CN117217089A - 一种基于双向长短期记忆网络的航迹预测方法 - Google Patents
一种基于双向长短期记忆网络的航迹预测方法 Download PDFInfo
- Publication number
- CN117217089A CN117217089A CN202311210099.3A CN202311210099A CN117217089A CN 117217089 A CN117217089 A CN 117217089A CN 202311210099 A CN202311210099 A CN 202311210099A CN 117217089 A CN117217089 A CN 117217089A
- Authority
- CN
- China
- Prior art keywords
- flight
- data
- model
- track
- time
- 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 61
- 230000015654 memory Effects 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims description 49
- 230000010006 flight Effects 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000007787 long-term memory Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000000644 propagated effect Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- NCGICGYLBXGBGN-UHFFFAOYSA-N 3-morpholin-4-yl-1-oxa-3-azonia-2-azanidacyclopent-3-en-5-imine;hydrochloride Chemical compound Cl.[N-]1OC(=N)C=[N+]1N1CCOCC1 NCGICGYLBXGBGN-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及民航信息领域，具体涉及一种基于双向长短期记忆网络的航迹预测方法；本发明将历史雷达数据和飞行计划数据相匹配，构建了精炼的特征序列数据，并建立了基于数据驱动型的航迹预测方法，相较于传统的基于建模仿真的方法，能够实现高效精确的航迹预测；本发明可为空中交通管理和飞行流量管理等工作提供技术支撑，可在缓解空域拥堵、航班延误等问题方面提供决策依据。
Description
技术领域
本发明涉及民航信息领域，具体涉及一种基于双向长短期记忆(Bi-directionalLong Short Term Memory，LSTM)网络的航迹预测方法。
背景技术
随着中国经济迅速发展，民航运输逐渐成为中国客运与货运的重要方式，日益增长的航班流量给如今的空中交通管理带来了不容小觑的挑战。随着交通流量持续增加、航线覆盖范围稳步扩展、机场密度逐步增大，由于民航业高速发展带来的大范围空域紧张和大面积航班延误等问题也越来越严重。然而我国的空中交通管理系统还处于发展阶段，系统存在粗放式管理和决策模式并不十分精确的问题，这就需要对空域流量进行高效的预测和管理。在空管系统的流量管理流程上，可以根据飞行器的历史飞行数据以及空域情况、民航报文乃至气象信息等进行合理的航迹预测，给目标航空器提供较为准确的未来航迹运行状况。因此，只有准确的航迹预测才可以保证接下来整体流量管理的高效，从而满足将来我国民用航空的发展需求。
目前，针对航迹预测方法一般分为两大类：利用建模仿真的方法进行预测和利用数据驱动型方法进行预测：利用建模仿真的方法进行预测主要是对各种影响因素建立数学模型，对航空器建立动力学航迹预测模型，并围绕建立的模型实现航迹预测功能。传统的依靠运动学和空气动力学模型的方法能够准确地描述飞行器的状态，然而，地面站需要与机型相关的6-DOF运动方程系数来预测飞行轨迹。从地面雷达监测角度来看，这些系数是无法观测到的，这使得地面站在不知道这些系数的情况下预测飞行轨迹变得极为困难；随着空中交通数据的快速增长和人工智能技术的兴起，利用数据驱动型方法进行预测受到越来越多研究者的关注。针对航班过点时间航迹预测问题可以转化为机器学习中的回归预测问题，在众多机器学习算法中，适用于回归问题的算法有支持向量机、K近邻、逻辑回归、决策树回归和深度神经网络等。
