一种基于社会长短期记忆网络的航空器轨迹预测方法技术

本发明专利技术公开了一种基于社会长短期记忆网络的航空器轨迹预测方法，对多架航空器的长时间序列数据进行建模，捕获序列本身以及序列之间的隐含关系，学习轨迹之间的交互行为，同步得到所有轨迹的时空特性和运行规律。通过对每架航空器建立长短期记忆深度网络，并在网络之间构建池化层连接相互关联的网络实现动态更新的隐含信息的实时共享，以某一空域内多架航空器的历史四维航迹、速度以及角度信息作为模型输入样本，重复进行模型训练，不断更新模型参数，使预测效果满足用户期望。

【技术实现步骤摘要】
一种基于社会长短期记忆网络的航空器轨迹预测方法
本专利技术涉及一种基于社会长短期记忆网络的航空器轨迹预测方法，属于民航

技术介绍
近年来，随着空中交通流量的快速增长，有限的空域资源已经无法满足日益增长的空中交通需求，使航空运输系统面临着巨大的压力，导致了航空器飞行冲突加剧、管制员工作负荷较重、空域拥堵以及航班延误等问题的出现。为此，通过有效的空中交通管理系统安全、高效地利用空域资源和管理飞行流量成为了解决问题的关键，也是当面空中交通发展面临的主要难题。空中交通管理系统的核心是决策支持系统，其研发依赖于精确的航迹预测，航迹预测技术是决策支持系统中冲突探测和解脱、进离港排序、航空器异常行为监视以及流量管理等核心技术的基础。同时，在未来的民航运输中，基于空域扇区的传统空中交通管理模式正在向基于航迹运行的新模式转变，该模式以对航空器的精确四维航迹预测为基础，在空管、航空公司和航空器之间共享航迹动态信息，实现飞行与管制之间的协同决策，从而减轻管制员工作负荷。由此可见，航迹预测在空中交通管理系统中发挥着至关重要的作用。现有航迹预测技术基本可分为四类：(1)基于运动学的模型。将轨迹预测看做一个状态跟踪问题，采用卡尔曼滤波、自适应滤波、隐马尔科夫模型以及粒子滤波等方法估计航空器未来轨迹。(2)基于动力学的方法。属于一类基于物理模型的航迹预测研究方法，通过模拟分析航空器的受力作用和运动模型，来推算未来航迹信息。(3)数据驱动的模型。主要从大量的历史航空器轨迹数据中学习得到航迹信息的时空特性和运行规律，对航迹进行预测。(4)组合方法。组合了前面三类方法中的两类或三类方法。现有技术目前存在如下问题：(1)预测效果不稳定，缺乏普适性。由于航空器轨迹具有较强的随机性，仅采用运动学模型或动力学方法进行预测对具有不同运动特征的航空器预测精度存在较大差别，普适性不足；(2)缺乏学习能力。根据无参数估计得到的预测航迹的特征局限于已有航迹的特征，对其它航迹的特征预测精度较差，缺乏学习改进能力；(3)忽略了空域中多架航空器之间的交互作用，无法实现多架航空器轨迹的同步预测。数据驱动的模型通常需要学习大量的历史航空器轨迹数据，该数据直接包括三维位置、角度以及速度等基本信息，也间接反映了飞行意图、管制行为、不稳定的天气条件等潜在的不确定性因素，但忽略了多架航空器之间的交互作用，在一定程度上将会影响航迹预测的效果。
技术实现思路
专利技术目的：针对以上问题，本专利技术提出一种基于社会长短期记忆网络的航空器轨迹预测方法，对多架航空器的长时间序列数据进行建模，捕获序列本身以及序列之间的隐含关系，学习轨迹之间的交互行为，同步得到所有轨迹的时空特性和运行规律。通过对每架航空器建立长短期记忆深度网络，并在网络之间构建池化层连接相互关联的网络实现动态更新的隐含信息的实时共享，以某一空域内多架航空器的历史三维航迹、速度以及角度信息作为模型输入样本，重复进行模型训练，不断更新模型参数，使预测效果满足用户期望。