一种基于ADS-B的风场重建与预测系统技术方案

本发明专利技术提供了一种基于ADS

【技术实现步骤摘要】
一种基于ADS
‑
B的风场重建与预测系统


[0001]本专利技术属于航路监测和航空气象领域，尤其是涉及一种基于ADS
‑
B的风场重建与预测系统。

技术介绍

[0002]近年来，作为国际民航组织(ICAO)的重要成员，我国航空运输每年保持15％以上的发展速度，不管是飞机总数量、总飞行周转量、运输总人次都发展迅猛。由于我国和世界航空运输市场的发展，加快了包括监视、通信、导航及空中交通管理的新航行系统的建设。广播式自动相关监视(Automatic Dependent Surveillance
‑
Broadcast，ADS
‑
B)是一种基于全球卫星定位系统和空
‑
空、地
‑
空数据链通信的航空器运行监视技术，飞机周期性广播由机载星基导航和定位系统生成的精准信息，地面设备和其它飞机通过数据链接收此信息，卫星系统、飞机以及地基系统通过数据链进行空天地一体化协同监视。ADS
‑
B技术的显著优势在于，其数据精度和更新率比一次雷达和二次雷达高，运行成本远低于二次雷达，适合于山区、荒漠、边远机场等不宜建设雷达的区域以及高密度机场的监视，因此，ADS
‑
B技术是未来监视系统的重要组成部分和发展方向。
[0003]在空中交通管理和气象研究中，将实时、高并发的飞机视作天气传感器已成为一种趋势。风是航空气象众多的影响因素中最常见且最危险的一种，相关研究显示，即使对于日常飞行，风也频繁地影响飞行轨迹和预计到达时间。因此，风场测量的精确性对航空气象研究尤为重要。然而，传统的风场探测技术应用于航空气象领域存在分辨率和实时性较低的问题。目前，每架飞机利用ADS
‑
B机载传感设备实时采样并发送位置数据和气象数据给地面接收站，具有很高的时空采样频率和数据更新率，且性价比很高。中国的ADS
‑
B相关研究主要集中在设备研究、航路监控应用研究，在基于ADS
‑
B的空域风场探测中仍处于起步阶段。因此，如何设计一种精确、低成本的ADS
‑
B风场重建与预测系统是亟需解决的技术问题。

