亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于自生成深度神經(jīng)網(wǎng)絡(luò)的4D航跡預(yù)測(cè)

        2021-07-02 00:36:38李旭娟皮建勇黃飛翔賈海朋
        計(jì)算機(jī)應(yīng)用 2021年5期
        關(guān)鍵詞:航跡編碼器航班

        李旭娟,皮建勇,黃飛翔,賈海朋

        (1.貴州大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,貴陽 550025;2.貴州大學(xué)云計(jì)算與物聯(lián)網(wǎng)研究中心,貴陽 550025;3.中國(guó)民用航空西南地區(qū)空中交通管理局貴州分局,貴陽 550005)

        (*通信作者電子郵箱xjlee8687@126.com)

        0 引言

        應(yīng)國(guó)際民航組織(International Civil Aviation Organization,ICAO)提出的全球空管一體化要求,美國(guó)和歐洲率先制定了未來空管的發(fā)展規(guī)劃,直接影響了全球空管一體化運(yùn)行概念的實(shí)行,其中美國(guó)下一代航空運(yùn)輸系統(tǒng)(Next Generation Air Transportation System,NextGen)已于2020 年啟用,歐洲單一天空計(jì)劃(Single European Sky ATM Research,SESAR)也還在不斷演進(jìn)。它們共同支撐的運(yùn)行概念是軌跡和性能[1],為提高飛行效率、增強(qiáng)可預(yù)測(cè)性、節(jié)約能耗、容量評(píng)估等,形成一個(gè)基于軌跡的空管系統(tǒng),雖然各有不同的側(cè)重點(diǎn),但4D 航跡預(yù)測(cè)都是系統(tǒng)任務(wù)的基礎(chǔ)保障,而我國(guó)下一代空中交通管理系統(tǒng)也必然需要實(shí)現(xiàn)4D航跡預(yù)測(cè)技術(shù)[2]。

        4D 航跡是航空器在時(shí)空上的運(yùn)行軌跡,即經(jīng)度、緯度、高度三維坐標(biāo)在時(shí)間軸上的變化。4D 航跡數(shù)據(jù)是典型的時(shí)序數(shù)據(jù),時(shí)序數(shù)據(jù)的頻率模式[3]可分為隨機(jī)的(Random)、無秩序的(Chaotic)、擬周期的(Quasy-periodic)和周期的(Periodic),其中隨機(jī)的和周期的是完全不可預(yù)測(cè)和完全可預(yù)測(cè)的模式,而無秩序的是指未來短期可預(yù)測(cè)且非線性依賴于前一時(shí)刻,最后擬周期的是指序列的變化顯示出一種隨時(shí)間變化的相似性,但每個(gè)時(shí)間點(diǎn)又略有不同。

        以往的航跡預(yù)測(cè)方法[4-9]是將航跡時(shí)序數(shù)據(jù)作為無秩序的,用前一時(shí)刻的位置信息或變化量預(yù)測(cè)下一時(shí)刻的信息,再將預(yù)測(cè)輸出作為再下一時(shí)刻的輸入,以此迭代的方式對(duì)未來一段時(shí)間的航跡進(jìn)行預(yù)測(cè),實(shí)現(xiàn)了高精度的航跡預(yù)測(cè)。但若實(shí)現(xiàn)更加實(shí)時(shí)地對(duì)未來更長(zhǎng)一段時(shí)間的估計(jì),迭代產(chǎn)生的誤差將大大影響預(yù)測(cè)效果,同時(shí),預(yù)測(cè)產(chǎn)生的延遲也必須作為評(píng)價(jià)標(biāo)準(zhǔn)[10],畢竟實(shí)時(shí)也是有時(shí)間代價(jià)的,而在以往的航跡預(yù)測(cè)方法中并未將其作為評(píng)價(jià)標(biāo)準(zhǔn)。所以本文提出將航跡時(shí)序數(shù)據(jù)作為擬周期的時(shí)序模式,用深度學(xué)習(xí)的方法[11-12]挖掘出航跡數(shù)據(jù)中與具體的時(shí)間、空間沒有關(guān)系的變化規(guī)律[13],以數(shù)據(jù)驅(qū)動(dòng)的方式生成模型,通過神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)的分布。而條件變分自動(dòng)編碼器(Conditional Variational Auto-Encoder,CVAE)就是一個(gè)利用深度神經(jīng)網(wǎng)絡(luò)對(duì)概率分布進(jìn)行擬合的模型,因其訓(xùn)練速度快、穩(wěn)定等優(yōu)點(diǎn)被廣泛使用。它在變分自動(dòng)編碼器的基礎(chǔ)上增加了生成目標(biāo)的可控性[14],對(duì)于航跡預(yù)測(cè)這種任務(wù)要對(duì)每條航跡進(jìn)行有針對(duì)性的生成,便是該模型典型的應(yīng)用場(chǎng)景。因此,本文提出的自生成條件變分自動(dòng)編碼器(Automatically generated Conditional Variational Auto-Encoder,AutoCVAE)應(yīng)廣播式自動(dòng)相關(guān)監(jiān)視(Automatic Dependent Surveillance-Broadcast,ADS-B)數(shù)據(jù)、4D 航跡預(yù)測(cè)任務(wù)和實(shí)時(shí)性需求而產(chǎn)生。

