一种基于管制意图表示的航空器轨迹补齐方法技术

本发明专利技术涉及空中交通管理技术领域，具体涉及一种基于管制意图表示的航空器轨迹补齐方法，包括S1，获取航空器的历史航行数据，历史航行数据包括管制指令话音、飞行计划信息和轨迹信息；S2，利用语音识别模型提取管制指令话音的管制意图信息；S3，利用自编码器模型对管制意图信息和飞行计划信息进行编码，得到飞行意图信息；S4，利用轨迹信息和飞行意图信息以及对应的标签构建训练数据集；S5，将训练数据集输入GRU神经网络进行训练，得到训练好的轨迹补齐模型；S6，将新的航行数据输入训练好的轨迹补齐模型进行轨迹补齐。本发明专利技术能够有效的提取航行意图信息和航空器运动变化规律，提高轨迹预测精度。迹预测精度。迹预测精度。

【技术实现步骤摘要】
一种基于管制意图表示的航空器轨迹补齐方法


[0001]本专利技术涉及空中交通管理
，具体涉及一种基于管制意图表示的航空器轨迹补齐方法。

技术介绍

[0002]保障航班有序安全运行是一项复杂的系统工程，空中交通管理部门通过地面监视设备实时监控航空器在航路上运行状态，及时发现潜在飞行冲突，避免发生航空器碰撞事故。随着计算机计算能力的飞速发展，通过深度学习技术对历史航迹信息演化模式的挖掘，可以有效的提升航迹预测精度，降低了空中交通管理系统中虚警率，提高航空器空域中运行效率。
[0003]应用深度学习技术进行预测，需要历史数据作为模型训练基础。在航空器轨迹数据中，由于地面设备部署位置、运行情况以及气象等条件等复杂环境的影响，空管雷达或者ADSB采集的轨迹信息存在着缺失、重叠或无效等情况。显然，历史轨迹中的大量的脏数据，难以直接应用深度学习方法提取航空器运动模式，制约了轨迹补齐预测精度。因此，应用轨迹补齐技术，增强轨迹信息数据质量，成为了提高航空器轨迹预测精度，保障航空安全运行的前提条件。
[0004]现有技术中常用的数据补齐方法包括样条差值、回归分析比较、均值替换法。但是上述方法均无法充分考虑空中交通运行的环境因素和管制指挥因素。例如在轨迹数据补齐方法中，均值替换法根据该航班历史轨迹在该点位置附近的平均值之来填充该缺失的变量值；但这种方法会产生有偏估计，误差较大。回归替换法是一种无偏估计，首先选择一定范围历史变量，并建立回归方程估计缺失值，即用缺失数据的条件期望值对缺失值进行补齐。该方法要求缺失值与其他变量之间存在线性关系假设，而在轨迹序列中，存在大量的随机的非线性关系。样条差值方法通常采用三次多项式拟合数据曲线，但是轨迹数据中由于气象、环境等因素影响，具有较大的随机性，样条差值法难以稳定捕捉到多元素之间的关联性。此外，航空器在空中运行时，需要遵循空中交通管理程序飞行，样条插值法无法充分利用这些先验知识。

技术实现思路

[0005]本专利技术的目的在于克服现有技术未充分考虑空中交通运行的环境因素和管制指挥因素导致轨迹补齐数据具有误差的问题，提供一种基于管制意图表示的航空器轨迹补齐方法。
[0006]为了实现上述专利技术目的，本专利技术提供了以下技术方案：
[0007]一种基于管制意图表示的航空器轨迹补齐方法，包括以下步骤：
[0008]S1，获取航空器的历史航行数据，所述历史航行数据包括管制指令话音、飞行计划信息和轨迹信息；
[0009]S2，利用语音识别模型提取所述管制指令话音的管制意图信息，
[0010]S3，利用自编码器模型对所述管制意图信息和所述飞行计划信息进行编码，得到飞行意图信息；
[0011]S4，利用所述轨迹信息和所述飞行意图信息以及对应的标签构建训练数据集；
[0012]S5，将所述训练数据集输入GRU神经网络进行训练，得到训练好的轨迹补齐模型；
[0013]S6，将新的航行数据输入所述训练好的轨迹补齐模型进行轨迹补齐。
[0014]进一步的，步骤S2中的语音识别模型为Deep Speech2语音识别模型。
[0015]进一步的，步骤S2中所述语音识别模型包括依次连接的卷积神经网络、双向门控循环神经网络和全连接神经层；所述语音识别模型利用CTC函数作为损失函数。
[0016]进一步的，步骤S3所述管制意图信息包括LVL爬升命令、SPD调整速度命令和HDG调整高度命令；所述飞行计划信息包括呼号、机型、航线信息、起飞机场、计划起飞时间、预计飞行时间、降落机场和备降场。
[0017]进一步的，步骤S3所述自编码器模型包括两个神经网络模块，分别为编码器和解码器，所述编码器的计算公式为：
[0018]h＝σ(W1x+b1)
[0019]所述解码器的计算公式为：
[0020]x
′
＝σ(W2x+b2)
[0021]其中W1为编码器的神经网络参数，W2为解码器的神经网络参数，h为中间隐藏层输入，x为输入特征，x
′
为解码器输出特征，b1为编码器神经网络的偏置项，b2为解码器神经网络的偏置项，σ为激活函数。
[0022]进一步的，步骤S4具体包括以下步骤：
[0023]数据预处理：对于轨迹信息中的点迹数据进行随机删除；被删除的点迹数据为需要补齐的标签；
[0024]选择经度、纬度、高度、速度、航向和飞行阶段作为所述GRU神经网络的输入特征；
[0025]对随机删除后剩余的点迹数据进行信息化描述，构成轨迹序列；
[0026]将所述轨迹序列和所述飞行意图信息进行拼接，拼接后的数据与所述标签构成训练数据集。
[0027]进一步的，步骤S5中所述GRU神经网络的损失函数E为：
[0028][0029]其中y代表标签信息，为模型补齐输出向量。
[0030]进一步的，步骤S5中所述GRU神经网络的计算公式包括：
[0031]r
t
＝σ(W
ir
x
t
+W
hr
h
t
‑1)
[0032]z
t
＝σ(W
iz
x
t
+W
hz
h
t
‑1)
[0033]c
t
＝tanh(W
in
x
t
+r
t
(W
hn
*h
t
‑1))
[0034]h
t
＝z
t
*h
t
‑1+(1
‑
z
t
)*n
t
[0035]其中h
t
‑1是t时刻的隐藏状态，x
t
是t时刻的输入，r
t
、z
t
、n
t
分别是重置门、更新门和计算候选隐藏层，σ表示sigmoid激活函数，tanh为一种幅度增大的sigmoid函数，W
iz
为更新门的系数矩阵，W
ir
为重置门的系数矩阵，W
hr
为t时刻重置门中h
t
‑1隐状态的系数矩阵，W
hz
为t
时刻更新门中h
t
‑1隐状态的系数矩阵，W
in
和W
hn
分别为t时刻中候选隐藏层中x
t
和h
t
‑1的系数矩阵，h
t
是t时刻的隐藏状态，c
t
为计算过程中产生的背景向量。
[0036]进一步的，步骤S5中，应用注意力机制对于所述飞行意图信息进行提取，注意力机制计算公式包括：
[0037][0038]e
ij
＝a(x
i
,d
j
)...

