[发明专利]一种针对非均匀轨迹序列的预测方法

说明书

本发明公开了一种针对非均匀轨迹序列的预测方法，利用用于自然语言处理的Transformer(TF)网络来对轨迹序列进行建模，针对飞机轨迹数据时间间隔不均匀和需要预测精确时间的轨迹两大难点，本发明对网络结构进行了改进，设计了时空嵌入模块和预测精确时间轨迹，提出了非均匀轨迹序列预测方法，实现飞机的精确时间轨迹预测，充分挖掘其深层特征和知识，从而对飞机轨迹进行准确的预测，在民航领域的冲突检测、路线规划可以发挥巨大的作用。

技术领域

本发明涉及交通技术领域，更具体的说是涉及一种针对非均匀轨迹序列的预测方法。

背景技术

相比于其他领域，飞机轨迹预测有两大难点。一、飞机轨迹数据的时间间隔不均匀。飞机轨迹数据通常以秒为单位，由于数据来源并非单一、传感器工作实效、数据特征信息缺失较为严重的原因，飞机轨迹数据中相邻轨迹点之间的时间间隔通常是不一致的，而时间对位置信息有着严重的影响，因此如何处理时间及准确提取时间信息是一个难点；二、需要预测精确时间的飞机轨迹。飞机轨迹预测有着更为精确的预测要求，由于飞机速度较快，即使较短的时间飞机位置也有较大的变化，因此飞机轨迹预测需要精确到秒，而且能够预测指定某一刻时间的飞机位置，这无疑增加了飞机轨迹预测的难度。

轨迹预测经历了从手工制作的基于能量的线性优化方法到数据驱动的优化方法的稳步发展，普遍采用两种预测方法，第一种预测是采用基于多元线性回归的轨迹预测，例如卡尔曼滤波器、线性或高斯回归模型、时间序列分析和自回归模型，优化手工制作的能量函数，实现对飞机轨迹的预测判别；第二种预测是采用基于神经网络的轨迹预测，神经网络由于其更好的学习非线性能力，在轨迹预测任务上取得了更好的效果。回归模型主要是采用LSTM和RNN模型，并使用大量数据进行训练。

但是，上述方法存在以下缺点：基于多元线性回归的轨迹预测方法，其核心是利用回归模型优化手工制作的能量函数，以实现对轨迹的预测，然而，飞机的运动轨迹千变万化，线性模型很难适用于复杂的非线性运动轨迹；非线性回归模型典型代表是LSTM，该模型可用于直接对预测值进行回归，或在x、y坐标上产生均值和(对角线)协方差，以表达与预测相关的不确定性，此模型称为高斯LSTM。LSTM在开始自动回归预测之前顺序处理观察结果，却无法查看所有可用观察结果，并根据注意力机制对它们进行加权。

因此，如何解决飞机轨迹数据时间间隔不均匀问题，提高预测精度是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种针对非均匀轨迹序列的预测方法，利用用于自然语言处理的Transformer(TF)网络来对轨迹序列进行建模，针对飞机轨迹数据时间间隔不均匀和需要预测精确时间的轨迹两大难点，本发明对网络结构进行了改进，设计了时空嵌入模块和预测精确时间轨迹，提出了非均匀轨迹序列预测方法。实现飞机的精确时间轨迹预测，充分挖掘其深层特征和知识，从而对飞机轨迹进行准确的预测，在民航领域的冲突检测、路线规划可以发挥巨大的作用。

为了实现上述目的，本发明采用如下技术方案：

一种针对非均匀轨迹序列的预测方法，包括以下步骤：

步骤1：采集飞机轨迹点数据，并进行预处理，获得各类飞机的飞机轨迹数据；

步骤2：采用滑动窗口对所述飞机轨迹数据进行采样，获得采样数据，并对采样数据进行特征提取，获得预测模型输入数据；

步骤3：所述预测模型输入数据和待预测时间输入T_f架构模型，依次经过时空嵌入模块、编码器和解码器输出轨迹预测结果。

优选的，所述步骤1中预处理过程包括：

步骤11：对采集的所述飞机轨迹点数据进行要素分析，建立表结构，采用ES分布式数据库进行数据存储，获得冷库；