航班航迹数据具有较强的时间相关性和空间相关性，其空间相关性体现在航路点的空间位置具有连续性，时间相关性体现在航路点的过点时间与所经过的航路点的顺序相关。不同城市对的航班所经过的航路点数不同，因此在机器学习模型上要应对输入特征序列和输出预测序列不等长的情况。常用的解决方法是以时间序列长度的最大值作为标准，对小于这个长度的序列填充0值，这解决了时间序列不等长的问题。然而这种填充法会影响模型的预测精度，比如在神经网络回归模型中，填充0值部分的时间序列所对应的神经网络参数在反向传播参数更新的时候，会影响非零值时间序列部分的神经网络参数。
基于深度学习的长短期记忆网络模型对时间序列的非线性特征具有强大的特征提取能力和能够处理特征序列不等长问题。因此，基于长短期记忆网络模型的航迹预测算法在航迹预测方面的性能优于传统的机器学习方法。然而单向的长短期记忆网络在模型训练过程中随着时间步迭代，误差会逐步沿着航班经过的航路点积累，导致训练误差较大，难以获得满意的预测效果。
综上所述，目前航迹预测方法存在以下两个方面的问题：
1)传统的基于建模仿真的方法由于建模参数难以获得，且不准确的仿真建模参数会给准确的航迹预测带来较大的影响。
2)由于航迹数据存在较强的时空关联性和特征序列不等长问题，传统的机器学习回归模型难以提取航迹数据的时序特征和处理特征序列不等长问题。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于双向长短期记忆网络的航迹预测方法。该方法构建了精炼的关键特征指标，构造合适的预测模型，能够根据提供的航班计划进行快速准确的中长期航迹预测，有利于提高空域管理效率。
为实现以上目的，本发明提供了以下技术方案：
一种基于双向长短期记忆网络的航迹预测方法，分为以下步骤：
S1：获取航班历史雷达航迹数据、航班飞行计划数据和空域航路点数据，并对数据进行预处理；
S2：将预处理好的航班历史雷达航迹数据、航班飞行计划数据和空域航路点数据进行特征数据构建，将构建好的特征数据作为输入特征变量，将真实航班过点时间作为模型预测输出的目标变量，最后将所有特征数据和模型预测输出目标变量构成的样本数据集划分为训练样本和测试样本；
S3：构建基于双向长短期记忆网络的航迹预测模型，以训练样本作为输入序列，进行模型训练，并利用测试样本对训练好的模型进行评估，得到训练好的航迹预测模型；具体如下：
S3.1：构建基于双向长短期记忆网络的航迹预测模型，该模型由三层双向长短期记忆网络和三层全连接网络组成，其模型结构为Bi-LSTM1→Bi-LSTM2→Bi-LSTM3→FC 1→Relu1→FC2→Relu2→FC3→Relu3，其中Bi-LSTM1、Bi-LSTM2、Bi-LSTM3均为双向长短期记忆网络层，FC1、FC2、FC3均为全连接网络层，这两种网络层用于提取输入序列的时序特征，对训练样本进行学习和训练；Relu1、Relu2、Relu3均为激活函数层，用于保证训练结果的有效性，提升学习效率；
S3.2：将训练样本输入到S3.1构建好的双向长短期记忆网络的航迹预测模型中进行训练；
S3.3：利用均方误差(MSE)损失函数对S3.1构建好的双向长短期记忆网络的航迹预测模型进行反向传播，并对网络中神经元可学习参数进行更新，若通过损失函数计算的损失结果不再降低，则模型训练达到了训练迭代终止条件，否则模型将继续迭代训练直到模型达到训练迭代终止条件；
S3.4：当模型满足迭代终止条件时，模型训练完成，从而获得训练好的基于双向长短期记忆网络的航迹预测模型，然后将测试样本输入到该训练好的模型中，得到航班过点时间预测值；
S3.5：将测试样本输入到步骤S3.4训练好的航迹预测模型中得到的航班过点时间预测值，并与测试样本中实际过点时间值计算预测准确度(accuracy)，用于对基于双向长短期记忆网络航迹预测模型的航班过点时间预测性能进行评价，计算公式如下：
其中，N为样本集中总的样本数，yi为第i个样本的航班真实过点时间值，为第i个样本的航班过点时间预测值；
S4：对于待预测的航班飞行计划数据和空域航路点数据，通过步骤S2计算得到特征数据，然后特征数据输入步骤S3.4训练好的基于双向长短期记忆网络的航迹预测模型中，模型输出的值则为预测的航班经过航路点的过点时刻数据，即为航班的预测航迹。
在步骤S1中，所述获取航班历史雷达航迹数据、航班飞行计划数据和空域航路点数据，并对数据进行预处理的具体方法如下：
