多层卷积双向门控复合模型的4D航迹预测方法

技术领域

本发明具体涉及一种多层卷积双向门控复合模型的4D航迹预测方法。

背景技术

因4D航迹数据存在体量较大和时空特征丰富等特点，导致大部分预测模型难于完成精细计算，存在预测维度缺失，原始数据处理不足，时空特征提取不充分，预测长度较短等问题。因此提出一种多层卷积双向门控复合模型的4D航迹预测方法以解决这一问题。

发明内容

本发明的目的在于针对现有技术的不足，提供一种多层卷积双向门控复合模型的4D航迹预测方法，该多层卷积双向门控复合模型的4D航迹预测方法可以很好地解决上述问题。

为达到上述要求，本发明采取的技术方案是：提供一种多层卷积双向门控复合模型的4D航迹预测方法，该多层卷积双向门控复合模型的4D航迹预测方法包括如下步骤：进行数据分析及预处理：将单次飞行任务全过程进行分段处理的办法，剔除航迹位置点重复，完善航迹点遗失形成连续间隔，通过归一化处理完成精度优化；建立MCBAC模型并进行预测：结合利用已知航迹点L个{S

该多层卷积双向门控复合模型的4D航迹预测方法具有的优点如下：

该方法以卷积神经网络和双向门控循环单元为基础，引入多层神经网络策略以及航迹数据适应性的预处理算法，建立一种多层卷积双向门控复合模型，实现航迹数据空间维度、时间维度特征的同时处理，提高4D航迹预测精度。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，在这些附图中使用相同的参考标号来表示相同或相似的部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法的航迹插值举例示意图。

图2示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法的航迹插值举例示意图。

图3示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法的航迹插值举例示意图。

图4示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法中MCBAC模型结构示意图。

图5示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法的仿真实验流程图。

图6示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法的航迹样本构建图。

图7示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法的模型结构对比图。

图8示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法的模型结构对比图。

图9示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法的模型结构对比图。

图10示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法的LSTM模型预测结果对比示意图。

图11示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法的GRU模型预测结果对比示意图。

图12示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法的MCBAC模型预测结果对比示意图。

图13示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法的MCBAC模型计算结果绘制航迹图。

图14示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法的起飞爬升阶段4D航迹图。

图15示意性地示出了根据本申请一个实施例的多层卷积双向门控复合模型的4D航迹预测方法的降落着陆阶段4D航迹图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，以下结合附图及具体实施例，对本申请作进一步地详细说明。

在以下描述中，对“一个实施例”、“实施例”、“一个示例”、“示例”等等的引用表明如此描述的实施例或示例可以包括特定特征、结构、特性、性质、元素或限度，但并非每个实施例或示例都必然包括特定特征、结构、特性、性质、元素或限度。另外，重复使用短语“根据本申请的一个实施例”虽然有可能是指代相同实施例，但并非必然指代相同的实施例。

为简单起见，以下描述中省略了本领域技术人员公知的某些技术特征。

根据本申请的一个实施例，提供一种多层卷积双向门控复合模型的4D航迹预测方法，其具体描述如下：

因广播式自动相关监视系统(Automatic dependent surveillance-broadcast，ADS-B)可产生较为完整的经纬度、高度、速度和时间等数据源，且含如冲突告警、航迹角、航向角、飞行程序转弯点和气象信息等附加信息，可满足4D航迹预测对数据类型和精度的要求，但由于其数据存在离散特点缺乏连续性，则需要进行数据分析与预处理以完善数学表达。又因轨迹数据受接收机性能差异、系统误差等影响，使原始航迹位置点存在易重复、易遗失、精度欠优化等情况。为解决上述困难，拟采用将单次飞行任务全过程进行分段处理的办法，剔除航迹位置点重复，完善航迹点遗失形成连续间隔，通过归一化处理完成精度优化。

设S为所有航迹集合，其中包含n条航迹，则航迹集合为：

S＝{S

其中S

设每条航迹都包含n个航迹位置点，则第k条航迹中存在，

S

其中S

设每个航迹位置点包含n个特征信息，则第i个航迹位置点中有，

S

其中S

逐个航迹位置点特征信息，如表1所示。

表1

2.1航迹位置点去重复

航迹位置点的重复值可能出现在任何维度，而航迹数据里的高度、速度及航向等数据的可用性不受重复值影响，设当时间和经纬度等数据连续出现重复航迹点时，则去重复生效。

当时间维度重复时，航迹位置点去重复模型：

当经纬度数据连续重复时，航迹位置点去重复模型：

其中S

表2：航迹位置点数据

由表2可以看出，航迹位置点1和2在时间上存在重复性，航迹位置点3和4在经纬度上存在重复性。根据航迹位置点去重复模型对表2中各航迹位置点进行处理，按照保守原则在时间和经纬度数据存在重复性时，保留高度值较大的航迹位置完成去重复。