技术实现思路

[0004]有鉴于此，本专利技术旨在提出一种基于ADS
‑
B的风场重建与预测系统，以提高航空频繁增加期间民航空中交通管制部门对航迹规划、航班飞行任务规划的有效性。
[0005]为达到上述目的，本专利技术的技术方案是这样实现的：
[0006]一种基于ADS
‑
B的风场重建与预测系统，包括ADS
‑
B数据处理模块、气象粒子模型的风场重构模块和深度学习算法的风场预测模块；
[0007]所述ADS
‑
B数据处理模块，用于将地面站提取的ADS
‑
B数据进行解析，获得飞机飞行的经度、纬度、航班号、地速、几何高度等信息，通过解析后的信息识别飞机飞行状态、提取飞行数据，最后通过反演算法获得风矢量值，并将该数据作为气象粒子模型的风场重构模块中的观测风；
[0008]所述气象粒子模型的风场重构模块，模拟自然界中的气体粒子，当获得观测风时生成粒子并对粒子进行建模，粒子在空域内传播遵循随机过程，通过组合所有相邻粒子的
加权状态构建风场，并将结果用于深度学习算法的风场预测模块；
[0009]所述深度学习算法的风场预测模块，采用机器学习的方法预测空域风场信息，将空域划分成三维网格空间，网格内的风矢量由气象粒子模型重构后提供，将网格内风场数据分为三组，70％作为训练集，20％作为验证集，10％作为测试集。采用Encoder
‑
Decoder形式的transorformer序列模型，通过序列模型挖掘输入序列中的信息，再通过Decoder进行预测；
[0010]进一步的，所述ADS
‑
B数据处理模块包括解析ADS
‑
B数据模块、飞机状态识别模块、飞行数据提取模块和风矢量反演模块。
[0011]进一步的，所述解析ADS
‑
B数据模块，用于获取飞机飞行的经度、纬度、航班号、地速、几何高度等信息。
[0012]所述飞机状态识别模块，采用基于密度的聚类算法，从海量分散的数据中识别连续飞行航迹。使用分段线性插值的方法对漏点数据进行填补，然后对飞行状态进行识别，从而提取平稳飞行阶段的数据，存储到数据库中，为后续研究做准备；
[0013]所述飞行数据提取模块，提取一架飞机完整的飞行轨迹，便于对航线风矢量反演；
[0014]所述风矢量反演模块，对飞行数据提取模块所提取的飞行轨迹数据和风矢量的关系进行建模，接着利用相关算法进行反演，获得航线区域风矢量；
[0015]进一步的，所述气象粒子模型的风场重构模块，包括观测风取值模块、概率拒绝机制模块、产生风矢量粒子模块、粒子运动模型、粒子重构模型和风场置信模型。
[0016]进一步的，所述观测风取值模块，观测风取值来自ADS
‑
B数据处理模块的风矢量反演值。
[0017]所述概率拒绝机制模块，为减少ADS
‑
B解码的突发错误对风矢量反演值的影响，对于新的观测风将根据当前观测风的均值和方差构造概率密度函数，任何新的观测风都将依概率被接受；
[0018]所述产生风矢量粒子模块，模拟自然界中的气体粒子，对粒子进行建模，使粒子状态包括反演得到的观测风，当获得新的风测量值时首先生成粒子，并根据设定的参数化核函数随时间衰减；
[0019]所述粒子运动模型，粒子运动遵循考虑了实际风矢量的高斯随机游走模型，在每一步更新中，粒子年龄都会增加；
[0020]所述粒子重构模型，建立粒子运动模型后，在任何位置均可以利用周围的粒子来重构风信息。使用相邻粒子的加权状态组合来构造航线外周围区域的风信息；
[0021]所述风场置信模型，重建风场后，考虑目标位置相邻的粒子数、粒子和目标位置之间的平均距离、粒子承载状态的同质性、因衰减作用而产生的粒子强度等因素，建立置信模型，评估置信水平；
[0022]进一步的，所述深度学习算法的风场预测模块包括Transformer序列模型预测风。
[0023]所述Transformer序列模型预测未来风，将气象粒子模型重构得到风场数据分为三组，70％作为训练集，20％作为验证集，10％作为测试集。采用Encoder
‑
Decoder形式的transorformer序列模型，通过序列模型挖掘输入序列中的信息，再通过Decoder进行预测。
[0024]进一步的，所述系统实现过程如下：
[0025]步骤1、从地面接收站获取ADS
‑
B数据，经处理获得风矢量反演值；
[0026]步骤2、以步骤1的风矢量反演值作为观测风，根据气象粒子模型重构风场；
[0027]步骤3、将空域划分成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ADS
‑
B的风场重建与预测系统，其特征在于：包括ADS
‑
B数据处理模块、气象粒子模型的风场重构模块和深度学习算法的风场预测模块；所述ADS
‑
B数据处理模块，用于将地面站提取的ADS
‑
B数据进行解析，获得飞机飞行的信息,通过解析后的信息识别飞机飞行状态、提取飞行数据，最后通过反演算法获得风矢量数据，并将该数据作为气象粒子模型的风场重构模块中的观测风；所述气象粒子模型的风场重构模块，模拟自然界中的气体粒子，当获得观测风时生成粒子并对粒子进行建模，粒子在空域内传播遵循随机过程，通过组合所有相邻粒子的加权状态构建风场，并将结果用于深度学习算法的风场预测模块；所述深度学习算法的风场预测模块，采用机器学习的方法预测空域风场信息，根据气象粒子模型重构得到风场数据，包括速度、方向、位置、高度，将所得的数据分为三组，70％作为训练集，20％作为验证集，10％作为测试集，采用Encoder
‑
Decoder形式的transorformer序列模型，通过序列模型挖掘输入序列中的信息，再通过Decoder进行预测，预测标签包含风速与风向。2.根据权利要求1所述的一种基于ADS
‑
B的风场重建与预测系统，其特征在于：所述ADS
‑
B数据处理模块包括解析ADS
‑
B数据模块、飞机状态识别模块、飞行数据提取模块和风矢量反演模块。3.根据权利要求2所述的一种基于ADS
‑
B的风场重建与预测系统，其特征在于：所述解析ADS
‑
B数据模块，用于获取飞机飞行的数据，包括经度、纬度、航班号、地速、几何高度信息；所述飞机状态识别模块，采用基于密度的聚类算法，从海量分散的数据中识别连续飞行航迹，使用分段线性插值的方法对漏点数据进行填补，然后对飞行状态进行识别，提取平稳飞行阶段的数据，存储到数据库中；所述飞行数据提取模块，通过提取一架飞机完整的飞行轨迹，作为风矢量反演模块的原始数据；所述风矢量反演模块，对飞行数据提取模块所提取的飞行轨迹数据和风矢量的关系进行建模，接着利用相关算法进行反演，获得航线区域风矢量。4.根据权利要求1所述的一种基于ADS
‑
B...

【专利技术属性】
技术研发人员：陈万通，吴多，刁天茹，任诗雨，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：