[发明专利]一种航班航迹预测方法

权利要求书

1.一种航班航迹预测方法，其特征在于，包括以下步骤：

S1：航迹数据预处理：

S1-1：航迹历史数据清洗：收集ADS-B数据，检索出起始机场A、目标机场B的航迹信息，进行数据筛选，对航迹进行等时采样，补全、剔除缺失和重复的数据；

S1-2：生成特征数据：通过航迹点j与航迹点j+1的经纬度数据，计算航迹点j的航向角、航速，依次类推，计算出所有航迹点的航向角、航速，得到每条特征样本:

，其中，为日期，为航班号，为经度，为纬度，为高度，为航速，为航向角，为时刻；

S1-3：提取高空区数据：针对步骤S1-1和S1-2处理后的航迹数据集，截取起始机场A、目标机场B终端区之外的数据，使得最终的航迹数据集Traj满足：

，

，

其中，表示取出被D包含的C中的对象，表示起始机场A的终端区几何区域，表示目标机场B的终端区几何区域，为空集，最终数据集Traj为，

其中，为航班i的所有航迹集，i=1,2,…N，N为航班数量，pos_t表示航班的第t个航迹点，t为时刻， ，T为该航班飞行总时长；

S2：气象特征提取；

S2-1：对全国雷达回波指标数据按照rgb转换规则生成全国雷达回波图；对于每个航迹点，以自身坐标为中心，构建n*n的方块雷达回波图，n=0.2°，视为目标方块；在目标方块的周围构建11个对应的n*n方块雷达回波图，n=0.2°，分别为目标方块的正前方、左侧、右侧、正前前方、正前左侧、正前右侧、正前前左侧、正前前右侧、正后方、正后左侧、正后右侧，视为影响目标航迹点的气象方块；

S2-2：针对目标方块和气象方块，利用卷积神经网络提取，得到表征气象因素的指标，所述卷积神经网络为多层神经网络，包括C1卷积层、C2卷积层、D全连接层，其中，C1卷积层是通过3*3的卷积核得到的6个特征图，C2卷积层是通过6*6的卷积核得到的12个特征图，D全连接层将12个特征图平铺后转化为维度为1的特征输出，最终，将12个方块雷达回波图卷积得到的结果拼接，得到维度为12的气象特征输出；

S2-3：设对流强度阈值为，若，则对流程度，表示当前区域对流天气强烈；若，则对流程度，表示当前区域无对流天气或较少对流天气，最终每个航迹点得到一组对应的气象特征向量Q=[q0,q1,q3,q4,q5,q6,q7,q8,q9,q10,q11]，其中，q0,q1,q3,q4,q5,q6,q7,q8,q9,q10,q11分别为目标方块的正前方、左侧、右侧、正前前方、正前左侧、正前右侧、正前前左侧、正前前右侧、正后方侧、正后左侧、正后右侧对应的方块对流强度特征；

S3：定义时序模型：使用Keras Sequential API设计基于深度循环神经网络的序列模型，所述序列模型从上到下为：输入层、卷积块、第一层长短时记忆神经网络、第二层长短时记忆神经网络、全连接层、输出层，具体地：

输入层对模型的输入数据编码，将输入序列嵌入成64维向量pos_embedding；

卷积块获得气象特征，将[lon,lat,]输入步骤S2-2得到气象特征输出,将与pos_embedding拼接，作为第一层长短时记忆神经网络的输入；

第一层长短时记忆神经网络和第二层长短时记忆神经网络对航迹序列进行时间序列学习，第一层长短时记忆神经网络设置128个神经元，第二层长短时记忆神经网络设置64个神经元；

全连接层将第二层长短时记忆神经网络的输出状态hidden再次与pos_embedding进行连接，最终输出一个维度为64的向量；

输出层将输入维度为64的向量转化为维度为3的输出向量；

S4：模型编译及训练；

S4-1：配置模型的学习过程compile，学习过程compile参数包括优化器optimizer、损失函数loss，评估标准metrics，优化器optimizer选择‘adam’，损失函数loss选择‘mae’；

S4-2：训练模型，将步骤S1得到的数据作为训练数据，训练时，批次大小batch_size=32，输入序列长度seq=6，输出序列长度out_train=1，学习率lr=0.0001，迭代次数epoch=300，进入训练模型阶段并最终将模型保存；

S5：航迹预测；

S5-1：获取要预测航班F的已知航迹序列，提取最新的k个航迹点作为输入序列，k即输入序列的长度，，， 表示航班的第t个航迹点；

S5-2：加载步骤S4训练得到的模型；

S5-3:将归一化后，改造为[1,k,feature_num]的形式输入模型进行预测，得到t+1时刻的特征向量；feature_num为输入数据的特征维度；

S5-4：将特征向量反归一化，得到 ；利用步骤S1计算出t+1时刻的航向角和航速，加上单位间隔时间，组合获得，并将加入；

S5-5：判断预测输出的位置信息是否符合以下要求： ，若符合，则停止预测，输出全部航迹，完成预测；若不符合，则在中取出最新的序列长度航迹点，并返回步骤S5-3，其中，和分别为t时刻的航班F所处的经度、纬度，和为目标机场B所在的经度、纬度。