一种于意图识别的轨迹数据处理方法技术

本发明专利技术公开了一种于意图识别的轨迹数据处理方法，属于轨迹数据处理技术领域。本发明专利技术包括：采集飞行器的轨迹数据，并对采集的轨迹数据进行数据预处理，按照指定的数据格式存储轨迹数据；提取一定数量的轨迹数据并进行特征提取处理；采用动态时间规整算法对轨迹相似度进行判别，通过层次聚类得到轨迹对应的轨迹簇并将其作为类别信息添加到轨迹数据中，作为一条训练轨迹数据；对于聚类得到的各轨迹簇，通过簇内轨迹的相互相似度计算出每个轨迹簇的中心轨迹；构建并训练意图识别模型，以获取待识别的轨迹数据的意图识别结果。本发明专利技术能有效提升对飞行器的飞行意图的识别性能。提升对飞行器的飞行意图的识别性能。提升对飞行器的飞行意图的识别性能。

【技术实现步骤摘要】
一种于意图识别的轨迹数据处理方法


[0001]本专利技术属于轨迹数据处理
，具体涉及一种用于意图识别的轨迹数据处理方法。

技术介绍

[0002]意图识别技术作为根据飞行器的飞行状态、态势、队形等信息预测出该飞行器意图的一种特定方法，在航天领域广泛应用。现有的意图识别技术多基于飞行器多维态势，但在实际的情况下通常可以获得飞行器的轨迹数据，但对于其他信息的获取很少。现有的意图识别针对轨迹数据的处理及挖掘并不全面。
[0003]长短期记忆人工神经网络(LSTM)是时空数据预测领域用于根据历史数据来预测未来一段时间的数据。现有的对时空数据的预测主要利用LSTM及LSTM的变体进行预测。但LSTM不能进行并行运算限制了模型的实时性、且对于长序列存在着梯度问题。Transformer是近些年提出的一种基于注意力机制和前馈神经网络的模型。目前广泛应用于自然语言处理(NLP)领域如机器翻译、问答系统、文本摘要、语音识别等方向。
[0004]动态贝叶斯网络作为传统的意图识别算法使用广泛，虽然具有严密的数学概率推理，但概率矩阵比较固定单一，自我学习能力不足。其它目标意图识别算法比较依赖专家经验知识，缺乏灵活性。一维卷积神经网络具有很好地获取数据局部特征、识别出数据中的简单模式的优点，然后通过对这些简单模式加以利用，可以在更高级的网络层中生成更复杂的模式。目前在对传感器产生的传感数据，具有长度的周期的信号数据，以及自然语言处理方面的语言数据等处理中采用一维卷积神经网络的效果都比较好。相比于卷积神经网络，Transformer的注意力机制更关注时序数据的前后联系，对于局部特征的挖掘表现较差。

