1.本发明涉及空中交通技术领域，尤其涉及一种基于多机交互网络模型的航空器四维航迹预测方法。
背景技术：
2.随着全球民航行业的迅速发展，乘坐飞机出行成为了越来越多的人所选择的出行方式。空域资源已经接近饱和，有限的空域资源和航班量需求日益增加面临的冲突日益明显，空域资源不足和空中交通拥挤的现象日益严重。由空中交通拥挤所导致的飞机在空中的安全和效率问题日益凸显，这些问题成为了制约整个行业发展的难题。如何在当前的空中管理机制下，在有限的空域资源里增加空域容量，提高空中交通管理的安全性和效率是整个民航业必须解决的问题。
3.近几年来，民航业为了更高效地利用空域资源，不断开发智能空中交通管理工具，以提供更智能的决策支持。传统的基于飞行计划的交通管理系统已经无法满足航空运输系统的发展需求，因此，基于航迹运行(trajectory-based operation,tbo)的理念应运而生。其中，4d航迹预测是tbo的核心技术，它在空中交通管理中具有重要的意义，可以提升空域的利用率，减轻空中交通管制员的工作压力，同时增强空中的交通安全。
4.目前，4d航迹预测的方法主要有三种：状态估计模型、动力学模型以及基于航迹数据驱动的机器学习模型。状态估计模型通过数学模型来估计移动物体在空间中的状态，以预测其未来的轨迹。这种模型的优点在于计算简单、实时性强，但它对状态估计模型的准确性依赖较大。动力学模型利用物理学理论和数学方法构建系统的数学模型，依据物体的运动规律预测其未来的运动轨迹。这种方法有着坚实的理论基础和广泛的应用，但在实际应用中，由于难以精确获取物体的动力学参数，预测结果往往存在误差。
5.随着深度学习技术的繁荣发展，以神经网络为主的模型在学术界和工业界取得了显著的成果。当前，4d航迹预测的最新方法是采用具有记忆功能的长短期记忆(lstm)神经网络，它在航迹预测中表现出色。然而，飞机的飞行过程会受到许多复杂因素的影响，包括飞机自身的动力条件、飞行意图、航路限制以及地面塔台的管控等。此外，一些自然因素，如恶劣的天气条件，例如大风、雨雪、雷暴，以及其他突发的不可控情况，也会对飞行产生影响。以往的模型大多只考虑了单一航迹数据，没有充分考虑到飞行过程中的环境复杂性，以及天气因素和突发情况等影响因素，这些因素都间接地反映在空域内各个航线的航迹数据中。因此，如何综合考虑这些影响因素，深入挖掘航迹的时空特征，并实现4d航迹预测的精确性，是当前研究的热点和难点。对此，需要进一步研究和发展新的预测方法，以满足航空业对空中交通管理工具的更高要求，以应对未来航空运输系统的发展需求，并在有限的空域资源中提高空域容量，提升空中交通管理的安全性和效率。
技术实现要素：
6.为了提升航迹预测的准确性，本发明提供一种基于多机交互网络模型的航空器四
维航迹预测方法。
7.本发明的提供基于多机交互网络模型的航空器四维航迹预测方法，包括：
8.步骤1：收集同一个空域内的多个航空器的历史航迹数据并处理以作为训练数据；
9.步骤2：构建多机交互网络模型，利用训练数据对所述多机交互网络模型进行训练；
10.步骤3：将待预测空域内的多个航空器的历史航迹数据输入至训练好的多机交互网络模型，预测得到多个航空器的未来航迹点，包括位置、速度、高度和时间信息。
11.进一步地，步骤1具体包括：
12.步骤1.1：每间隔预设时间采集一次ads-b航迹数据，并按照航线对ads-b航迹数据进行分类，从中选择具有完整航线的航空器的历史航迹数据；
13.步骤1.2：针对每个航空器，删除其历史航迹数据中的重复航迹点及异常值；
14.步骤1.3：针对每个航空器，采用插值算法对其历史航迹数据中的缺失值进行填充；
15.步骤1.4：针对每个航空器，对其历史航迹数据进行归一化；
16.步骤1.5：对多个航空器的历史航迹数据进行特征提取以形成训练数据h
t
；其中，表示空域内n架航空器的历史航迹数据的集合，表示在t时刻前的th时间段内第k架航空器的历史航迹数据，k∈[1,n]，th表示设定的时间回溯的跨度，表示t时刻第k架航空器的飞行状态，其中表示t时刻第k架航空器的经度，表示t时刻第k架航空器的纬度，表示t时刻第k架航空器的高度，表示t时刻第k架航空器的速度，表示t时刻第k架航空器的航向角。
[0017]
