[发明专利]一种基于深度混合密度网络的航空器轨迹生成方法

说明书

本发明公开一种基于深度混合密度网络的航空器轨迹生成方法，首先，读取航空器轨迹数据，并对数据进行质量分析及预处理；然后，构建深度混合密度网络模型，所述模型的结构从上到下为输入层、双向长短期记忆网络层、混合密度模型网络层、输出层；并对网络模型进行超参数以及权重参数设置及优化；最后，通过深度混合密度神经网络对大量的航空器轨迹进行建模，获取航空器轨迹的统计特性，采用轮赌盘采样方法对航空器轨迹数据进行采样生成轨迹。本发明能得出航空器轨迹的时空特性和运行规律，构建航空器轨迹生成模型，实现轨迹仿真模拟以及轨迹预测功能，以帮助航空器规划避碰演习并帮助进行离线性能和安全分析，从而提高航空运输的效率、安全性及可预测性。

技术领域

本发明属于民航技术领域，具体涉及一种基于深度混合密度网络的航空器轨迹生成方法。

背景技术

近年来，航空运输业持续快速发展，有限的空域资源和不断增长的空中交通流量之间的矛盾日益加深，使得航空器间潜在冲突加剧，管制员负荷加重，空域拥堵、航班延误等问题频繁出现。为此，世界各国逐步改变空域管理，开发新一代空中交通管理系统，以期通过管理和技术创新来解决空中交通管理中面临的问题，提高空中交通运输效率和安全性。

本专利聚焦在航空器轨迹生成技术，它对空中交通管理、空域规划评估、空中交通新技术评估等直观重要，能够提高航空运输的效率、安全性、可预测性。比如，轨迹生成方法可用于预测航空器的未来轨迹，基于预测的结果发现航空器间的潜在冲突，根据冲突发生的时间、概率、程度等，采取相应的规避措施。此外，通过对整个空域内航空器未来轨迹的预测，能够实现空域拥挤的掌控。除了日常空中交通管理外，航空器轨迹生成通过对航空器的轨迹进行模拟，能够应用于空域规划和新技术的评估。

目前，国内外对航空器轨迹生成技术也有一些研究，可以分为基于航空动力学模型的方法和基于数据驱动的方法。基于航空器动力学模型的轨迹生成方法属于一类物理学模型的方法，根据航空器受力和运动情况来生成航空器轨迹。该方法的性能依赖于准确的航空器参数，比如航空器重量、推力，但在实际情况中，很难获取这些参数的准确信息。基于数据驱动的轨迹生成方法根据大量历史轨迹数据，通过训练的方式构建一个生成模型。数据驱动的方法依赖于航空器轨迹大数据样本的完备程度以及模型对大量历史轨迹数据的表征能力，但现有数据驱动的轨迹生成方法，都采用了浅层网络结构，在表征航空器轨迹特征的能力上有限。本专利在深度学习架构下，结合混合密度网络的思想，提出了一种基于深度混合密度网络的航空器轨迹生成方法，能够提高轨迹生成模型的性能。

发明内容

发明目的：本发明提出一种基于深度混合密度网络的航空器轨迹生成方法，动态更新系统隐含态信息，对航空器轨迹的长时间序列数据进行建模，捕获航空器轨迹序列数据之间的隐含关系以及高维度映射关系，得出航空器轨迹的时空特性和运行规律，构建航空器轨迹生成模型，实现轨迹仿真模拟以及轨迹预测功能，以帮助航空器规划避碰演习并帮助进行离线性能和安全分析，从而提高航空运输的效率、安全性及可预测性。

技术方案：本发明所述的一种基于深度混合密度网络的航空器轨迹生成方法，包括以下步骤：

(1)读取航空器轨迹数据，并对数据进行质量分析；

(2)对步骤(1)获取的航空器轨迹数据进行预处理；

(3)构建深度混合密度网络模型，所述模型的结构从上到下为输入层、双向长短期记忆网络层、混合密度模型网络层、输出层；并对网络模型进行超参数以及权重参数设置及优化；

(4)生成航空器轨迹：通过深度混合密度神经网络对大量的航空器轨迹进行建模，获取航空器轨迹的统计特性，采用轮盘赌采样方法对航空器轨迹数据进行采样生成。

进一步地，步骤(1)所述的航空器轨迹数据包括时间、雷达波号、航空器型号、航空器所处经度、航空器所处纬度、航空器所处高度、航空器速度和航空器角度。

进一步地，所述步骤(2)实现过程如下：