本发明专利技术提出一种基于注意力机制的双向两阶段可解释重着陆预测方法，包括，获取原始飞行参数，对原始飞行参数进行预处理，得到训练数据；构建基于注意力机制的双向两阶段可解释重着陆预测模型；其中基于注意力机制的双向两阶段可解释重着陆预测模型包括时间参数模块和参数时间模块；将训练数据输入基于注意力机制的双向两阶段可解释重着陆预测模型，进行训练；获取待预测飞行数据，将待预测飞行数据输入训练完成的基于注意力机制的双向两阶段可解释重着陆预测模型，得到预测结果以及重着陆时的发生原因。时的发生原因。时的发生原因。
【技术实现步骤摘要】
一种基于注意力机制的双向两阶段可解释重着陆预测方法
[0001]本专利技术属于飞行安全领域。
技术介绍
[0002]飞行安全是民航业最关心的课题之一。国际航空运输协会(IATA)2021年的安全报告显示，从2017年到2021年，着陆阶段发生的事故数量是所有飞行阶段中最多的。重着陆是着陆阶段的一种典型安全事故，它可能会给乘客带来不良体验，对飞机结构造成严重损害，有时甚至会造成死亡事故。因此，提前预测重着陆对降低着陆风险、确保飞行安全起着至关重要的作用。此外，航空业是一个高风险领域，因此为重着陆预测结果提供解释是有重大意义的。对预测结果的解释可以加强飞行员对预测结果的信任，同时也可以帮助飞行员进行复盘，提高飞行技能。
[0003]快速存取记录仪(Quick Access Recorder,QAR)是一种飞行数据记录装置，现已广泛安装于各型商用客机。它可以实时记录了整个飞行阶段的飞行状态、飞行员操作以及环境因素等多项参数。QAR数据是一种典型的多维度时间序列数据，现已被广泛应用于飞机安全状态监测、飞行品质监控、事故调查等。
[0004]QAR数据是一种典型的时间序列数据，因此重着陆问题可以被抽象为时间序列分类(TSC)问题。近年来，CNN和RNN被广泛用于大多数时间序列分类的研究中。Zhao等人利用CNN生成输入时间序列的深度特征，然后通过全连接层输出预测结果。Wang等人提出了一个全卷积网络(FCN)，它利用卷积层、批量归一化层和ReLU激活层，实现了相对于其他方法更高的性能。Bai等人使用时间卷积网络(TCN)将膨胀卷积、残差与因果卷积结合起来，用于序列建模的任务。LSTM可以附加到FCN上形成LSTM全卷积网络(LSTM
‑
FCN)。Karim等人提出了一个注意力LSTM全卷积网络(ALSTM
‑
FCN)，它结合了注意力机制和LSTM
‑
FCN。受最早为自然语言翻译任务提出的Transformer的启发，Zerveas等人提出了一个基于Transformer的多变量时间序列表示学习框架。这个框架的输出可以应用于一些下游任务，如回归、分类和预测。Ismail等人结合了inception模块和残差模块来对时间序列进行分类。Zhang等人提出了一个TSC网络架构，可以分为三个模块。随机维度排列、多变量时间序列编码和注意力原型学习。然而，上述方法都未能为预测提供有说服力的可解释性，因为他们只关注于提高分类性能。Assaf等人和Fauvel等人使用Grad
‑
CAM基于CNN解释时间序列分类结果。Grad
‑
CAM是一种广泛用于计算机视觉的技术，为网络的决策原因提供可视化解释。然而，基于CAM的方法最初是在计算机视觉领域提出的，可能不适合于时间序列数据。Rojat等人也指出，缺乏适用于专门为时间序列任务设计的CNN的可解释方法。因此，如何设计专门用于时间序列数据的可解释方法，在目前仍有很大的探索空间。
[0005]本专利技术专利以着陆阶段典型的重着陆事件为研究对象，以QAR数据为支撑，以人工智能、数据挖掘方法为手段，开展基于飞行数据的民航客机重着陆预测及可解释性研究。
技术实现思路
[0006]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0007]为此，本专利技术的目的在于提出一种基于注意力机制的双向两阶段可解释重着陆预测方法，用于提供准确可靠的重着陆分类结果，帮助飞行员提前预防重着陆事件。
[0008]为达上述目的，本专利技术第一方面实施例提出了一种基于注意力机制的双向两阶段可解释重着陆预测方法，包括：
[0009]获取原始飞行参数，对所述原始飞行参数进行预处理，得到训练数据；
[0010]构建基于注意力机制的双向两阶段可解释重着陆预测模型；其中所述基于注意力机制的双向两阶段可解释重着陆预测模型包括时间参数模块和参数时间模块；
[0011]将所述训练数据输入基于注意力机制的双向两阶段可解释重着陆预测模型，进行训练；
[0012]获取待预测飞行数据，将所述待预测飞行数据输入训练完成的基于注意力机制的双向两阶段可解释重着陆预测模型，得到预测结果以及重着陆时的发生原因。
[0013]另外，根据本专利技术上述实施例的一种基于注意力机制的双向两阶段可解释重着陆预测方法还可以具有以下附加的技术特征：
[0014]进一步地，在本专利技术的一个实施例中，所述时间参数模块和所述参数时间模块均包括：卷积特征编码器、第一阶段注意力机制、第二阶段注意力机制；
