一种大规模四维航迹动态预测方法及装置制造方法及图纸

本发明专利技术公开了一种大规模四维航迹动态预测方法及装置，属于航空航天技术领域。该装置包括信息获取模块，数据预处理模块，轨迹聚类模块，动态数据接入模块，识别与预测模块和结果反馈模块；信息获取模块对航空数据进行采样构成航迹序列；数据预处理模块去除每条航迹序列上的噪声点，并对去除了噪声点的航迹序列进行重采样，轨迹聚类模块对航迹序列进行聚类；动态数据接入模块接入实时数据，得到等时间间隔的四维向量构成航迹序列；识别与预测模块识别为异常飞行方式并进行轨迹预测。结果反馈模块将实时航迹预测及异常识别情况上报给空中交通管理部门，指导航班在空域中运行。本发明专利技术实现空域的平稳安全运行，具有非常重要的意义。

A Large-scale Four-Dimensional Track Dynamic Prediction Method and Device

The invention discloses a large-scale four-dimensional track dynamic prediction method and device, which belongs to the field of aerospace technology. The device includes information acquisition module, data pre-processing module, trajectory clustering module, dynamic data access module, recognition and prediction module and result feedback module; information acquisition module sampled aerial data to form a track sequence; data pre-processing module removes noise points on each track sequence, and resamples the track sequence removing noise points, and gathers tracks. Class modules cluster the track sequences; dynamic data access module accesses real-time data and obtains four-dimensional vectors with equal time intervals to form the track sequences; recognition and prediction module identifies the abnormal flight mode and predicts the trajectory. Results The feedback module reports the real-time track prediction and anomaly recognition to the air traffic management department to guide the flight in the airspace. The invention realizes the smooth and safe operation of the airspace and has very important significance.