进一步地，步骤2具体包括：
[0018]
步骤2.1：采用gru作为航迹数据编码器，分别对每架航空器的航迹数据进行编码，得到对应的编码特征将所有航空器的编码特征进行组合作为同一个空域内的多个航空器的动态交互的节点特征其中，表示第k架航空器的编码特征，k∈[1,n]；
[0019]
步骤2.2：引入注意力学习机制，对每架航空器的航迹数据进行加权，得到对应的注意力学习特征将所有航空器的注意力学习特征进行组合以作为同一个空域内的多个航空器在飞行过程中影响因素的节点特征其中，表示第k架航空器的注意力学习特征，k∈[1,n]；
[0020]
步骤2.3：采用lstm网络作为航迹预测器，根据同一空域内的多架航空器的历史航迹数据、编码特征和注意力学习特征，预测得到该多架航空器的未来航迹点其中，表示预测到的第k架航空器的未来航迹点，k∈[1,n]，表示是m架航空器之间共享的航迹预测器,m∈[1,n]。
[0021]
进一步地，步骤2中，采用预测航迹点和真实航迹点之间的均方误差函数作为损失
函数。
[0022]
进一步地，所述注意力学习机制采用图神经网络。
[0023]
本发明的有益效果：
[0024]
在进行特征提取时，考虑了飞行过程中的航空器自身的运行特性和不同航空器之间的交互作用，提取了动态交互的节点特征；同时，还建立了不同类型航空器的影响因素注意力权重进制，提取每架航空器的注意力学习特征；基于提取的多维度特征以及航迹数据本身，对构建的多机交互网络模型进行训练，使得训练好的航迹预测器提高了飞行轨迹预测准确性。
附图说明
[0025]
图1为本发明实施例提供的一种基于多机交互网络模型的航空器四维航迹预测方法的流程示意图；
[0026]
图2为本发明实施例提出的考虑多因素的多机交互网络模型的原理框图。
具体实施方式
[0027]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0028]
如图1所示，本发明提供了一种基于多机交互网络模型的航空器四维航迹预测方法，包括以下步骤：
[0029]
s101：收集同一个空域内的多个航空器的历史航迹数据并处理以作为训练数据；
[0030]
具体地，通过对每个航空器的历史航迹数据进行全面处理，包括数据清洗、归一化以及特征提取等步骤，以确保数据的质量和适应多机交互网络模型的需求。具体包括以下子步骤：
[0031]
s1011：数据准备。每间隔预设时间(本实施例中，设置为每5秒)采集一次ads-b航迹数据，并按照航线对ads-b航迹数据进行分类，从中选择具有完整航线的航空器的历史航迹数据；
[0032]
具体地，本实施例使用了空域内的ads-b航迹数据作为原始数据，该数据是由ads-b(automatic dependent surveillance-broadcast，广播式自动相关监视)系统周期性采集航空器的4d位置数据以及关键飞行参数而来的，主要包括航班号、航空器标识信息、飞行时间戳、航空器的经度、纬度、高度、速度和航向角等信息。
[0033]
需要说明的是，原始数据是json格式，为了适应本发明的需要，本发明实施例通过循环读取16个雷达扇区的航迹数据，将读取的航迹数据以.csv格式文件存储，并将文件中的航迹数据按照不同的航线进行分类，创建新的航线数据，从中选择具有完整航线的航空器的历史航迹数据进行保存。
[0034]
s1012：数据清洗。针对每个航空器，删除其历史航迹数据中的重复航迹点及异常值，以去除噪声；
[0035]
具体地，由于在航空器的巡航过程中，历史航迹数据中的经纬度、高度等可能会出
现完全相同的情况，导致数据重复，因此对原始数据的时间列、经度列、维度列、高度列进行去重处理，将历史航迹数据中的重复航迹点删除。
[0036]
s1013：数据完整性。针对每个航空器，采用插值算法对其历史航迹数据中的缺失值进行填充；
[0037]
具体地，由于在航空器的飞行过程中，历史航迹数据中的经纬度、高度、速度及航向角等可能会出现缺失的情况，导致数据不连续，因此需要对缺失值进行填充。本实施例中，采用三次样条插值算法来对历史航迹数据进行插值，以保证数据的完整性和连续性。
[0038]
s1014：数据规范化。针对每个航空器，对其历史航迹数据进行归一化；
