CN117076839A - 基于双重增量神经网络的机场航空器轨迹动态预测方法 - Google Patents
基于双重增量神经网络的机场航空器轨迹动态预测方法 Download PDFInfo
- Publication number
- CN117076839A CN117076839A CN202311337536.8A CN202311337536A CN117076839A CN 117076839 A CN117076839 A CN 117076839A CN 202311337536 A CN202311337536 A CN 202311337536A CN 117076839 A CN117076839 A CN 117076839A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- time
- track
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000009977 dual effect Effects 0.000 title claims description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 238000012937 correction Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 53
- 230000009471 action Effects 0.000 claims description 32
- 239000003795 chemical substances by application Substances 0.000 claims description 24
- 230000002787 reinforcement Effects 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 241000287196 Asthenes Species 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 238000012512 characterization method Methods 0.000 abstract 1
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/092—Reinforcement learning
-
- 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)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于交通态势预测技术领域,涉及基于双重增量神经网络的机场航空器轨迹动态预测方法,包括:建立航空器轨迹信息矩阵;得到在每个时间区间上的航空器轨迹信息矩阵数据集;构建时间区间上的时变增量神经网络预测单个航空器的轨迹信息;构建每个时间区间内航空器群体的轨迹信息矩阵,对单个航空器预测轨迹进行修正;采用双重时变预测神经网络,进行双重增量预测,完成对机场场面航空器群体进行轨迹动态预测。本发明实现动态刻画航空器在机场场面滑行的时变非稳定演化过程,能考虑不同时刻航空器行为状态的影响,提高预测准确度;刻画不同航空器在机场环境的协同演变过程,实现对个体航空器预测轨迹的动态修正,提高预测准确度。
Description
技术领域
本发明属于交通态势预测技术领域,具体而言,涉及基于双重增量神经网络的机场航空器轨迹动态预测方法。
背景技术
通过机场场面航空器轨迹的态势分析,实现机坪无冲突运行、降低冲突风险是机场场面指挥调度公认的难题,而场面航空器的轨迹预测是解决机坪场面航空器态势分析难题的关键核心。现有对机场场面航空器态势预测方法只考虑了单航空器轨迹的预测,并且对航空器群体在场面的行为状态如冲突避让、滑停等待等因素扰动下的动态预测研究不足。因此,亟需结合机场场面多航空器的行为状态,动态刻画航空器群体在机场场面的行为过程,才能实现精准的机场场面航空器动态轨迹预测,从而提升机坪调度优化能力,减少场面冲突。
针对航空器轨迹预测问题,现有研究主要基于离线时序预测模型如LSTM,采用历史数据进行模型训练并应用于现实预测,但这类方法侧重于历史特征挖掘,难以匹配当前场面航空器动态变化的行为特征,然而,机场航班量、滑行路线、机位与航空器的匹配关系是动态变化的,如不同时间航空器滑行路线不一、遭遇的滑行事件也不一,此外,机坪管制员对航空器的滑行指挥行为也是动态调整的。因此,如何根据机场场面航空器动态的行为特征,实现其轨迹的迭代更新预测,是精准预测机场场面态势的关键。
