一种基于Elastic-BiGRU结构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Elastic

【技术实现步骤摘要】
一种基于Elastic
‑
BiGRU结构的航空器轨迹预测方法


[0001]本专利技术涉及轨迹预测的
，尤其涉及一种基于Elastic
‑
BiGRU结构的航空器轨迹预测方法。

技术介绍

[0002]随着经济全球化发展，人们交流日益频繁，导致各类航空器在民用和军事领域的需求增大、飞行空间密度逐渐压缩，频繁出现空中交通拥堵，机场起降混乱等问题，严重影响飞行安全。因此对航空器移动数据进行采集、分析、预测，探寻它们的潜在规律，实现速度更快、准确率更高的航空器轨迹修正及预测模型变得尤为重要。在民用领域，精准的轨迹预测数据，可以辅助空管人员对航空器进行合理的排序和调度，提高空域资源的利用率并实现安全飞行。在军事领域，预测轨迹数据结合辅助雷达，红外测距仪等设备，可实现对移动目标的远距离探测跟踪任务，预测锁定目标的动态轨迹，在射程范围完成精准打击。
[0003]李冰荣、皮德常等人，通过引入最小描述长度策略(Minimum Description Length,MDL)实现轨迹分段，然后基于卷积和长短期记忆循环单元(CNN
‑
LSTM)形成新的深度学习算法，在一定程度上提高了移动对象目的地预测精度。
[0004]通过对每一条轨迹分段数据进行轨迹分割，解决了数据稀疏问题。然后，将分段后的数据进行图像化处理和局部特征提取，并对轨迹目的地进行聚类，为轨迹数据增加标签。最后，将局部图像数据和标签作为CNN模型的输入，通过空间特征的深度提取并保留有效信息，然后利用LSTM进行训练和目的地预测。
[0005]结合卷积和长短期记忆循环单元的深度学习算法CNN
‑
LSTM，在针对移动目标的轨迹和目的地预测时，由于模型结构复杂，在训练和预测过程中耗时较高，同时对移动目标的真实轨迹数据分析不够充分，出现准确率较低等问题。
[0006]张宗腾、张琳等人，针对无人机(UAV)飞行轨迹预测问题，提出以Adamax为优化算法的双向门控循环单元(Bi
‑
GRU)模型，在具有连续性和交互性的复杂时间序列轨迹预测中，达到更佳的效果。
[0007]首先，建立无人机飞行动力模型，仿真获得不同状态的飞行轨迹样本。然后，利用均方误差作为损失函数，确定双向GRU轨迹预测模型的隐藏层节点参数和迭代次数。最后，利用Adamax算法对双向GRU模型进行优化，建立基于双向GRU的无人机轨迹预测模型，从而预测未来的飞行变化趋势。
[0008]在无人机轨迹预测中，使用仿真获得的数据，训练后的模型预测结果经常处于理想环境状态，并没有考虑无人机运动时遇到的特殊情况，如周围风速、温度等因素的变化对实际轨迹的影响。因此，应将含有这些因素的真实轨迹数据放入实时预测模型中，提高预测的真实性和准确性。

