[发明专利]基于重采样下的航迹循环预测方法

说明书

本发明公开了一种基于重采样下的航迹循环预测方法，主要解决现有技术在航迹预测中，预测时长较短和因目标在未来运动状态发生改变而造成预测误差过大的问题。其实现方案是：模拟机动目标的历史航迹和未来航迹；对目标历史航迹数据依次进行滤波、重采样和归一化的预处理；构建由Bi‑LSTM层、Dropout层、Dense层和激活层组成的神经网络模型，并利用预处理后的航迹数据对其进行训练；运用循环策略生成部分历史航迹数据，并利用训练好的神经网络模型参数对其进行计算；对计算结果进行平滑滤波，得到最终预测航迹。本发明预测误差较小，预测时长较长，在目标运动状态在未来发生改变时，仍能获得较为准确的预测航迹，可用于目标跟踪。

技术领域

本发明属于通信技术领域，特别涉及一种航迹的循环预测方法，可用于目标跟踪。

背景技术

目标轨迹预测技术是对目标未来的轨迹状态信息进行准确预测，是目标跟踪领域的关键技术之一。

随着航空飞行环境趋向复杂化，由于系统误差、气象恶劣、传感器本身的性能异常等不确定因素的影响，将会造成传感器无法继续探测到目标航迹信息，影响飞行安全的问题。因此需要具备一定的航迹预测的能力，为后续目标跟踪提供更完整的数据信息，确保飞行安全。

目前，航迹预测算法主要分为基于飞行性能参数的动力学模型、基于参数最优估计模型以及基于历史数据的机器学习方法。

在动力学模型方面，付强在论文航迹预测方法在航路飞行中的应用剖析中提出了基于大圆航线和等角航线的航迹预测方法，在模型中引入了圆航线和等角航线等信息。廖超伟在论文航空器跑道滑行轨迹预测方法中提出了一种基于空气动力学的轨迹预测方法，该方法对目标进行受力分析，建立滑行动力学模型。Porretta在论文PerformanceEvaluation of a Novel 4D Trajectory Prediction Model for Civil Aircraft中提出了一种综合考虑风速、飞机的横向制动力和速度估计的飞机性能模型。但这些方法所需要的模型参数比如气象预报、场面管制意图、飞行计划信息等在实际运用中较难获取到，因而在这些模型参数缺失的情况下，无法准确对目标进行建模，会导致预测结果不准确。

在参数最优估计方面，最经典的算法是基于卡尔曼滤波进行目标状态估计，来预测航空器的轨迹。宫淑丽在论文基于IMM算法的机场场面运动目标跟踪中提出了基于交互式多模型结合无迹卡尔曼滤波算法，此算法对飞机的运动过程进行建模，并进行轨迹的预测计算。汤新民在论文基于混杂系统理论的无冲突4D航迹预测中提出了基于混杂系统理论的航迹预测算法，此算法针对航空器在不同航段内的运动特点，构建了航空器动力学模型的参数演化模型，并且构建了状态转移模型对不同航段之间的切换进行建模，通过调整相应的参数完成航空器的航迹预测。但此类算法执行效率较低，且在不知道目标运动状态时，无法准确对目标进行建模，进而导致预测航迹误差较大。在机器学习模型方面，马勇在论文基于数据挖掘的四维航迹精密预测方法研究中提出了一种基于数据挖掘的精密航迹预测方法，该方法首先对历史航迹进行聚类，然后求出每个聚类的密集轨迹，并结合隐马尔科夫模型实现航空运输网络的地图匹配，以完成精确的航迹预测。此类算法比经典预测方法预测更为准确，但是仍存在预测时长较短的问题。

综上，现有目标航迹预测技术均存在误差大、预测模型单一，预测时长较短的不足，导致预测航迹准确性差，影响飞行安全。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于重采样下的循环预测方法，以减少机动目标航迹的预测误差，增加预测时长，提高航迹预测准确性。

本发明的技术方案是，对目标历史航迹数据进行预处理；构建并训练神经网络模型；运用循环策略生成部分历史航迹数据，并利用训练好的网络模型参数对其进行计算；对计算结果进行平滑滤波，得到最终预测航迹。

根据上述思路，本发明基于重采样下的航迹循环预测方法，其特征在于，包括如下：

(1)对机动目标的历史航迹数据进行滤波和归一化处理；