发明内容
为了解决现有机场场面航空器轨迹预测方法存在轨迹预测不准确的问题,本发明提供了基于双重增量神经网络的机场航空器轨迹动态预测方法,包括:
根据历史机场航空器轨迹数据,建立航空器轨迹信息矩阵;
将航空器轨迹信息矩阵从时间点维度切分到时间区间维度上,得到在每个时间区间上的航空器轨迹信息矩阵数据集;
根据每个时间区间上的航空器轨迹信息矩阵数据集,构建时间区间上的时变增量神经网络,预测单个航空器的轨迹信息;
构建每个时间区间内航空器群体的轨迹信息矩阵,采用多智能体协同强化学习对单个航空器预测轨迹进行修正;
采用双重时变预测神经网络,将修正轨迹与同时段时间区间输入轨迹进行双重增量预测,完成对机场场面航空器群体进行轨迹动态预测。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,根据历史机场航空器轨迹数据,建立航空器轨迹信息矩阵,包括:
;
其中,为第/>时刻航空器特征信息矩阵,/>为第1个特征信息;特征信息包括航空器当前时刻位置坐标/>、航空器状态/>、航空器滑行路线点位坐标/>,航空器计划进港时间/>、航空器计划离港时间/>、航空器实际进港时间/>、航空器实际离港时间/>、航空器停放机位/>,/>为航空器第/>个特征信息。
进一步,将航空器轨迹信息矩阵从时间点维度切分到时间区间维度上,得到在每个时间区间上的航空器轨迹信息矩阵数据集,包括:
根据历史航空器特征信息,通过历史时刻数据构建时序特征信息矩阵;
第时刻时序特征信息矩阵为:
;
进行特征编码单元Encoder构建,得到编码后航空器特征信息:
;
构建编码时序特征矩阵信息,设第时刻时序特征信息矩阵/>,则:
;
其中,航空器轨迹坐标特征转化为空间向量,航空器状态特征、机位特征转化为哑变量,并对第/>时刻时序特征信息矩阵/>进行特征归一化处理。
进一步,根据每个时间区间上的航空器轨迹信息矩阵数据集,构建时间区间上的时变增量神经网络,预测单个航空器的轨迹信息,包括:
将历时序特征信息矩阵划分为/>个序列长度,每个序列长度分为训练序列/>和测试序列/>;
随机选择一组训练序列和测试序列/>进行训练,对每个序列时间长度/>,初始化权重/>矩阵和训练模型/>,进行模型训练,并计算训练误差,设训练误差为/>,/>为/>时刻训练权重矩阵,/>为/>数据集的训练模型,/>为/>时刻训练模型的验证数据集,/>为训练集的归一化误差,/>,同时对误差进行归一化处理,得到;
建立时变增量神经网络更新规则,设置训练阈值,若/>,则重置/>模型并重新训练,若/>,则记录当前模型/>;训练结束,选择满足误差范围的最优序列预测模型,设/>为数据集,/>为验证目标值,/>为/>时刻下数据集/>的训练模型,/>为偏置参数,则:
;
对k个时间序列数据,计算时序计算误差,设时序计算误差为,则:
;
计算时序归一化误差,设时序归一化误差为,则:
;
重复时变增量神经网络更新,得到满足误差范围的最优时变预测模型,设最优时变增量预测模型为,则:
;
采用最优时变增量预测模型,输入预测时间航空器特征信息,对单一航空器进行行为预测,得到预测时间区间的航空器特征信息。
进一步,构建每个时间区间内航空器群体的轨迹信息矩阵,采用多智能体协同强化学习对单个航空器预测轨迹进行修正,包括:
基于单一航空器的预测时间特征信息,采用多智能体协同强化学习神经网络,对全场航空器群体进行轨迹特征修正,建立多智能体协同马尔科夫学习环境,主要包括以下要素,设G为预测时间内场面航空器总数量,航空器分别定义为航空器1、航空器2、……航空器G,/>为智能体状态空间,/>为航空器N的状态,包括{空间位置、速度、方向、姿态、冲突信息},/>为智能体行动空间,定义航空器N的行动为/>,包括{减速、加速、停止、转向},/>表示状态转移概率,即当前航空器状态和采取行动后下一个状态的概率分布,航空器行动策略定义为机场场面确定性策略,如行动策略1、行动策略2、……行动策略/>,包括{冲突处置策略、刹车停止避让策略、优先滑行策略、优先推出策略、优先落地策略},建立航空器避让奖励函数/>,/>表示折扣因子,用于判断下一时刻奖励与当前奖励的重要性;通过场面多智能体强化学习模型建立多智能体神经网络,以航空器群体行动空间下轨迹分布作为目标函数进行训练,得到预测滑行轨迹。
