入预训练模型,取编码器模块输出的航迹高维表达向量,输入对应训练模式下训练完备的航迹补全与预测模型,得到缺失片段的估计值。
如图8所示,一种考虑空域态势和局部优化的航迹补全预测方法的装置,包括至少一个处理器、至少一个存储器、输入输出设备和电源;存储器用于存储考虑空域态势和局部优化的航迹补全预测方法的指令;处理器用于执行考虑空域态势和局部优化的航迹补全预测方法;输入输出设备用于进行数据交互,包括显示器、键盘、鼠标、USB接口、RJ45接口等;电源用于为设备提供电源,可以为外置电源也可以为内置电源。
Claims (10)
1.一种考虑空域态势和局部优化的航迹补全预测方法,其特征在于,包括以下步骤:
步骤1:获取航迹数据,构建数据集;
步骤2:构建航迹嵌入预训练模型,用于提取航迹片段中的航迹点属性映射为多维特征向量;对多维特征向量进行时序建模得到包括航迹点特征的航迹嵌入向量;将航迹嵌入向量映射为航迹点属性得到航迹点属性的估计值;
步骤3:构建航迹补全与预测模型,用于将空域态势表示嵌入融合,得到局部空域态势信息;根据局部空域态势信息和航迹嵌入向量获取航迹片段,对航迹片段进行时序建模得到预测缺失航迹点特征的隐含向量;将隐含向量进行线性映射得到补全后的航迹点属性;
步骤4:构建损失函数,采用数据集对航迹嵌入预训练模型和航迹补全与预测模型进行训练;
步骤5:采用训练后的航迹嵌入预训练模型和航迹补全与预测模型进行航迹补全预测。
2.根据权利要求1所述的一种考虑空域态势和局部优化的航迹补全预测方法,其特征在于,所述航迹嵌入预训练模型包括编码器模块和解码器模块;编码器模块包括输入映射层和第一Transformer模块;输入映射层为全连接层,用于将航迹片段中的航迹点属性映射为多维特征向量;第一Transformer模块包括依次连接的多头自注意力模块、层标准化层、前馈神经网络和层标准层;用于对多维特征向量进行时序建模,输出包括航迹点特征的航迹嵌入向量;解码器模块为输出映射层,用于将航迹嵌入向量映射为航迹点属性,得到航迹点属性的估计值。
3.根据权利要求2所述的一种考虑空域态势和局部优化的航迹补全预测方法,其特征在于,所述航迹补全与预测模型包括区域池化模块、第二Transformer模块和输出嵌入层;区域池化模块包括区域池化向量和第一全连接层和第二全连接层;区域池化向量用于存放空域态势表示嵌入;第一全连接层用于将空域态势嵌入进行融合得到局部空域态势信息;第二全连接层用于根据航迹嵌入向量和局部空域态势信息获取航迹片段;第二Transformer模块包括依次连接的Masked多头自注意力模块、层标准化层、前馈神经网络、层标准层;用于对区域池化模块输出的航迹片段进行时序建模,提取预测缺失航迹点特征的隐含向量;输出嵌入层为全连接层用于将第二Transformer模块输出的隐含向量进行线性映射输出补全后的航迹点属性。
4.根据权利要求3所述的一种考虑空域态势和局部优化的航迹补全预测方法,其特征在于,所述步骤3训练过程根据不同场景采用三种训练模式训练航迹补全与预测模型;
模式一:采用前序F个航迹点和后序B个航迹点对中间N个航迹点进行航迹补全与预测;
若后序B个航迹点缺失,则采用模式二:采用前序F个航迹点对中间N个航迹点进行航迹补全与预测;
若前序F个航迹点缺失,则采用模式三:采用后序B个航迹点对中间N个航迹点进行航迹补全与预测。
5.根据权利要求4所述的一种考虑空域态势和局部优化的航迹补全预测方法,其特征在于,所述第一Transformer模块对每个多维特征向量进行随机Mask操作,过程如下:
式中:U(0,1)为采样范围为0到1的均匀分布,u为进行采样后的随机标量,α是随机Mask概率;I是输入到所述第一Transformer模块的高维特征向量;I masked是经过随机Mask操作后的高维特征向量;sgn(·)为符号函数;
第二Transformer模块中Masked多头自注意力模块的Mask矩阵三种不同的模式分别满足下述公式:
模式一:
模式二:
模式三:
式中:Mask为Masked多头自注意力模块的Mask矩阵,triu(·)算子为取矩阵的上三角区域,diag(·)算子为取矩阵的对角线区域,i为航迹点序号,inf为无穷大数;F为前序航点数,N为中间航点数,B为后续航点数。
6.根据权利要求3所述的一种考虑空域态势和局部优化的航迹补全预测方法,其特征在于,所述区域池化模块处理过程满足下式:
式中:P a为航迹点a的区域池化张量,为包括在航迹点a局部空域的第i个扇区块,第j个簇,第k个区域内其他航空器的航迹点集合,h r是航迹点r的航迹嵌入向量,S a为第一全连接层的输出,W 1和b 1分别为第一全连接层的权重矩阵和偏置向量,C a和I a分别为第二个全连接层的输入和输出,W 2和b 2分别为第二全连接层的权重矩阵和偏置向量,flatten(·)算子为将张量沿各维度平铺为一个向量;concat(·)算子为将两个向量进行首尾相连,T为向量的转置。
7.根据权利要求1所述的一种考虑空域态势和局部优化的航迹补全预测方法,其特征在于,所述航迹数据经过预处理,然后构建数据集,预处理过程如下:
根据航迹数据的采样间隔,将航迹数据中存在缺失值的片段剔除;
对航迹点属性进行最小最大值归一化;航迹数据为包括每条航线中各个时刻的航迹点属性和飞行器的运动趋势;
航迹点属性包括时间戳、经度、纬度、海拔、经度方向速度、纬度方向速度和垂直速度;采取最小最大值归一化的航迹点属性不包括时间戳;
飞行器的运动趋势包括爬升、保持、转弯、下降。
8.根据权利要求1所述的一种考虑空域态势和局部优化的航迹补全预测方法,其特征在于,所述损失函数如下:
式中:p i为第i个航迹点的属性损失,a i,j为第i个航迹点的第j个属性的真实值,为第i个航迹点的第j个属性的预测值,N t为航迹嵌入预训练模型或航迹补全与预测模型输出的航迹点个数,N a为每个航迹点的属性个数,L为损失函数。
9.根据权利要求3所述的一种考虑空域态势和局部优化的航迹补全预测方法,其特征在于,所述局部空域指的是半径为R,垂直高度偏差为H的圆柱体空间;
区域池化方法如下:
将局部空域依圆心等角度切分为D 1个扇区块,每个扇区块依半径等分为D 2个簇,每个簇依高度等分为D 3个区域,将处于同一区域内航空器的航迹嵌入向量进行相加得到当前时刻的空域态势表示嵌入,再使用线性映射对所有区域的空域态势表示嵌入进行融合,得到区域池化结果。
10.采用如权利要求1~9所述任一种考虑空域态势和局部优化的航迹补全预测方法的装置,其特征在于,包括至少一个处理器、至少一个存储器、输入输出设备和电源;存储器用存储权利要求1~9所述任一种方法的指令;处理器用于执行权利要求1~9所述任一种方法;输入输出设备用于进行数据交互;电源用于为设备提供电源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310831619.6A CN116543603B (zh) | 2023-07-07 | 2023-07-07 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310831619.6A CN116543603B (zh) | 2023-07-07 | 2023-07-07 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116543603A true CN116543603A (zh) | 2023-08-04 |
CN116543603B CN116543603B (zh) | 2023-09-29 |
Family
ID=87454659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310831619.6A Active CN116543603B (zh) | 2023-07-07 | 2023-07-07 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116543603B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910919A (zh) * | 2023-09-08 | 2023-10-20 | 四川大学 | 一种飞行器航迹高缺失率下的填补方法和装置 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130085672A1 (en) * | 2011-09-30 | 2013-04-04 | The Boeing Company | Flight Trajectory Prediction with Application of Environmental Conditions |
GB201718628D0 (en) * | 2017-11-10 | 2017-12-27 | Horiba Mira Ltd | Method of computer vision based localisation and navigation and system for performing the same |
CN112396164A (zh) * | 2020-11-20 | 2021-02-23 | 浙江大学计算机创新技术研究院 | 一种基于环境敏感的智能车辆轨迹预测方法 |
CN112863494A (zh) * | 2021-01-19 | 2021-05-28 | 湖南大学 | 基于半监督对抗变分自编码的语音情感识别方法及系统 |
CN113470441A (zh) * | 2021-06-30 | 2021-10-01 | 成都飞机工业(集团)有限责任公司 | 一种高机动试飞航空器实时智能防相撞检测方法 |
CN113591874A (zh) * | 2021-06-01 | 2021-11-02 | 清华大学 | 长时记忆增强的段落级别图像描述生成方法 |
CN113591954A (zh) * | 2021-07-20 | 2021-11-02 | 哈尔滨工程大学 | 一种工业系统中缺失的时序数据的填充方法 |
CN113806508A (zh) * | 2021-09-17 | 2021-12-17 | 平安普惠企业管理有限公司 | 基于人工智能的多轮对话方法、装置及存储介质 |
CN113887469A (zh) * | 2021-10-15 | 2022-01-04 | 黑龙江雨谷科技有限公司 | 用于行人跌倒检测的方法、系统和存储介质 |
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 |
US20220153314A1 (en) * | 2020-11-17 | 2022-05-19 | Uatc, Llc | Systems and methods for generating synthetic motion predictions |
CN115310677A (zh) * | 2022-07-18 | 2022-11-08 | 四川大学 | 一种基于二进制编码表示与多分类的航迹预测方法及装置 |