2.2航迹位置点完善

通过对飞行航迹分析发现，高度、速度等数据在一段时间内存在不稳定起伏的情况，为使飞行航迹具有连续性、平滑性及准确性等，经建立具有约束条件且与航迹数据相适应的三次样条插值算法，对航径位置点缺失进行完善与补充，函数如下。

设f(x)在区间[a，b]上二次连续可微函数，将区间[a，b]划分为n个区间：

[(x

其中共有n+1个点，且x0＝a，xn＝b，则有：

若S(xi)满足以下4个条件：

(1)已存在的航迹位置点数据进行计算时，插入值应与原数据相等，则有：

S(x

(2)S(x)在[x

S(x)＝a

(3)S(x)为二次连续可微，即：

(4)因航迹数据不可为负值，若计算所得数据为负，则其等于区间内的最小值，即：

S(x)＝min[x

综上所获，S(x)为f(x)的相适应航迹数据三次样条插值模型。采用ADS-B航迹数据，利用模型完成三次样条插值，计算所获数据体现出较好的完整性，且经度、纬度及高度等信息间隔均匀分布，如图1至3所示。

2.3航迹数据归一化处理

为使航迹数据在不同维度的取值仍具有特征可比性，对航迹数据进行归一化处理，实现提高航迹预测准确性的目的，并且可有效解决高度、经纬度、速度及航向角等数据，因存在数学描述的基础条件不同而产生的数据挤压情况，同时对计算资源损耗进行优化。高度处理后的ADS-B数据，如表4所示。

表4高度处理后的ADSB数据

建立航迹归一化处理模型：

其中，X

三、MCBAC模型建立

根据前期研究发现，4D航迹预测对历史航迹数据体量和时间序列特征存在可优化和凝练的空间，在计算逻辑和可预测时长等方面存在持续强化的需要。为此，拟建一种可提升4D航迹预测全面性和准确性的复合模型，结合利用已知航迹点L个：{S

MCBAC模型预测过程可分为：航迹位置点信息预处理、有效航迹数据输入、多层双向控复合模型对有效航迹数据的训练及输出预测结果。其中，数据预处理可以对原始ADS-B历史航迹数据进行处理，以此避免由于航迹数据自身问题降低预测的准确性；一维卷积部分可实现航迹位置点空间特征提取，完成4D航迹数据空间特征序列；双向门控循环部分可以对数据序列中复杂的非线性关系进行梳理，处理航迹数据的时间维度特征，以此获得高精度的4D航迹预测结果，模型结构如图5所示。

通过分析和预处理，有效航迹数据在t时刻航迹位置点的特征为：

L

其中，t，lon，lat，a，v，h分别表示在航迹L的t时刻，其时间、经度、纬度、高度、速度及航向角等数据特征，且输入数据的格式包含时间序列张量。为使卷积网络中的卷积运算便捷且不影响预测精度，将时间步长设置为8，即利用前8个连续的航迹点信息预测接下来的航迹点数据，计算流程为：将预处理后的航迹数据加入一维卷积网络中的卷积层中，经过测试其卷积核的数量设计为32可以有效提取航迹数据空间特征。

使用Relu作为激活函数，其计算上更简单，计算成本也更低，Relu激活函数的公式为：

其中x为激活函数的输入值，如果输入大于等于0，则返回作为输入提供的值；如果输入小于0，则返回值0。

完成上述阶段后，数据再通过窗口大小为2的最大池化层，可减少计算参数的数量和卷积层的误差。其次，为保证运算效率和空间特征提取能力的稳定，经测试后将卷积核数量设置为64。此外，为使双向门控循环单元在不影响运算效率的同时更好地处理航迹数据的时间特征，将每个双向门控循环单元的输出设计为128。在避免过拟合现象时，将dropout应用到每个双向门控循环网络中。最后，将第二个双向门控循环网络输出作为全连接层输入，以整合所有局部特征，由全连接层末端输出完成对未来时刻飞机的时间、经度、纬度和高度等数据的计算。

四、仿真实验

仿真实验采用中国香港至日本实际航班ADS-B数据为研究对象，实验流程如图5所示。

为提升训练和预测能力，仿真实验对已完成预处理的航迹信息设为特征数据和标签数据，再将特征数据和标签数据划分为训练数据和测试数据，收集后发现其依次占总数据集的85％和15％，另设10％作为训练数据验证集。

5.1、建立航迹样本

为减少预测误差，采用单步预测输入数据完成航迹样本构建，如图6所示。图中，行表示时间步长，列表示训练特征。从首个航迹位置点开始，按时间顺序依次向下，选取8个航迹位置点时间、经度、纬度、高度、速度和航向角，以预测下一个航迹位置点的时间、经度、纬度和高度。仿真实验拟建航迹样本为8*6矩阵。