[0015]其中，所述时间参数模块TPB先学习每个参数的内部时间依赖关系，再学习多个参数之间的相互关系；所述参数时间模块PTB先学习同一时间点内多个参数之间的关系，再学习多个时间点之间的相互关系。
[0016]进一步地，在本专利技术的一个实施例中，所述卷积特征编码器用于从预处理过的数据中提取有用的信息；其中，通过在输入数据的左侧添加零填充，使卷积后时间维度的长度不变。
[0017]进一步地，在本专利技术的一个实施例中，还包括：
[0018]通过所述第一阶段注意力机制评估序列内编码数据的重要性权重，并通过所述重要性权重进一步获得上下文向量；
[0019]在TPB中，第d个参数编码后的数据内的每个时间点的重要性分数通过如下公式学习：
[0020][0021]其中是权重矩阵，是第d个参数的偏差向量，σ1代表非线性函数，是第d个参数的注意力权重向量；
[0022]其中，第d个参数的上下文表示向量是每个时间点的加权向量之和，计算方法如下：
[0023][0024]其中，是的转置矩阵,通过连接从d＝1到D的得到,
由从d＝1到D的组合而成；
[0025]在PTB中，第t个时间点编码后的数据内的每个参数的重要性分数通过如下公式学习：
[0026][0027]其中，是权重矩阵，是第t个时间点的偏差向量，σ2代表一个非线性函数，评估每个参数在第t个时间点对模型最终决策的贡献，第t个时间点的全局向量用以下公式计算：
[0028][0029]其中，是的转置矩阵，由参数域上的表示向量加权其对模型决策的贡献汇总而成。通过连接从t＝1到T的得到，由从t＝1到T的组成并为所有时间点的所有参数分配权重。
[0030]进一步地，在本专利技术的一个实施例中，所述第二阶段注意力机制用于获得更高层次的注意力分数和最终的上下文向量；
[0031]在TPB中，每个参数的注意分数的计算方法如下：
[0032]A3＝σ3(W3E
1T
+b3)，
[0033]其中，是模型参数，量化每个参数对预测的信息贡献，然后，定义如下：
[0034]G1＝A3E1，
[0035]代表通过先在时域、后在参数域分配注意力权重而得到的上下文向量；
[0036]在PTB中，每个参数的注意分数的计算方法如下：
[0037]A4＝σ4(W4E
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制的双向两阶段可解释重着陆预测方法，其特征在于，包括以下步骤：获取原始飞行参数，对所述原始飞行参数进行预处理，得到训练数据；构建基于注意力机制的双向两阶段可解释重着陆预测模型；其中所述基于注意力机制的双向两阶段可解释重着陆预测模型包括时间参数模块和参数时间模块；将所述训练数据输入基于注意力机制的双向两阶段可解释重着陆预测模型，进行训练；获取待预测飞行数据，将所述待预测飞行数据输入训练完成的基于注意力机制的双向两阶段可解释重着陆预测模型，得到预测结果以及重着陆时的发生原因。2.根据权利要求1所述的方法，其特征在于，所述所述时间参数模块和所述参数时间模块均包括：卷积特征编码器、第一阶段注意力机制、第二阶段注意力机制；其中，所述时间参数模块TPB先学习每个参数的内部时间依赖关系，再学习多个参数之间的相互关系；所述参数时间模块PTB先学习同一时间点内多个参数之间的关系，再学习多个时间点之间的相互关系。3.根据权利要求2所述的方法，其特征在于，所述卷积特征编码器用于从预处理过的数据中提取有用的信息；其中，通过在输入数据的左侧添加零填充，使卷积后时间维度的长度不变。4.根据权利要求2所述的方法，其特征在于，还包括：通过所述第一阶段注意力机制评估序列内编码数据的重要性权重，并通过所述重要性权重进一步获得上下文向量；在TPB中，第d个参数编码后的数据内的每个时间点的重要性分数通过如下公式学习：其中是权重矩阵，是第d个参数的偏差向量，σ1代表非线性函数，是第d个参数的注意力权重向量；其中，第d个参数的上下文表示向量是每个时间点的加权向量之和，计算方法如下：其中，是的转置矩阵,通过连接从d＝1到D的得到,由从d＝1到D的组合而成；在PTB中，第t个时间点编码后的数据内的每个参数的重要性分数通过如下公式学习：
其中，是权重矩阵，是第t个时间点的偏差向量，σ2代表一个非线性函数，评估每个参数在第t个时间点对模型最终决策的贡献，第t个时间点的全局向量用以下公式计算：其中，是的转置矩阵，由参数域上的表示向量加权其对模型决策的贡献汇总而成。通过连接从t＝1到T的得到，由从t＝1到T的组成并为所有时间点的所有参数分配权重。5.根据权利要求2或4所述的方法，其特征在于，所述第二阶段注意力机制用于获得更高层次的注意力分数和最终的上下文向量；在T...
【专利技术属性】
技术研发人员：尚家兴，张锐祥，郑林江，陈逢文，李旭，陈浩东，
申请(专利权)人：重庆大学，
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。