CN115479607A (zh) * | 2022-09-15 | 2022-12-16 | 杭州隽睿信息科技有限公司 | 用于智慧电场的室内定位方法及其系统 |
CN115481638A (zh) * | 2022-09-16 | 2022-12-16 | 四川大学 | 一种基于管制意图表示的航空器轨迹补齐方法 |
CN115661586A (zh) * | 2022-12-09 | 2023-01-31 | 云粒智慧科技有限公司 | 模型训练和人流量统计方法、装置及设备 |
CN115809716A (zh) * | 2022-07-08 | 2023-03-17 | 四川大学 | 一种基于多分辨分析和小波包重构的航迹预测方法及装置 |
CN116304969A (zh) * | 2023-01-28 | 2023-06-23 | 吉林大学 | 基于lstm-gnn考虑道路信息的车辆轨迹多模态预测方法 |
-
2023
- 2023-07-07 CN CN202310831619.6A patent/CN116543603B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130085672A1 (en) * | 2011-09-30 | 2013-04-04 | The Boeing Company | Flight Trajectory Prediction with Application of Environmental Conditions |
GB201718628D0 (en) * | 2017-11-10 | 2017-12-27 | Horiba Mira Ltd | Method of computer vision based localisation and navigation and system for performing the same |
US20220153314A1 (en) * | 2020-11-17 | 2022-05-19 | Uatc, Llc | Systems and methods for generating synthetic motion predictions |
CN112396164A (zh) * | 2020-11-20 | 2021-02-23 | 浙江大学计算机创新技术研究院 | 一种基于环境敏感的智能车辆轨迹预测方法 |
CN112863494A (zh) * | 2021-01-19 | 2021-05-28 | 湖南大学 | 基于半监督对抗变分自编码的语音情感识别方法及系统 |
CN113591874A (zh) * | 2021-06-01 | 2021-11-02 | 清华大学 | 长时记忆增强的段落级别图像描述生成方法 |
CN113470441A (zh) * | 2021-06-30 | 2021-10-01 | 成都飞机工业(集团)有限责任公司 | 一种高机动试飞航空器实时智能防相撞检测方法 |
CN113591954A (zh) * | 2021-07-20 | 2021-11-02 | 哈尔滨工程大学 | 一种工业系统中缺失的时序数据的填充方法 |
CN113806508A (zh) * | 2021-09-17 | 2021-12-17 | 平安普惠企业管理有限公司 | 基于人工智能的多轮对话方法、装置及存储介质 |
CN113887469A (zh) * | 2021-10-15 | 2022-01-04 | 黑龙江雨谷科技有限公司 | 用于行人跌倒检测的方法、系统和存储介质 |
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 |
CN115809716A (zh) * | 2022-07-08 | 2023-03-17 | 四川大学 | 一种基于多分辨分析和小波包重构的航迹预测方法及装置 |
CN115310677A (zh) * | 2022-07-18 | 2022-11-08 | 四川大学 | 一种基于二进制编码表示与多分类的航迹预测方法及装置 |
CN115479607A (zh) * | 2022-09-15 | 2022-12-16 | 杭州隽睿信息科技有限公司 | 用于智慧电场的室内定位方法及其系统 |
CN115481638A (zh) * | 2022-09-16 | 2022-12-16 | 四川大学 | 一种基于管制意图表示的航空器轨迹补齐方法 |
CN115661586A (zh) * | 2022-12-09 | 2023-01-31 | 云粒智慧科技有限公司 | 模型训练和人流量统计方法、装置及设备 |
CN116304969A (zh) * | 2023-01-28 | 2023-06-23 | 吉林大学 | 基于lstm-gnn考虑道路信息的车辆轨迹多模态预测方法 |
Non-Patent Citations (5)
Title |
---|
LIN, Y等: "Tensor completion-based trajectory imputation approach in air traffic control", 《AEROSPACE SCIENCE AND TECHNOLOGY》, pages 1 - 11 * |
ZHANG ZHIWEN等: "Missing Road Condition Imputation Using a Multi-View Heterogeneous Graph Network From GPS Trajectory", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, pages 4917 - 4931 * |
