[发明专利]基于稳健深度自编码器和密度峰值的航迹聚类与异常值识别方法

说明书

本发明公开一种基于稳健深度自编码器和密度峰值的航迹聚类与异常值识别方法，包括以下步骤：收集多维航迹样本；通过RDAE对样本进行非线性降维，利用正则化手段约束低维流形难以表示的噪声和异常向量，得到重建的去噪紧密航迹；将上述重建的航迹数据作为CFSFDP的输入样本；使用CFSFDP对战术性航迹进行提取，得到战术性航迹类别中心；通过航迹簇边缘密度参数的阈值设定，识别航迹中的异常模式；通过机场跑道的进场或离场航迹数据，实现战术性航迹聚类与异常航迹识别。本发明能够更准确的挖掘战术性航迹的隐含特征；改进以DBSCAN为核心的基于密度聚类算法在异常值阈值设定的局限性，并通过CFSFDP找到更合理的聚类中心。

技术领域

本发明属于民航技术领域，具体涉及一种基于稳健深度自编码器和密度峰值的航迹聚类与异常值识别的方法。

背景技术

空域运行环境的数据挖掘和技术优化对于民航业的高速发展具有重要意义，对于航迹数据的深度解析就是其中一项关键工作。民航运输业务具有一定的周期性和规律性，每天由空中交通管理系统记录的大量航空器运行数据，隐藏了管制员在指定空域内长时间的管控行为，可为战术性航迹偏好的挖掘提供丰富的数据支持，从而为空域异常值识别、空域复杂度度量和空域运行情况的分析等技术工作提供理论支撑。此外，大数据技术工具的发展，也为航迹的精准聚类提供了可靠的工具。

目前大多数航迹聚类技术都是通过对航迹特征提取和相似度衡量的改进得到了细化的航迹聚类结果，无法很好地避免计算复杂度高、聚类精准度和参数难调节等问题，使其模型算法不能更好地符合实际运行的需求。精密而高度非线性的航迹相似性度量算法相对欧式度量能更精准表现战术性航迹之间的差异，识别的异常值也较为理想，但在面对大量航迹时，大多计算复杂度极高，一旦聚类的航迹数据量增大，计算时长与计算消耗将伴随指数级的增长；而主成分降维的方法虽然降低了航迹间相似度衡量的计算难度，但航迹细节损失较多，聚类时会出现航迹宏观上明显分离但微观距离上相似度高的现象；以DBSCAN为核心的基于密度聚类算法使用距离半径与密度两个参数调节，低于指定密度的航迹均会被视为异常，设定较高的异常值识别阈值(距离半径小而密度高)导致标称航迹被分为多股，而较低的异常值识别阈值导致异常误判，同一参数指标下战术性航迹聚类与异常值识别难以同时进行。

本发明基于机器无监督学习聚类，提出一种基于稳健深度自编码技术(Robustdeep auto-encoder,RDAE)和密度峰值算法(Clustering by fast search and find ofdensity peaks,CFSFDP)的航迹聚类模型，以机场运行日航迹数据为研究对象，实现对机场航迹的有效精准聚类和异常值识别。

发明内容

发明目的：本发明的目的是提供一种基于稳健深度自编码技术和密度峰值算法的航迹聚类模型，通过RDAE和CFSFDP方法的结合克服目前航迹预测研究中的战术性航迹精密度量计算消耗大、线性降维导致的细节不足和参数难以调节以致异常值误判较多的问题，充分发掘含噪航迹样本的隐性特征，提供简单直接的异常值识别调节方案和航迹精准聚类结果。

发明内容：本发明所述的一种基于稳健深度自编码技术和密度峰值算法的航迹聚类方法，包括以下步骤：

(1)收集多个多维航迹样本，并进行预处理；

(2)通过RDAE基于稳健深度自编码技术对样本进行非线性降维处理，利用正则化手段约束低维流形难以表示的噪声和异常向量，得到重建的去噪紧密航迹数据；

(3)输入重建的航迹数据，作为密度峰值聚类算法的样本；

(4)使用CFSFDP密度峰值聚类算法对航迹进行提取，得到航迹类别中心；

(5)通过航迹簇边缘密度参数的阈值设定，识别航迹中的异常模式；

(6)通过对机场跑道的进场或离场航迹数据的分析和计算，实现RDAE+CFSFDP的航迹聚类与异常航迹识别。