5.2、建立评价指标

航迹预测属于回归问题，则可使用均方根误差(Root Mean Squared Error，RMSE)和平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)作为评价指标，用以衡量实际值和预测值之间的误差，具体模型为：

其中，fi为i时刻的航迹预测值，ai为i时刻的航迹实际值，上述评价指标数值越小，则说明预测值与实际值间误差越小，模型预测结果越准确。

5.3、结果对比与分析

模型结构对比，面向MCBAC、LSTM、门控循环网络(Gate Recurrent Unit，GRU)开展模型结构对比，如图7至9所示。

经对比发现，由于MCBAC模型引入卷积部分，可对航迹数据的空间特征和时空特征进行处理，使MCBAC模型具备解决航迹预测维度缺失和预测结果精度不足等问题的优势，再经逻辑与参数设置和优化后，可有效避免过拟合现象，进一步提升4D航迹预测精度。另外，MCBAC模型具有双向门控循环单元，可对航迹数据开展顺向和逆向的逐次时间维度处理，使预测结果包含当前时刻下完整的过去和未来信息，提高了4D航迹预测的精度和可预测长度。

其次，将实际航迹数据与预测模型计算结果绘图，进行预测结果准确性对比，图10为LSTM模型预测结果和实际航迹的对比图；图11为GRU模型预测结果和实际航迹的对比图；图12为MCBAC模型预测结果和实际航迹的对比图。

经对比发现，在经度、纬度以及高度方面，MCBAC模型的预测结果在航迹数据误差、预测精准度以及曲线拟合性等方面，较其他两种方法存在明显优势，各类偏差值均处于较小状态。形成上述差别的原因在于MCBAC模型进行航迹预测时，可对航迹数据的时空特征开展并行处理，相较于其他方法具有更高预测精度和更好拟合性的优势。

此外，对预测结果可靠性进行对比，建立MCBAC模型预测结果与实际航迹绘制4D飞行路径图，如图12所示。为体现MCBAC模型在长航程预测，结果拟合性强等优势，选取较易存在预测偏差的起降阶段绘图，完成局部精细化分析并探求偏差机理，如图14至15所示。其中，图14为起飞爬升阶段，其中黑色点划线为实际航迹曲线，蓝色实线为预测结果曲线，选取高度和航向角存在明显变化的10个航迹位置点赋值时间维度，其中A1为预测结果曲线起点。图15为下降着陆阶段，曲线表达和赋值时间维度位置点数量与图14一致，其中A20为预测结果曲线终点。

经对比分析，制作预测结果与实际航迹的总误差值，如表5所示。结果表明MCBAC模型的总误差处于较小状态，证明MCBAC模型的预测性能更加稳定，形成该差异的原因是MCBAC模型在进行4D航迹预测时具有更高的精准度，预测结果与实际航迹数据的偏差更小。

表5不同模型总误差比较

/>

最后，对4D航迹在时间、经纬度、海拔高度等维度分别进行预测误差对比分析。

对4D航迹的经纬度预测时，MCBAC模型的预测结果误差量远小于其他两种对比模型，LSTM误差量次之，表现为MCBAC模型>LSTM模型>GRU模型。在4D航迹其他特征方面，MCBAC模型的预测结果误差均小于对比模型，GRU误差量次之，表现为MCBAC模型>GRU模型>LSTM模型。由此可知，MCBAC模型在4D航迹各维度上的预测结果可靠性和模型性能优于LSTM模型和GRU模型。

综上所述，由于MCBAC模型具备多层卷积神经网络和双向门控循环网络的特点，更利于同时处理航迹数据的空间特征和时间特征，使预测结果在精度和拟合性等方面存在优势，且误差较小。

五、结论

通过仿真实验和对比实验的计算结果分析，结论如下。

(1)为实现4D航迹数据空间维度与时间维度特征的同时处理，建立MCBAC模型经仿真实验完成4D航迹预测，通过仿真实验和误差对比证明，其预测结果具有高精准、低误差的特点，且模型性能稳定可靠。

(2)MCBAC模型可进行精准的长时4D航迹预测，经仿真实验完成中国香港至日本航路全过程航迹预测，并通过局部精细化分析获得机场终端区和航路阶段均可靠的预测结果。

由于MCBAC模型航迹数据来源ADS-B信息，下一步研究可将气象因素加入分析，进一步提高预测结果质量。

以上所述实施例仅表示本发明的几种实施方式，其描述较为具体和详细，但并不能理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明保护范围。因此本发明的保护范围应该以所述权利要求为准。