【技術實現步驟摘要】
本專利技術涉及一種基于圖注意力混合神經網絡的多航空器4d軌跡預測方法，屬于航空。
技術介紹
1、終端區空域由于其具有高流量、高密度和高度變化的特點，對空中交通管理系統的安全和效率具有較大的影響，因此大部分的決策支持工具研究集中在終端空域的安全運行與效率上來，這些決策工具(沖突探測解脫、排序和調度工具)很大程度上依賴于四維航跡預測的準確性。
2、在實際運行中，終端區空域多航空器軌跡預測的困難包括：1)在動態環境下如何捕捉到飛機之間的交互，如兩個飛機在當前時間戳的交互信息與未來時間戳的交換信息的動態變化；2)需要同時對起飛、降落、平飛三種不同的飛行姿態進行航跡預測，模型需要能同時適用這三種飛行狀態的航跡預測任務；3)多智能體軌跡預測時間相關性和空間相關性的耦合，例如當前航空器的運動需要考慮所有相關航空器的運動。
3、本文提出了一種基于深度學習的多航空器航跡預測框架，旨在實現終端區空域戰術(短期)的四維航跡預測。該框架由局部特征通道和全局特征通道構成。局部特征通道包括空間和時間特征的提取，其中使用lstm模型捕捉航空器軌跡的時間特征，采用gat模型編碼航空器在各時間步的空間交互特征。全局特征通道則基于transformer編碼器，通過多頭注意力機制有效捕捉整個軌跡序列的全局信息。最終，局部與全局特征經過融合，并通過全連接層處理，實現對4d飛行軌跡的精準、穩定和可靠預測。
技術實現思路
1、本專利技術提供了一種基于圖注意力混合神經網絡的多航空器4d軌跡預測方法，解決
2、為了解決上述技術問題，本專利技術采用的一種基于圖注意力混合神經網絡的多航空器4d軌跡預測方法，包括如下步驟：
3、s1、提取航空器歷史軌跡數據，對軌跡數據進行預處理；
4、s2、對數據進行差分變換，構建模型訓練數據集；
5、s3、構建基于圖注意力混合神經網絡多航空器軌跡預測模型；
6、s4、基于預處理的軌跡數據對預測模型進行訓練，基于訓練好的模型對多架次航空器軌跡進行實時協同預測。
7、作為本專利技術的進一步改進，所述提取航空器歷史軌跡數據，對軌跡數據進行預處理包括：
8、(1)基于實際運行軌跡數據，提取出航空器的航班號、機型、經度、緯度、海拔高度、水平速度、垂直速度、航向、時間戳等數據；
9、(2)航跡進行數據清洗，刪除漂移點、軌跡點缺失的航跡；
10、(3)對航跡插值，使每個航跡點之間的間隔固定為5s；
11、(4)將處理好的航跡數據轉換為地心地固坐標系中的x坐標、y坐標和z坐標，同時提取出三個維度下的分速度vx、vy和vz。
12、作為本專利技術的進一步改進，所述數據進行差分變換，構建模型訓練數據集包括：
13、(1)對航空器的三維坐標x，y，z進行差分處理，得到相對軌跡位置
14、(2)結合相對軌跡位置和三個維度下的分速度vx、vy和vz作為模型的輸入特征，以空域內每個航空器的歷史軌跡信息作為模型的輸入，以未來三維軌跡位置序列作為模型輸出，構建模型訓練數據集。
15、作為本專利技術的進一步改進，圖注意力混合神經網絡包括軌跡編碼器模塊、軌跡解碼器模塊和軌跡特征融合預測模塊；
16、步驟s3、構建基于圖注意力混合神經網絡多航空器軌跡預測模型，包括
17、(1)軌跡編碼器模塊：根據輸入的多航空器歷史位置狀態信息，對航跡進行多重編碼和特征提取，并通過圖注意力網絡提取出航空器之間的空間交互特征，整合多航空器的歷史狀態隱含信息，
18、(2)軌跡解碼器模塊：對編碼器提取出的多航空器歷史狀態隱含信息進行解碼，采用多個lstm作為解碼器將這些信息映射到未來航跡位置上，
19、(3)軌跡特征融合預測模塊：整合航跡解碼器的輸出信息，這些信息通過融合輸入到神經網絡線性層，從而輸出未來軌跡位置達到軌跡預測的目的。
20、作為本專利技術的進一步改進，所述軌跡編碼器模塊包括:
21、(1)lstm-gat編碼器：將航空器的歷史軌跡信息嵌入到高緯度向量得到軌跡的高緯表示隨后空域內每個航空器均通過同一個lstm(稱為m-lstm)模塊提取軌跡時序隱含信息所有航空器每個時間步的隱含信息將被輸入到gat網絡得到考慮航空器之間空間交互的特征信息每個時間步的空間特征信息將輸入到一個新的lstm(稱為g-lstm)來顯式地建模空間交互的時間相關性，得到考慮時序的空間交互特征信息最后對兩個lstm輸出隱含信息進行融合得到t時刻的融合時間和空間特征航跡隱含信息
22、(2)transformer編碼器：該模塊利用多頭注意力機制提取航空器歷史軌跡狀態信息的全局深層特征。首先將歷史軌跡狀態信息經過嵌入層得到嵌入向量并對其進行位置編碼。經過位置編碼后的軌跡信息pi輸入到多頭注意力機制，再通過前饋網絡層和殘差連接歸一化層，得到軌跡全局特征隱含信息ym。