技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于社会长短期记忆网络的航空器轨迹预测方法，该方法包括如下步骤：(1)读取航空器轨迹数据集，并进行质量分析；(2)根据步骤(1)的质量分析结果进行数据清洗以及预处理，构建输入和输出样本向量，对输入和输出样本向量进行标准化处理，生成无量纲化的数据集；(3)构建社会长短期记忆网络模型，以步骤(2)的无量纲化的数据集进行训练，形成航空器轨迹预测模型；(4)利用步骤(3)中的航空器轨迹预测模型进行多架航空器轨迹的同步预测。进一步，步骤(1)的具体过程如下：(1-1)从雷达监视数据中读取指定空域范围内设定时间范围的所有航空器的轨迹数据，包括以下属性：记录时间、航空器编号、航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度；(1-2)利用值分析法对(1-1)提取的数据进行质量分析，对属性存在的缺失值、重复值和形式异常值的情况进行统计。进一步，步骤(2)的具体过程如下：(2-1)根据(1-2)得到的值分析法统计结果，采用删除法处理缺失值、重复值和形式异常值的数据，实现数据清洗；(2-2)将轨迹数据中的航空器所处经度、航空器所处纬度、航空器所处高度转换为地心地固坐标系中的x坐标、y坐标和z坐标；(2-3)根据航空器编号、记录时间将每个航空器的轨迹数据按记录时间先后排序，并通过求解以下优化问题对每架航空器的轨迹进行重建：其中，P∈RN×5为优化变量，P0∈RN×5为原始轨迹，P0的第i行是原始轨迹中航空器在第i个时刻的x坐标、y坐标、z坐标、速度以及角度，N为原始轨迹长度，是重建后的轨迹；A∈RN×N为除对角线上元素外其余元素均为零的对角矩阵，当P0的第i行有一个或多个测量值时，A的对角线上第i个元素等于1，反之为零；表示L2范数，λ1,λ2∈R+为正则化参数,D2∈RN-2×N是表示二阶差分矩阵，D3∈RN-4×N是表示三阶差分矩阵，R是实数；其中(D2)j表示D2的第j行，(D3)j表示D3的第j行，ej表示第j行等于1、其余行等于0的N维向量；(2-4)根据(2-3)中重建后的轨迹，构建输入和输出样本向量，其中，输入样本向量为输出样本向量为为第n架航空器在t时刻的状态序列，为第n架航空器在t时刻的四维轨迹序列，为第n架航空器的状态向量，为第n架航空器的位置，分别表示第n架航空器在t时刻的x坐标值、y坐标值、z坐标值、速度和角度，Nt为t时刻指定空域范围内的航空器架次，τn为第n架航空器进入指定空域范围内的时刻，ΔT表示预测步长；(2-5)对输入样本向量和输出样本向量，使用最小—最大标准化进行标准化处理，生成无量纲的训练数据集。进一步，步骤(3)的具体过程如下：(3-1)对每架航空器建立单一的长短期记忆网络：其中σ(·)是Sigmoid激活函数，tanh(·)是双曲正切激活函数；和分别是第n架航空器长短期记忆网络的遗忘、记忆、细胞单元和输出权重矩阵，和分别是第n架航空器长短期记忆网络的遗忘、记忆、细胞单元和输出偏置向量；分别是t、t-1时刻第n架航空器长短期记忆网络的细胞状态，ftn为t时刻第n架航空器长短期记忆网络中遗忘门的激活值；为t时刻第n架航空器长短期记忆网络中输入门的激活值；为利用双曲正切激活函数计算的t时刻第n架航空器长短期记忆网络中的候选状态，分别为t、t-1时刻第n架航空器长短期记忆网络输出的隐藏状态，为t时刻第n架航空器长短期记忆网络输出门的激活值；是在t时刻第n架航空器长短期记忆网络的输入；(3-2)通过池化层连接相互关联的长短期记忆网络，构建社会长短期记忆网络模型，具体过程如下：给定邻域大小δ，以第n架航空器为中心确定在其前方邻域范围内存在的其它航空器，并利用这些航空器此时的隐藏状态为第n架航空器构造一个β×β×D维的社会隐藏状态张量其中，D和β分别是给定的隐藏状态本文档来自技高网...