【技术实现步骤摘要】
一种大规模四维航迹动态预测方法及装置
本专利技术属于航空航天
，具体是指一种大规模四维航迹动态预测方法及装置。
技术介绍
在空域越来越拥挤，资源越来越紧张的背景下，实现航班的动态模式预测是空中交通管理的重点研究内容。对航迹进行动态预测并且尽快识别出飞行行为异常的航班，计算其偏离程度可以大大提升空域以及各个航班的安全性。因此，一套能够动态预测航迹的系统对于空中管理的安全和效率来说都非常重要。
技术实现思路
针对现有技术不能对航迹进行动态预测，且无法快速识别飞行行为异常的航班等问题，本专利技术提供了一种大规模四维航迹动态预测方法及装置；所述的大规模四维航迹动态预测装置包括：信息获取模块，数据预处理模块，轨迹聚类模块，动态数据接入模块，识别与预测模块和结果反馈模块；信息获取模块从航空数据管理部门接入某一时段某一特定城市对之间的航迹数据文件，并提取航班号、时间戳以及三维坐标点，将其整理为与航班号相对应的若干条由四维向量构成的航迹序列；四维向量构成的航迹序列是指：每一个航班对应一条轨迹序列，序列的组成是根据时间顺序排列的三维坐标点。数据预处理模块：对不同的四维向量构成的航迹序列采用LCS算法进行处理去除噪声点；并对进行重采样获得等长的序列。轨迹聚类模块：对该特定城市对的所有航迹序列进行基于DBSCAN算法的聚类操作，将历史航迹进行分类，得到聚类后的航迹模式并提取核心对象。动态数据接入模块：从航空数据管理部门接入该城市对的实时数据，并提取航班号、时间戳以及三维坐标点，将其整理为与航班号相对应的若干条由四维向量构成的航迹序列；识别与预测模块：通过聚类后的航迹模式以及核心对象，对实时的动态数据进行航线轨迹的预测，通过计算核心对象与动态数据间的差异，对出现异常情况的动态数据进行识别。结果反馈模块：将识别与预测结果反馈给空中交通管理部门。所述的大规模四维航迹动态预测方法具体步骤如下：步骤一、针对某一特定城市对，信息获取模块对航空数据管理部门的数据进行等时间间隔采样，获取该城市对某一时段内的所有历史航迹信息，并整理成四维向量构成航迹序列；航迹信息包括航班号、时间戳以及对应的三维坐标；四维向量是指经度、纬度、高度以及时间；每一条航迹序列Ti由n个四维向量组成；即Ti＝{Ti1,Ti2,...Tij,...Tin,}，其中Tij＝{xij,yij,zij,tij}；xij表示第i条航迹的第j个时间点对实际航迹采样得到的经度值；yij表示第i条航迹的第j个时间点对实际航迹采样得到的纬度值；zij表示第i条航迹的第j个时间点对实际航迹采样得到的高度值；tij表示第i条航迹的第j个时间点；步骤二、数据预处理模块根据最长公共子序列算法LCS，通过求每两条航迹序列的最长公共子序列去除每条四维向量构成的航迹序列上的噪声点；求最长公共子序列的过程如下：步骤201、任选两条航迹序列，取每条航迹序列中的每一个四维向量的前三位组成一个新的向量，该两条降维后的航迹轨迹分别设为新序列X和Y；新序列X＝{X1,X2,...Xi,...Xn}，长度为n；新序列Y＝{Y1,Y2,...Yj,...Ym}，长度为m；步骤202、逐个选取新序列X/Y中的某向量，依次与新序列Y/X中的每个向量计算这两个向量之间公共子序列的长度，并保存在公共子序列二维矩阵F中；针对新序列X的第i个向量与序列Y的第j个向量，两者间的公共子序列的长度值f[i,j]计算如下：其中，表示的新序列X第i位和序列Y的第j位是否相同。其中f[1,1]的值为0或1；二维矩阵F的最长公共子序列长度为f[n,m]。步骤203、选择二维矩阵F中每一行或每一列的最大长度值，提取出对应的新序列X或Y的向量，并组成新序列X和Y的最长公共子序列L。最长公共子序列L中的元素为新序列X中选取的向量或者新序列Y中选取的向量。步骤204、依次选取新序列X中的某个向量Xi，分别与最长公共子序列L中的每个向量一一计算两者之间的距离值，从所有距离值中选择最短距离记为xi；Xi初始值为X1；步骤205、依次选取新序列Y中的某个向量Yj，分别与最长公共子序列L中的每个向量进行一一计算，得到两者之间的距离值，从所有距离值中选择最短距离记为yj。Yj初始值为Y1；步骤206、分别计算xi和yj的变化率dxi和dyj，当dxi大于500％时，或dyj大于500％时，将新序列X或Y中对应的该向量删除。步骤三、数据预处理模块对去除了噪声点的航迹序列，按照不同的轨迹长度进行重采样，保证每条航迹序列长度相同；重采样计算公式为：Ti'为重采样后的第i条航迹序列，Tim是航迹序列Ti中的第m个向量；round函数为通过四舍五入对数据进行取整操作；li为该特定的城市对间的第i条航迹序列长度。步骤四、轨迹聚类模块应用基于密度的聚类算法DBSCAN，对长度相同的航迹序列进行聚类；具体步骤如下；步骤401、针对长度相同的航迹序列，计算每两条航迹序列之间的相对间距；首先，针对两条航迹Ti和Tj，从航迹Ti中逐个选取当前向量，分别与航迹Tj中每个向量计算两者之间的距离，选择距离最小值作为当前向量的相对间距；当前向量初始值为Ti1；然后，将航迹Ti中每个向量的相对间距取平均值；两条航迹序列间的相对间距计算公式如下：l'为Ti和Tj的航迹序列长度；表示航迹Ti中的第k个向量与航迹Tj中的第l个向量之间的空间欧式距离。步骤402、设置距离的阈值参数ε，根据城市对间的航迹密度设置作为聚成一类所至少要包含的最小轨迹数minPts。步骤403、针对每一条航迹序列Ts，对该航迹序列与其他每条航迹序列间的距离值小于等于ε的航迹序列进行计数。步骤404、将计数结果多于minPts的所有航迹聚为一类，航迹序列Ts为该类的核心对象，代表分类的典型航班轨迹。步骤405、在核心对象Ts的ε邻域中如果存在另外的核心对象Ts'，则将Ts'与Ts的聚类进行合并，直至聚成的类中没有未遍历到的核心对象为止，输出航迹序列Ts为核心对象的簇结果。步骤五、动态数据接入模块接入该城市对动态的实时数据，并提取航班号、时间戳以及三维坐标点，将其整理为等时间间隔的四维向量构成航迹序列；步骤六、对于该特定的城市对，将实时的航班数据序列Z与聚类簇的核心对象进行匹配，判断是否能匹配成功，如果是，则航班数据序列Z按照匹配成功的核心对象的航迹模式飞行，否则进入步骤七。首先，将实时的航班数据序列Z整理成四维向量构成航迹序列；第i'条实时的航班数据序列Zi'＝{Zi'1,Zi'2,...,Zi'j',...Zi'm'}，Zi'j'＝{xi'j',yi'j',zi'j',ti'j'}；然后，逐个选取某聚类簇作为当前簇，计算航班数据序列Zi'与该聚类簇的核心对象TA之间的距离；具体为：从向量Zi'1开始，计算该向量距离当前核心对象TA中每个向量的距离，选择距离最小值作为向量Zi'1的相对间距；同理计算航班数据序列Zi'中m'个向量的相对间距，选出最小的相对间距作为航班数据序列Zi'与当前核心对象TA之间的距离，记作Di'A；最后，依次计算航班数据序列Zi'与每个聚类簇中的核心对象之间的距离，并再次选择出最小值记作Di'B，当该最小值Di'B对应的核心对象TB在ε邻域内，则将航班数据序列Zi'与核心对象TB所在的聚类本文档来自技高网...