23、作為本專利技術的進一步改進，所述軌跡解碼器模塊包括:
24、(1)d-lstm解碼器:利用一個lstm層對lstm-gat編碼器輸出的隱含特征進行解碼輸出；
25、(2)t-lstm解碼器:利用一個lstm層對transformer編碼器輸出的隱含特征ym進行解碼輸出。
26、作為本專利技術的進一步改進，所述軌跡特征融合預測模塊負責將d-lstm解碼器和t-lstm解碼器輸出進行融合，并通過一個線性層輸出未來軌跡：
27、
28、其中，φ5為線性層，將每個時間段的局部特征和全局特征拼接后輸出相對軌跡位置的預測結果。
29、作為本專利技術的進一步改進，模型訓練的步驟如下：
30、(1)初始化網絡模型參數；
31、(2)將處理好的訓練數據輸入所構建的預測模型，輸出相對軌跡位置預測結果
32、(3)將相對位置轉換為絕對位置并計算loss，loss函數計算公式為：
33、
34、其中，為航空器ai的ground-truth軌跡，為模型預測的軌跡。
35、(4)通過最小化一個數據集樣本中所有航空器的損失函數之和來訓練所提出的圖注意力網絡混合神經網絡模型。該模型能夠實現對多航空器的4d航跡精準預測。
36、一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述處理器執行所述程序時實現所述的基于圖注意力混合神經網絡的多航空器4d軌跡預測方法。
37、一種計算機可讀存儲介質，其上存儲有計算機指令，該計算機指令被處理器執行時實現所述的基于圖注意力混合神經網絡的多航空器4d軌跡預測方法
38、相對于現有技術，本專利技術的優點如下：
39、1.采用圖注意力網絡在動態環境下捕捉飛機之間的交互，該結構相比social-lstm方法更為高效，而不用對每個航空器分別采用單獨的lst本文檔來自技高網...
【技術保護點】
1.一種基于圖注意力混合神經網絡的多航空器4D軌跡預測方法，其特征在于，該方法包含如下步驟：
2.根據權利要求1所述的一種基于圖注意力混合神經網絡的多航空器4D軌跡預測方法，其特征在于：步驟S1具體如下：
3.根據權利要求1所述的一種基于圖注意力混合神經網絡的多航空器4D軌跡預測方法，其特征在于：步驟S2中，構建模型訓練數據集，具體步驟如下；
4.根據權利要求1所述的一種基于圖注意力混合神經網絡的多航空器4D軌跡預測方法，其特征在于：圖注意力混合神經網絡包括軌跡編碼器模塊、軌跡解碼器模塊和軌跡特征融合預測模塊；
5.根據權利要求4所述的一種基于圖注意力混合神經網絡的多航空器4D軌跡預測方法，其特征在于：多航空器4D軌跡預測的軌跡編碼器模塊包括：
6.根據權利要求4所述的一種基于圖注意力混合神經網絡的多航空器4D軌跡預測方法，其特征在于：多航空器4D軌跡預測的軌跡解碼器模塊：
7.根據權利要求4所述的一種基于圖注意力混合神經網絡的多航空器4D軌跡預測方法，其特征在于：軌跡特征融合預測模塊步驟：
8.
9.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于：所述處理器執行所述程序時實現如上述權利要求1至8中的任意一項所述的基于圖注意力混合神經網絡的多航空器4D軌跡預測方法。
10.一種計算機可讀存儲介質，其上存儲有計算機指令，其特征在于：該計算機指令被處理器執行時實現如權利要求1-8中任一項所述的基于圖注意力混合神經網絡的多航空器4D軌跡預測方法。
...【技術特征摘要】
1.一種基于圖注意力混合神經網絡的多航空器4d軌跡預測方法，其特征在于，該方法包含如下步驟：
2.根據權利要求1所述的一種基于圖注意力混合神經網絡的多航空器4d軌跡預測方法，其特征在于：步驟s1具體如下：
3.根據權利要求1所述的一種基于圖注意力混合神經網絡的多航空器4d軌跡預測方法，其特征在于：步驟s2中，構建模型訓練數據集，具體步驟如下；
4.根據權利要求1所述的一種基于圖注意力混合神經網絡的多航空器4d軌跡預測方法，其特征在于：圖注意力混合神經網絡包括軌跡編碼器模塊、軌跡解碼器模塊和軌跡特征融合預測模塊；
5.根據權利要求4所述的一種基于圖注意力混合神經網絡的多航空器4d軌跡預測方法，其特征在于：多航空器4d軌跡預測的軌跡編碼器模塊包括：
6.根據權利要求4所述的一種基于圖注意力混合神經網絡的多航空器...
【專利技術屬性】
技術研發人員：李桂毅，歐陽宇翔，凌瓏絲雨，徐輔旺，
申請(專利權)人：南京航空航天大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。