【技术保护点】

【技术特征摘要】
1.一种基于管制意图表示的航空器轨迹补齐方法，其特征在于，包括以下步骤：S1，获取航空器的历史航行数据，所述历史航行数据包括管制指令话音、飞行计划信息和轨迹信息；S2，利用语音识别模型提取所述管制指令话音的管制意图信息；S3，利用自编码器模型对所述管制意图信息和所述飞行计划信息进行编码，得到飞行意图信息；S4，利用所述轨迹信息和所述飞行意图信息以及对应的标签构建训练数据集；S5，将所述训练数据集输入GRU神经网络进行训练，得到训练好的轨迹补齐模型；S6，将新的航行数据输入所述训练好的轨迹补齐模型进行轨迹补齐。2.如权利要求1所述的一种基于管制意图表示的航空器轨迹补齐方法，其特征在于，步骤S2中的语音识别模型为Deep Speech 2语音识别模型。3.如权利要求2所述的一种基于管制意图表示的航空器轨迹补齐方法，其特征在于，步骤S2中所述语音识别模型包括依次连接的卷积神经网络、双向门控循环神经网络和全连接神经层；所述语音识别模型利用CTC函数作为损失函数。4.如权利要求1所述的一种基于管制意图表示的航空器轨迹补齐方法，其特征在于，步骤S3所述管制意图信息包括LVL爬升命令、SPD调整速度命令和HDG调整高度命令；所述飞行计划信息包括呼号、机型、航线信息、起飞机场、计划起飞时间、预计飞行时间、降落机场和备降场。5.如权利要求1所述的一种基于管制意图表示的航空器轨迹补齐方法，其特征在于，步骤S3所述自编码器模型包括两个神经网络模块，分别为编码器和解码器，所述编码器的计算公式为：h＝σ(W1x+b1)所述解码器的计算公式为：x
′
＝σ(W2x+b2)其中W1为编码器的神经网络参数，W2为解码器的神经网络参数，h为中间隐藏层输入，x为输入特征，x
′
为解码器输出特征，b1为编码器神经网络的偏置项，b2为解码器神经网络的偏置项，σ为激活函数。6.如权利要求1所述的一种基于管制意图表示的航空器轨迹补齐方法，其特征在于，步骤S4具体包括以下步骤：数据预处理：对于轨迹信息中的点迹数据进行随机删除；被删除的点迹数据为需要补齐的标签；选择经度、纬度、高度、速度、航向和飞行阶段作为所述GRU神经网络的输入特征；对随机删除后剩余的点迹数据进行信息化描述，构成轨迹序列；将所述轨迹序列和所述飞行意图信息进行拼接，拼接后的数据与所述标签构成训练数据集。7.如权利要求1
‑
6任一项所述的一种基于管制意图表示的航空器轨迹补齐方法，其特征在于，步骤S5中所述GRU神经网络的损失函数E为：
其中y代表标签信息，为模型补齐输出向量。8.如权利要求7所述的一种基于管制意图表示的航空器轨迹补齐方法，其特征在于，步骤S5中所述GRU神经网络的计算公式包括：r
t
＝σ(W
ir

【专利技术属性】
技术研发人员：林毅，闫震，杨红雨，黄国新，
申请(专利权)人：四川大学，
类型：发明
国别省市：