[发明专利]一种于意图识别的轨迹数据处理方法

说明书

本发明公开了一种于意图识别的轨迹数据处理方法，属于轨迹数据处理技术领域。本发明包括：采集飞行器的轨迹数据，并对采集的轨迹数据进行数据预处理，按照指定的数据格式存储轨迹数据；提取一定数量的轨迹数据并进行特征提取处理；采用动态时间规整算法对轨迹相似度进行判别，通过层次聚类得到轨迹对应的轨迹簇并将其作为类别信息添加到轨迹数据中，作为一条训练轨迹数据；对于聚类得到的各轨迹簇，通过簇内轨迹的相互相似度计算出每个轨迹簇的中心轨迹；构建并训练意图识别模型，以获取待识别的轨迹数据的意图识别结果。本发明能有效提升对飞行器的飞行意图的识别性能。

技术领域

本发明属于轨迹数据处理技术领域，具体涉及一种用于意图识别的轨迹数据处理方法。

背景技术

意图识别技术作为根据飞行器的飞行状态、态势、队形等信息预测出该飞行器意图的一种特定方法，在航天领域广泛应用。现有的意图识别技术多基于飞行器多维态势，但在实际的情况下通常可以获得飞行器的轨迹数据，但对于其他信息的获取很少。现有的意图识别针对轨迹数据的处理及挖掘并不全面。

长短期记忆人工神经网络(LSTM)是时空数据预测领域用于根据历史数据来预测未来一段时间的数据。现有的对时空数据的预测主要利用LSTM及LSTM的变体进行预测。但LSTM不能进行并行运算限制了模型的实时性、且对于长序列存在着梯度问题。Transformer是近些年提出的一种基于注意力机制和前馈神经网络的模型。目前广泛应用于自然语言处理(NLP)领域如机器翻译、问答系统、文本摘要、语音识别等方向。

动态贝叶斯网络作为传统的意图识别算法使用广泛，虽然具有严密的数学概率推理，但概率矩阵比较固定单一，自我学习能力不足。其它目标意图识别算法比较依赖专家经验知识，缺乏灵活性。一维卷积神经网络具有很好地获取数据局部特征、识别出数据中的简单模式的优点，然后通过对这些简单模式加以利用，可以在更高级的网络层中生成更复杂的模式。目前在对传感器产生的传感数据，具有长度的周期的信号数据，以及自然语言处理方面的语言数据等处理中采用一维卷积神经网络的效果都比较好。相比于卷积神经网络，Transformer的注意力机制更关注时序数据的前后联系，对于局部特征的挖掘表现较差。

发明内容

本发明提供了一种于意图识别的轨迹数据处理方法，用于提升对飞行器的飞行意图的识别性能。

本发明采用的技术方案为：

一种于意图识别的轨迹数据处理方法，该方法包括下列步骤：

步骤1，采集飞行器的轨迹数据，并对采集的轨迹数据进行数据预处理，按照指定的数据格式存储轨迹数据；其中，轨迹数据包括但即：飞行器的经纬度、高度和数据采样时间；

步骤2，从存储的轨迹数据中提取一定数量的轨迹数据，并进行特征提取处理；

其中，特征提取处理包括：将提取的轨迹数据生成特征向量矩阵，计算每一列特征平均值和特征的协方差矩阵，并对协方差矩阵进行特征值和特征向量的计算，对计算出的特征值进行从小到大排序提取前K个特征值，再将数据中的经纬度映射到指定的坐标系中；其中，K大于1；

步骤3，对轨迹簇的聚类进行规则设定，包括轨迹簇合并阈值D_max和轨迹簇数目阈值M_min，采用动态时间规整算法对轨迹相似度进行判别，通过层次聚类得到轨迹对应的轨迹簇并将其作为类别信息添加到轨迹数据中，作为一条训练轨迹数据；对于聚类得到的各轨迹簇，通过簇内轨迹的相互相似度计算出每个轨迹簇的中心轨迹；

步骤4，构建并训练意图识别模型；

所述意图识别模型的输入数据为训练轨迹数据，输入数据经过一维的卷积层对其进行特征信息提取，再通过一个全连接层与Transformer模型相连进行意图预测；