【技术保护点】
1.一种基于社会长短期记忆网络的航空器轨迹预测方法，其特征在于，该方法包括如下步骤：/n(1)读取航空器轨迹数据集，并进行质量分析；/n(2)根据步骤(1)的质量分析结果进行数据清洗以及预处理，构建输入和输出样本向量，对输入和输出样本向量进行标准化处理，生成无量纲化的数据集；/n(3)构建社会长短期记忆网络模型，以步骤(2)的无量纲化的数据集进行训练，形成航空器轨迹预测模型；/n(4)利用步骤(3)中的航空器轨迹预测模型进行多架航空器轨迹的同步预测。/n

【技术特征摘要】
1.一种基于社会长短期记忆网络的航空器轨迹预测方法，其特征在于，该方法包括如下步骤：
(1)读取航空器轨迹数据集，并进行质量分析；
(2)根据步骤(1)的质量分析结果进行数据清洗以及预处理，构建输入和输出样本向量，对输入和输出样本向量进行标准化处理，生成无量纲化的数据集；
(3)构建社会长短期记忆网络模型，以步骤(2)的无量纲化的数据集进行训练，形成航空器轨迹预测模型；
(4)利用步骤(3)中的航空器轨迹预测模型进行多架航空器轨迹的同步预测。


2.如权利要求1所述的一种基于社会长短期记忆网络的航空器轨迹预测方法，其特征在于，步骤(1)的具体过程如下：
(1-1)从雷达监视数据中读取指定空域范围内设定时间范围的所有航空器的轨迹数据，包括以下属性：记录时间、航空器编号、航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度；
(1-2)利用值分析法对(1-1)提取的数据进行质量分析，对属性存在的缺失值、重复值和形式异常值的情况进行统计。


3.如权利要求2所述的一种基于社会长短期记忆网络的航空器轨迹预测方法，其特征在于，步骤(2)的具体过程如下：
(2-1)根据(1-2)得到的值分析法统计结果，采用删除法处理缺失值、重复值和形式异常值的数据，实现数据清洗；
(2-2)将轨迹数据中的航空器所处经度、航空器所处纬度、航空器所处高度转换为地心地固坐标系中的x坐标、y坐标和z坐标；
(2-3)根据航空器编号、记录时间将每个航空器的轨迹数据按记录时间先后排序，并通过求解以下优化问题对每架航空器的轨迹进行重建：



其中，P∈RN×5为优化变量，P0∈RN×5为原始轨迹，P0的第i行是原始轨迹中航空器在第i个时刻的x坐标、y坐标、z坐标、速度以及角度，N为原始轨迹长度，是重建后的轨迹；A∈RN×N为除对角线上元素外其余元素均为零的对角矩阵，当P0的第i行有一个或多个测量值时，A的对角线上第i个元素等于1，反之为零；表示L2范数，λ1,λ2∈R+为正则化参数,D2∈RN-2×N是表示二阶差分矩阵，D3∈RN-4×N是表示三阶差分矩阵，R是实数；



其中(D2)j表示D2的第j行，(D3)j表示D3的第j行，ej表示第j行等于1、其余行等于0的N维向量；
(2-4)根据(2-3)中重建后的轨迹，构建输入和输出样本向量，其中，输入样本向量为输出样本向量为为第n架航空器在t时刻的状态序列，为第n架航空器在t时刻的四维轨迹序列，为第n架航空器的状态向量，为第n架航空器的位置，分别表示第n架航空器在t时刻的x坐标值、y坐标值、z坐标值、速度和角度，Nt为t时刻指定空域范围内的航空器架次，τn为第n架航空器进入指定空域范围内的时刻，ΔT表示预测步长；
(2-5)对输入样本向量和输出样本向量，使用最小—最大标准化进行标准化处理，生成无量纲的训练数据集。


4.如权利要求3所述的一种基于社会长短期记忆网络的航空器轨迹预测方法，其特征在于，步骤(3)的具体过程如下：
(3-1)对每架航空器建立单一的长短期记忆网络：



其中σ(·)是Sigmoid激活函数，tanh(·)是双曲正切激活函数；WIn、和分别是第n架航空器长短期记忆网络的遗忘、记忆、细胞单元和输出权重矩阵，和分别是第n架航空器长短期记忆网络的遗忘、记忆、细胞单元和输出偏置向量；分别是t、t-1时刻第n架航空器长短期记忆网络的细胞状态，ftn为t时刻第n架航空器长短期记忆网络中遗忘门的激活值；为t时刻第n架航空器长短期记忆网络中输入门的激活值；为利用双曲正切激活函数计算的t时刻第n架航空器长短期记忆网络中的候选状态，分别为t、t...

【专利技术属性】
技术研发人员：曾维理，徐正凤，褚晓，包杰，羊钊，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32