一种ADS-B失效情况下飞行器短时轨迹预测方法与流程

本发明涉及计算机与智能交通，具体为一种ads-b失效情况下飞行器短时轨迹预测方法。

背景技术：

1、随着技术的不断进步，飞机在人类社会中的应用范围不断扩大，在民用领域，最典型的应用是用于在世界各地运送乘客的飞机，国际航空运输协会表示，航空运输和航空旅客需求依然强劲，未来20年，全球航空运输的年增长率约为4.4％，我国的空中交通量将增长3.5倍，这对空中交通管理提出了重大挑战，地面监测站目前使用雷达系统来观察飞机轨迹，然而，考虑到atm中的雷达系统已不能满足航空安全的需求，因此引入了一种非常有前途的下一代空中交通管制技术——自动相关监视广播技术，ads-b不像副雷达那样需要人工操作或查询，飞机自动将其位置、高度、速度、航向、识别号等信息广播到其他飞机或地面站，供管制员和飞行员监控飞机的状态，考虑到ads-b数据包含纬度，经度和高度信息，可用于观察飞机轨迹。

2、由于ads-b数据来源于gps系统而并非由航空器飞行控制系统自主推算得出其位置、高度、速度等航行诸元的重要信息，而gps系统很容易受到有意或无意的非法干扰，导致以gps系统数据信息为来源的ads-b数据的精度和完好性降低，甚至达不到管制运行的需要的标准，从而引起ads-b管制运行方式退出，一旦机载设备故障和局域网信号干扰，ads-b信号将消失或中断，这将给航空安全带来危险，所以，在ads-b发生故障时，对飞机的轨迹进行短期预测，可以提高繁忙空域的飞行安全性。

技术实现思路

1、针对现有技术的不足，本发明提供了一种ads-b失效情况下飞行器短时轨迹预测方法，解决了gps系统很容易受到有意或无意的非法干扰的问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：一种ads-b失效情况下飞行器短时轨迹预测方法，具体包括以下步骤：

3、s1：从广播式自动相关监视系统中获取飞行器历史飞行数据；

4、s2：将获取到的ads-b数据进行预处理，处理后分成经度、纬度和高度三类数据，之后每一类数据进行标准化处理，最后对每一类数据按比例划分为相应的训练集和测试集；

5、s3：建立基于长短时记忆的飞行器短时轨迹预测模型，模型由三个子模型组成；

6、s4：使用经度训练集、纬度训练集和高度训练集分别对3个s3中建立的子模型进行训练，并利用对应的经度测试集、纬度测试集和高度测试集进行准确率检测；

7、s5：分别存储s4中训练好的子模型参数与模型结构；

8、s6：基于lstm的飞行器短时轨迹预测模型实现ads-b失效情况下的飞行器轨迹预测，并结合预测结果进行应急处置。

9、优选的，所述s1包括以下步骤：

10、s101：在起飞、巡航和降落阶段，以ads-b为数据来源，采集不同机型的飞行器历史飞行轨迹数据；

11、s102：采集的飞行器历史飞行轨迹数据为n条，每条包含x个轨迹数据采集点，每个采集点的时间戳为[t1,t2…ti-1,ti,ti+1…tx-1,tx]，每个采集点之间的时间间隔为δt，在第i个采集点采集到的数据为

12、其中分别表示在ti时刻下飞行器的经度、纬度和高度值，n大于100，x大于50。

13、优选的，所述s2包括以下步骤：

14、s201：首先使用阈值法剔除数据中可能的错误数据，如负数、超过阈值过多的数据等，阈值法如下所示：

15、

16、其中，分别表示在ti时刻下飞行器的经度、纬度和高度值，thr表示飞行器的最大飞行高度；

17、s202：接着使用时间序列法对可能的缺失数据进行补全，直到数据中不再存在缺失数据为止，如下所示：

18、

19、其中，分别表示在ti时刻下飞行器的经度、纬度和高度值，i表示第i个采集点，m表示选择m组数据进行补全；

20、s203：之后使用历史均值法对数据进行降噪处理，以剔除数据中可能存在的干扰噪声；

21、

22、其中，分别表示在ti时刻下飞行器的经度、纬度和高度值，m表示选择m组数据进行降噪；

23、s204：如果对未标准化的数据直接进行训练，可能会导致模型对数值大的数据学习过多，而对数值小的数据训练不够充分，往往模型效果会不好，由于在上述s203步骤中已经事先将极端值或异常值剔除，因此可以使用离差标准化方法对经度、纬度和高度进行处理，以消除不同量纲对模型训练效果的影响，具体公式如下：

24、

25、其中xscaled表示离差标准化后的经度、纬度和高度数据，max表示数据集中的最大值，min表示数据集中的最小值；

26、s205：在完成数据预处理之后，按照4：1的比例，将飞行器历史飞行数据分为经度训练集、纬度训练集和高度训练集和经度测试集、纬度测试集和高度测试集。

27、优选的，所述s3包括以下步骤：

28、s301：根据如下公式建立lstm单元节点模型

29、

30、

31、

32、

33、

34、

35、其中和分别是lstm在第γ层，第β个神经单元的遗忘门、输入门和输出门；是当前神经单元的单元状态；cγ,β是当前神经单元的最终单元状态，即输出单元状态；hγ,β是当前神经单元的计算结果；σ是激活函数；w为权重矩阵；b为偏置矩阵；(hγ,β,v)为输入；*代表哈达码乘积；