S1.1：航班历史雷达航迹数据包括：时间戳、航班号、经度、纬度、高度、x分量速度、y分量速度、真空速、航向、起飞机场、降落机场、机型；航班飞行计划数据包括：航班号、计划起飞机场、计划降落机场、计划起飞时间、计划降落时间、实际起飞机场、实际降落机场、实际起飞时间、实际降落时间、预计起飞机场、预计降落机场、预计起飞时间、预计降落时间，航路点；空域航路点数据包括：航路点标识符、经度和纬度；
S1.2：对获取到的航班历史雷达航迹数据进行预处理：对获取到的航班历史雷达航迹数据进行格式转换，由CAT062格式编码的16进制文件解码成明码格式数据，然后对解码后的数据提取所需的数据项；筛选由获取到的航路点构成的空域范围内的雷达航迹数据，对于超出空域范围的数据作删除处理；在获取到的航班历史雷达航迹数据中，如果某个航班的所有航迹对应的航班号都缺失，则对该航班对应的所有航迹数据进行剔除处理。如果某个航班的部分航迹数据对应的航班号缺失，则使用已知航迹点对应的航班号进行补全处理。
S1.3：对获取到的航班飞行计划数据进行预处理：异常航班处理，其中异常航班包括改航航班、校飞航班、重复航班、转机航班，对于改航航班，找出数据规律识别改航航班并去除改航之前的无效飞行计划数据，对于校飞航班和重复航班则直接删除处理；利用获取到的航路点数据，对航班飞行计划数据中的起飞机场、降落机场和航路点的经纬度坐标进行补充。
S1.4：飞行计划数据和雷达航迹数据匹配：为了得到飞行计划中航班各航路点的过点时间数据，需要对雷达航迹数据和飞行计划数据中的航路点进行匹配。具体方法为，根据航班起飞时间、机型和航班号对飞行计划数据与雷达航迹数据进匹配，然后计算飞行计划数据中的每个航路点坐标与雷达航迹坐标点之间的距离，并找出距离该航路点最近的雷达航迹坐标点对应的时间戳作为该航路点的过点时间。因数据存在噪声以及实际飞行过程中会产生偏差，通过距离计算匹配会存在一定程度上的匹配偏差，可以通过匹配偏差值来判断雷达航迹是否能匹配计划中的航路点。具体为，若匹配偏差值小于300米，则作为过点时间保留。若匹配偏差值大于等于300米，则将该条飞行计划数据剔除。
S1.5：坐标系转换：雷达航迹数据中经纬度数据项坐标采用的是地心坐标系，其坐标的量纲与雷达航迹数据中的其他数据项不在同一个范围内，为了保证不同数据项量纲之间的数值差异较小，需要将经纬度坐标转换为NED(North East Down)坐标，减小数据处理的误差。其转换公式为：
其中(L,B,H)为GPS-84坐标系下的经度、纬度和高度。(x,y,z)为NED坐标系下的坐标。表示椭球的第一偏心率。/>a为地球的半长轴，b为地球的短半轴，并且a＝1378137m，b＝6356752m。
在步骤S2中，所述将预处理好的航班历史雷达数据、航班飞行计划数据和空域航路点数据进行特征数据构建，将构建好的特征数据作为输入特征变量，将真实航班过点时间作为模型预测输出的目标变量，最后将所有特征数据和预测输出目标变量构成的样本数据集划分为训练样本和测试样本的具体方法如下：
S2.1：计算相邻两航路点之间的距离其计算公式为：
其中和/>分别为相邻两航路点(ri,ri+1)的纬度和经度坐标，R＝6371km为地球半径，Haver sin表示半正矢函数，Haver sin-1表示反半正矢函数。
S2.2：计算总飞行时间：
其中表示航班fi总飞行时间，/>为航班fi的实际起飞时间，/>为航班fi的实际降落时间。
S2.3：将步骤S1中预处理后得到的飞行计划数据和雷达航迹数据匹配数据转换为特征序列，特征序列中每个元素表示航班fi经过的航路点集合，其特征序列表示为：其中/>表示航班fi第ri个航路点的特征；第ri个航路点的特征表示为：/>其中/>表示航班fi第ri个航路点的纬度，/>表示航班fi第ri个航路点的纬度，/>表示步骤S2.1计算得出的第i个航路点与其前一个航路点之间的距离，航班fi第ri个航路点的飞行高度，/>表示航班fi的机型，/>表示航班fi的计划起飞机场，/>表示航班fi的计划降落机场，/>表示步骤S2.2计算得出航班fi的总飞行时间。
S2.4：对特征序列中机型计划起飞机场/>和计划降落机场/>变量值进行数字化，具体为将这些变量值以独热编码的方式进行编码。
S2.5：构建样本集，样本集主要包含两个部分，一部分是由上述步骤构建好的特征序列数据作为输入特征变量，另一部分是由真实航班过点时间作为模型预测输出的目标变量。将样本数据集划分为训练样本和测试样本，其中划分比例为训练样本：测试样本＝8:2，可以根据训练后的模型效果做适当的变化。
本发明具有以下有益效果：
1.本发明的基于双向长短期记忆网络的航迹预测方法将双向长短期记忆网络应用于航迹预测方法中，能够增强模型在航迹数据上时间和空间建模能力，提高航迹预测精度。