【技术保护点】
1.一种大规模四维航迹动态预测装置，其特征在于，包括：信息获取模块，数据预处理模块，轨迹聚类模块，动态数据接入模块，识别与预测模块和结果反馈模块；信息获取模块从航空数据管理部门接入某一时段某一特定城市对之间的航迹数据文件，并提取航班号、时间戳以及三维坐标点，将其整理为与航班号相对应的若干条由四维向量构成的航迹序列；数据预处理模块：对不同的四维向量构成的航迹序列采用LCS算法进行处理去除噪声点；并对进行重采样获得等长的序列；轨迹聚类模块：对该特定城市对的所有航迹序列进行基于DBSCAN算法的聚类操作，将历史航迹进行分类，得到聚类后的航迹模式并提取核心对象；动态数据接入模块：从航空数据管理部门接入该城市对的实时数据，并提取航班号、时间戳以及三维坐标点，将其整理为与航班号相对应的若干条由四维向量构成的航迹序列；识别与预测模块：通过聚类后的航迹模式以及核心对象，对实时的动态数据进行航线轨迹的预测，通过计算核心对象与动态数据间的差异，对出现异常情况的动态数据进行识别；结果反馈模块：将识别与预测结果反馈给空中交通管理部门。

【技术特征摘要】
1.一种大规模四维航迹动态预测装置，其特征在于，包括：信息获取模块，数据预处理模块，轨迹聚类模块，动态数据接入模块，识别与预测模块和结果反馈模块；信息获取模块从航空数据管理部门接入某一时段某一特定城市对之间的航迹数据文件，并提取航班号、时间戳以及三维坐标点，将其整理为与航班号相对应的若干条由四维向量构成的航迹序列；数据预处理模块：对不同的四维向量构成的航迹序列采用LCS算法进行处理去除噪声点；并对进行重采样获得等长的序列；轨迹聚类模块：对该特定城市对的所有航迹序列进行基于DBSCAN算法的聚类操作，将历史航迹进行分类，得到聚类后的航迹模式并提取核心对象；动态数据接入模块：从航空数据管理部门接入该城市对的实时数据，并提取航班号、时间戳以及三维坐标点，将其整理为与航班号相对应的若干条由四维向量构成的航迹序列；识别与预测模块：通过聚类后的航迹模式以及核心对象，对实时的动态数据进行航线轨迹的预测，通过计算核心对象与动态数据间的差异，对出现异常情况的动态数据进行识别；结果反馈模块：将识别与预测结果反馈给空中交通管理部门。2.如权利要求1所述的一种大规模四维航迹动态预测装置，其特征在于，所述的四维向量构成的航迹序列是指：每一个航班对应一条轨迹序列，序列的组成是根据时间顺序排列的三维坐标点。3.基于权利要求1所述的一种大规模四维航迹动态预测装置的预测方法，其特征在于，具体步骤如下：步骤一、针对某一特定城市对，信息获取模块对航空数据管理部门的数据进行等时间间隔采样，获取该城市对某一时段内的所有历史航迹信息，并整理成四维向量构成航迹序列；四维向量是指经度、纬度、高度以及时间；每一条航迹序列Ti由n个四维向量组成；即Ti＝{Ti1,Ti2,...Tij,...Tin,}，其中Tij＝{xij,yij,zij,tij}；xij表示第i条航迹的第j个时间点对实际航迹采样得到的经度值；yij表示第i条航迹的第j个时间点对实际航迹采样得到的纬度值；zij表示第i条航迹的第j个时间点对实际航迹采样得到的高度值；tij表示第i条航迹的第j个时间点；步骤二、数据预处理模块根据最长公共子序列算法LCS，通过求每两条航迹序列的最长公共子序列去除每条四维向量构成的航迹序列上的噪声点；步骤三、数据预处理模块对去除了噪声点的航迹序列，按照不同的轨迹长度进行重采样，保证每条航迹序列长度相同；重采样计算公式为：Ti'为重采样后的第i条航迹序列，Tim是航迹序列Ti中的第m个向量；round函数为通过四舍五入对数据进行取整操作；li为该特定的城市对间的第i条航迹序列长度；步骤四、轨迹聚类模块应用基于密度的聚类算法DBSCAN，对长度相同的航迹序列进行聚类；具体步骤如下；步骤401、针对长度相同的航迹序列，计算每两条航迹序列之间的相对间距；首先，针对两条航迹Ti和Tj，从航迹Ti中逐个选取当前向量，分别与航迹Tj中每个向量计算两者之间的距离，选择距离最小值作为当前向量的相对间距；当前向量初始值为Ti1；然后，将航迹Ti中每个向量的相对间距取平均值；两条航迹序列间的相对间距计算公式如下：l'为Ti和Tj的航迹序列长度；表示航迹Ti中的第k个向量与航迹Tj中的第l个向量之间的空间欧式距离；步骤402、设置距离的阈值参数ε，根据城市对间的航迹密度设置作为聚成一类所至少要包含的最小轨迹数minPts；步骤403、针对每一条航迹序列Ts，对该航迹序列与其他每条航迹序列间的距离值小于等于ε的航迹序列进行计数；步骤404、将计数结果多于minPts的所有航迹聚为一类，航迹序列Ts为该类的核心对象，代表分类的典型航班轨迹；步骤405、在核心对象Ts的ε邻域中如果存在另外的核心对象Ts'，则将Ts'与Ts的聚类进行合并，直至聚成的类中没有未...

【专利技术属性】
技术研发人员：曹先彬，杜文博，陈薏充，李碧月，刘妍，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11