        1 軌跡數(shù)據(jù)分析

        廣播式自動(dòng)相關(guān)監(jiān)視(ADS-B)系統(tǒng)是一種基于衛(wèi)星定位的空管監(jiān)視新技術(shù),它可以自動(dòng)地從相關(guān)機(jī)載設(shè)備獲取參數(shù),并通過廣播的方式向其他飛機(jī)或地面站發(fā)送飛機(jī)的狀態(tài)、經(jīng)緯度、高度、識(shí)別號(hào)等信息,利用空地、空空數(shù)據(jù)鏈通信完成交通監(jiān)視和信息傳遞。由于地面站的部署會(huì)受到地理環(huán)境的影響,文獻(xiàn)[15]還提出了基于立方體衛(wèi)星任務(wù),將衛(wèi)星接收到的數(shù)據(jù)與地面接收站的數(shù)據(jù)進(jìn)行整合互補(bǔ),為飛機(jī)的監(jiān)視提供更精確、更完整的信息。作為中國(guó)民航局重點(diǎn)推進(jìn)的新技術(shù),ADS-B 產(chǎn)生的海量數(shù)據(jù)隱藏著重要的飛機(jī)飛行信息,包括飛行模式和飛行狀態(tài)變化等,再加上數(shù)據(jù)的易獲取性,本文通過分析ADS-B提供的數(shù)據(jù),完成4D航跡的預(yù)測(cè)。

        1.1 ADS-B軌跡數(shù)據(jù)

        每一條ADS-B 數(shù)據(jù)包含很多屬性,本文只關(guān)注其中的航班號(hào)、接收時(shí)間、經(jīng)度、緯度、飛行高度、地速、航向,其中,4D航跡特征由經(jīng)度、緯度、高度和接收時(shí)間組成,而其他屬性則組成特定航班在特定時(shí)刻的飛行狀態(tài)特征。

        TR表示一個(gè)航班過去k天的歷史航跡,T表示一條航跡在連續(xù)的n個(gè)時(shí)刻的信息,具體的表示接收站在時(shí)刻t收到的位置信息p和其他飛行狀態(tài)特征f,其中位置信息p包括經(jīng)度(plon)、緯度(plat)和飛行高度(palt),飛行狀態(tài)特征f包括航班號(hào)(fno)、對(duì)地速度(fs)和航向(fd)。

        1.2 數(shù)據(jù)分析

        民航飛機(jī)飛行都有其固定的航線,但每個(gè)航班總有晚點(diǎn)或提前的情況,所以任何時(shí)刻任何位置都可能發(fā)生飛行路線沖突,需要管制員進(jìn)行相應(yīng)的管控,如進(jìn)行高度調(diào)節(jié)管制等。

        圖1(a)和(b)分別是一個(gè)從倫敦飛往香港的國(guó)際航班CPA256,和一個(gè)從西安到三亞的國(guó)內(nèi)航班CHH7877,圖內(nèi)不同的線條表示它們?cè)谶^去14 天經(jīng)過貴州上空時(shí)段內(nèi)的飛行高度變化。從圖中可以看出,航班經(jīng)過貴州上空的高度變化每天都不完全相同,尤其是巡航高度相對(duì)較低的國(guó)內(nèi)航線CHH7877。到達(dá)的時(shí)間、高度每天都不同,可能被管制的時(shí)刻也會(huì)根據(jù)當(dāng)天當(dāng)下時(shí)段航線中的沖突情況和一些特殊要求而有所不同。但通過數(shù)據(jù)分析可以得到一定的規(guī)律:在不受特殊管制的情況下,過路航班基本保持既定的方向平飛;但若有管制發(fā)生,飛機(jī)狀態(tài)也基本可以分為四種,即按照既定的方向平飛、上升一定的高度、按照臨時(shí)管制的高度平飛和下降一定的高度。通過神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)對(duì)一個(gè)航班過去N天的歷史飛行數(shù)據(jù)進(jìn)行特征挖掘,從而進(jìn)行航跡預(yù)測(cè)。

        圖1 航班14天的飛行高度變化Fig.1 Flight altitude change of flights in 14 days

        1.3 數(shù)據(jù)預(yù)處理

        ADS-B 報(bào)文數(shù)據(jù)是以文本的形式存儲(chǔ),要對(duì)其進(jìn)行分析和使用,首先需要數(shù)據(jù)預(yù)處理,過程如圖2 所示。先以天為單位進(jìn)行報(bào)文解碼,再通過航班號(hào)對(duì)數(shù)據(jù)進(jìn)行分組,每個(gè)航班的數(shù)據(jù)單獨(dú)存儲(chǔ)在一個(gè)文件中,并按照系統(tǒng)接收時(shí)間進(jìn)行排序。

        圖2 數(shù)據(jù)預(yù)處理Fig.2 Data preprocessing

        其次是航班過濾,由于起飛、巡航、降落的飛機(jī)有著明顯不同軌跡特征,為了從ADS-B 數(shù)據(jù)中更準(zhǔn)確地研究出飛機(jī)的航跡特征,將管制相對(duì)較少的過路航班作為研究對(duì)象實(shí)施有針對(duì)性的特征學(xué)習(xí),需要將過路航班從起降航班數(shù)據(jù)中分離出來。

        由于ADS-B 發(fā)送頻率高、重復(fù)數(shù)據(jù)多、時(shí)間間隔參差不齊,為了便于學(xué)習(xí)和預(yù)測(cè),在處理數(shù)據(jù)時(shí),以大于或等于1 s的時(shí)間間隔進(jìn)行篩選,刪除間隔小于1 s數(shù)據(jù),去掉空值,并對(duì)大于2 s的數(shù)據(jù)進(jìn)行插值,提高數(shù)據(jù)質(zhì)量。

        原始數(shù)據(jù)特征可分為時(shí)間特征(Time)、位置特征(Position)、飛行狀態(tài)特征(Status)和運(yùn)動(dòng)特征(Movement)。其中每條航跡的長(zhǎng)度和起始時(shí)間都不一樣,但經(jīng)過去冗插值之后的數(shù)據(jù),時(shí)間間隔平均都為Δt,設(shè)x航班的航跡總長(zhǎng)為nx,即有nx個(gè)時(shí)刻點(diǎn)的數(shù)據(jù),則時(shí)間列的具體時(shí)間可轉(zhuǎn)化為0,1*Δt,2*Δt,…,nx*Δt。位置特征為經(jīng)、緯、高組成的三維坐標(biāo),飛行狀態(tài)特征為航班號(hào)、速度和航向組成的三維數(shù)據(jù),而運(yùn)動(dòng)特征則是每個(gè)時(shí)刻點(diǎn)相對(duì)于前一時(shí)刻的變化,由位置變化(dp)、速度變化(ds)和航向變化(dd)組成。