2.本发明将历史雷达数据和飞行计划数据相匹配，构建了精炼的特征序列数据，并建立了基于数据驱动型的航迹预测方法，相较于传统的基于建模仿真的方法，能够实现高效精确的航迹预测。
3.本发明可为空中交通管理和飞行流量管理等工作提供技术支撑，可在缓解空域拥堵、航班延误等问题方面提供决策依据。
附图说明
图1是本发明中一种基于双向循环神经网络的航迹预测方法的流程图；
图2是本发明中基于双向循环神经网络的航迹预测算法模型图；
图3是本发明的航迹预测结果--CDG4604航班航迹预测结果误差图；
图4是本发明的航迹预测结果--CXA8111航班航迹预测结果误差图；
图5是本发明的航迹预测结果--CXA8207航班航迹预测结果误差图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合具体实施方式和附图对本发明作进一步的说明。
一种基于双向循环神经网络的航迹预测方法，参见图1，所述的方法步骤包括：
S1：获取航班历史雷达航迹数据、航班飞行计划数据和空域航路点数据，并对数据进行预处理。
所述对获取到的数据进行预处理，具体包括以下步骤：
S1.1：所述历史雷达航迹数据包括：时间戳、航班号、经度、纬度、高度、x分量速度、y分量速度、真空速、航向、起飞机场、降落机场、机型。所述飞行计划数据包括：航班号、计划起飞机场、计划降落机场、计划起飞时间、计划降落时间、实际起飞机场、实际降落机场、实际起飞时间、实际降落时间、预计起飞机场、预计降落机场、预计起飞时间、预计降落时间，航路点。所述航路点数据包括：航路点标识符、经度和纬度。
S1.2：对获取到的航班历史雷达航迹数据进行预处理。对获取到的航班历史雷达航迹数据进行格式转换，由CAT062格式编码的16进制文件解码成明码格式数据，然后对解码后的数据提取所需的数据项，包括时间戳、航班号、经度、纬度、高度、x分量速度、y分量速度、真空速、航向、起飞机场、降落机场、机型。筛选由获取到的航路点构成的空域范围内的雷达航迹数据，对于超出空域范围的数据删除处理；在获取到的航班历史雷达航迹数据中，如果某个航班的所有航迹对应的航班号都缺失，则对该航班对应的所有航迹数据进行剔除处理。如果某个航班的部分航迹数据对应的航班号缺失，则使用已知航迹点对应的航班号进行补全处理。最终预处理好的历史雷达航迹数据如表1所示，其中Vx和Vy分别为x分量速度和y分量速度。
表1预处理后历史雷达航迹数据示意表
S1.3：对获取到的航班飞行计划数据进行预处理。异常航班处理，其中异常航班包括改航航班、校飞航班、重复航班、转机航班，对于改航航班，找出数据规律识别改航航班并去除改航之前的无效飞行计划数据，对于校飞航班和重复航班则直接删除处理；利用获取到的航路点数据，对航班飞行计划数据中的起飞机场、降落机场和航路点的经纬度坐标进行补充。最终预处理好的航班飞行计划数据如表2所示。
表2预处理后航班飞行计划数据示意表
S1.4：飞行计划数据和雷达航迹数据匹配。为了获取飞行计划中航班各航路点的过点时间，需要对雷达航迹数据和飞行计划数据中的航路点进行匹配。具体方法为，根据航班起飞时间、机型和航班号对飞行计划数据与雷达航迹数据进匹配，然后计算飞行计划数据中的每个航路点坐标与雷达航迹坐标点之间的距离，并找出距离该航路点最近的雷达航迹坐标点对应的时间戳作为该航路点的过点时间。因数据存在噪声以及实际飞行过程中会产生偏差，通过距离计算匹配会存在一定程度上的匹配偏差，可以通过设定匹配偏差阈值来判断雷达航迹是否能匹配计划中的航路点，若匹配偏差值小于300米，则作为过点时间保留。若匹配偏差值大于等于300米，则将该条飞行计划数据剔除。最终匹配后的行计划数据和雷达航迹数据如表3所示。
表3飞行计划数据和雷达航迹数据匹配后数据示意表
S1.5：坐标系转换。雷达航迹数据中经纬度数据项坐标采用的是地心坐标系，其坐标的量纲与雷达航迹数据中的其他数据项不在同一个范围内，为了保证不同数据项量纲之间的数值差异较小，需要将经纬度坐标转换为NED(North East Down)坐标，减小数据处理的误差。其转换公式为：
其中(L,B,H)为GPS-84坐标系下的经度、纬度和高度。(x,y,z)为NED坐标系下的坐标。表示椭球的第一偏心率。/>a为地球的半长轴，b为地球的短半轴，并且a＝1378137m，b＝6356752m。
S2：将预处理好的航班历史雷达数据、航班飞行计划数据和空域航路点数据进行特征数据构建，将构建好的特征数据作为输入特征变量，将真实航班过点时间作为模型预测输出的目标变量，最后将所有特征数据和预测输出目标变量构成的样本数据集划分为训练样本和测试样本。
