一种基于增量式在线学习框架的飞行训练数据预测方法

本发明属于机器学习及数据挖掘，尤其涉及一种基于增量式在线学习框架的飞行训练数据预测方法。

背景技术：

1、针对飞行训练在线学习问题，主要从飞行训练数据实时传输和增量学习在线模型两方面进行研究；针对飞行训练数据实时传输问题，有学者为了实现飞参数据的实时采集和传输，采用频分复用和时分复用结合的信道资源的分配方法，实现飞参数据实时化采集，实时监控日常飞行训练质量，保障飞行训练安全；有的学者对飞机进行改装，构建机载飞行数据传输设备和天线，底面控制和接收基站从而实现了飞机飞行数据实时传输系统；有学者基于空地无线宽带通信技术提出一种用于运输机的飞行实时监控系统，能够将新舟600飞机大量飞行数据实时传输到地面，实现飞行实时监控。有学者使用基于在线增量lssvm对cod浓度进行预测，改进在线增量学习模型，改进阈值选择和滑动窗口设置实现在线快速预测。针对时间序列数据，有学者提出一种在线增量式时间序列数据学习tsln算法，大大降低了时间序列数据学习的时间成本和存储成本。

2、然而，现有研究工作大多数都没有针对飞行训练进行研究，飞行训练研究方面仍存在严重不足；飞行训练安全问题中的主要研究对象是飞行训练异常事件；飞行训练异常事件是指在飞行训练过程中发生的未按照训练和安全规定造成的超限事件，这些超限事件是导致飞行训练事故的最主要原因；因此，针对飞行训练数据进行预测研究，将未之后的异常事件和飞行训练事故调查研究做好铺垫。

技术实现思路

1、为了解决上述现有技术中存在的技术问题，本发明提供了一种基于增量式在线学习框架的飞行训练数据预测方法，拟至少实现飞行训练数据的实时预测，使得飞行人员或地面监测人员可以全程关注训练飞机飞行状态，为之后的异常事件和飞机训练事故调查研究做好铺垫。

2、为解决上述技术问题，本发明采用的技术方案如下：

3、一种基于增量式在线学习框架的飞行训练数据预测方法，包括以下步骤：

4、步骤1：实时获取飞行训练数据；

5、步骤2：对获取的飞行训练数据进行预处理；

6、步骤3：建立基于增量式在线学习框架的飞行训练数据预测模型；

7、步骤4：将进行预处理后的飞行训练数据输入至飞行训练数据预测模型中，得到预测结果。

8、进一步的，所述预处理包括：数据清洗和特征工程处理；

9、数据清洗：删除无法使用的数据、部分缺失数据的填充；

10、特征工程处理：计算目标特征的皮尔逊相关系数。

11、进一步的，所述无法使用的数据包括：飞机刚通电还未起飞的数据、飞行全程没有变化的数据以及飞机自身传感器问题导致的部分缺失不可用的数据。

12、进一步的，所述部分缺失数据的填充采用随机森林方法进行填充，填充后利用皮尔逊相关系数筛选对目标特征影响最深的特征。

13、进一步的，所述步骤3中基于神经网络构建所述飞行训练数据预测模型；

14、所述飞行训练数据预测模型包括cnn层、bilstm层、注意力机制层以及增量式在线学习框架。

15、进一步的，所述注意力机制层使用permute层对输入矩阵转置维度，将数据步长和数据维度进行置换保证输入数据的格式符合dense格式；

16、利用dense层分别计算每个特征的权重，再将多维特征的注意力权重取平均值，保证每个维度的特征共享一个注意力；

17、使用permute转置维度保证输出维度符合bilstm层输入，将权重乘以输入最终实现注意力机制层。

18、进一步的，所述注意力机制层的计算公式如下：

19、；

20、；

21、 ；

22、式中：表示bilstm层前向后向子链的组合输出；h表示隐层状态；表示注意力向量，为softmax层输出向量；表示bilstm层最后输出的特征图；表示参数矩阵；表示向量的转置；表示网络输出。

23、进一步的，所述步骤4中得到预测结果后，对预测结果进行可视化展示。

24、进一步的，还包括对所述飞行训练数据预测模型的精度进行评价，评价时采用均方差根和r平方：

25、；

26、式中：m表示数据集实例数量，表示通过模型预测获得的数据，表示真实数据。

27、；

28、式中：表示真实数据的平均值。

29、r平方表示预测值，解释真实值的方差的最大比例，用来衡量预测值与真实值拟合的好坏程度；并使用matplotlib库对预测结果可视化分析。

30、本发明的有益效果包括：

31、本发明针对飞行训练姿态中的pitch和roll姿态角有较好的预测性能，同时对飞行训练航迹预测效果较好；本发明添加注意力机制可以使得模型具有较好的实时性和准确性；并且相较于其他模型，本发明的预测性好、平均误差小且精度高。

技术特征：

1.一种基于增量式在线学习框架的飞行训练数据预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于增量式在线学习框架的飞行训练数据预测方法，其特征在于，所述预处理包括：数据清洗和特征工程处理；

3.根据权利要求2所述的一种基于增量式在线学习框架的飞行训练数据预测方法，其特征在于，所述无法使用的数据包括：飞机刚通电还未起飞的数据、飞行全程没有变化的数据以及飞机自身传感器问题导致的部分缺失不可用的数据。

4.根据权利要求2所述的一种基于增量式在线学习框架的飞行训练数据预测方法，其特征在于，所述部分缺失数据的填充采用随机森林方法进行填充，填充后利用皮尔逊相关系数筛选对目标特征影响最深的特征。

5.根据权利要求1所述的一种基于增量式在线学习框架的飞行训练数据预测方法，其特征在于，所述步骤3中基于神经网络构建所述飞行训练数据预测模型；

6.根据权利要求5所述的一种基于增量式在线学习框架的飞行训练数据预测方法，其特征在于，所述注意力机制层使用permute层对输入矩阵转置维度，将数据步长和数据维度进行置换保证输入数据的格式符合dense格式；

7.根据权利要求5所述的一种基于增量式在线学习框架的飞行训练数据预测方法，其特征在于，所述注意力机制层的计算公式如下：

8.根据权利要求1所述的一种基于增量式在线学习框架的飞行训练数据预测方法，其特征在于，所述步骤4中得到预测结果后，对预测结果进行可视化展示。

9.根据权利要求1所述的一种基于增量式在线学习框架的飞行训练数据预测方法，其特征在于，还包括对所述飞行训练数据预测模型的精度进行评价，评价时采用均方差根rmse和r平方：

技术总结
本发明属于机器学习及数据挖掘技术领域，尤其涉及一种基于增量式在线学习框架的飞行训练数据预测方法，所述方法包括：基于飞行数据无线传输实时方法获取飞行训练数据；对已获取数据进行处理，包括数据清洗，特征工程处理；构建基于增量式在线学习框架的飞行训练数据预测模型；已处理数据按照流的形式输入到模型中进行预测；将预测结果可视化并分析。利用本发明，将有利于飞行学员训练过程中准确掌握飞行状态，地面人员实时准确监督飞行训练过程，并通过可视化的结果直观的获取到飞行训练状态，保障飞行训练安全。

技术研发人员：路晶,史宇,戴文相,黄海洋
受保护的技术使用者：中国民用航空飞行学院
技术研发日：
技术公布日：2024/1/13