一种基于双向长短期记忆网络的航迹预测方法技术

本发明专利技术涉及民航信息领域，具体涉及一种基于双向长短期记忆网络的航迹预测方法；本发明专利技术将历史雷达数据和飞行计划数据相匹配，构建了精炼的特征序列数据，并建立了基于数据驱动型的航迹预测方法，相较于传统的基于建模仿真的方法，能够实现高效精确的航迹预测；本发明专利技术可为空中交通管理和飞行流量管理等工作提供技术支撑，可在缓解空域拥堵

【技术实现步骤摘要】
一种基于双向长短期记忆网络的航迹预测方法


[0001]本专利技术涉及民航信息领域，具体涉及一种基于双向长短期记忆
(Bi
‑
directional Long Short Term Memory
，
LSTM)
网络的航迹预测方法
。

技术介绍

[0002]随着中国经济迅速发展，民航运输逐渐成为中国客运与货运的重要方式，日益增长的航班流量给如今的空中交通管理带来了不容小觑的挑战
。
随着交通流量持续增加
、
航线覆盖范围稳步扩展
、
机场密度逐步增大，由于民航业高速发展带来的大范围空域紧张和大面积航班延误等问题也越来越严重
。
然而我国的空中交通管理系统还处于发展阶段，系统存在粗放式管理和决策模式并不十分精确的问题，这就需要对空域流量进行高效的预测和管理
。
在空管系统的流量管理流程上，可以根据飞行器的历史飞行数据以及空域情况
、
民航报文乃至气象信息等进行合理的航迹预测，给目标航空器提供较为准确的未来航迹运行状况
。
因此，只有准确的航迹预测才可以保证接下来整体流量管理的高效，从而满足将来我国民用航空的发展需求
。
[0003]目前，针对航迹预测方法一般分为两大类：利用建模仿真的方法进行预测和利用数据驱动型方法进行预测：利用建模仿真的方法进行预测主要是对各种影响因素建立数学模型，对航空器建立动力学航迹预测模型，并围绕建立的模型实现航迹预测功能
。
传统的依靠运动学和空气动力学模型的方法能够准确地描述飞行器的状态，然而，地面站需要与机型相关的6‑
DOF
运动方程系数来预测飞行轨迹
。
从地面雷达监测角度来看，这些系数是无法观测到的，这使得地面站在不知道这些系数的情况下预测飞行轨迹变得极为困难；随着空中交通数据的快速增长和人工智能技术的兴起，利用数据驱动型方法进行预测受到越来越多研究者的关注
。
针对航班过点时间航迹预测问题可以转化为机器学习中的回归预测问题，在众多机器学习算法中，适用于回归问题的算法有支持向量机
、K
近邻
、
逻辑回归
、
决策树回归和深度神经网络等
。
[0004]航班航迹数据具有较强的时间相关性和空间相关性，其空间相关性体现在航路点的空间位置具有连续性，时间相关性体现在航路点的过点时间与所经过的航路点的顺序相关
。
不同城市对的航班所经过的航路点数不同，因此在机器学习模型上要应对输入特征序列和输出预测序列不等长的情况
。
常用的解决方法是以时间序列长度的最大值作为标准，对小于这个长度的序列填充0值，这解决了时间序列不等长的问题
。
然而这种填充法会影响模型的预测精度，比如在神经网络回归模型中，填充0值部分的时间序列所对应的神经网络参数在反向传播参数更新的时候，会影响非零值时间序列部分的神经网络参数
。
[0005]基于深度学习的长短期记忆网络模型对时间序列的非线性特征具有强大的特征提取能力和能够处理特征序列不等长问题
。
因此，基于长短期记忆网络模型的航迹预测算法在航迹预测方面的性能优于传统的机器学习方法
。
然而单向的长短期记忆网络在模型训练过程中随着时间步迭代，误差会逐步沿着航班经过的航路点积累，导致训练误差较大，难以获得满意的预测效果
。
[0006]综上所述，目前航迹预测方法存在以下两个方面的问题：
[0007]1)
传统的基于建模仿真的方法由于建模参数难以获得，且不准确的仿真建模参数会给准确的航迹预测带来较大的影响
。
[0008]2)
由于航迹数据存在较强的时空关联性和特征序列不等长问题，传统的机器学习回归模型难以提取航迹数据的时序特征和处理特征序列不等长问题
。