所述将预处理好的航班历史雷达数据、航班飞行计划数据和空域航路点数据进行特征数据构建，具体包括以下步骤：
S2.1：计算相邻两航路点之间的距离，计算公式如下：
其中和/>分别为相邻两航路点(ri,ri+1)的纬度和经度坐标，R＝6371km为地球半径，Haversin表示半正矢函数，Haversin-1表示反半正矢函数。
S2.2：计算总飞行时间，计算公式如下：
其中表示航班fi总飞行时间，/>为航班fi的实际起飞时间，/>为航班fi的实际降落时间。
S2.3：将步骤S1中预处理后得到的飞行计划数据和雷达航迹数据匹配数据转换为特征序列。特征序列中每个元素表示航班fi经过的航路点集合，其特征序列表示为：
其中表示航班fi第ri个航路点的特征。第ri个航路点的特征/>表示为：
其中表示航班fi第ri个航路点的纬度，/>表示航班fi第ri个航路点的纬度，表示步骤S2.1计算得出的第i个航路点与其前一个航路点之间的距离，航班fi第ri个航路点的飞行高度，/>表示航班fi的机型，/>表示航班fi的计划起飞机场，/>表示航班fi的计划降落机场，/>表示步骤S2.2计算得出航班fi的总飞行时间。
S2.4：对特征序列中机型计划起飞机场/>和计划降落机场/>变量值进行数字化，具体为将这些变量值以独热编码的方式进行编码。
所述将构建好的特征序列数据作为输入特征变量，将真实航班过点时间作为模型预测输出的目标变量，最后将所有特征数据和预测输出目标变量构成的样本数据集划分为训练样本和测试样本。
具体的讲，构建的样本集主要包含两个部分，一部分是由上述步骤构建好的特征数据作为输入特征变量，另一部分是由真实航班过点时间作为模型预测输出的目标变量。将样本数据集划分为训练样本和测试样本，其中划分比例为训练样本：测试样本＝8:2，可以根据训练后的模型效果做适当的变化。
S3：构建基于双向长短期记忆网络的航迹预测模型，以训练样本作为输入，进行模型训练，并利用测试样本对训练好的模型进行评估，得到训练好的航迹预测模型。具体方法如下：
S3.1：构建基于双向长短期记忆网络的航迹预测模型，该模型由三层双向长短期记忆网络和三层全连接网络组成，其模型结构为Bi-LSTM1→Bi-LSTM2→Bi-LSTM3→FC1→Relu1→FC2→Relu2→FC3→Relu3，其中Bi-LSTM为双向长短期记忆网络层，FC为全连接网络层，这两种网络层用来提取输入序列的时序特征，对样本进行学习和训练；Relu层为激活函数层，作用是保证训练结果的有效性，提升学习效率。
S3.2：将训练样本输入到S3.1构建好的双向长短期记忆网络模型中进行训练。
S3.3：利用均方差损失(MSE)函数对上述构建好的基于双向长短期记忆网络的航迹预测模型进行反向传播，并对网络中神经元可学习参数进行更新，若通过损失函数计算的损失结果不再降低，则模型训练达到了训练迭代终止条件，否则模型将继续迭代训练。
S3.3：当模型满足迭代终止条件时，航迹模型训练完成，从而获得训练好的基于双向长短期记忆网络的航迹预测模型，然后将测试样本输入到该训练好的模型中，得到航班过点时间预测值。
S3.4：将测试样本输入到步骤S3.3训练好的航迹预测模型中得到的航班过点时间预测值，并与测试样本中实际过点时间值计算预测准确度(accuracy)，用于对基于双向长短期记忆网络航迹预测模型的航班过点时间预测性能进行评价，计算公式如下：
其中，N为样本集中总的样本数，yi为第i个样本的航班真实过点时间值，为第i个样本的航班过点时间预测值。
S4：对于待预测的航班飞行计划数据和空域航路点数据，通过步骤S2计算得到特征数据，然后特征数据输入至步骤S3.3训练好的基于双向长短期记忆网络的航迹预测模型中，模型输出的值则为预测的航班经过航路点的过点时刻数据，即为航班的预测航迹。
图3、图4和图5是采用本发明的航迹预测方法的部分实验结果。其中图3为2019/12/4的航班号为CDG4604，由ZSAM飞往ZBAA的航班预测航路点过点时间与真实航路点过点时间的对比图，其横坐标为航路段，纵坐标为预测航路点过点时间与真实航路点过点时间的绝对差值。图4为2019/12/4的航班号为CXA8111，由ZSAM飞往ZS OF的航班预测航路点过点时间与真实航路点过点时间的对比图。图5为2019/12/4的航班号为CXA8207，由ZSAM飞往ZLXY的航班预测航路点过点时间与真实航路点过点时间的对比图。总体上来看，采用本发明的航班航迹预测方法得到的航路点过点时间误差最大不超过3分钟，平均绝对误差为25秒左右，也即本发明能提高航迹预测精度。