常惠: "基于多维时空信息的车辆轨迹重绘算法设计与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 5, pages 034 - 192 * |
张特: "基于深度学习的行人轨迹建模研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2, pages 138 - 960 * |
金博: "基于生成模型的时序数据缺失值插补方案设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 3, pages 138 - 768 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910919A (zh) * | 2023-09-08 | 2023-10-20 | 四川大学 | 一种飞行器航迹高缺失率下的填补方法和装置 |
CN116910919B (zh) * | 2023-09-08 | 2023-12-12 | 四川大学 | 一种飞行器航迹高缺失率下的填补方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116543603B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | A hybrid CNN-LSTM model for aircraft 4D trajectory prediction | |
Liu et al. | Predicting aircraft trajectories: A deep generative convolutional recurrent neural networks approach | |
CN109191922B (zh) | 一种大规模四维航迹动态预测方法及装置 | |
AU2020316538B2 (en) | Meteorological parameter-based high-speed train positioning method and system in navigation blind zone | |
CN116543603B (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 | |
US11790767B2 (en) | Method, apparatus, device and storage medium for pre-warning of aircraft flight threat evolution | |
CN112465199B (zh) | 空域态势评估系统 | |
CN111291098B (zh) | 一种航迹模式挖掘方法与装置 | |
CN111126459A (zh) | 一种车辆细粒度识别的方法及装置 | |
CN110334584B (zh) | 一种基于区域全卷积网络的手势识别方法 | |
CN112966555B (zh) | 一种基于深度学习和部件先验的遥感影像飞机识别方法 | |
CN108470460B (zh) | 一种基于智能手机与rnn的周边车辆行为识别方法 | |
CN114842681A (zh) | 一种基于多头注意力机制的机场场面航迹预测方法 | |
Zhao et al. | Aircraft trajectory prediction using deep long short-term memory networks | |
CN113326826A (zh) | 网络模型的训练方法、装置、电子设备及存储介质 | |
CN110135451B (zh) | 一种基于点到线段集距离的航迹聚类方法 | |
CN116993681A (zh) | 一种变电站巡检缺陷检测方法及系统 | |
CN115752708A (zh) | 一种基于深度时间卷积网络的机场单点噪声预测方法 | |
CN116678424A (zh) | 高精度车辆定位、矢量化地图构建及定位模型训练方法 | |
CN112329830B (zh) | 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 | |
Yuan et al. | A novel approach to image-sequence-based mobile robot place recognition | |
CN112201035A (zh) | 一种轨迹数据驱动的信控交叉口周期流量估计方法 | |
CN115755134A (zh) | 一种基于Informer网络的车辆定位方法、装置以及计算机 | |
CN115862385A (zh) | 基于标准飞行程序的机场终端区航空器飞行模式挖掘方法 | |
RU2742394C1 (ru) | Способ построения интеллектуальной системы определения областей маршрутов полета беспилотного летательного аппарата в моделирующих комплексах |
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 |