基于Informer网络的智能化无人机飞行轨迹预测方法技术

本发明专利技术提供一种基于Informer网络的智能化无人机飞行轨迹预测方法，本发明专利技术通过运用人工智能领域的先进技术，即Informer网络实现对智能化无人机飞行轨迹的预测，有效地避免了智能化无人机飞行的动力学物理模型的构建，同时，本发明专利技术只需要基于已存在的传感器进行分享预测，有效地降低了增加传感器数量所带来的经济成本；而且，本发明专利技术利用Informer网络在时间序列中的长距离依赖方面表现出独特的优势，能够提高模型预测的准确度。够提高模型预测的准确度。够提高模型预测的准确度。

【技术实现步骤摘要】
基于Informer网络的智能化无人机飞行轨迹预测方法


[0001]本专利技术涉及无人机飞行轨迹领域，具体涉及一种基于Informer网络的智能化无人机飞行轨迹预测方法。

技术介绍

[0002]随着新一代人工智能技术的发展，智能化无人机已经广泛应用到国民生产的各个领域。例如，智能化无人机在农业和装备制造业的大力普及，显著提高了生产效率。此外，智能化无人机在地质勘测和遥感领域也得到广泛应用。在国家应急救援方面，智能化无人机能够为灾害管理和人力救援提供重要保障。因此，智能化无人机技术已经发展为促进社会进步的新引擎和新动能。
[0003]智能化无人机在复杂的真实场景执行任务过程中，通常在飞行方向和飞行状态方面表现出高度的灵活性和多变性。特别是，随着国家对智能化无人机高质量发展的迫切需求，确保智能化无人机在低空空域平稳、安全地飞行，同时有效地避免智能化无人机飞行之间的异常碰撞和冲突问题，亟需一套完整、高效的智能化无人机飞行轨迹预测方法，为智能化无人机在飞行过程中的异常冲突和异常行为发现和预警，提供及时可靠的参考依据。
[0004]通过对智能化无人机飞行轨迹的相关文献调研发现，早期的智能化无人机轨迹预测方法主要是围绕动力学模型展开，这些复杂的动力学建模需要对模型做出适当的假设，缺少对智能化无人机飞行过程中的历史信息的有效利用。在人工智能领域，Informer网络作为一种先进的深度神经网络，在模型预测方面特别是针对长时间序列预测方面，表现出很好的泛化能力，能够有效地解决模型预测精度不理想问题。综上所述，由于智能化无人机在飞行过程中的飞行方向和飞行状态的多变性，如何对智能化无人机的飞行状态进行研判，并借助人工智能领域最先进的深度学习方法Informer网络，实现对智能化无人机飞行过程中的轨迹位置(经度、纬度、高度)进行精准预测是本领域亟需解决的技术问题。

技术实现思路

[0005]为了解决
技术介绍
中提到的技术问题，本专利技术的目的是提供一种基于Informer网络的智能化无人机飞行轨迹预测方法。
[0006]为了达到上述目的，本专利技术所采用的技术方案是：基于Informer网络的智能化无人机飞行轨迹预测方法，包括以下步骤：S1、收集智能化无人机历史飞行过程中的关键元数据信息；S2、按照智能化无人机的飞行时间，将步骤S1收集的元数据信息进行排序，剔除元数据信息中的噪声数据后，进行归一化处理，使得元数据的取值范围介于[0,1]之间；S3、获取归一化处理后的元数据，构造包含智能化无人机飞行轨迹中各个变量的完整时间序列数据集，并根据时间序列数据集构建基于Informer网络的智能化无人机飞行轨迹预测模型；S4、基于步骤S3构建的预测模型预测智能化无人机的飞行轨迹。
进一步的，步骤S1收集的元数据信息包括无人机ID、无人机飞行时间戳t、最大水平速度v
max
、平均水平速度航向角俯仰角θ、滚转角γ、经度ξ、纬度ψ以及高度h。
[0007]进一步的，步骤S3中生成的时间序列数据集包括航向角、俯仰角、滚转角、纬度、经度、高度、最大水平速度、平均水平速度以及垂直方向速度信息。
[0008]进一步的，垂直方向的速度信息由无人机飞行高度的变化除以无人机飞行时间的间隔得到。
[0009]进一步的，步骤S3中，根据时间序列数据集构建预测模型的过程如下：将时间序列数据集s划分成m组，每组包括p个时刻的无人机基础飞行元数据，获取各个分段的时间序列数据集；确定Informer网络中对应的输入和输出样本的特征；确定Informer网络中的各层对应的参数；分别选取样本数据的80％、10％和10％作为训练数据、验证数据和测试数据；采用Adam优化器，并确保初始学习率在[0,1]之间调整；采用gelu作为激活函数。
[0010]进一步的，步骤S3中，构建预测模型的过程中，还包括：采用平均平方误差MSE作为模型预测评估的损失函数；采用均方根误差RMSE和平均绝对误差MAE作为模型预测评估的评价指标。
[0011]进一步的，步骤S4中，在预测智能化无人机的飞行轨迹时，主要预测智能化无人机的纬度、经度和高度信息。
[0012]与现有技术相比，本专利技术的有益效果是：本专利技术通过运用人工智能领域的先进技术，即Informer网络实现对智能化无人机飞行轨迹的预测，有效地避免了智能化无人机飞行的动力学物理模型的构建，而且，本专利技术只需要基于已存在的传感器进行分享预测，有效地降低了增加传感器数量所带来的经济成本。
附图说明
[0013]图1是本专利技术基于Informer网络的智能化无人机飞行轨迹预测方法的流程示意图；图2是本专利技术中Informer网络的整体架构图。
具体实施方式
[0014]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0015]本专利技术的一种基于Informer网络的智能化无人机飞行轨迹预测方法，如图1所示，包括以下步骤：
[0016]步骤1、数据收集：收集智能化无人机历史飞行过程中的关键元数据信息，包括无人机ID、无人机飞行时间戳t、最大水平速度v
max
、平均水平速度航向角俯仰角θ、滚转角γ、经度ξ、纬度ψ、高度h；
[0017]步骤2、数据预处理：按照智能化无人机的飞行时间，将上述元数据信息进行排序，剔除元数据中不合格的噪声数据；然后将上述的元数据进行归一化处理，使得元数据的取值范围介于[0,1]之间，具体计算公式如下：式中，μ为上述各个元数据对应的均值，σ为上述各个元数据对应的标准差，x分别指上述各个元数据，x
*
为各个元数据经归一化后的数值。
[0018]步骤3、构造包含智能化无人机轨迹各个变量完整的时间序列数据集，具体包括：1)对步骤2预处理后得到的数据进行筛选，得到包括航向角、俯仰角、滚转角、纬度、经度、高度、最大水平速度、平均水平速度和垂直方向的速度的时间序列数据集；2)计算无人机飞行过程中在垂直方向的速度v
y
，垂直方向速度的时间序列是由无人机飞行高度的变化除以无人机飞行时间的间隔得到，基于上述步骤1)，最终生成完整的时间序列数据集；
[0019]步骤4、构建基于Informer网络的智能化无人机飞行轨迹预测模型，具体包括：1)分别随机抽取无人机轨迹数据集的80％、10％和10％作为训练集、验证集和测试集；2)对Informer网络对应的参数进行初始化；3)确定Informer网络输入步长，包括编码器个数和解码器个数；本专利技术中Informer网络的整体架构图请参阅图2。4)确定Informer网络预测步长，可分设置为1，2，3，4，5，6；5)确定Informer网络的批尺寸和丢弃率；6)确定Informer网络的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于Informer网络的智能化无人机飞行轨迹预测方法，其特征在于，包括以下步骤：S1、收集智能化无人机历史飞行过程中的关键元数据信息；S2、按照智能化无人机的飞行时间，将步骤S1收集的元数据信息进行排序，剔除元数据信息中的噪声数据后，进行归一化处理，使得元数据的取值范围介于[0,1]之间；S3、获取归一化处理后的元数据，构造包含智能化无人机飞行轨迹中各个变量的完整时间序列数据集，并根据时间序列数据集构建基于Informer网络的智能化无人机飞行轨迹预测模型；S4、基于步骤S3构建的预测模型预测智能化无人机的飞行轨迹。2.根据权利要求1所述的基于Informer网络的智能化无人机飞行轨迹预测方法，其特征在于，步骤S1收集的元数据信息包括无人机ID、无人机飞行时间戳t、最大水平速度v
max
、平均水平速度航向角俯仰角θ、滚转角γ、经度ξ、纬度ψ以及高度h。3.根据权利要求1所述的基于Informer网络的智能化无人机飞行轨迹预测方法，其特征在于，步骤S3中生成的时间序列数据集包括航向角、俯仰角、滚转角、纬度、经度、高度、最大水平速度、平均水平速度以及垂直方向速度信息。4.根据权利要求3所述的基于Informer网络的...

【专利技术属性】
技术研发人员：何平，刘小磊，李波，
申请(专利权)人：河南泽达智能科技有限公司，
类型：发明
国别省市：