36、s302：经过数据预处理后的训练集按照[batch_size,n_steps,n_features]格式输入至lstm层1，其中，batch_size表示样本数量，一般来讲，这个数量和训练结果的数量是一致的，不管是多参量还是单参量，或者是多个时间步长，对应的结果通常是确定的；n_steps表示步长，也即用n_steps个数据预测下一个数据；n_features表示每步包含的特征值；

37、s303：lstm层1的单元节点模型中隐藏层尺寸为80；

38、s304：lstm层1的输出结果传递到dropout层的输入，dropout比例设置为0.4；

39、s305：dropout层的输出结果传递到lstm层2，lstm层2的单元节点模型中隐藏层尺寸为80；

40、s306：lstm层2的输出结果传递到全连接层dense；

41、s307：将s302至s305的步骤重复3次，分别建立3个子模型，经度预测子模型、纬度预测子模型和高度预测子模型，这三个子模型分别预测经度、纬度和高度，以实现对飞行器位置的全面预测。

42、优选的，所述s4包括以下步骤：

43、s401：选择平均绝对值误差作为损失函数，选择自适应矩估计法对模型的权重值进行更新。mae计算公式如下：

44、

45、其中，t(j)代表实际值，代表预测值；

46、s402：训练过程中的超参数设置如下：批量训练数设置为32，训练集样本迭代次数设置为50，学习率设置为0.000001。

47、s403：经度、纬度和高度分开进行训练，首先使用经度训练集对经度预测子模型进行训练，当训练损失函数值低于阈值或者达到训练样本迭代次数的上限时，认为模型训练结束；

48、s404：其次使用纬度训练集对纬度预测子模型进行训练，当训练损失函数值低于阈值或者达到训练样本迭代次数的上限时，认为模型训练结束；

49、s405：最后使用高度训练集对高度预测子模型进行训练，当训练损失函数值低于阈值或者达到训练样本迭代次数的上限时，认为模型训练结束；

50、s406：使用mse、rmse和mape作为评价指标，分别利用经度测试集、纬度测试集和高度测试集对经度预测子模型、纬度预测子模型和高度预测子模型进行准确性检测，

51、

52、其中，t(j)代表实际值，代表预测值，

53、

54、其中，t(j)代表实际值，代表预测值，

55、

56、其中，代表实际值，代表预测值。

57、优选的，所述s5包括以下步骤：

58、s501：保存经度预测子模型的模型结构和参数；

59、s502：保存纬度预测子模型的模型结构和参数；

60、s503：保存高度预测子模型的模型结构和参数。

61、优选的，所述s6包括以下步骤：

62、s601：对航班的ads-b信号进行监视，自动存储其历史飞行轨迹；

63、s602：在发生ads-b失效的情况下，截取之前正常的ads-b数据进行轨迹预测；

64、s603：将经度、纬度和高度的预测结果反归一化处理，反归一化的计算公式如下：

65、ypred＝(max-min)*y+min

66、式中，max代表数据集中的最大值，min代表数据集中的最小值，y代表预测值，ypred代表经过反归一化后的预测值；

67、s604：将s603中经过反归一化后的经度、纬度和高度预测值合成3维预测轨迹；

68、s605：管制员无线电广播通知该区域内的所有航空器ads-b信号不正常；

69、s606：管制员根据预测的3维轨迹，合理调度飞行器，减少交叉汇聚飞行，多采取高度调整，理顺飞行次序；

70、s607：及时询问航空器的位置、高度和其他信息，有疑问马上证实，确保不丢失航空器，直至ads-b信号恢复。

71、有益效果

72、本发明提供了一种ads-b失效情况下飞行器短时轨迹预测方法。与现有技术相比具备以下有益效果：该ads-b失效情况下飞行器短时轨迹预测方法，具体包括以下步骤：s1：从广播式自动相关监视系统中获取飞行器历史飞行数据；s2：将获取到的ads-b数据进行预处理，处理后分成经度、纬度和高度三类数据，之后每一类数据进行标准化处理，最后对每一类数据按比例划分为相应的训练集和测试集；s3：建立基于长短时记忆的飞行器短时轨迹预测模型，模型由三个子模型组成；s4：使用经度训练集、纬度训练集和高度训练集分别对3个s3中建立的子模型进行训练，并利用对应的经度测试集、纬度测试集和高度测试集进行准确率检测；s5：分别存储s4中训练好的子模型参数与模型结构；s6：基于lstm的飞行器短时轨迹预测模型实现ads-b失效情况下的飞行器轨迹预测，并结合预测结果进行应急处置；通过采用数据驱动的方法，结合大数据和神经网络技术，来解决传统方法无法有效处理的复杂情境，这种数据驱动方法在航空领域中尚属新颖，为解决复杂的轨迹预测问题提供了创新的方式，利用神经网络实现了智能的飞行轨迹预测，这种创新的方法使得飞行轨迹的预测更准确和可靠，能够适应不同情境和变化，从而提高了航空安全水平，在民航客机飞行实施阶段，当遇到紧急情况，例如机械故障、飞机失踪、遭受非法干扰或迫降，传统的ads-b数据可能失效进而导致飞行监控中断，从而增加事故风险，通过准确的轨迹预测，可以在失效时提供实时数据，能第一时间加强空地协同联动，为机组成员紧急预案的施展争取黄金时间，能够进一步保障飞行安全。