【技术实现步骤摘要】
一种基于多头注意力机制的机场场面航迹预测方法
[0001]本专利技术涉及一种机场场面航迹预测方法，特别是一种基于多头注意力机制的机场场面航迹预测方法。
技术介绍
[0002]全球航空运输量不断增长，民航机场起降量迅速增长，机场场面运行愈发繁忙，机场建设规模也越来越大，建设多跑道机场，场面交通环境愈发复杂。机场场面运行管理面临许多尖锐亟待解决的安全、效率问题，例如滑行冲突、机坪交通事件等，需要能够实时、智能、准确的识别这些场面运行风险，并且能够对各种飞行区风险进行及时、准确的告警计算处理，给机场运行管理人员、管制员提供预警，使其进行处置，防止飞行区不安全事件发生，而其中最为重要的技术就是航空器滑行轨迹预测技术。
[0003]目前，现有航空器轨迹预测方法主要包括：基于航空器模型的航迹预测方法、根据BADA（Base of Aircraft Data）航空器基础资料及航空器滑行意图航迹预测法、基于卡尔曼滤波的轨迹预测方法、粒子滤波航迹预测方法以及基于深度学习的航迹滤波技术。上述方法主要分为两类思想，第一类是通过航空器在航行...
【技术保护点】
【技术特征摘要】
1.一种基于多头注意力机制的机场场面航迹预测方法，其特征在于，包括以下步骤：步骤1，获取航空器飞行过程中的状态信息参数，包括：地理位置信息即经纬度、飞行高度、速度信息、航向角信息以及时间信息；对状态信息参数进行预处理；步骤2，使用预处理过的状态信息参数构建时间序列的训练集、验证集和测试集，分别用于训练多变量时序自注意力机制模型、验证训练结果以及对训练好的模型进行测试；步骤3，将训练集和验证集输入多变量时序自注意力机制模型中进行训练；通过多头注意力机制并行计算，减少训练时间并优化深度学习中长序列预测中的梯度消失及梯度爆炸问题；步骤4，将训练好的多变量时序自注意力机制模型用于下一时刻航空器的位置预测，输入测试集获得下一阶段航空器的位置信息。2.根据权利要求1所述的一种基于多头注意力机制的机场场面航迹预测方法，其特征在于，步骤1中所述状态信息参数，指航空器飞行时的数字信息，包括：航空器所在的经度、纬度、高度、速度、航向角以及获取信息之间的时间间隔；设航空器在t时刻获取的状态信息参数表达为：其中，表示时刻航空器的经度，表示时刻航空器的纬度，表示时刻航空器的高度，表示时刻航空器的飞行速度，表示时刻航空器的航向角，表示时刻获取到的状态信息与上一个时刻获取到数据的时间间隔；则航空器在T时间段内采集到的历史数据由数据集表示：其中，表示航空器在T时间内，第一时刻获取到的状态信息；表示航空器在T时间内，第二时刻获取到的状态信息；为T时间，第T时刻获取到的状态信息。3.根据权利要求2所述的一种基于多头注意力机制的机场场面航迹预测方法，其特征在于，步骤1中所述对状态信息参数进行预处理，方法包括：对每个状态信息参数进行归一化处理，方法如下：其中，为归一化后的特征参数的值，为特征向量，为特征向量的最小值，为特征向量最大值。4.根据权利要求3所述的一种基于多头注意力机制的机场场面航迹预测方法，其特征在于，步骤3中所述的多变量时序自注意力机制模型，包括：个编码器、个解码器，以及连接编码器与解码器的连接层，其中，N为大于等于1的整数，每个编码器由两个子层组成，包括：自注意力层及前馈神经网络层，两个子层中使用一个残差连接进行归一化操作；解码器与编码器结构相似，并在自注意力层及前馈神经网络层之间添加了一个注意力层，用于关注输入的航空器样本状态信息。5.根据权利要求4所述的一种基于多头注意力机制的机场场面航迹预测方法，其特征
在于，步骤3中所述多变量时序自注意力机制模型，具体建模过程包括：步骤3
‑
1，采用位置编码的方法，解决航空器的状态信息参数中元素顺序序列问题；步骤3
‑
2，多变量时序自注意力机制模型下的自注意力机制计算；步骤3
‑
3，利用多头注意力机制进行并行运算；步骤3
‑
4，通过残差连接进行归一化处理，得出注意力层的输出，并作为前馈神经网络的输入；步骤3
‑
5，编码器子层输出；步骤3
‑
6，进入解码器部分进行解码输出；步骤3
‑
7，输出预测结果；步骤3
‑
8，根据训练集中下一阶段的真实信息，计算预测与真值之间的损失；通过反向传播调整多变量时序自注意力机制模型的权重参数；再次进入训练；直至完成训练。6.根据权利要求5所述的一种基于多头注意力机制...
【专利技术属性】
技术研发人员：石潇竹，姜志乾，王尔申，陈平，刘云天，张明伟，鲍帆，
申请(专利权)人：中国电子科技集团公司第二十八研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。