[發明專利]一種基于線段聚類的多維度高精度航跡智能預測方法

在審

• 申請號: 202010523201.5
• 申請日: 2020-06-10
• 公開（公告）號: CN111858565A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 胡慶雷;楊懿琳;鄭建英;郭雷
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06F16/2458;G06K9/62;G06N3/04;G06N3/08;G01C21/20
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于線段聚類的多維度高精度航跡智能預測方法，其特征在于，包括如下步驟：

S1：采用等距離散方法將原始連續的待預測航跡數據轉化為離散的航跡數據，對離散的航跡數據進行突變的經度數據處理后，剔除異常數據，并進行歸一化處理；

S2：利用Douglas-Peucker算法對歸一化處理后的航跡數據進行壓縮，提取特征點；

S3：將提取的各所述特征點依次連接，得到航跡片段集，利用DBSCAN聚類算法對所述航跡片段集進行聚類，得到多個航跡簇；

S4：根據多維度因素下不同的突發情況，選取與突發情況對應的航跡簇，作為預先訓練好的航跡預測神經網絡模型的輸入，進行航跡預測；

S5：采用inv_MinMaxScaler方法對航跡預測結果中的經度時間序列和緯度時間序列進行反歸一化處理；

所述航跡預測神經網絡模型的訓練過程，包括如下步驟：

SS1：采用等距離散方法將原始連續的歷史航跡數據轉化為離散的航跡數據，對離散的航跡數據進行突變的經度數據處理后，剔除異常數據，并進行歸一化處理；

SS2：利用Douglas-Peucker算法對歸一化處理后的航跡數據進行壓縮，提取特征點；

SS3：將提取的各所述特征點依次連接，得到航跡片段集，利用DBSCAN聚類算法對所述航跡片段集進行聚類，得到多個航跡簇；

SS4：將聚類得到的所有航跡簇輸入航跡預測神經網絡模型，進行訓練，待訓練結束，得到訓練好的航跡預測神經網絡模型；

步驟S1和步驟SS1中，對離散的航跡數據進行突變的經度數據處理后，剔除異常數據，并進行歸一化處理，具體包括：

對離散的航跡數據中移動目標經度為西經時的航跡點的經度進行數據轉換計算：

a＝a_west+360??(1)

其中，a表示數據轉換后的經度，a_west表示移動目標經度為西經時的經度；

經數據轉換后，針對離散的航跡數據中的所有航跡點，計算相鄰兩個航跡點之間的歐氏距離：

其中，(a_i,b_i)和(a_i+1,b_i+1)表示離散的航跡數據中相鄰的兩個航跡點，l_i表示航跡點(a_i,b_i)和航跡點(a_i+1,b_i+1)之間的歐氏距離；i＝2,3,...,n-1，n為離散的航跡數據中航跡點的總數量；

當航跡點(a_i,b_i)與航跡點(a_i-1,b_i-1)之間的歐氏距離l_i-1以及航跡點(a_i,b_i)與航跡點(a_i+1,b_i+1)之間的歐氏距離l_i均大于野值數據判定值l_d時，將航跡點(a_i,b_i)看作航跡數據中的野值，將航跡點(a_i,b_i)剔除；

采用MinMaxScaler方法對移動目標的經度和緯度進行歸一化：

其中，表示將經度a_i歸一化到[0,1]后的值，a_min和a_max分別表示所有經度數據(a₁,a₂,...,a_n)中的最小值和最大值；表示將緯度b_i歸一化到[0,1]后的值，b_min和b_max分別表示所有緯度數據(b₁,b₂,...,b_n)中的最小值和最大值。