技术实现思路

[0009]针对现有技术中的不足，本专利技术所要解决的技术问题在于提供一种基于Elastic
‑
BiGRU结构的航空器轨迹预测方法，选取双向门控循环单元(Bi
‑
GRU)为预测模型的主要结构，在训练模型过程中添加基于弹性网络(Elastic Net)的曲线拟合过程，对原始数据进行预处理修正；同时对航空器轨迹预测模型在结构选取、参数设置等方面进行优化，从大量的历史轨迹数据中，学习航空器轨迹的时空特征，在相对较短时间内总结数据中隐藏的变化规律，将轨迹预测的精准度进一步提高。
[0010]为了解决上述技术问题，本专利技术通过以下技术方案来实现：
[0011]本专利技术提供一种基于Elastic
‑
BiGRU结构的航空器轨迹预测方法，包括以下步骤：
[0012]S1、清除ADS
‑
B数据中的极端数值，获取较为合理的轨迹数据集为接下来的模型训练预测做准备；
[0013]S2、构建以Elastic
‑
BiGRU为基础的轨迹训练模型，在探索航空器轨迹的运动规律过程中，以时间t为标准不断地将大量轨迹噪声清除并将缺失数据填补回去，完整地实现未来时刻航空器地理坐标的预测定位。
[0014]优选的，在步骤S2中，在t时刻时，对输入数据进行前向和后向地推算，前向Elastic
‑
GRU层具有输入序列中t时刻以及之前时刻的信息，而后向Elastic
‑
GRU层具有输入序列中t时刻以及之后时刻的信息；根据连续的t时刻信息组成一定长度的训练数据段，依次进行Elastic修正后放入GRU内部计算，前向Elastic
‑
GRU层t时刻的输出结果记作，后向Elastic
‑
GRU层t时刻的输出结果记作，对双向Elastic
‑
GRU层最后输出的隐含状态进行concat拼接，作为最终结果。
[0015]进一步的，提出基于弹性网络的数据预处理算法，该算法将原始数据转化为多元参数的线性组合，形成基于弹性网络限制的求解模型，有效防止回归曲线发生欠拟合或过拟合的问题；然后将原始数据与拟合模型数据进行对比，调整偏离点位置，并根据拟合曲线填补原始数据中缺失的断点。
[0016]进一步的，以一条训练集轨迹为例，通过时间t循环遍历整条数据中所有M个轨迹点，提取连续m个轨迹点组成输入特征x_train，第m+1个轨迹点作为标签Label，共构建M
‑
m
‑
1组数据段；每次取一个数据段中的Label标签为中点，将周围2m+1个轨迹点转化为多元参数的线性组合，通过分析每组数据中目标值和特征值之间的关系，形成有规律的弹性网络回归曲线。
[0017]进一步的，整个求解过程所获得的多项式模型，称作弹性网络回归曲线，把数据组中每个点带入弹性网络回归曲线中进行比较，如果对第i个偏离曲线点进行归正，然后对有缺失的点进行补充，形成完整连续的多维轨迹数据段，取修正后的m+1个轨迹点作为一组训练的特征数据，依次输入循环神经网络中进行训练。
[0018]由上，本专利技术的基于Elastic
‑
BiGRU结构的航空器轨迹预测方法通过分析航空器轨迹数据时序性特点和循环神经网络模型结构，提出基于Elastic
‑
BiGRU的航空器轨迹预测模型，为复杂条件下的航迹修正预测提供了全新的思路。数据的质量和模型内部结构都会对预测效果产生影响，因此该算法在数据处理和轨迹预测两方面展开。通过构建弹性网络与Bi
‑
GRU为核心的多维预测算法，对历史数据进行处理，消除部分噪声、填补空缺，使其符合可训练标准，然后运用训练好的模型预测出航空器未来时刻的位置信息，逐步迭代优化参数来提高预测的精度。与传统RNN，Bi
‑
LSTM，Bi
‑
GRU等航迹预测模型在时间效率与性能
指标方面进行对比分析，表明Elastic
‑
BiGRU模型在航空器轨迹预测的综合性能表现更优，准确性和鲁棒性更高。也可以在很多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Elastic
‑
BiGRU结构的航空器轨迹预测方法，其特征在于，包括以下步骤：S1、清除ADS
‑
B数据中的极端数值，获取较为合理的轨迹数据集为接下来的模型训练预测做准备；S2、构建以Elastic
‑
BiGRU为基础的轨迹训练模型，在探索航空器轨迹的运动规律过程中，以时间t为标准不断地将大量轨迹噪声清除并将缺失数据填补回去，完整地实现未来时刻航空器地理坐标的预测定位。2.如权利要求1所述的基于Elastic
‑
BiGRU结构的航空器轨迹预测方法，其特征在于，在步骤S2中，在t时刻时，对输入数据进行前向和后向地推算，前向Elastic
‑
GRU层具有输入序列中t时刻以及之前时刻的信息，而后向Elastic
‑
GRU层具有输入序列中t时刻以及之后时刻的信息；根据连续的t时刻信息组成一定长度的训练数据段，依次进行Elastic修正后放入GRU内部计算，前向Elastic
‑
GRU层t时刻的输出结果记作后向Elastic
‑
GRU层t时刻的输出结果记作对双向Elastic
‑
GRU层最后输出的隐含状态进行concat拼接，作为最终结果。3.如权利要求2所述的基于Elastic<...

【专利技术属性】
技术研发人员：汪澜，陈泽轩，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：