[发明专利]基于自注意力的多维度轨迹预测方法、装置

权利要求书

1.一种基于自注意力的多维度轨迹预测方法，其特征在于，包括：

根据飞行的连续属性特征，从目标飞行器的历史数据中识别得到轨迹关键点，在拟合后得到目标轨迹；将历史数据中的离散属性特征向量化，与目标轨迹的连续属性特征进行向量维度统一，得到融合了离散属性特征和连续属性特征的特征组合轨迹；所述连续属性特征指飞行器在飞行过程中变化的特征，所述离散属性特征指飞行器的固定特征；

建立包括多个多头自注意力网络模型的模型池，将目标轨迹的位置特征数字化，并与特征组合轨迹向量维度统一，将特征组合轨迹与对应的位置特征进行叠加，作为多头自注意力网络模型的训练集；多头自注意力网络模型包括特征分离模型，特征分离模型用于将特征分离为离散特征、连续特征和离散连续特征，分离后的特征分别输入相应的自注意力网络通道；

加权损失函数接收自注意力网络通道的输出后进行加权得到误差值，按照误差值进行网络模型的筛选；将模型池用于运行测试集，基于运行得到的预测轨迹样本集，计算得到连续属性特征的均值和偏差，建立高斯概率预测模型；

通过高斯概率预测模型预测特定置信度的轨迹范围的均值，计算筛选后的网络模型预测的轨迹的均值，将得到的均值进行加权融合，得到预测轨迹。

2.根据权利要求1所述的基于自注意力的多维度轨迹预测方法，其特征在于，所述根据飞行的连续属性特征，从目标飞行器的历史数据中识别得到轨迹关键点，在拟合后得到目标轨迹，包括：

基于历史数据，分别计算经度、纬度、速度、航向和高度的均值和方差，根据均值和方差设置筛选条件，对历史数据进行筛选；筛选条件是，排除超过（均值-3×方差，均值+3×方差）范围的轨迹节点；

基于筛选后的历史数据，计算各轨迹节点的经度、纬度、速度、航向和高度的变化幅度，设置过滤阈值，过滤得到轨迹关键点；过滤阈值分别是，经度为2度，纬度1度，速度为30米/秒，航向10度，高度500米；

基于筛选后的历史数据，分别计算经度、纬度、速度、航向和高度的均值和方差，根据均值和方差设置补充条件，过滤得到补充轨迹关键点；补充条件是，选择在（均值-3×标准差，均值-3×0.9×标准差）和（均值+3×0.9×标准差，均值+3×标准差）范围内的轨迹节点；

根据轨迹关键点和补充轨迹关键点拟合得到目标轨迹。

3.根据权利要求2所述的基于自注意力的多维度轨迹预测方法，其特征在于，包括：建立离散属性特征映射关系，对历史数据中的离散属性特征进行数字化。

4.根据权利要求3所述的基于自注意力的多维度轨迹预测方法，其特征在于，所述将历史数据中的离散属性特征向量化，与目标轨迹的连续属性特征进行向量维度统一，包括：

对离散属性特征进行向量化，采用如下公式进行与连续属性特征的维度统一：

d=∑_i=1^m（5L_i），L_i∈{1,2,3}，

∑_i=1^m（L_i≤2m），

其中，d表示向量维度，L_i表示第i个离散属性特征的计算倍数，m表示离散属性特征的数量。

5.根据权利要求4所述的基于自注意力的多维度轨迹预测方法，其特征在于，所述自注意力网络通道的网络参数设置包括自注意力网络层数L、网络隐藏层维度D和多头数H，其中，离散特征对应的自注意力网络通道的网络参数设置为L=6、D=d和H=D/5，连续特征对应的自注意力网络通道的网络参数设置为L=4、D=5和H=D/5，离散连续特征对应的自注意力网络通道的网络参数设置为L=4、D=d+5和H=D/5；自注意力网络通道的输出通道数为5。

6.根据权利要求5所述的基于自注意力的多维度轨迹预测方法，其特征在于，所述计算得到连续属性特征的均值和偏差，包括：

分别对经度、纬度、速度、航向和高度采用极大似然估计方法，计算得到用于建立高斯概率预测模型的均值和方差。