从实验结果来看，本发明采用的方法能够处理中长期航班航迹预测问题，通过数据源的采集和预处理，建立基于双向长短期记忆网络的航迹预测方法，解决了目前航迹预测模型存在的问题。本发明简单易行，预计结果较好，为进一步提高空域管理效率提供了支持。
Claims (5)
1.一种基于双向长短期记忆网络的航迹预测方法，其特征在于，该方法分为以下步骤：
S1：获取航班历史雷达航迹数据、航班飞行计划数据和空域航路点数据，并对数据进行预处理；
S2：将预处理好的航班历史雷达航迹数据、航班飞行计划数据和空域航路点数据进行特征数据构建，将构建好的特征数据作为输入特征变量，将真实航班过点时间作为模型预测输出的目标变量，最后将所有特征数据和模型预测输出目标变量构成的样本数据集划分为训练样本和测试样本；
S3：构建基于双向长短期记忆网络的航迹预测模型，以训练样本作为输入序列，进行模型训练，并利用测试样本对训练好的模型进行评估，得到训练好的航迹预测模型；具体如下：
S3.1：构建基于双向长短期记忆网络的航迹预测模型，该模型由三层双向长短期记忆网络和三层全连接网络组成，其模型结构为Bi-LSTM1→Bi-LSTM2→Bi-LSTM3→FC 1→Relu1→FC2→Relu2→FC3→Relu3，其中Bi-LSTM1、Bi-LSTM2、Bi-LSTM3均为双向长短期记忆网络层，FC1、FC2、FC3均为全连接网络层，这两种网络层用于提取输入序列的时序特征，对训练样本进行学习和训练；Relu1、Relu2、Relu3均为激活函数层，用于保证训练结果的有效性，提升学习效率；
S3.2：将训练样本输入到S3.1构建好的双向长短期记忆网络的航迹预测模型中进行训练；
S3.3：利用损失函数对S3.1构建好的双向长短期记忆网络的航迹预测模型进行反向传播，并对网络中神经元可学习参数进行更新，若通过损失函数计算的损失结果不再降低，则模型训练达到了训练迭代终止条件，否则模型将继续迭代训练直到模型达到训练迭代终止条件；
S3.4：当模型满足迭代终止条件时，模型训练完成，从而获得训练好的基于双向长短期记忆网络的航迹预测模型，然后将测试样本输入到该训练好的模型中，得到航班过点时间预测值；
S3.5：将测试样本输入到步骤S3.4训练好的航迹预测模型中得到的航班过点时间预测值，并与测试样本中实际过点时间值计算预测准确度，用于对基于双向长短期记忆网络航迹预测模型的航班过点时间预测性能进行评价，计算公式如下：
其中，N为样本集中总的样本数，yi为第i个样本的航班真实过点时间值，为第i个样本的航班过点时间预测值；
S4：对于待预测的航班飞行计划数据和空域航路点数据，通过步骤S2计算得到特征数据，然后特征数据输入步骤S3.4训练好的基于双向长短期记忆网络的航迹预测模型中，模型输出的值则为预测的航班经过航路点的过点时刻数据，即为航班的预测航迹。
2.一种根据权利要求1所述基于双向长短期记忆网络的航迹预测方法，其特征在于：在步骤S1中，所述获取航班历史雷达航迹数据、航班飞行计划数据和空域航路点数据，并对数据进行预处理的具体方法如下：
S1.1：航班历史雷达航迹数据包括：时间戳、航班号、经度、纬度、高度、x分量速度、y分量速度、真空速、航向、起飞机场、降落机场、机型；航班飞行计划数据包括：航班号、计划起飞机场、计划降落机场、计划起飞时间、计划降落时间、实际起飞机场、实际降落机场、实际起飞时间、实际降落时间、预计起飞机场、预计降落机场、预计起飞时间、预计降落时间，航路点；空域航路点数据包括：航路点标识符、经度和纬度；
S1.2：对获取到的航班历史雷达航迹数据进行预处理：对获取到的航班历史雷达航迹数据进行格式转换，由CAT062格式编码的16进制文件解码成明码格式数据，然后对解码后的数据提取所需的数据项；筛选由获取到的航路点构成的空域范围内的雷达航迹数据，对于超出空域范围的数据作删除处理；在获取到的航班历史雷达航迹数据中，如果某个航班的所有航迹对应的航班号都缺失，则对该航班对应的所有航迹数据进行剔除处理；如果某个航班的部分航迹数据对应的航班号缺失，则使用已知航迹点对应的航班号进行补全处理；
S1.3：对获取到的航班飞行计划数据进行预处理：异常航班处理，其中异常航班包括改航航班、校飞航班、重复航班、转机航班，对于改航航班，找出数据规律识别改航航班并去除改航之前的无效飞行计划数据，对于校飞航班和重复航班则直接删除处理；利用获取到的航路点数据，对航班飞行计划数据中的起飞机场、降落机场和航路点的经纬度坐标进行补充；
