【技术实现步骤摘要】
本专利技术属于数据处理、深度学习、空中目标轨迹预测领域，尤其涉及一种基于时间序列分解重构模型的空中目标轨迹预测系统。
技术介绍
1、空中目标的轨迹预测在民航、无人机系统等多个领域具有极其重要的意义。
2、在民用航空领域，空中目标轨迹预测有助于航班调度和航线优化，尤其是在高密度空域中，准确预测飞行器的运行路径对于避免航班冲突、提升空域利用率至关重要。
3、此外，在无人机系统中，空中目标的轨迹预测也用于避障、编队飞行和自动导航等功能的实现。特别是在无人机的自动化任务执行中，轨迹预测可以显著提升任务成功率和系统的稳定性。在环境监测和灾害应急响应中，轨迹预测可以帮助无人机在复杂的自然环境中更好地执行任务，如监测空气质量、追踪污染源以及进行灾后评估等。此外，在科研领域，轨迹预测还可以辅助气象研究，例如通过预测气球或无人机的轨迹来更精确地收集大气数据。
4、在这些不同的应用场景中，预测模型的精度、实时性和鲁棒性直接影响到系统的整体表现与安全性。现有的轨迹预测方法主要包括基于物理模型的方法、基于统计学方法和机器学习的方法。基于物理模型的方法通常基于飞行器的动力学模型进行预测，在面对复杂的空中环境变化时，物理模型的假设往往过于理想化，难以适应突发情况和多变的外部干扰。基于统计学和深度学习的方法利用历史轨迹数据，通过时间序列分析等统计技术和深度学习模型来预测未来的运动轨迹。然而，这些方法对数据的依赖性较强，且难以应对不规则运动和非线性变化，预测精度往往无法满足要求，特别是对突发情况和不规则运动的响应较为迟缓。其
技术实现思路
1、本专利技术的目的在于针对现有技术的不足，提供了一种基于时间序列分解重构模型的空中目标轨迹预测系统。
2、本专利技术的目的是通过以下技术方案来实现的：一种基于时间序列分解重构模型的空中目标轨迹预测系统，所述系统由传感器、数据库和轨迹预测单元组成，依次连接协同工作；所述传感器包含雷达传感器、光学传感器、红外传感器和gps传感器；所述轨迹预测单元包括数据预处理模块、在线分解模块、分量预测模块和数据重构模块。
3、进一步地，所述传感器，用于负责采集监测到的空中目标轨迹数据，并通过无线网络实时将数据传输至数据库；
4、所述数据库，用于将接收到的空中目标轨迹数据按照时间戳进行排序和索引管理，得到处理后的空中目标轨迹数据x并传输至轨迹预测单元；
5、所述轨迹预测单元，用于对接收到的处理后的空中目标轨迹数据x进行处理和预测分析，得到预测重构数据。
6、进一步地，所述轨迹预测单元，用于对接收到的处理后的空中目标轨迹数据x进行处理和预测分析，得到预测重构数据，具体包括以下子步骤：
7、(1)所述轨迹预测单元接收到的处理后的空中目标轨迹数据x后，首先将处理后的空中目标轨迹数据x输入至数据预处理模块中进行异常值检测和数据归一化处理，得到预处理后的空中目标轨迹数据y；
8、(2)随后将预处理后的空中目标轨迹数据y输入至在线分解模块，将预处理后的空中目标轨迹数据y分解为季节项向量τ1～t、趋势项向量s1～t和残差项向量r1～t：y＝[τ1～t,s1～t,r1～t]；
9、(3)随后将分解后的y＝[τ1～t,s1～t,r1～t]输入至分量预测模块6，得到未来k个时间步的季节项预测向量趋势项预测向量和残差项预测向量
10、(4)随后将预处理后的空中目标轨迹数据y以及未来k个时间步的季节项预测向量趋势项预测向量和残差项预测向量输入至数据重构模块，生成未来k个时间步的最终的预测重构信号
11、进一步地，所述步骤(1)具体包括以下子步骤：
12、(1.1)所述轨迹预测单元接收到的处理后的空中目标轨迹数据x后，首先将处理后的空中目标轨迹数据x输入至数据预处理模块中；
13、所述处理后的空中目标轨迹数据x定义为时间序列：x＝{x1,x2,...,xi,...,xt}，其中，xi表示第i个时间点的观测值，t是该时间序列的长度；
14、首先对处理后的空中目标轨迹数据x使用滑动窗口和标准差的异常值检测方法进行异常值检测：
15、针对每一个时间点的观测值xi的周围选取一个长度为w的滑动窗口w，并计算该观测值xi的平均值和标准差：
16、
17、其中，为窗口内数据的均值，为标准差，w为窗口长度；
18、满足公式(3)的xi视为被检测出的异常值：
19、
20、对于被检测出的异常值xi，采用基于临近点的线性插值的方法进行替换，得到异常检测后的观测值xi′，线性插值公式为：
21、
22、不满足公式(3)的xi不视为被检测出的异常值，对于不视为被检测出的异常值xi，则不进行替换，即xi′＝xi；
23、对处理后的空中目标轨迹数据x完成异常值检测后，得到异常检测后的空中目标轨迹数据x′：x′＝{x1′,x2′,...,xi′,...,xt′}；
24、(1.2)随后对异常检测后的空中目标轨迹数据x′进行数据归一化处理，得到预处理后的空中目标轨迹数据y：y＝{y1,y2,...,yi,...,yt}，采用min-max归一化方法，其公式为：
25、
26、其中，yi为第i个时间点的归一化后的观测值；xmin为异常检测后的空中目标轨迹数据x′中的最小值，xmax为异常检测后的空中目标轨迹数据x′中的最大值。
27、进一步地，所述步骤(2)具体包括以下子步骤：
28、(2.1)随后将预处理后的空中目标轨迹数据y输入至在线分解模块，所述在线分解模块首先将预处理后的空中目标轨迹数据y划分为y＝y1+y2，其中，y1＝{y1,y2,...,yd,...,yn}，其中，
29、将y1＝{y1,y2,...,yd,...,yn}用于初始化分解，分解的目标函数表达式为：
30、
31、其中，参数τd和sd分别表示第d个时间点的归一化后的观测值yd分解得出的趋势项和季节项，t表示该季节项对应的周期大小；λ1表示控制趋势项一阶平滑度的参数，λ2表示控制趋势项二阶平滑度的参数；τ表示整个时间序列的趋势项：τ＝[τ1,τ2,…,τd,…,τn]；s表示整个时间序列的季节项：s＝[s1,s2,…,sd,…,sn]；
32、为了优化公式(6)，在线分解模块引入辅助变量将公式(6)转化为：
33、
34、其中，辅助变量pd表示变量p在第d个时间点处的值；qd表示变量q在第d个时间点处的值；
35、将辅助变量p和q初始化为1：
36、
37、初始化阶段的迭代过本文档来自技高网...
【技术保护点】
1.一种基于时间序列分解重构模型的空中目标轨迹预测系统，其特征在于，所述系统由传感器、数据库和轨迹预测单元组成，依次连接协同工作；所述传感器包含雷达传感器、光学传感器、红外传感器和GPS传感器；所述轨迹预测单元包括数据预处理模块、在线分解模块、分量预测模块和数据重构模块。
2.根据权利要求1所述的一种基于时间序列分解重构模型的空中目标轨迹预测系统，其特征在于，所述传感器，用于负责采集监测到的空中目标轨迹数据，并通过无线网络实时将数据传输至数据库；
3.根据权利要求2所述的一种基于时间序列分解重构模型的空中目标轨迹预测系统，其特征在于，所述轨迹预测单元，用于对接收到的处理后的空中目标轨迹数据X进行处理和预测分析，得到预测重构数据，具体包括以下子步骤：
4.根据权利要求3所述的一种基于时间序列分解重构模型的空中目标轨迹预测系统，其特征在于，所述步骤(1)具体包括以下子步骤：
5.根据权利要求4所述的一种基于时间序列分解重构模型的空中目标轨迹预测系统，其特征在于，所述步骤(2)具体包括以下子步骤：
6.根据权利要求5所述的一种
7.根据权利要求6所述的一种基于时间序列分解重构模型的空中目标轨迹预测系统，其特征在于，所述步骤(4)具体包括以下子步骤：
...【技术特征摘要】
1.一种基于时间序列分解重构模型的空中目标轨迹预测系统，其特征在于，所述系统由传感器、数据库和轨迹预测单元组成，依次连接协同工作；所述传感器包含雷达传感器、光学传感器、红外传感器和gps传感器；所述轨迹预测单元包括数据预处理模块、在线分解模块、分量预测模块和数据重构模块。
2.根据权利要求1所述的一种基于时间序列分解重构模型的空中目标轨迹预测系统，其特征在于，所述传感器，用于负责采集监测到的空中目标轨迹数据，并通过无线网络实时将数据传输至数据库；
3.根据权利要求2所述的一种基于时间序列分解重构模型的空中目标轨迹预测系统，其特征在于，所述轨迹预测单元，用于对接收到的处理后的空...
【专利技术属性】
技术研发人员：夏晨曦，唐云龙，冯如勇，刘晓光，龚开，刘兴高，
申请(专利权)人：浙江大学，
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。