        為了減少延遲和降低誤差,從實(shí)際需求綜合考慮,不預(yù)測(cè)大于5 min的航跡,所以根據(jù)需要,將每條航跡數(shù)據(jù)進(jìn)行切割,生成的每段航跡為固定長(zhǎng)度n。其中訓(xùn)練數(shù)據(jù)集包含前14天的歷史軌跡數(shù)據(jù),處理后的每條輸入數(shù)據(jù)由真實(shí)完整的航跡段數(shù)據(jù)y、預(yù)測(cè)部分置零的航跡段數(shù)據(jù)x和掩碼(mask)三部分組成。用mask 方法將預(yù)測(cè)部分和不足固定長(zhǎng)度的部分都置0,使得對(duì)于真實(shí)軌跡總長(zhǎng)m小于n的,模型仍然預(yù)測(cè)長(zhǎng)度為n的軌跡,只是大于m的部分并不會(huì)包含在損失的計(jì)算中。測(cè)試數(shù)據(jù)集為第15 天相同航線的航班軌跡數(shù)據(jù),固定長(zhǎng)度和預(yù)測(cè)長(zhǎng)度與訓(xùn)練數(shù)據(jù)相同。

        2 條件變分自動(dòng)編碼器

        條件變分自動(dòng)編碼器是一種深度生成模型,利用深度神經(jīng)網(wǎng)絡(luò)對(duì)概率分布進(jìn)行擬合,以最大化變分下屆為優(yōu)化目標(biāo),在無監(jiān)督模型變分自動(dòng)編碼器(Variational Auto-Encoder,VAE)的基礎(chǔ)上,加入了目標(biāo)輸出相關(guān)的先驗(yàn)信息作為編碼器和解碼器的輸入,通過編碼-解碼的過程,有目的地進(jìn)行樣本重構(gòu)。由于任何一個(gè)確定結(jié)構(gòu)的模型都不能對(duì)所有的數(shù)據(jù)集進(jìn)行最佳的泛化,所以本文提出以數(shù)據(jù)集和任務(wù)作為驅(qū)動(dòng),自動(dòng)生成一個(gè)條件邊分自動(dòng)編碼器。

        2.1 CVAE基本原理

        設(shè)神經(jīng)網(wǎng)絡(luò)的輸入變量為x,輸出變量為y,隱變量為z,整個(gè)過程如圖3 所示:將x與目標(biāo)輸出y共同輸入到編碼器,得到隱變量z的先驗(yàn)分布pθ(z|x,y)的均值和方差,然后從一個(gè)標(biāo)準(zhǔn)正態(tài)分布中進(jìn)行采樣(ε),再縮放平移得到z,最后將x與z合并,作為解碼器的輸入,得到后驗(yàn)分布pθ(y|x,z),生成特定的y。其中,由于混合高斯可以擬合任意分布,所以假設(shè)隱變量的先驗(yàn)分布服從一個(gè)均值為μ、方差為σ2的多維高斯分布,通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)可以實(shí)現(xiàn)對(duì)其各個(gè)維度進(jìn)行擬合。重參過程為:

        圖3 條件變分自動(dòng)編碼器Fig.3 Conditional variational auto-encoder

        其中?~N(0,1)。

        重參方法使得編碼-解碼的過程變得連續(xù)可導(dǎo),便于梯度的反向傳播,從而高效地完成網(wǎng)絡(luò)參數(shù)的優(yōu)化。而最終的目標(biāo)是要最大化條件似然?=即要找出一組參數(shù)θ,使得模型產(chǎn)生出觀測(cè)數(shù)據(jù)的概率最大。由于后驗(yàn)概率不可計(jì)算,轉(zhuǎn)而使用變分下界來進(jìn)行優(yōu)化:

        其中KL(Kullback-Leible)散度的兩項(xiàng)分別是隱變量的后驗(yàn)分布和先驗(yàn)分布;期望部分對(duì)應(yīng)的是生成網(wǎng)絡(luò)輸出的對(duì)數(shù)似然在隱變量的后驗(yàn)分布上的期望,并常使用蒙特卡羅方法來計(jì)算,即:

        其中z(l)=gφ(x,y,ε(l)),ε(l)~N(0,1),gφ(·,·)為連續(xù)可微分的函數(shù),L代表采樣的個(gè)數(shù)。

        2.2 基于AutoCVAE的4D航跡預(yù)測(cè)

        2.2.1 模型結(jié)構(gòu)搜索

        對(duì)于不同的任務(wù)、不同的數(shù)據(jù),神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以怎樣的方式進(jìn)行設(shè)計(jì)能實(shí)現(xiàn)低冗余、高精度,仍然是一個(gè)研究的熱點(diǎn)。目前神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)主要有兩大類研究方向:一個(gè)是神經(jīng)網(wǎng)絡(luò)自生成,一個(gè)是網(wǎng)絡(luò)結(jié)構(gòu)壓縮。而用條件變分自動(dòng)編碼器進(jìn)行航跡預(yù)測(cè)并沒有成型的、高精度的網(wǎng)絡(luò)結(jié)構(gòu),所以本文提出以ADS-B 數(shù)據(jù)為驅(qū)動(dòng)、以精確地預(yù)測(cè)4D 航跡為目標(biāo),自動(dòng)生成一個(gè)輕量級(jí)、高精度的深度神經(jīng)網(wǎng)絡(luò),其中用到的結(jié)構(gòu)搜索方法是貝葉斯超參數(shù)優(yōu)化法,通過最優(yōu)地選取卷積層特征圖的數(shù)量、全連接層神經(jīng)元的數(shù)量、激活函數(shù)等,使得預(yù)測(cè)過程代價(jià)最小、結(jié)果誤差更小。