进一步,采用双重时变预测神经网络,将MARL算法修正轨迹与同时段时间区间的真实轨迹矩阵进行双重增量预测,完成对机场场面航空器群体进行轨迹动态预测,包括对修正后的航空器轨迹特征与同时段真实轨迹特征进行时空数据对齐,建立训练数据集,计算MARL算法修正值与同时段真实轨迹值偏离误差,建立双重时变预测神经网络,将偏离误差作为残差因子以时间梯度更新至下一时段/>双重时变预测神经网络/>中,逐步遍历训练数据集,通过对测试数据进行阈值比较实现参数更新,从而得到最优双重增量神经网络,并应用于后续时段/>的预测,完成机场场面航空器轨迹动态预测。
进一步,计算修正值与同时段轨迹值偏离误差选用欧式距离进行计算。
本发明的有益效果是:
1.本发明通过历史机场场面航空器轨迹数据和实时场面航空器轨迹数据,建立动态航空器轨迹特征编码矩阵,通过时变增量神经网络动态推演航空器未来轨迹特征,实现动态刻画航空器在机场场面滑行的时变非稳定演化过程,能考虑不同时刻航空器行为状态的影响,提高预测准确度;
2.建立机场场面群体多智能体协同学习模型,刻画不同航空器在机场环境的协同演变过程,通过引入航空器滑行规则,建立群体协同强化学习网络,实现对个体航空器预测轨迹的动态修正,提高预测准确度。
附图说明
图1为本发明实施例1提供的基于双重增量神经网络的机场场面航空器轨迹动态预测方法的流程图;
图2为动态参数修正的增量神经网络模型示意图;
图3为多航空器协同强化学习修正行为特征的示意图;
图4为基于双重增量神经网络的机场场面航空器轨迹动态预测模型的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
作为一个实施例,如附图1所示,本实施例提供基于双重增量神经网络的机场航空器轨迹动态预测方法,包括:
根据历史机场航空器轨迹数据,建立航空器轨迹信息矩阵;
将航空器轨迹信息矩阵从时间点维度切分到时间区间维度上,得到在每个时间区间上的航空器轨迹信息矩阵数据集;
根据每个时间区间上的航空器轨迹信息矩阵数据集,构建时间区间上的时变增量神经网络,预测单个航空器的轨迹信息;
构建每个时间区间内航空器群体的轨迹信息矩阵,采用多智能体协同强化学习对单个航空器预测轨迹进行修正;
采用双重时变预测神经网络,将修正轨迹与同时段时间区间输入轨迹进行双重增量预测,完成对机场场面航空器群体进行轨迹动态预测。
在上述技术方案的基础上,本发明还可以做如下改进。
可选的,根据历史机场航空器轨迹数据,建立航空器轨迹信息矩阵,包括:
;
其中,为第/>时刻航空器特征信息矩阵,/>为第1个特征信息;特征信息包括航空器当前时刻位置坐标/>、航空器状态/>、航空器滑行路线点位坐标/>,航空器计划进港时间/>、航空器计划离港时间/>、航空器实际进港时间/>、航空器实际离港时间/>、航空器停放机位/>,/>为航空器第/>个特征信息。
可选的,将航空器轨迹信息矩阵从时间点维度切分到时间区间维度上,得到在每个时间区间上的航空器轨迹信息矩阵数据集,包括:
根据历史航空器特征信息,通过历史时刻数据构建时序特征信息矩阵;
第时刻时序特征信息矩阵为:
;
进行特征编码单元Encoder构建,得到编码后航空器特征信息:
;
构建编码时序特征矩阵信息,设第时刻时序特征信息矩阵/>,则:
;
其中,航空器轨迹坐标特征转化为空间向量,航空器状态特征、机位特征转化为哑变量,并对第/>时刻时序特征信息矩阵/>进行特征归一化处理。
可选的,根据每个时间区间上的航空器轨迹信息矩阵数据集,如附图2所示,构建时间区间上的时变增量神经网络,该时变增量神经网络表示为,预测单个航空器的轨迹信息,包括:
将历时序特征信息矩阵划分为/>个序列长度,每个序列长度分为训练序列/>和测试序列/>;
随机选择一组训练序列和测试序列/>进行训练,对每个序列时间长度/>,初始化权重/>矩阵和训练模型/>,进行模型训练,并计算训练误差,设训练误差为/>,/>为/>时刻训练权重矩阵,/>为/>数据集的训练模型,/>为/>时刻训练模型的验证数据集,/>为训练集的归一化误差,/>,同时对误差进行归一化处理,得到;
建立时变增量神经网络更新规则,设置训练阈值,若/>,则重置/>模型并重新训练,若/>,则记录当前模型/>;训练结束,选择满足误差范围的最优序列预测模型/>,设/>为数据集,/>为验证目标值,/>为/>时刻下数据集/>的训练模型,/>为偏置参数,则:
;
对k个时间序列数据,计算时序计算误差,设时序计算误差为,则:
;
计算时序归一化误差,设时序归一化误差为,则:
;
重复时变增量神经网络更新,得到满足误差范围的最优时变预测模型,设最优时变增量预测模型为,则:
;
采用最优时变增量预测模型,输入预测时间航空器特征信息,对单一航空器进行行为预测,得到预测时间区间的航空器特征信息。
可选的,构建每个时间区间内航空器群体的轨迹信息矩阵,采用多智能体协同强化学习对单个航空器预测轨迹进行修正,包括:
基于单一航空器的预测时间特征信息,采用多智能体协同强化学习神经网络,如附图3所示,对全场航空器群体进行轨迹特征修正,建立多智能体协同马尔科夫学习环境,主要包括以下要素,其中G为预测时间内场面航空器总数量,航空器分别定义为航空器1、航空器2、……航空器G,/>为智能体状态空间,/>为航空器N的状态,包括{空间位置、速度、方向、姿态、冲突信息},/>为智能体行动空间,定义航空器N的行动为,包括{减速、加速、停止、转向},/>表示状态转移概率,即当前航空器状态和采取行动后下一个状态的概率分布,航空器行动策略定义为机场场面确定性策略,如行动策略1、行动策略2、……行动策略/>,包括{冲突处置策略、刹车停止避让策略、优先滑行策略、优先推出策略、优先落地策略},建立航空器避让奖励函数/>,/>表示折扣因子,用于判断下一时刻奖励与当前奖励的重要性。通过场面多智能体强化学习模型建立多智能体神经网络,以航空器群体行动空间下轨迹分布作为目标函数进行训练,得到预测滑行轨迹。
采用MARL强化学习算法对场面航空器轨迹进行计算,输入单航空器的预测特征信息并进行训练,选择行动策略,更新行动策略价值函数,计算行动估计价值,设行动策略价值函数为,代表/>时刻状态/>和行动/>下的行动策略/>的值函数,/>为/>时刻状态和行动/>下的行动奖励值,/>为/>时刻状态/>和行动/>下的行动策略/>的值函数:
;
通过多智能体间信息协同策略,计算估计价值与目标价值函数的误差,设为,则:
;
根据经验误差值比较结果,更新MARL神经网络权重。
利用学习到的行动策略价值函数,对场面航空器预测轨迹进行协同策略下的修正处理,包括航空器冲突、排队、避让等行为修正,得到机场场面多航空器协同预测轨迹信息。
可选的,采用双重时变预测神经网络,如附图4所示,将MARL算法修正轨迹与同时段时间区间的真实轨迹矩阵进行双重增量预测,完成对机场场面航空器群体进行轨迹动态预测,包括对修正后的航空器轨迹特征与同时段真实轨迹特征进行时空数据对齐,建立训练数据集,计算MARL算法修正值与同时段真实轨迹值偏离误差,建立双重时变预测神经网络,将偏离误差作为残差因子以时间梯度更新至下一时段/>双重时变预测神经网络/>中,逐步遍历训练数据集,通过对测试数据进行阈值比较实现参数更新,从而得到最优双重增量神经网络,并应用于后续时段/>的预测,从而实现机场场面航空器轨迹动态预测。
可选的,计算修正值与同时段轨迹值偏离误差选用欧式距离进行计算。
本发明具有以下优点:
(1)本发明通过历史机场场面航空器轨迹数据和实时场面航空器轨迹数据,建立动态航空器轨迹特征编码矩阵,通过时变增量神经网络动态推演航空器未来轨迹特征,实现动态刻画航空器在机场场面滑行的时变非稳定演化过程,能考虑不同时刻航空器行为状态的影响,提高预测准确度;
(2)建立机场场面群体多智能体协同学习模型,刻画不同航空器在机场环境的协同演变过程,通过引入航空器滑行规则,建立群体协同强化学习网络,实现对个体航空器预测轨迹的动态修正,提高预测准确度。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于双重增量神经网络的机场航空器轨迹动态预测方法,其特征在于,包括:
根据历史机场航空器轨迹数据,建立航空器轨迹信息矩阵;
将航空器轨迹信息矩阵从时间点维度切分到时间区间维度上,得到在每个时间区间上的航空器轨迹信息矩阵数据集;
根据每个时间区间上的航空器轨迹信息矩阵数据集,构建时间区间上的时变增量神经网络,预测单个航空器的轨迹信息;
构建每个时间区间内航空器群体的轨迹信息矩阵,采用多智能体协同强化学习对单个航空器预测轨迹进行修正;
采用双重时变预测神经网络,将修正轨迹与同时段时间区间输入轨迹进行双重增量预测,完成对机场场面航空器群体进行轨迹动态预测。
2.根据权利要求1所述基于双重增量神经网络的机场航空器轨迹动态预测方法,其特征在于,根据历史机场航空器轨迹数据,建立航空器轨迹信息矩阵,包括:
;
其中,为第/>时刻航空器特征信息矩阵,/>为第1个特征信息;特征信息包括航空器当前时刻位置坐标/>、航空器状态/>、航空器滑行路线点位坐标/>,航空器计划进港时间/>、航空器计划离港时间/>、航空器实际进港时间/>、航空器实际离港时间/>、航空器停放机位/>,/>为航空器第/>个特征信息。
3.根据权利要求1所述基于双重增量神经网络的机场航空器轨迹动态预测方法,其特征在于,将航空器轨迹信息矩阵从时间点维度切分到时间区间维度上,得到在每个时间区间上的航空器轨迹信息矩阵数据集,包括:
根据历史航空器特征信息,通过历史时刻数据构建时序特征信息矩阵;
第时刻时序特征信息矩阵为:
;
进行特征编码单元Encoder构建,得到编码后航空器特征信息:
;
构建编码时序特征矩阵信息,设第时刻时序特征信息矩阵/>,则:
;