S1.4：飞行计划数据和雷达航迹数据匹配：为了得到飞行计划中航班各航路点的过点时间数据，需要对雷达航迹数据和飞行计划数据中的航路点进行匹配；具体方法为，根据航班起飞时间、机型和航班号对飞行计划数据与雷达航迹数据进匹配，然后计算飞行计划数据中的每个航路点坐标与雷达航迹坐标点之间的距离，并找出距离该航路点最近的雷达航迹坐标点对应的时间戳作为该航路点的过点时间；
S1.5：坐标系转换：雷达航迹数据中经纬度数据项坐标采用的是地心坐标系，其坐标的量纲与雷达航迹数据中的其他数据项不在同一个范围内，为了保证不同数据项量纲之间的数值差异较小，需要将经纬度坐标转换为NED坐标，减小数据处理的误差；其转换公式为：
其中(L,B,H)为GPS-84坐标系下的经度、纬度和高度，(x,y,z)为NED坐标系下的坐标，表示椭球的第一偏心率，/>a为地球的半长轴，b为地球的短半轴，并且a＝1378137m，b＝6356752m。
3.一种根据权利要求2所述基于双向长短期记忆网络的航迹预测方法，其特征在于：在步骤S1.4中，因数据存在噪声以及实际飞行过程中会产生偏差，通过距离计算匹配会存在一定程度上的匹配偏差，可以通过匹配偏差值来判断雷达航迹是否能匹配计划中的航路点；具体为，若匹配偏差值小于300米，则作为过点时间保留；若匹配偏差值大于等于300米，则将该条飞行计划数据剔除。
4.一种根据权利要求2所述基于双向长短期记忆网络的航迹预测方法，其特征在于：在步骤S2中，所述将预处理好的航班历史雷达数据、航班飞行计划数据和空域航路点数据进行特征数据构建，将构建好的特征数据作为输入特征变量，将真实航班过点时间作为模型预测输出的目标变量，最后将所有特征数据和预测输出目标变量构成的样本数据集划分为训练样本和测试样本的具体方法如下：
S2.1：计算相邻两航路点之间的距离其计算公式为：
其中和/>分别为相邻两航路点(ri,ri+1)的纬度和经度坐标，R＝6371km为地球半径，Haversin表示半正矢函数，Haversin-1表示反半正矢函数；
S2.2：计算总飞行时间：
其中表示航班fi总飞行时间，/>为航班fi的实际起飞时间，/>为航班fi的实际降落时间；
S2.3：将步骤S1中预处理后得到的飞行计划数据和雷达航迹数据匹配数据转换为特征序列，特征序列中每个元素表示航班fi经过的航路点集合，其特征序列表示为：其中/>表示航班fi第ri个航路点的特征；第ri个航路点的特征表示为：/>其中/>表示航班fi第ri个航路点的纬度，/>表示航班fi第ri个航路点的纬度，/>表示步骤S2.1计算得出的第i个航路点与其前一个航路点之间的距离，航班fi第ri个航路点的飞行高度，/>表示航班fi的机型，/>表示航班fi的计划起飞机场，/>表示航班fi的计划降落机场，/>表示步骤S2.2计算得出航班fi的总飞行时间；
S2.4：对特征序列中机型计划起飞机场/>和计划降落机场/>变量值进行数字化，具体为将这些变量值以独热编码的方式进行编码；
S2.5：构建样本集，样本集主要包含两个部分，一部分是由上述步骤构建好的特征序列数据作为输入特征变量，另一部分是由真实航班过点时间作为模型预测输出的目标变量；将样本数据集划分为训练样本和测试样本，其中划分比例为训练样本：测试样本＝8:2，可以根据训练后的模型效果做适当的变化。
5.一种根据权利要求1至4任一项所述基于双向长短期记忆网络的航迹预测方法，其特征在于：在步骤S3.3中，利用均方误差损失函数对S3.1构建好的双向长短期记忆网络的航迹预测模型进行反向传播。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311210099.3A CN117217089A (zh) | 2023-09-18 | 2023-09-18 | 一种基于双向长短期记忆网络的航迹预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311210099.3A CN117217089A (zh) | 2023-09-18 | 2023-09-18 | 一种基于双向长短期记忆网络的航迹预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117217089A true CN117217089A (zh) | 2023-12-12 |
Family
ID=89045901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311210099.3A Pending CN117217089A (zh) | 2023-09-18 | 2023-09-18 | 一种基于双向长短期记忆网络的航迹预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217089A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117423258A (zh) * | 2023-12-19 | 2024-01-19 | 民航数据通信有限责任公司 | 一种基于航路点序列数据挖掘的飞行计划规划方法及装置 |