        貝葉斯優(yōu)化方法是一種為序列模式的模型提供求全局優(yōu)化的方法,它與隨機(jī)搜索和網(wǎng)格搜索最大的不同在于,它在嘗試下一組超參數(shù)時(shí),會(huì)參考之前的評(píng)估結(jié)果,使用不斷更新的概率模型,在更有可能得到更好結(jié)果的超參數(shù)范圍內(nèi)選擇新的超參數(shù)。

        在航跡預(yù)測(cè)任務(wù)中,目標(biāo)函數(shù)是要使在對(duì)應(yīng)時(shí)刻的預(yù)測(cè)位置與真實(shí)位置之間的誤差最小,通過高斯回歸的過程(Gaussian Processes)計(jì)算前面幾個(gè)點(diǎn)D={(a1,e1),(a2,e2),…}(一次超參數(shù)的選擇a和目標(biāo)值e組成一個(gè)點(diǎn))的后驗(yàn)概率分布,得到每個(gè)超參數(shù)在每個(gè)取值點(diǎn)的期望均值μ和方差σ2,其中均值代表這個(gè)點(diǎn)最終的期望效果,方差表示這個(gè)點(diǎn)的效果不確定性。為了達(dá)到預(yù)測(cè)誤差更小的目的,本文選擇期望增量(Expected Improvement,EI)作為提取函數(shù)來指導(dǎo)新一輪超參數(shù)的選擇,經(jīng)過數(shù)次迭代,便可以找到最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)結(jié)構(gòu)搜索過程如圖4所示。

        圖4 網(wǎng)絡(luò)結(jié)構(gòu)搜索過程Fig.4 Search process of network structure

        具體的實(shí)施EI 方法如下:定義一個(gè)獎(jiǎng)勵(lì)函數(shù)m(a)=max(0,f′-f(a)),a表示一組超參數(shù),是目標(biāo)函數(shù)f(a)的變量,f′表示目標(biāo)當(dāng)前誤差的最小值,因?yàn)槟繕?biāo)是找到使得f(a)值最小的一組a,所以將之后的每一個(gè)f(a)與f′之間的差值的絕對(duì)值作為獎(jiǎng)勵(lì),如果沒有更小的,則獎(jiǎng)勵(lì)為0,提取函數(shù)t(a)的最大值即為最優(yōu)點(diǎn)。

        其中:Φ(a)表示累積密度函數(shù),φ(a)表示正態(tài)分布的概率密度函數(shù),μ(a)和σ(a)分別表示預(yù)測(cè)均值和標(biāo)準(zhǔn)差。第一項(xiàng)是盡可能減小均值,第二項(xiàng)是盡可能增大方差,但二者并不能同時(shí)滿足,所以這是一個(gè)開發(fā)與探索尋求均衡的一個(gè)過程。

        在構(gòu)建基于ADS-B 數(shù)據(jù)的航跡預(yù)測(cè)任務(wù)模型中,由于預(yù)訓(xùn)練過程是線下完成,所以可以通過嘗試多次迭代,多次選取不同的初始值,構(gòu)建更優(yōu)、更精簡(jiǎn)的模型,而無須過多考慮時(shí)間代價(jià)。

        2.2.2 網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)

        訓(xùn)練階段:一方面,神經(jīng)網(wǎng)絡(luò)的輸入由位置信息、狀態(tài)信息和運(yùn)動(dòng)特征信息融合而成,既有輸入又包含目標(biāo)輸出,定義為y,總長(zhǎng)度為n,表示為y1:n;同時(shí),為了實(shí)現(xiàn)實(shí)時(shí)的未來軌跡的預(yù)測(cè),選取觀測(cè)點(diǎn)時(shí)間t(0 <t<n),用掩碼(mask)將大于t的預(yù)測(cè)部分置零,則觀測(cè)航跡數(shù)據(jù)表示為y1:t。用相同的編碼器將y1:t和y1:n分別進(jìn)行編碼,得到部分軌跡的隱變量分布qφ(z|y1:t)和整條軌跡的隱變量分布qφ(z|y1:n)。

        為了使得部分軌跡的隱變量分布與整條軌跡的隱變量分布更接近,在計(jì)算變分下界時(shí),是通過這兩個(gè)高斯分布qφ(z|y1:n)和qφ(z|y1:t)的均值和方差來表示它們的KL 散度,設(shè)其中qφ(z|y1:n)~N(μ1,σ12),qφ(z|y1:t)~N(μ2,σ22),則有:

        其中m為z采樣的數(shù)量。

        訓(xùn)練階段z是從qφ(z|y1:n)中進(jìn)行采樣的,過程采用重參數(shù)技巧,將采樣的過程在網(wǎng)絡(luò)外部進(jìn)行,使整個(gè)網(wǎng)絡(luò)變得連通,實(shí)現(xiàn)用梯度下降的方法學(xué)習(xí)到網(wǎng)絡(luò)的參數(shù)。解碼生成的過程是合并ztr和y1:t作為解碼器的輸入,得到預(yù)測(cè)輸出ypred,它是一條長(zhǎng)度為n的航跡,既包括前段的ypred(1:t),也包括未來一段的ypred(t+1:n)。

        動(dòng)態(tài)實(shí)時(shí)地預(yù)測(cè)飛機(jī)的4D 航跡意味著要在短時(shí)間內(nèi)知道在未來一段時(shí)間飛機(jī)最可能的飛行軌跡,此時(shí)便需要考慮時(shí)間代價(jià)。由于預(yù)訓(xùn)練好的模型已經(jīng)對(duì)飛機(jī)的各種運(yùn)動(dòng)軌跡進(jìn)行了特征學(xué)習(xí),只要從某個(gè)時(shí)刻起獲取到了一個(gè)航班的飛行信息,便可以迅速預(yù)測(cè)未來一段時(shí)間的飛行軌跡。