技术实现思路

[0005]本专利技术提供了一种于意图识别的轨迹数据处理方法，用于提升对飞行器的飞行意图的识别性能。
[0006]本专利技术采用的技术方案为：
[0007]一种于意图识别的轨迹数据处理方法，该方法包括下列步骤：
[0008]步骤1，采集飞行器的轨迹数据，并对采集的轨迹数据进行数据预处理，按照指定的数据格式存储轨迹数据；其中，轨迹数据包括但即：飞行器的经纬度、高度和数据采样时间；
[0009]步骤2，从存储的轨迹数据中提取一定数量的轨迹数据，并进行特征提取处理；
[0010]其中，特征提取处理包括：将提取的轨迹数据生成特征向量矩阵，计算每一列特征平均值和特征的协方差矩阵，并对协方差矩阵进行特征值和特征向量的计算，对计算出的特征值进行从小到大排序提取前K个特征值，再将数据中的经纬度映射到指定的坐标系中；其中，K大于1；
[0011]步骤3，对轨迹簇的聚类进行规则设定，包括轨迹簇合并阈值D
max
和轨迹簇数目阈
值M
min
，采用动态时间规整算法对轨迹相似度进行判别，通过层次聚类得到轨迹对应的轨迹簇并将其作为类别信息添加到轨迹数据中，作为一条训练轨迹数据；对于聚类得到的各轨迹簇，通过簇内轨迹的相互相似度计算出每个轨迹簇的中心轨迹；
[0012]步骤4，构建并训练意图识别模型；
[0013]所述意图识别模型的输入数据为训练轨迹数据，输入数据经过一维的卷积层对其进行特征信息提取，再通过一个全连接层与Transformer模型相连进行意图预测；
[0014]将输入数据输入到意图识别模型，基于配置的损失函数对意图识别模型的网络参数进行调优，当满足预置的训练结束条件时停止，其中训练结束条件可以是达到最大训练次数，或者预测精度满足指定条件；并将训练完成的意图识别模型作为意图识别器；
[0015]步骤5，对待识别的轨迹数据，计算其与每个轨迹簇的中心轨迹的相似度，基于相似度最高的轨迹簇确定待识别的轨迹数据的轨迹簇标签；
[0016]将待识别的轨迹数据和其轨迹簇标签输入意图识别器，基于其输出得到待识别的轨迹数据S
t
的意图识别结果。
[0017]本专利技术提供的技术方案至少带来如下有益效果：
[0018]本专利技术对采集的轨迹数据聚类额外增加轨迹簇维度的信息，能够对轨迹进行针对性的预测。在意图识别处理中，本专利技术通过将一维卷积神经网络与Transformer模型结合既能挖掘轨迹数据的前后联系又能充分挖掘到数据的局部特征。
附图说明
[0019]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0020]图1是本专利技术实施例提供的一种用于意图识别的轨迹数据处理方法的处理过程示意图；
[0021]图2是本专利技术实施例提供的一种用于意图识别的轨迹数据处理方法的具体实现流程图。
具体实施方式
[0022]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地详细描述。
[0023]本专利技术根据基于轨迹数据的意图识别实际应用场景，针对性的设置了一种用于意图识别的轨迹数据处理方法，该方法能够将轨迹按相似度分配到不同的轨迹组或轨迹簇中并将轨迹簇信息作为后续基于轨迹的意图识别(意图预测)的一个先验知识，通过处理后的轨迹数据能够快速、高准确的进行意图识别。
[0024]如图1和图2所示，本专利技术实施例提供的一种用于意图识别的轨迹数据处理方法包括下列步骤：
[0025]数据采集：对飞行器探测装置收集下发的数据进行采集；
[0026]数据存储处理：数据采集的数据是原始传感器数据，因此数据存储处理负责将数
据采集的原始传感器数据经第一数据预处理(例如数据单位、数据格式的统一，异常值的检测，归一化处理等)后存入存储器中。同时负责从数据库中提取特定的数据以供相应的处理使用；
[0027]数据特征提取：将从数据存储器中提取的数据生成特征向量矩阵，计算每一列特征平均值和特征的协方差矩阵。针对协方差矩阵进行特征值和特征向量的计算，并对计算出的特征值进行从小到大排序提取前k个特征值。同时将数据中的经纬度映射到指定的坐标系中。
[0028]轨迹聚类：聚类采用动态时间规整(DTW)算法对轨迹相似度进行判别，设置轨迹簇合并阈值D
max
和轨迹簇数目阈值M
min
对轨迹簇的聚类进行规则设定。通过层次聚类得到轨迹对应的轨迹簇并将其作为类别信息添加到轨迹数据中。对于得到的轨迹簇，通过簇内轨迹的相互相似度计算出中心轨迹。
[0029]意图预测：意图预测包含对训练数据的处理和对飞行器的意图预测。训练数据的处理通过对轨迹聚类处理步骤后的轨迹数据，即将当前轨迹所属的轨迹簇标签作为一项属性信息，得到带轨迹簇的轨迹数据。再同专家知识库中的数据进行训练并对训练数据打标签。将标签数据送入1DCNN+Transformer模型中进行训练。首先数据经过1DCNN卷积层(即一维的卷积层)对输入的特征进行信息提取，之后通过一个全连接层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于意图识别的轨迹数据处理方法，其特征在于，包括下列步骤：步骤1，采集飞行器的轨迹数据，并对采集的轨迹数据进行数据预处理，按照指定的数据格式存储轨迹数据；其中，轨迹数据包括飞行器的经纬度、高度和数据采样时间；步骤2，从存储的轨迹数据中提取一定数量的轨迹数据，并进行特征提取处理；其中，特征提取处理包括：将提取的轨迹数据生成特征向量矩阵，计算每一列特征平均值和特征的协方差矩阵，并对协方差矩阵进行特征值和特征向量的计算，对计算出的特征值进行从小到大排序提取前K个特征值，再将数据中的经纬度映射到指定坐标系中；其中，K大于1；步骤3，采用动态时间规整算法对轨迹相似度进行判别，通过层次聚类得到轨迹对应的轨迹簇并将其作为类别信息添加到轨迹数据中，作为一条训练轨迹数据；对于聚类得到的各轨迹簇，通过簇内轨迹的相互相似度计算出每个轨迹簇的中心轨迹；步骤4，构建并训练意图识别模型；所述意图识别模型的输入数据为训练轨迹数据，输入数据经过一维的卷积层对其进行特征信息提取，再通过一个全连接层与Transformer模型相连进行意图预测；将输入数据输入到意图识别模型，基于配置的损失函数对意图识别模型的网络参数进行调优，当满足预置的训练结束条件时停止，其中训练结束条件可以是达到最大训练次数，或者预测精度满足指定条件；并将训练完成的意图识别模型作为意图识别器；步骤5，对待识别的轨迹数据，计算其与每个轨迹簇的中心轨迹的相似度，基于相似度最高的轨迹簇确定待识别的轨迹数据的轨迹簇标签；将待识别的轨迹数据和其轨迹簇标...

【专利技术属性】
技术研发人员：王世坤，张可，张顺生，
申请(专利权)人：电子科技大学长三角研究院湖州，
类型：发明
国别省市：