-
2023
- 2023-09-18 CN CN202311210099.3A patent/CN117217089A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117423258A (zh) * | 2023-12-19 | 2024-01-19 | 民航数据通信有限责任公司 | 一种基于航路点序列数据挖掘的飞行计划规划方法及装置 |
| CN117423258B (zh) * | 2023-12-19 | 2024-03-26 | 民航数据通信有限责任公司 | 一种基于航路点序列数据挖掘的飞行计划规划方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110517482B (zh) | 一种基于3d卷积神经网络的短时交通流预测方法 | |
| CN113487066B (zh) | 基于多属性增强图卷积-Informer模型的长时序货运量预测方法 | |
| CN117217089A (zh) | 一种基于双向长短期记忆网络的航迹预测方法 | |
| CN112862171B (zh) | 一种基于时空神经网络的航班到达时间预测方法 | |
| WO2021013190A1 (zh) | 基于气象参数的高速列车导航盲区定位方法及系统 | |
| 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 | |
| CN111695299A (zh) | 一种中尺度涡轨迹预测方法 | |
| CN112785077A (zh) | 基于时空数据的出行需求预测方法及系统 | |
| CN112309118B (zh) | 一种基于时空相似度的车辆轨迹推算方法 | |
| CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
| CN116853272A (zh) | 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及系统 | |
| Yang et al. | LSTM-based deep learning model for civil aircraft position and attitude prediction approach | |
| CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
| CN116468186A (zh) | 一种航班链延误时间预测方法、电子设备及存储介质 | |
| CN109979194B (zh) | 基于马尔可夫链的重型车辆坡道爬行行为识别方法 | |
| CN115966107A (zh) | 一种基于图神经网络的机场交通流预测方法 | |
| CN116913088A (zh) | 一种用于高速公路的智能流量预测方法 | |
| Bastas et al. | Data driven aircraft trajectory prediction with deep imitation learning | |
| Han et al. | Short-term 4D trajectory prediction based on LSTM neural network | |
| Wang et al. | Segmented trajectory clustering-based destination prediction in IoVs | |
| CN112201035A (zh) | 一种轨迹数据驱动的信控交叉口周期流量估计方法 | |
| CN114333323B (zh) | 一种基于压力特征的高速公路行程速度预测方法 | |
| CN116663742A (zh) | 基于多因素和模型融合的区域运力预测方法 | |
| CN106056953B (zh) | 基于低精度gps数据获取交通道路信息的方法 |
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 |