[发明专利]一种基于多分辨分析和小波包重构的航迹预测方法及装置

说明书

本发明公开了一种基于多分辨分析和小波包重构的航迹预测方法及装置，包括以下步骤：步骤1：获取航迹数据，数据经解码、提取和预处理后构建训练集、验证集和测试集；步骤2：构建基于多分辨分析和小波包重构的航迹预测模型，航迹预测模型包括依次设置的编码器模块、注意力模块、解码器模块、小波嵌入模块和小波包重构模块；步骤3：采用训练集和损失函数对预测模型进行训练，采用验证集评估预测效果，得预测模型；步骤4：实时采集历史航迹数据，经解码和预处理后，输入步骤3训练和调整后的预测模型，即可得到预测结果；本发明基于多分辨分析和小波分析工具，提高了预测精度。

技术领域

本发明涉及空中交通管理技术领域，具体一种基于多分辨分析和小波包重构的航迹预测方法及装置。

背景技术

飞行轨迹预测作为空中交通管理领域中的一项关键技术，在空中交通流预测、冲突检测和调度决策等应用中，发挥着十分重要的作用。由于空域范围较广、飞行器速度较快，加之远距离目视的空间感知能力较差，基于深度学习的飞行轨迹预测方法一般依靠过去一段时间内导航卫星捕获的飞行器位置、速度等动力学参数来进行预测。较为准确的航迹预测方法往往能够提高空中交通管制员的工作效率，也能确保飞行器在飞行过程中的安全性。但传统的基于深度学习的航迹预测方法大多直接对航迹点的每个特征进行时序建模，没有考虑到飞行器的运动过程可以剖分为宏观趋势和局部变化。每个特征的时间序列其实是由多个复杂分量构成的，进而没有充分提取更深层次的模式信息，限制了预测精度。

发明内容

本发明公开了预测精度高的一种基于多分辨分析和小波包重构的航迹预测方法、装置及计算机可读存储介质。

本发明采用的技术方案是：

一种基于多分辨分析和小波包重构的航迹预测方法，包括以下步骤：

步骤1：获取航迹数据，数据经解码、提取和预处理后构建训练集、验证集和测试集；

步骤2：构建基于多分辨分析和小波包重构的航迹预测模型，航迹预测模型包括依次设置的编码器模块、注意力模块、解码器模块、小波嵌入模块和小波包重构模块；

编码器模块用于将历史航迹点的特征映射为航迹嵌入向量，根据航迹嵌入向量建模输出每个历史时刻的状态向量；

注意力模块用于从每个历史时刻的状态向量中提取出多组小波系数的上下文信息；

解码器模块用于根据多组小波系数的上下文信息构建所有历史航迹点和下一时刻航迹点的多个小波系数嵌入向量；

小波嵌入模块用于对多个小波系数嵌入向量进行线性映射，得到航迹点特征各自对应的多组小波分量；

小波包重构模块用于根据多组小波分量重构所有历史航迹点和下一时刻航迹点的特征值；

步骤3：采用训练集和损失函数对步骤2构建的预测模型进行训练，采用验证集评估预测效果，根据评估结果调整预测模型的超参数，即可得到基于多分辨分析和小波包重构的航迹预测模型；

步骤4：实时采集历史航迹数据，经解码和预处理后，输入步骤3训练和调整后的预测模型，即可得到预测结果。

进一步的，所述步骤1中数据解码为从航线的航迹数据进行解码得到明文信息，从明文信息中提取出有效信息；有效信息包括航线中各个航迹点的时间戳、经度、纬度、海拔、经度方向速度、纬度方向速度和垂直方向速度；航迹数据包括飞行器运动趋势、爬升、下降、保持、转弯；所述数据预处理包括以下过程：

S11：对于有缺失值的航迹片段，若缺失值大于设定阈值则抛弃该航迹片段，若缺失值不大于设定阈值则使用拉格朗日插值法进行插值；

S12：剔除含有离群值的航迹片段；

S13：对有效信息进行归一化；

训练集、验证集和测试集构建方法如下：

从预处理数据中以7:1:2的比例分别抽取出训练集、验证集和测试集；