[发明专利]一种基于深度学习的重着陆预测方法

说明书

本发明公开了一种基于深度学习的重着陆预测方法，用于解决根据飞机飞行阶段的参数预测飞机是否会发生重着陆危险的问题。该方法主要包含基于深度学习的自回归着陆模型的构建方法，以及使用自回归着陆模型进行重着陆检测的方法两个部分：(1)自回归着陆模型：是利用大量的正常着陆航班的样本数据，基于深度学习模型，训练出的一种用于捕捉飞机着陆状态转换模式的模型。(2)计算方法：以飞行过程数据，如采自QAR(Quick Access Recorder，快速存取记录器)的数据做为输入，利用时间序列符号化表示和着陆状态字典，将飞机着陆多元时间序列转换成符号化表示序列。利用预训练的自回归着陆模型拟合待预测的航班的符号化表示序列，给出重着陆危险发生概率的预测结果。

技术领域

本发明涉及民航领域，是基于飞行数据的着陆质量预测方法，是一种在大数据条件下智能检测着陆风险的方法。

背景技术

在民用航空领域，着陆阶段是事故发生最多的阶段。研究表明，47％的事故都发生在着陆阶段。安全是民航业的生命线，保障民航飞行运行安全是进行一切具体民航活动的前提。着陆阶段是飞行运行的高危阶段，事故发生率占全飞行阶段的20％，事故死亡率占全飞行阶段的23％，事故及不安全事件的发生率和死亡率明显高于其他飞行阶段。可见，飞机着陆风险是民航运行安全中最大的风险源。因此飞机着陆安全风险分析系统的研究与实现对民航运行安全具有重要的研究意义。

飞机着陆阶段的不安全事件主要有：重着陆、冲/偏出跑道等。其中，重着陆是一种会对飞机结构本身造成严重损坏，甚至给乘客带来危险的着陆安全事故。如果能利用飞机飞行数据，预测飞机着陆时是否会发生重着陆，则可以给飞行员一个参考指标，帮助飞行员进行着陆时的决策，从而减少重着陆事故的发生。

QAR是一套可方便快速获取飞机运行数据的记录器系统，它可以记录飞机整个飞行阶段的位置、运动、操纵和告警等多项参数。利用QAR数据，可以方便的获取到飞机飞行全过程中的飞行参数。

现有的重着陆预测方法主要基于统计机器学习算法和特征工程技术。这种方法的缺点主要有两个方面。首先，飞机着陆过程十分复杂，使用专家提取特征工程的方法，重着陆的预测效果在很大程度上取决于特征构造，而复杂的着陆过程对于特征工程来说是十分困难的。其次，重着陆样本数量非常少，因此在训练模型时，会遇到正负样本不均衡，或者训练样本很少的情况，使得模型效果较差。

发明内容

本发明解决的技术问题：针对飞机着陆时可能发生重着陆事故，提供一种基于深度学习的重着陆预测方法，能够显著提升重着陆预测的精度。

本发明技术解决方案：一种基于深度学习的重着陆预测方法，实现步骤如下：

(1)获取海量QAR航班数据，截取航班着陆阶段数据，选择对着陆阶段比较关键的参数。将多个特征着陆阶段的数组所组成的多元时间序列进行划分，形成多个着陆状态点，每个着陆状态点由各个选择的特征表示成一个向量；

(2)定义着陆状态点为飞机着陆序列中每一个时刻的记录值，将从QAR中获取到的全部航班样本所有着陆状态点利用Kmeans方法进行聚类，Kmeans聚类将所有着陆状态点根据其取值对应到不同的着陆状态类别；Kmeans聚类算法产生的质心生成航班着陆状态字典，航班中每一个着陆状态点均映射到一个航班着陆状态字典中的一个符号化表示，每个航班由多个着陆状态点组成，经过映射，每一个航班均得到一个符号序列表示；

(3)使用基于深度学习的自回归模型，基于大量着陆多元时间序列符号化序列数据进行预训练。预训练的方式为，在任一时刻t，用前面t-1个时刻的着陆状态预测当前时刻的着陆状态。预训练后的模型即为飞机着陆模型(Aircraft Landing Model，ALM)；

(4)利用重着陆训练样本，使用(2)中的数据预处理方式，生成符号化表示，在(3)中训练好的模型的基础上，进行精调，得到重着陆预测模型。

所述步骤(1)具体实现过程如下：