[0039]
具体地，由于航空器的历史航迹数据中的经纬度、高度、速度和航向角等特征具有不同的单位和范围，如果不进行归一化处理，直接输入到模型中，可能会影响模型的训练效率和稳定性，导致梯度消失或爆炸等问题。因此，为了消除量纲和尺度的差异，需要对航空器的历史航迹数据进行归一化。本实施例中，采用最大最小归一化(min-max normalization)的方法，将每个特征减去其最小值，再除以其最大值与最小值之差，使其变化在[-1,1]这一区间内。
[0040]
s1015：对多个航空器的历史航迹数据进行特征提取以形成训练数据h
t
；其中，表示空域内n架航空器的历史航迹数据的集合，表示在t时刻前的th时间段内第k架航空器的历史航迹数据，k∈[1,n]，th表示设定的时间回溯的跨度，表示t时刻第k架航空器的飞行状态，其中表示t时刻第k架航空器的经度，表示t时刻第k架航空器的纬度，表示t时刻第k架航空器的高度，表示t时刻第k架航空器的速度，表示t时刻第k架航空器的航向角。
[0041]
需要说明的是，航空器的历史航迹数据是一个时序数据，即每个航迹点都有一个对应的时间戳，反映了飞机的运动状态和变化规律。为了考虑时间维度的影响，本实施例中，采用滑动窗口的方法，将每个航迹点的位置、速度、高度和时间等特征与其前后若干个航迹点的相同特征拼接在一起，形成一个多维向量作为模型的输入。这样可以使模型能够捕捉到航迹数据的动态变化和趋势。窗口的大小可以根据实际情况和模型性能进行调整。为了保证预测的准确性，本实施例中，将步长设置为10，窗口设置为1。
[0042]
s102：构建多机交互网络模型(如图2所示)，利用训练数据对所述多机交互网络模型进行训练；
[0043]
具体地，多架航空器的航迹预测任务是在给定空域范围内，利用给定的多架航空器的历史航迹数据预测所有航空器的未来航迹。本发明实施例构建的多机交互网络模型旨在通过学习同一空域内不同航空器的历史航迹信息，挖掘隐含在航迹之间的时空关系来提取时空特征，从而提高航迹预测的准确性。具体包括以下步骤：
[0044]
s1021：采用gru作为航迹数据编码器，分别对每架航空器的航迹数据进行编码，得到对应的编码特征将所有航空器的编码特征进行组合作为同一个空域内的多个航空器的动态交互的节点特征其中，表示第k架航空器的编码特征，k∈[1,n]；表示m架航空器之间共享的航迹数据编码器,m∈[1,n]。
[0045]
具体地，本实施例通过采用gru作为航迹数据编码器，可以解决梯度消失或梯度爆炸等问题。提取整个空域内所有航空器的动态交互的节点特征可以用于进一步预测航迹。这些节点特征可以反映出空域内不同航空器之间的交互信息和空域的动态变化情况，从而提供了更全面和准确的航迹预测信息。因此，通过将这些节点特征输入到一个网络模型中进行预测，可以帮助航空交通管理人员更好地掌握空域内飞机的行驶情况，做好空中交通管制工作，提高飞行安全性和效率。
[0046]
s1022：引入注意力学习机制，对每架航空器的航迹数据进行加权，得到对应的注意力学习特征将所有航空器的注意力学习特征进行组合以作为同一个空域内的多个航空器在飞行过程中影响因素的节点特征其中，表示影响第k架航空器飞行的注意力学习特征，k∈[1,n]；表示影响m架航空器飞行因素的注意力学习机制,m∈[1,n]；
[0047]
具体地，航空器在飞行过程中受到多方因素的影响，例如风阻、雷暴等天气、管制员的情绪状态、以及复杂多变的空域环境，尤其是航空器之间的影响。如何平衡各方因素，实现航空器在动态环境中的准确预测是目前推进空中交通管理自动化的一项重要任务。为了解决该问题，本实施例在提取整个空域内所有航空器的动态交互的节点特征ζ
t
之后，在本步骤引入多机注意力学习机制，对于每架航空器在每个时刻的特征进行加权，得到加权后的特征表示。
[0048]
引入注意力学习机制可以使模型更加关注重要的信息。在多机交互感知预测中，不同航空器之间的交互关系可能是不同的，一些交互可能比其他交互更重要，因此需要模型能够自动关注并学习这些重要交互。通过引入注意力学习机制，模型可以自动确定不同交互之间的权重，并将这些权重应用于交互特征的加权求和中，从而提高预测的准确性和效率。本实施例中，所述注意力学习机制采用图神经网络，根据每架航空器与其他航空器之间的距离、速度、航向等因素，计算出每架航空器对其他航空器之间的注意力权重，以此表示航空器之间的影响程度。此注意力机制的输出为一个影响因素节点特征矩阵。
