[發明專利]基于長短期記憶神經網絡的航空器場面軌跡預測方法

有效

• 申請號: 201810495952.3
• 申請日: 2018-05-22
• 公開（公告）號: CN108764560B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 李波;姚夢飛;洪濤
• 申請（專利權）人: 電子科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06N3/04
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 鄒裕蓉

本發明提供一種基于長短期記憶神經網絡的航空器場面軌跡預測方法，將LSTM神經網絡與多項式擬合方法組合來實施軌跡預測技術，通過設置遞增采樣周期，理論上可以預測長周期60秒內任意時刻的位置，但預測過長周期的位置，經過預處理生成的訓練數據質量低，導致預測精度過低，對于場面滑行沖突的探測，也沒有實際作用，所以預測中長期30秒內任意時刻的位置相對比較合適。本發明借助LSTM神經網絡具有歷史記憶性的特點，能夠根據軌跡序列的上下文，隱性模擬航空器的場面運動狀態，可以用于預測機場滑行道、跑道上航空器未來時間段的位置，避免航空器場面滑行沖突，為實時路徑規劃做鋪墊，保障機場安全、高效地運行。

技術領域

本發明涉及機場航空器場面軌跡預測技術。

背景技術

隨著全球航空運輸業的高速持續發展，機場場面交通愈加繁忙，尤其在機場場面交通管制過程中，場面空間、時間、人力等資源得不到充分利用，初始規劃的航空器滑行路徑，運行過程中仍存在滑行沖突的潛在安全隱患，直接影響到機場場面的運行安全與效率。利用軌跡預測技術可以判斷航空器未來時間段的地理位置，也可以預估航空器到達關鍵路口的時間以及離開時間，減少場面交通阻塞，避免滑行沖突，縮短航空器總滑行時間，確保機場高速運轉，提高服務質量。

目前，傳統的基于動力學模型、卡爾曼濾波算法、隱馬爾科夫模型等軌跡預測方法，依賴于實際運動過程中不易獲得的航空器性能參數，并受到場面管制、航空器駕駛員操作意圖及氣象的影響，建立的航空器動力學模型影響軌跡預測的精確性。此外，歷史數據集中多維度的狀態向量空間，計算量大，不能保存過多的歷史信息，不適宜于中長期預測，影響軌跡預測的實時性。

由于航空器滑行運動的位置序列之間存在很強的相關性和依賴性，借助于時間序列方法能夠分析與表征序列值之間的隱性關系，根據航空器滑行運動的歷史位置序列，可以預測未來時刻的位置。而長短期記憶神經網絡(Long-Short Term Memory Networks,LSTM)在人工智能領域是處理時間序列問題的重要利器。但用LSTM只能實現未來某些離散時刻的位置預測，這個時刻是由訓練數據的采樣周期決定的，無法實現未來中長期任意時刻的位置預測。

發明內容

本發明提供一種能夠實現中長期預測的基于帶衰減窗口的LSTM神經網絡的航空器場面軌跡預測方法。

本發明為解決上述技術問題所采用的技術方案是，基于長短期記憶神經網絡的航空器場面軌跡預測方法，包括以下步驟：

步驟1、獲取航空器的歷史滑行數據集，包括經度、緯度和速度數據，設置遞增采樣周期對滑行數據序列進行預處理，分割為訓練數據和測試數據；

步驟2、構建帶衰減窗口的LSTM神經網絡模型，輸入訓練數據，配置網絡參數，完成模型的訓練；

步驟3、輸入測試數據至不同采樣周期下的LSTM神經網絡模型得到預測值，反歸一化后，加上一階差分處理時的基礎項得到軌跡預測位置，所述軌跡預測位置由經度和緯度組成；

步驟4、將不同采樣周期下的軌跡預測位置，按采樣周期遞增的順序組成軌跡預測序列，將軌跡預測序列中的第一個軌跡點作為基點，分別與其余的軌跡點計算得到場面相對距離(對于彎道滑行軌跡預測，可以進一步計算方位角)，將場面相對距離與時間采用多項式擬合方法進行處理，獲得軌跡預測曲線擬合方程，可以得到中長期內任意時刻的場面相對距離。

單獨采用LSTM神經網絡只能預測某些離散時刻的位置，并且離散時刻是由訓練數據的采樣周期決定的；而單獨采用多項式擬合的方法可以預測未來任意時刻的位置，但誤差太大。本發明將LSTM神經網絡與多項式擬合方法組合來實施軌跡預測技術，通過設置遞增采樣周期，理論上可以預測長周期60秒內任意時刻的位置，但預測過長周期的位置，經過預處理生成的訓練數據質量低，導致預測精度過低，對于場面滑行沖突的探測，也沒有實際作用，所以預測中長期30秒內任意時刻的位置相對比較合適。