其中,航空器轨迹坐标特征转化为空间向量,航空器状态特征、机位特征转化为哑变量,并对第/>时刻时序特征信息矩阵/>进行特征归一化处理。
4.根据权利要求1所述基于双重增量神经网络的机场航空器轨迹动态预测方法,其特征在于,根据每个时间区间上的航空器轨迹信息矩阵数据集,构建时间区间上的时变增量神经网络,预测单个航空器的轨迹信息,包括:
将历时序特征信息矩阵划分为/>个序列长度,每个序列长度分为训练序列/>和测试序列/>;
随机选择一组训练序列和测试序列/>进行训练,对每个序列时间长度/>,初始化权重/>矩阵和训练模型/>,进行模型训练,并计算训练误差,设训练误差为/>,/>为i时刻训练权重矩阵,/>为/>数据集的训练模型,/>为/>时刻训练模型的验证数据集,/>为训练集的归一化误差,/>,同时对误差进行归一化处理,得到;
建立时变增量神经网络更新规则,设置训练阈值,若/>,则重置/>模型并重新训练,若/>,则记录当前模型/>;训练结束,选择满足误差范围的最优序列预测模型/>,设/>为数据集,/>为验证目标值,/>为/>时刻下数据集/>的训练模型,/>为偏置参数,则:
;
对k个时间序列数据,计算时序计算误差,设时序计算误差为,则:
;
计算时序归一化误差,设时序归一化误差为,则:
;
重复时变增量神经网络更新,得到满足误差范围的最优时变预测模型,设最优时变增量预测模型为,则:
;
采用最优时变增量预测模型,输入预测时间航空器特征信息,对单一航空器进行行为预测,得到预测时间区间的航空器特征信息。
5.根据权利要求1所述基于双重增量神经网络的机场航空器轨迹动态预测方法,其特征在于,构建每个时间区间内航空器群体的轨迹信息矩阵,采用多智能体协同强化学习对单个航空器预测轨迹进行修正,包括:
基于单一航空器的预测时间特征信息,采用多智能体协同强化学习神经网络,对全场航空器群体进行轨迹特征修正,建立多智能体协同马尔科夫学习环境,主要包括以下要素,设G为预测时间内场面航空器总数量,航空器分别定义为航空器1、航空器2、……航空器G,/>为智能体状态空间,/>为航空器N的状态,包括{空间位置、速度、方向、姿态、冲突信息},/>为智能体行动空间,定义航空器N的行动为/>,包括{减速、加速、停止、转向},/>表示状态转移概率,即当前航空器状态和采取行动后下一个状态的概率分布,航空器行动策略定义为机场场面确定性策略,如行动策略1、行动策略2、……行动策略/>,包括{冲突处置策略、刹车停止避让策略、优先滑行策略、优先推出策略、优先落地策略},建立航空器避让奖励函数/>,/>表示折扣因子,用于判断下一时刻奖励与当前奖励的重要性;通过场面多智能体强化学习模型建立多智能体神经网络,以航空器群体行动空间下轨迹分布作为目标函数进行训练,得到预测滑行轨迹。
6.根据权利要求1所述基于双重增量神经网络的机场航空器轨迹动态预测方法,其特征在于,采用双重时变预测神经网络,将MARL算法修正轨迹与同时段时间区间的真实轨迹矩阵进行双重增量预测,完成对机场场面航空器群体进行轨迹动态预测,包括对修正后的航空器轨迹特征与同时段真实轨迹特征进行时空数据对齐,建立训练数据集,计算MARL算法修正值与同时段真实轨迹值偏离误差,建立双重时变预测神经网络,将偏离误差作为残差因子以时间梯度更新至下一时段/>双重时变预测神经网络/>中,逐步遍历训练数据集,通过对测试数据进行阈值比较实现参数更新,从而得到最优双重增量神经网络,并应用于后续时段/>的预测,完成机场场面航空器轨迹动态预测。
7.根据权利要求6所述基于双重增量神经网络的机场航空器轨迹动态预测方法,其特征在于,计算修正值与同时段轨迹值偏离误差选用欧式距离进行计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337536.8A CN117076839B (zh) | 2023-10-17 | 2023-10-17 | 基于双重增量神经网络的机场航空器轨迹动态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337536.8A CN117076839B (zh) | 2023-10-17 | 2023-10-17 | 基于双重增量神经网络的机场航空器轨迹动态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117076839A true CN117076839A (zh) | 2023-11-17 |
CN117076839B CN117076839B (zh) | 2023-12-26 |
Family