[0049]
s1023：采用lstm网络作为航迹预测器，根据同一空域内的多架航空器的历史航迹数据、编码特征和注意力学习特征，预测得到该多架航空器的未来航迹点其中，表示预测到的第k架航空器的未来航迹点，k,m∈[1,n]，表示是m架航空器之间共享的航迹预测器,m∈[1,n]。表示航迹数据和特征的联合。
[0050]
具体地，将每架航空器的当前状态和已有的历史航迹输入多机航迹预测器中，通过神经网络进行多步航迹预测。预测结果与真实航迹进行比对，通过反向传播算法对网络参数进行更新，以提高预测准确性。通过该步骤，可以得到整个空域内所有航空器的未来预测航迹。这样，可以为航空交通管理系统提供更加准确的航班信息，实现更好的飞行调度和安全控制。同时可以为飞行员提供更加精确的飞行计划，提高飞行安全性。
[0051]
s1024：将同一空域内的多机历史航迹数据按照7:3的比例划分为训练集和测试集，并进行随机打乱和批次划分。训练集用于训练模型，测试集用于评估模型。
[0052]
s1025：用训练数据集对模型进行训练，使用反向传播算法和梯度下降法更新模型
的权重和偏置，并使用均方误差(mse)作为损失函数，使用平均绝对误差(mae)、均方根误差(rmse)和动态时间规整(dtw)作为评价指标，监控模型的性能。
[0053]
具体地，均方根误差(root mean square error，rmse)：error，rmse)：其中，n是样本数量，yi是实际值，是预测值。
[0054]
平均绝对误差(mean absolute error，mae)：其中，n是样本数量，yi是实际值，是预测值
[0055]
平均相对误差(mean relative error，mre)：其中，n是样本数量，yi是实际值，是预测值。
[0056]
考虑到实际飞行过程中遇到的情况和路线不同，还加入了动态时间规整(dynamic time warping，dtw)来衡量序列的相似性。dtw能够考虑时间序列的不同采样率、相位差等问题，能够更准确地衡量时间序列之间的相似性，基于此，通过比较预测的航迹序列与实际航迹序列之间的相似度，以评估预测的准确性。
[0057]
s1026：用测试数据集对模型进行测试，使用均方误差(mse)、平均绝对误差(mae)和均方根误差(rmse)评估模型的泛化能力，并根据测试结果对模型进行调整和优化。
[0058]
重复上述步骤s1021至步骤s1026，直到模型的预测精度达到满意的程度，或者达到预设的迭代次数，保存优化后的模型参数和预测结果，供后续的飞行管理和决策使用。
[0059]
s103：将待预测空域内的多个航空器的历史航迹数据(包括每架航空器的历史航迹数据以及其相对于其他航空器的关系)输入至训练好的多机交互网络模型，预测得到多个航空器的未来航迹点，包括位置、速度、高度和时间信息。
[0060]
具体地，可以将预测结果以图表或数据的形式展示出来，以便于航空管理人员进行飞行路径规划和飞行安全管理。
[0061]
本发明实施例提供的四维航迹预测方法，主要通过同时处理多架航空器的轨迹数据，提取它们之间的交互特征，并考虑飞行过程中的影响因素，以协同预测多架航空器的飞行轨迹。鉴于航行过程中可能受到多种复杂因素的影响，且这些影响因素对飞行轨迹的影响维度各不相同，构建了考虑多因素的多机交互网络模型，该模型采用了编码器-注意力-预测器的结构，在模型训练过程中，首先将多条航迹数据输入编码器进行历史轨迹特征学习，寻找各个轨迹之间的交互特征。随后，我们构建了注意力机制模块，以分析各个影响因素对不同维度的影响权重。最后，将学习到的特征数据和航迹数据一同输入到轨迹预测器中，实现对多架航空器航迹的协同预测。本发明的航迹预测方法充分考虑了多架航空器的交互关系和飞行过程中的各种影响因素，使得航迹预测更为精确和实用。
[0062]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。