        與訓(xùn)練階段不同的是,預(yù)測(cè)生成階段的隱變量z是從部分軌跡的分布qφ(z|y1:t)中進(jìn)行多次采樣,再分別與輸入特征(y1:t)進(jìn)行融合輸入解碼器,最后將多條預(yù)測(cè)軌跡取平均作為最終的預(yù)測(cè)軌跡ymean。

        最后,評(píng)價(jià)預(yù)測(cè)的4D航跡的準(zhǔn)確度,通過分別計(jì)算經(jīng)度、緯度、高度、時(shí)間4個(gè)維度平均絕對(duì)誤差(Mean Absolute Error,MAE)來實(shí)現(xiàn),其中:MAE(ytrue,ymean)=同時(shí)考慮到大量航跡的預(yù)測(cè)存在時(shí)間延遲,需要計(jì)算每次每一批航跡預(yù)測(cè)所用的時(shí)間。

        3 實(shí)驗(yàn)及結(jié)果分析

        3.1 數(shù)據(jù)集

        本文使用的數(shù)據(jù)是通過FlightAware 提供的,在貴州地區(qū)ADS-B 地面接收器采集到的,但數(shù)據(jù)遠(yuǎn)不止來自經(jīng)過貴州上空的飛機(jī),還包括經(jīng)過周圍四川、湖南部分地區(qū)的飛機(jī),所以數(shù)據(jù)量大,軌跡也較長(zhǎng)。為實(shí)驗(yàn)方便,本文只選取兩條航線的航班進(jìn)行實(shí)驗(yàn),一條是從西安到三亞的國(guó)內(nèi)航線,另一條是從倫敦到香港的國(guó)際航線,其中涉及的航班號(hào)有:CHH7877、CES2339、CBJ5176、VIR206、CPA256、BAW27 等,共166 條航跡數(shù)據(jù)。其中軌跡時(shí)長(zhǎng)最長(zhǎng)的約有79 min,由3 423 個(gè)時(shí)刻點(diǎn)組成(即軌跡長(zhǎng)度為3 423),平均時(shí)間間隔為1.4 s。根據(jù)需要預(yù)測(cè)的軌跡長(zhǎng)度,將每條航跡進(jìn)行定長(zhǎng)切割,如要預(yù)測(cè)1 min以內(nèi)的航跡(預(yù)測(cè)步長(zhǎng)約為43),最佳定長(zhǎng)設(shè)為100,則可以切割得到4 366條定長(zhǎng)軌跡。實(shí)驗(yàn)中各種單位的解釋如表1。

        表1 實(shí)驗(yàn)中各種單位的含義Tab.1 Meanings of the units in the experiment

        實(shí)驗(yàn)中,以前14 天的航跡數(shù)據(jù)作為訓(xùn)練集,以第15 天的數(shù)據(jù)作為測(cè)試集進(jìn)行預(yù)測(cè)。

        3.2 實(shí)驗(yàn)環(huán)境及網(wǎng)絡(luò)結(jié)構(gòu)

        實(shí)驗(yàn)環(huán)境是Ubuntu 18.04,64 位操作系統(tǒng),GeForce RTX 2070的顯卡,深度學(xué)習(xí)框架為Keras。

        AutoCVAE 內(nèi)部結(jié)構(gòu)為卷積神經(jīng)網(wǎng)絡(luò),具體表現(xiàn)為“卷積-激活-卷積-激活-池化”的三次堆疊(根據(jù)預(yù)測(cè)長(zhǎng)度的選擇不同,堆疊次數(shù)會(huì)有相應(yīng)地增加或減少),通過網(wǎng)絡(luò)自生成的過程,得到卷積核大小分別為5×5 和3×3;卷積層激活函數(shù)為ReLU(Rectified Linear Unit),解碼器特征融合過程的激活函數(shù)為tanh;編碼器池化層為2×2 的最大池化,在解碼器中對(duì)應(yīng)的池化位置為2×2 的上采樣層。同時(shí),為防止過擬合采用的是對(duì)激活層的輸出進(jìn)行L1 正則化,系數(shù)0.000 12 為最佳。訓(xùn)練過程使用Adam 優(yōu)化器和自定義的損失函數(shù),訓(xùn)練批次最佳為98,迭代為94次。

        3.3 實(shí)驗(yàn)結(jié)果分析

        本文提出的預(yù)測(cè)生成模型源于ADS-B數(shù)據(jù)和航跡預(yù)測(cè)任務(wù),具有針對(duì)性強(qiáng)、實(shí)時(shí)性高、預(yù)測(cè)誤差小、對(duì)數(shù)據(jù)量的需求低的特點(diǎn)。通過實(shí)驗(yàn)對(duì)比,以航班CHH7877和CPA256為例,分別分析了預(yù)測(cè)過程中影響預(yù)測(cè)精度的因素、模型的穩(wěn)定性以及泛化能力和預(yù)測(cè)結(jié)果的實(shí)用性。

        3.3.1 觀測(cè)點(diǎn)個(gè)數(shù)對(duì)預(yù)測(cè)結(jié)果的影響

        在觀察到飛機(jī)出現(xiàn)在某空域之后多長(zhǎng)時(shí)間的軌跡數(shù)據(jù)可以得到有效的軌跡預(yù)測(cè),從實(shí)際需求的角度分析,如果少量數(shù)據(jù)便可以實(shí)現(xiàn)高精度的預(yù)測(cè)是最理想的情況。因此,本節(jié)的實(shí)驗(yàn)選擇了軌跡定長(zhǎng)為256,觀測(cè)點(diǎn)個(gè)數(shù)分別為5、10、20、30、50、100、150時(shí)的預(yù)測(cè)效果,分析觀測(cè)點(diǎn)個(gè)數(shù)對(duì)預(yù)測(cè)精度的影響。

        當(dāng)選定預(yù)測(cè)步長(zhǎng)為100(140 s)時(shí),經(jīng)、緯、高、時(shí)間四個(gè)維度的平均絕對(duì)預(yù)測(cè)誤差都不會(huì)有明顯地隨著觀測(cè)點(diǎn)個(gè)數(shù)的增加而減小的趨勢(shì)(表2),而且經(jīng)度誤差小于0.02°,緯度誤差小于0.03°,高度誤差小于50 m,每個(gè)時(shí)刻點(diǎn)的時(shí)間誤差小于10 s。由此可見,本文提出的預(yù)測(cè)生成模型在預(yù)測(cè)飛機(jī)的航跡時(shí),并不需要知道離預(yù)測(cè)點(diǎn)比較遠(yuǎn)的歷史信息,就近的位置特征、飛機(jī)狀態(tài)和運(yùn)動(dòng)特征便可以提供有效的預(yù)測(cè)依據(jù)。模型對(duì)數(shù)據(jù)量的依賴性較小,只要收集到5 個(gè)點(diǎn)(即過去7 s)的數(shù)據(jù),即可對(duì)未來100 個(gè)點(diǎn)(140 s)的飛機(jī)位置信息進(jìn)行精準(zhǔn)的預(yù)測(cè),能減少實(shí)時(shí)系統(tǒng)在數(shù)據(jù)處理上的時(shí)間,從而降低預(yù)測(cè)延遲。

        表2 預(yù)測(cè)步長(zhǎng)為100時(shí)選擇不同的觀測(cè)點(diǎn)個(gè)數(shù)的預(yù)測(cè)誤差Tab.2 Prediction errors of different observation point numbers with prediction step of 100

        3.3.2 預(yù)測(cè)步長(zhǎng)對(duì)精度的影響

        對(duì)空管不同的需求,本文提出的模型能夠提供選擇需要的預(yù)測(cè)步長(zhǎng)。為保證模型對(duì)預(yù)測(cè)步長(zhǎng)的魯棒性,本節(jié)通過設(shè)置預(yù)測(cè)步長(zhǎng)分別為30、50、100、150、200、246 進(jìn)行實(shí)驗(yàn)對(duì)比,其中軌跡定長(zhǎng)為256,觀測(cè)點(diǎn)個(gè)數(shù)為10。

        實(shí)驗(yàn)結(jié)果如表3 所示,經(jīng)度、緯度、高度三個(gè)維度的預(yù)測(cè)誤差會(huì)隨著預(yù)測(cè)步長(zhǎng)的增加而有所增大,以預(yù)測(cè)效果最差的一項(xiàng)來看,預(yù)測(cè)步長(zhǎng)為246 個(gè)時(shí)刻(即未來5.7 min)的平均經(jīng)度誤差小于0.02°,緯度誤差小于0.03°,高度誤差也小于65 m。其中明顯的一點(diǎn)是,在高度變化相對(duì)頻繁的航班CHH7877 這種航跡中,高度誤差會(huì)隨著預(yù)測(cè)步長(zhǎng)增加而增大得更多一點(diǎn);對(duì)于巡航軌跡更加穩(wěn)定的航班CPA256,經(jīng)緯高的誤差增大量可忽略不計(jì)。而每個(gè)時(shí)刻點(diǎn)的平均時(shí)間誤差并沒有明顯的趨勢(shì)變化,因?yàn)椴杉降臄?shù)據(jù)會(huì)有或密集或缺失等不規(guī)律現(xiàn)象。當(dāng)數(shù)據(jù)密集時(shí),數(shù)據(jù)處理階段已經(jīng)完成了平均時(shí)間間隔為1.4 s 的過濾,在這些時(shí)刻點(diǎn),時(shí)間誤差會(huì)比較小;而當(dāng)數(shù)據(jù)缺失嚴(yán)重時(shí),如不對(duì)數(shù)據(jù)進(jìn)行有效插值,時(shí)間誤差便會(huì)比較大。在實(shí)時(shí)系統(tǒng)中,并不知道未來的數(shù)據(jù)是密集還是缺失,但從歷史未做插值處理的數(shù)據(jù)(本次實(shí)驗(yàn)中的數(shù)據(jù))中可知,各時(shí)刻點(diǎn)的平均時(shí)間誤差不超過12 s。

        表3 不同預(yù)測(cè)步長(zhǎng)下的預(yù)測(cè)誤差Tab.3 Prediction errors under different prediction steps

        綜上所述,本文模型在預(yù)測(cè)過路航班未來5 min內(nèi)的航跡時(shí)精度較高。而對(duì)于巡航時(shí)速500~1 000 km/h 的民航客機(jī)來說,5 min 的航跡相當(dāng)于40~83 km 的距離,這為飛行員或管制員對(duì)空中交通狀況進(jìn)行預(yù)判提供了足夠的時(shí)間和空間。根據(jù)實(shí)際需要,可以選擇未來短期的高精度預(yù)測(cè),或者以犧牲一定的預(yù)測(cè)精度為代價(jià),預(yù)測(cè)未來更長(zhǎng)一段時(shí)間的4D航跡。

        3.3.3 預(yù)測(cè)航跡與真實(shí)航跡的比較

        評(píng)價(jià)預(yù)測(cè)模型的穩(wěn)定性和泛化能力可以用更多沒有訓(xùn)練過的數(shù)據(jù)進(jìn)行驗(yàn)證。本文模型是通過學(xué)習(xí)所有飛過貴州上空的航班過去14 天的歷史航跡數(shù)據(jù),足以習(xí)得大部分飛機(jī)的飛行運(yùn)動(dòng)規(guī)律。本節(jié)使用第15 天的航跡數(shù)據(jù)進(jìn)行軌跡預(yù)測(cè)實(shí)驗(yàn),以航班CHH7877和CPA256的預(yù)測(cè)結(jié)果為例進(jìn)行分析。

        實(shí)驗(yàn)中,以預(yù)測(cè)步長(zhǎng)為50 進(jìn)行持續(xù)的預(yù)測(cè),便可以形成飛越貴州上空的整條軌跡。圖5 和圖6 分別是從西安到三亞的航班CHH7877 的預(yù)測(cè)結(jié)果和從倫敦到香港的航班CPA256的預(yù)測(cè)結(jié)果,橫坐標(biāo)的歸一化時(shí)間(指從接收到該航班的信息時(shí)算起),初始為0,以1.4 s為時(shí)間間隔,刻畫每個(gè)時(shí)間點(diǎn)的位置信息,如航班CHH7877 的航跡總長(zhǎng)為2 504,歸一化時(shí)間總長(zhǎng)則為3 505.6 s。其中(a)~(c)的紅色實(shí)線分別表示預(yù)測(cè)的經(jīng)度、緯度和飛行高度,藍(lán)色虛線表示真實(shí)的經(jīng)度、緯度和高度,可以看出曲線擬合得非常相近,意味著在該航線進(jìn)行的44次預(yù)測(cè)精度都比較高,模型的穩(wěn)定性較好。

        圖5 從西安到三亞的航班CHH7877預(yù)測(cè)結(jié)果Fig.5 Prediction results of flight CHH7877 from Xi’an to Sanya

        圖6 從倫敦到香港的航班CPA256預(yù)測(cè)結(jié)果Fig.6 Prediction results of flight CPA256 from London to Hongkong

        再從兩趟航班的預(yù)測(cè)效果來看,總體差別不大,更是說明本文模型在進(jìn)行軌跡預(yù)測(cè)生成時(shí),不會(huì)因?yàn)榫唧w的航班或者航線而受到太大的影響,只是在飛機(jī)有高度變化的點(diǎn)附近,高度曲線波動(dòng)比較大,因?yàn)楣苤频臅r(shí)間、方向和具體高度的隨機(jī)性,使得純軌跡數(shù)據(jù)的預(yù)測(cè)受到了一定的限制,但這并不影響預(yù)測(cè)對(duì)實(shí)際的應(yīng)用,因?yàn)椴患尤牍苤菩畔ⅲ醇僭O(shè)沒有發(fā)生實(shí)時(shí)管制,飛機(jī)是會(huì)按照預(yù)測(cè)的軌跡飛行的。因此,模型的泛化能力較強(qiáng)。具體地,從圖(d)、(e)的預(yù)測(cè)誤差值來看,經(jīng)、緯度平均絕對(duì)誤差(橘色水平直線和藍(lán)色水平虛線)在0.03°以下,高度的平均絕對(duì)誤差(水平直線)也能保持在30 m 以下,模型的預(yù)測(cè)精度較高。圖(f)是進(jìn)行一次航跡預(yù)測(cè),50個(gè)預(yù)測(cè)點(diǎn)對(duì)應(yīng)的時(shí)間誤差,最大誤差也沒有超過10 s,也沒有明顯的變化趨勢(shì)。再次驗(yàn)證了3.3.2 節(jié)中關(guān)于時(shí)間維度誤差的分析,同時(shí),由這種高密度時(shí)刻點(diǎn)的預(yù)測(cè)誤差小于10 s,可以推斷在過重要航路點(diǎn)時(shí)的時(shí)間誤差也基本會(huì)是這樣的數(shù)量級(jí)。

        3.3.4 不同模型的預(yù)測(cè)結(jié)果比較

        目前航跡的監(jiān)視和預(yù)測(cè)數(shù)據(jù)源主要是來自雷達(dá)或者ADS-B,或者兩者的結(jié)合,目標(biāo)多是通過考察過重要航路點(diǎn)四維信息的精確度,為空中交通管理提供有效的參考。但隨著新運(yùn)行概念、新運(yùn)行模式的提出,下一代空管系統(tǒng)需要面對(duì)更加復(fù)雜的空中交通環(huán)境,尤其是在開放區(qū)域,飛行員可自主選擇飛行路線,這對(duì)監(jiān)視和預(yù)測(cè)的實(shí)時(shí)性要求更高。本節(jié)通過列舉4 個(gè)航跡預(yù)測(cè)模型的預(yù)測(cè)效果,說明本文模型在實(shí)時(shí)性和精確度上更有優(yōu)勢(shì)。

        表4 列舉了四種4D 航跡預(yù)測(cè)方法的預(yù)測(cè)結(jié)果。其中馬蘭等[5]使用的CURE(Clustering Using REpresentative)方法和Wu 等[7]提出的多層感知機(jī)(MultiLayer Perceptron,MLP)模型將評(píng)價(jià)標(biāo)準(zhǔn)定在了過重要航路點(diǎn)上的預(yù)測(cè)誤差,雖然時(shí)間誤差相對(duì)多一點(diǎn),但也可接受,且高度和經(jīng)緯度誤差較小,可以作為有效的預(yù)判參考。作為未來高度自動(dòng)化、智能化的空中交通管理系統(tǒng),僅參考重要航路點(diǎn)的信息是不夠的。

        表4 不同模型的預(yù)測(cè)結(jié)果比較Tab.4 Prediction result comparison among different models

        林毅等[6]提出的高斯混合模型(Gaussian Mixture Model,GMM)對(duì)相鄰時(shí)刻(間隔4 s)的相對(duì)位置偏移量進(jìn)行建模,迭代生成的預(yù)測(cè)航跡,高度誤差整體波動(dòng)不大,平均在300 m 左右,誤差相對(duì)較大,其原因首先可能是數(shù)據(jù)源,在ADS-B以前,飛機(jī)的定位主要通過一次雷達(dá)和二次雷達(dá),雖然精度很高,但其工作模式?jīng)Q定了時(shí)間延遲的存在,且預(yù)測(cè)生成方式是迭代式,因此不僅在時(shí)間上,位置上也會(huì)有很大的偏差。

        本文提出的自生成條件邊分自動(dòng)編碼器(AutoCVAE)保留了每條航跡中平均時(shí)間間隔為1.4 s的所有ADS-B數(shù)據(jù),一次性預(yù)測(cè)未來50 個(gè)點(diǎn),即未來70 s 的航跡,平均高度誤差小于30 m,經(jīng)緯度誤差均小于0.03°。雖然文獻(xiàn)[5,7]的最大高度誤差比AutoCVAE 的小一些,但也只是過重要航路點(diǎn)的值,實(shí)時(shí)性的參考價(jià)值不大。而在時(shí)間誤差、平均高度誤差、平均經(jīng)緯度誤差的評(píng)價(jià)指標(biāo)上,本文方法所得值最小。

        綜合評(píng)價(jià),本文提出的AutoCVAE 在飛機(jī)的4D 航跡預(yù)測(cè)中,基本能夠在保持甚至略微提高精度的情況下,提供實(shí)時(shí)性的預(yù)測(cè)參考。

        3.3.5 預(yù)測(cè)時(shí)間延遲

        實(shí)時(shí)動(dòng)態(tài)地預(yù)測(cè)未來軌跡,除了要考慮預(yù)測(cè)精度,還要評(píng)估預(yù)測(cè)的延遲時(shí)間。實(shí)驗(yàn)中分別測(cè)試了50、150、250和350個(gè)航班同時(shí)預(yù)測(cè)未來5 min的航跡時(shí)所需的時(shí)間,基本都保持在0.1~0.2 s,沒有超過0.2 s,時(shí)間延遲較小。文獻(xiàn)[9]中提出的航跡預(yù)測(cè)方法能夠?yàn)闆_突檢測(cè)模塊提前30 s 檢測(cè)到?jīng)_突,而本文方法能預(yù)測(cè)未來5 min的航跡,又由于航跡的預(yù)測(cè)過程時(shí)間延遲較少,相對(duì)5 min便可忽略不計(jì),因此便能提前5 min檢測(cè)到?jīng)_突,而其中很重要的一點(diǎn),便是本文預(yù)測(cè)模型不會(huì)因?yàn)檫^長(zhǎng)的預(yù)測(cè)響應(yīng)時(shí)間而影響實(shí)時(shí)性。雖然其他模型尚未對(duì)預(yù)測(cè)延遲時(shí)間進(jìn)行評(píng)估,但本文方法預(yù)測(cè)時(shí)間少,足以為輔助飛機(jī)監(jiān)測(cè)和為管制員進(jìn)行預(yù)判提供有效的幫助。

        4 結(jié)語

        本文基于數(shù)據(jù)驅(qū)動(dòng)方式構(gòu)建新的條件變分自動(dòng)編碼器模型,在飛機(jī)的4D航跡預(yù)測(cè)中得到了很好的效果。但由于軌跡的分析和預(yù)測(cè)只使用了ADS-B提供的數(shù)據(jù),沒有考慮天氣、管制等不確定因素,使得在飛機(jī)軌跡在高度發(fā)生很大變化的點(diǎn)(多源于管制),預(yù)測(cè)誤差會(huì)明顯增大,這也將是后續(xù)研究將要考慮的問題。

        猜你喜歡
        航跡編碼器航班
        全美航班短暫停飛
        山航紅色定制航班
        金橋(2021年10期)2021-11-05 07:23:10
        山航紅色定制航班
        金橋(2021年8期)2021-08-23 01:06:24
        山航紅色定制航班
        金橋(2021年7期)2021-07-22 01:55:10
        夢(mèng)的航跡
        青年歌聲(2019年12期)2019-12-17 06:32:32
        基于FPGA的同步機(jī)軸角編碼器
        自適應(yīng)引導(dǎo)長(zhǎng)度的無人機(jī)航跡跟蹤方法
        基于PRBS檢測(cè)的8B/IOB編碼器設(shè)計(jì)
        視覺導(dǎo)航下基于H2/H∞的航跡跟蹤
        JESD204B接口協(xié)議中的8B10B編碼器設(shè)計(jì)
        電子器件(2015年5期)2015-12-29 08:42:24
        手机看片福利盒子久久青| 久久久国产熟女综合一区二区三区| 偷拍视频这里只有精品| 国产日产一区二区三区四区五区 | 亚洲av午夜一区二区三| 777精品出轨人妻国产| 精品无码人妻一区二区三区不卡 | 天天干夜夜操| 久久99亚洲综合精品首页| 国产精品一区二区三区黄片视频 | 久久无码字幕中文久久无码| 超级碰碰色偷偷免费视频| 色猫咪免费人成网站在线观看 | 国产精品农村妇女一区二区三区 | 国产在线观看免费视频软件| 无码人妻精品一区二区蜜桃网站 | 性感的小蜜桃在线观看| 国产亚洲综合一区二区三区| 国产亚洲精品久久777777| 牛牛本精品99久久精品88m| 日韩成人精品日本亚洲| 国产成人精品自拍在线观看| 国产av一区二区三区性入口| 日本一本之道高清不卡免费| 三级在线看中文字幕完整版| 亚洲天堂免费视频| 精品国产车一区二区三区| 亚洲一二三四区免费视频| 国产无遮挡又黄又爽免费网站| 国产欧美精品一区二区三区–老狼 | 中文字幕东京热一区二区人妻少妇 | 国产三级欧美| 亚洲日本精品一区二区三区 | 久久av高潮av喷水av无码| 97人妻蜜臀中文字幕| 一区二区三区天堂在线| 成人精品视频一区二区三区尤物| 久久tv中文字幕首页| 99久久精品国产自在首页| 日本一区二区三级免费| 亚洲中文字幕无码av|