ID=88715596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311337536.8A Active CN117076839B (zh) | 2023-10-17 | 2023-10-17 | 基于双重增量神经网络的机场航空器轨迹动态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117076839B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104486141A (zh) * | 2014-11-26 | 2015-04-01 | 国家电网公司 | 一种误报自适应的网络安全态势预测方法 |
CN108764560A (zh) * | 2018-05-22 | 2018-11-06 | 电子科技大学 | 基于长短期记忆神经网络的航空器场面轨迹预测方法 |
WO2020228228A1 (zh) * | 2019-05-15 | 2020-11-19 | 南京莱斯信息技术股份有限公司 | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 |
CN112327903A (zh) * | 2020-09-15 | 2021-02-05 | 南京航空航天大学 | 一种基于深度混合密度网络的航空器轨迹生成方法 |
US20210365793A1 (en) * | 2020-05-21 | 2021-11-25 | Nagarjun Pogakula Surya | Apparatus for Knowledge Based Evolutionary Learning in AI systems |
US20220066460A1 (en) * | 2020-08-27 | 2022-03-03 | Toyota Research Institute, Inc. | Causing a mobile robot to move according to a planned trajectory determined from a prediction of agent states of agents in an environment of the mobile robot |
CN114611753A (zh) * | 2022-02-09 | 2022-06-10 | 南京邮电大学 | 一种航班飞机轨迹数据预测系统及方法 |
CN115752708A (zh) * | 2022-10-31 | 2023-03-07 | 南京航空航天大学 | 一种基于深度时间卷积网络的机场单点噪声预测方法 |
-
2023
- 2023-10-17 CN CN202311337536.8A patent/CN117076839B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104486141A (zh) * | 2014-11-26 | 2015-04-01 | 国家电网公司 | 一种误报自适应的网络安全态势预测方法 |
CN108764560A (zh) * | 2018-05-22 | 2018-11-06 | 电子科技大学 | 基于长短期记忆神经网络的航空器场面轨迹预测方法 |
WO2020228228A1 (zh) * | 2019-05-15 | 2020-11-19 | 南京莱斯信息技术股份有限公司 | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 |
US20210365793A1 (en) * | 2020-05-21 | 2021-11-25 | Nagarjun Pogakula Surya | Apparatus for Knowledge Based Evolutionary Learning in AI systems |
US20220066460A1 (en) * | 2020-08-27 | 2022-03-03 | Toyota Research Institute, Inc. | Causing a mobile robot to move according to a planned trajectory determined from a prediction of agent states of agents in an environment of the mobile robot |
CN112327903A (zh) * | 2020-09-15 | 2021-02-05 | 南京航空航天大学 | 一种基于深度混合密度网络的航空器轨迹生成方法 |
