[发明专利]一种基于LSTM网络的飞行器航迹预测方法

说明书

本发明公开一种基于LSTM网络的飞行器航迹预测方法，包括以下步骤：(1)读入飞行器航迹数据，并对数据进行归一化处理；(2)建立LSTM深度神经网络模型，设置神经网络的输入输出，step步数，LSTM层数以及每层神经元的个数；(3)设置评价指标为RMSE和MAE；(4)训练网络模型，调试相关参数使RMSE和MAE的值达到最小，即网络效果达到最优；(5)通过训练好的最优网络，输出飞行器的预测航迹。本发明可以快速有效的预测出飞行器未来一段时间内的飞行航迹，通过将LSTM网络应用于航迹预测问题中，通过大量的数据训练LSTM航迹预测模型，有效的提高航迹预测的鲁棒性和准确性。

技术领域

本发明属于算法设计类的软件技术领域，尤其涉及一种基于LSTM网络的飞行器航迹预测方法。

背景技术

航迹预测是空域交通管理中的一项重要技术，对飞行器的航迹实现精准的预测，是实现空域交通管理智能化的一个必要条件。精准的航迹预测可以提高空域交通管理的效率，而不准确的航迹预测会造成空域交通管理的混乱，增加飞行器的飞行危险系数。因此，飞行器的航迹预测具有重要的研究价值。

传统的基于BP神经网络的航迹预测模型，实现了多维度的飞行器航迹特征预测。通常情况下，BP神经网络选取为3层，增加BP网络层数会增加其训练时间并且容易出现过拟合现象，因为其映射表示能力有限，导致BP参数难以调整，且在本质上BP网络容易使损失函数的训练结果落入局部最优点而不是全局最优点，因此该算法模型的泛化能力受到一定制约，且无法对时间序列上的变化进行建模。

深度学习则可通过学习一种深层非线性网络结构，实现复杂函数逼近，具有从少数样本集中学习数据集本质特征的能力。循环神经网络RNN作为深度学习的一种典型模型，该模型善于处理时间序列数据。以飞行器航迹姿态预测为例，飞行器未来的航迹姿态依赖于历史时刻的航迹姿态值。RNN对所有节点执行相同的操作，当前时刻的输出依赖之前的计算结果。利用RNN-LSTM循环神经网络学习当前和过去时刻的飞行器运动规律，然后进行飞行器航迹预测。这一理念既避免了传统算法中繁杂的建模过程，又保证了所建立的模型是符合实际逻辑的。

LSTM神经网络模型可以有效地保持较长时间的记忆，可以充分的利用航迹序列数据中有用的远距离的信息，从而达到更精确的航迹预测效果。LSTM 网络模型可借助GPU来训练，大大缩短了训练时间，从而可以更加快速的得到航迹预测结果。我们的方法在保证航迹预测的准确性和快速性的同时，不仅预测航空器未来一段时间的位置，同时对其未来一段时间的姿态进行预测，从而使相关人员获取更多的信息，更有利于空域交通管理。

发明内容

本发明的目的是：为了弥补BP神经网络方法的不足，本发明提出了一种基于LSTM深度神经网络的飞行器航迹预测方法。使用深度学习的方法，提高对飞行器航迹预测的准确率，解决了传统BP方法容易使损失函数的训练结果落入局部最优点的问题以及过拟合的问题，并且可以充分的利用航迹序列数据中有用的远距离的信息。

本发明的技术方案是：一种基于LSTM网络的飞行器航迹预测方法，包括以下步骤：

步骤1)、获取飞行器过去时间和当前的航迹姿态数据，并对数据进行归一化处理，从而排除因数据值过大或过小对预测结果的影响；其中，所述的“过去时间”数据为预测时间的6-8倍；

步骤2)、建立LSTM深度神经网络模型，设置神经网络的输入输出、step 步长、LSTM层数以及每层神经元的个数，并将步骤1)中预处理后的数据表示成向量的形式，然后将表示成向量形式的数据划分成训练数据和测试数据，其中训练数据占其中的10％～20％，其余的为测试数据；

步骤3)、选取对网络模型的评价指标为RMSE和MAE；其中，RMSE是均方根误差，是预测值与真实值偏差的平方与观测次数n比值的平方根；MAE 是平均绝对误差，是所有单个观测值与算术平均值的偏差的绝对值的平均。