技术实现思路

[0009]为了解决上述问题，本专利技术的目的在于提供一种基于双向长短期记忆网络的航迹预测方法
。
该方法构建了精炼的关键特征指标，构造合适的预测模型，能够根据提供的航班计划进行快速准确的中长期航迹预测，有利于提高空域管理效率
。
[0010]为实现以上目的，本专利技术提供了以下技术方案：
[0011]一种基于双向长短期记忆网络的航迹预测方法，分为以下步骤：
[0012]S1
：获取航班历史雷达航迹数据
、
航班飞行计划数据和空域航路点数据，并对数据进行预处理；
[0013]S2
：将预处理好的航班历史雷达航迹数据
、
航班飞行计划数据和空域航路点数据进行特征数据构建，将构建好的特征数据作为输入特征变量，将真实航班过点时间作为模型预测输出的目标变量，最后将所有特征数据和模型预测输出目标变量构成的样本数据集划分为训练样本和测试样本；
[0014]S3
：构建基于双向长短期记忆网络的航迹预测模型，以训练样本作为输入序列，进行模型训练，并利用测试样本对训练好的模型进行评估，得到训练好的航迹预测模型；具体如下：
[0015]S3.1
：构建基于双向长短期记忆网络的航迹预测模型，该模型由三层双向长短期记忆网络和三层全连接网络组成，其模型结构为
Bi
‑
LSTM1
→
Bi
‑
LSTM2
→
Bi
‑
LSTM3
→
FC 1
→
Relu1
→
FC2
→
Relu2
→
FC3
→
Relu3
，其中
Bi
‑
LSTM1、Bi
‑
LSTM2、Bi
‑
LSTM3
均为双向长短期记忆网络层，
FC1、FC2、FC3
均为全连接网络层，这两种网络层用于提取输入序列的时序特征，对训练样本进行学习和训练；
Relu1、Relu2、Relu3
均为激活函数层，用于保证训练结果的有效性，提升学习效率；
[0016]S3.2
：将训练样本输入到
S3.1
构建好的双向长短期记忆网络的航迹预测模型中进行训练；
[0017]S3.3
：利用均方误差
(MSE)
损失函数对
S3.1
构建好的双向长短期记忆网络的航迹预测模型进行反向传播，并对网络中神经元可学习参数进行更新，若通过损失函数计算的损失结果不再降低，则模型训练达到了训练迭代终止条件，否则模型将继续迭代训练直到模型达到训练迭代终止条件；
[0018]S3.4
：当模型满足迭代终止条件时，模型训练完成，从而获得训练好的基于双本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于双向长短期记忆网络的航迹预测方法，其特征在于，该方法分为以下步骤：
S1
：获取航班历史雷达航迹数据
、
航班飞行计划数据和空域航路点数据，并对数据进行预处理；
S2
：将预处理好的航班历史雷达航迹数据
、
航班飞行计划数据和空域航路点数据进行特征数据构建，将构建好的特征数据作为输入特征变量，将真实航班过点时间作为模型预测输出的目标变量，最后将所有特征数据和模型预测输出目标变量构成的样本数据集划分为训练样本和测试样本；
S3
：构建基于双向长短期记忆网络的航迹预测模型，以训练样本作为输入序列，进行模型训练，并利用测试样本对训练好的模型进行评估，得到训练好的航迹预测模型；具体如下：
S3.1
：构建基于双向长短期记忆网络的航迹预测模型，该模型由三层双向长短期记忆网络和三层全连接网络组成，其模型结构为
Bi
‑
LSTM1
→
Bi
‑
LSTM2
→
Bi
‑
LSTM3