CN114611753A (zh) * | 2022-02-09 | 2022-06-10 | 南京邮电大学 | 一种航班飞机轨迹数据预测系统及方法 |
CN115752708A (zh) * | 2022-10-31 | 2023-03-07 | 南京航空航天大学 | 一种基于深度时间卷积网络的机场单点噪声预测方法 |
Non-Patent Citations (3)
Title |
---|
XI ZHIFEI等: "Target maneuver trajectory prediction based on RBF neural network optimized by hybrid algorithm", 《IEEE》, pages 498 - 516 * |
冯晓丹等: "基于ADS-B数据的机场场面多目标行为识别", 《科学技术与工程》, vol. 22, no. 5, pages 1958 - 1964 * |
陆承达等: "地质钻进过程智能控制研究进展与发展前景", 《煤田地质与勘探》, vol. 51, no. 9, pages 31 - 43 * |
Also Published As
Publication number | Publication date |
---|---|
CN117076839B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113110592B (zh) | 一种无人机避障与路径规划方法 | |
CN109508812B (zh) | 一种基于深度记忆网络的航空器航迹预测方法 | |
CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CN110458336B (zh) | 一种基于深度学习的网约车供需预测方法 | |
CN110610271A (zh) | 一种基于长短记忆网络的多重车辆轨迹预测方法 | |
CN109920248B (zh) | 一种基于gru神经网络的公交到站时间预测方法 | |
CN112162555A (zh) | 混合车队中基于强化学习控制策略的车辆控制方法 | |
CN111625989B (zh) | 一种基于a3c-sru的智能车汇入车流方法及系统 | |
CN110675632B (zh) | 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法 | |
CN115016534A (zh) | 一种基于记忆增强学习的无人机自主避障导航方法 | |
Yang et al. | LSTM-based deep learning model for civil aircraft position and attitude prediction approach | |
CN110795522A (zh) | 一种移动用户轨迹位置的预测方法及装置 | |
CN112907970A (zh) | 一种基于车辆排队长度变化率的可变车道转向控制方法 | |
CN116911434A (zh) | 一种机场运行态势预测方法、装置、系统以及存储介质 | |
CN114373337B (zh) | 一种航迹不确定性条件下的飞行冲突自主解脱方法 | |
CN113470441B (zh) | 一种高机动试飞航空器实时智能防相撞检测方法 | |
Han et al. | Short-term 4D trajectory prediction based on LSTM neural network | |
CN117076839B (zh) | 基于双重增量神经网络的机场航空器轨迹动态预测方法 | |
CN117273201A (zh) | 一种基于Deepwalk-LSTM编码的车辆未来轨迹预测方法 | |
CN115170006B (zh) | 发车调度方法、装置、设备和存储介质 | |
CN115481638A (zh) | 一种基于管制意图表示的航空器轨迹补齐方法 | |
CN116817909A (zh) | 一种基于深度强化学习的无人机中继式导航方法 | |
CN114996659A (zh) | 一种具有持续学习能力的车辆轨迹预测方法及系统 | |
CN112634620A (zh) | 基于Encoder-Decoder深度神经网络的路网动态交通分配方法 | |
CN116817914A (zh) | 一种基于累积记忆和内在奖励驱动的多agv路径规划方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |