[发明专利]基于自注意力的多维度轨迹预测方法、装置

说明书

本发明公开了一种基于自注意力的多维度轨迹预测方法、装置，所述方法包括：根据连续属性特征，识别得到轨迹关键点，拟合后得到目标轨迹；将离散属性特征与连续属性特征进行向量化统一，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；建立模型池，将特征组合轨迹与对应的位置特征进行叠加，作为网络模型的训练集；将模型池用于运行测试集，得到的预测轨迹样本集，建立高斯概率预测模型，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。采用上述技术方案，可以充分利用和挖掘历史轨迹的属性特征的关联信息和交叉信息，同时确保误差值很小，显著提升预测结果的准确度。

技术领域

本发明涉及飞行器数据分析技术领域，尤其涉及一种基于自注意力的多维度轨迹预测方法、装置。

背景技术

飞行器的轨迹预测，是基于历史数据进行预测，具有非常高的非线性和时变性。

现有的轨迹预测方法主要是模型化方法和统计化方法，其中，模型化方法是基于目标飞行的动力学原理，建立目标轨迹动力学方程，基于历史轨迹数据，计算动力学方程参数的方法；统计化方法是以统计学的思想为基础，基于历史轨迹数据，采用机器学习和深度学习算法，模拟出目标统计规律，实现轨迹预测。

但是现有技术中存在的问题是，由于飞行器轨迹预测具有非常高的非线性和时变性，也即飞行器的飞行轨迹变化非常多样，每个轨迹节点以及变化与很多的轨迹特征有关，例如经度、纬度、速度、航向、高度、飞行器长度以及重量等等。而现有技术提供的方案，通常是简单的将历史飞行轨迹数据作为训练集对模型进行训练，在与飞行轨迹相关的轨迹特征数量较多的情况下，是难以全面、深度挖掘飞行轨迹的特征，因此预测结果的准度比较低。

发明内容

发明目的：本发明提供一种基于自注意力的多维度轨迹预测方法、装置，旨在深度挖掘飞行轨迹历史数据中的属性特征的关联信息和交叉信息，显著提升预测结果的准确度。

技术方案：本发明提供一种基于自注意力的多维度轨迹预测方法，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，进行与目标轨迹的连续属性特征的向量化统一，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；建立包括多个多头自注意力网络模型的模型池，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。

具体的，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。

具体的，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；所述离散属性特征指飞行器的固定特征。

具体的，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：