→
FC 1
→
Relu1
→
FC2
→
Relu2
→
FC3
→
Relu3
，其中
Bi
‑
LSTM1、Bi
‑
LSTM2、Bi
‑
LSTM3
均为双向长短期记忆网络层，
FC1、FC2、FC3
均为全连接网络层，这两种网络层用于提取输入序列的时序特征，对训练样本进行学习和训练；
Relu1、Relu2、Relu3
均为激活函数层，用于保证训练结果的有效性，提升学习效率；
S3.2
：将训练样本输入到
S3.1
构建好的双向长短期记忆网络的航迹预测模型中进行训练；
S3.3
：利用损失函数对
S3.1
构建好的双向长短期记忆网络的航迹预测模型进行反向传播，并对网络中神经元可学习参数进行更新，若通过损失函数计算的损失结果不再降低，则模型训练达到了训练迭代终止条件，否则模型将继续迭代训练直到模型达到训练迭代终止条件；
S3.4
：当模型满足迭代终止条件时，模型训练完成，从而获得训练好的基于双向长短期记忆网络的航迹预测模型，然后将测试样本输入到该训练好的模型中，得到航班过点时间预测值；
S3.5
：将测试样本输入到步骤
S3.4
训练好的航迹预测模型中得到的航班过点时间预测值，并与测试样本中实际过点时间值计算预测准确度，用于对基于双向长短期记忆网络航迹预测模型的航班过点时间预测性能进行评价，计算公式如下：其中，
N
为样本集中总的样本数，
y
i
为第
i
个样本的航班真实过点时间值，为第
i
个样本的航班过点时间预测值；
S4
：对于待预测的航班飞行计划数据和空域航路点数据，通过步骤
S2
计算得到特征数据，然后特征数据输入步骤
S3.4
训练好的基于双向长短期记忆网络的航迹预测模型中，模型输出的值则为预测的航班经过航路点的过点时刻数据，即为航班的预测航迹
。2.
一种根据权利要求1所述基于双向长短期记忆网络的航迹预测方法，其特征在于：在步骤
S1
中，所述获取航班历史雷达航迹数据
、
航班飞行计划数据和空域航路点数据，并对数据进行预处理的具体方法如下：
S1.1
：航班历史雷达航迹数据包括：时间戳
、
航班号
、
经度
、
纬度
、
高度
、x
分量速度
、y
分量速度
、
真空速
、
航向
、
起飞机场
、
降落机场
、
机型；航班飞行计划数据包括：航班号
、
计划起飞机场
、
计划降落机场
、
计划起飞时间
、
计划降落时间
、
实际起飞机场
、
实际降落机场
、
实际起飞时间
、
实际降落时间
、
预计起飞机场
、
预计降落机场
、
预计起飞时间
、
预计降落时间，航路点；空域航路点数据包括：航路点标识符
、
经度和纬度；
S1.2
：对获取到的航班历史雷达航迹数据进行预处理：对获取到的航班历史雷达航迹数据进行格式转换，由
CAT062
格式编码的
16
进制文件解码成明码格式数据，然后对解码后的数据提取所需的数据项；筛选由获取到的航路点构成的空域范围内的雷达航迹数据，对于超出空域范围的数据作删除处理；在获取到的航班历史雷达航迹数据中，如果某个航班的所有航迹对应的航班号都缺失，则对该航班对应的所有航迹数据进行剔除处理；如果某个航班的部分航迹数据对应的航班号缺失，则使用已知航迹点对应的航班号进行补全处理；
S1.3
：对获取到的航班飞行计划数据进行预处理：...

【专利技术属性】
技术研发人员：余波，陈刚，高彦杰，李洋，栾澍，刘计民，程思亮，刘力海，
申请(专利权)人：中国民用航空华东地区空中交通管理局，
类型：发明
国别省市：