[发明专利]一种基于ADS-B的风场重建与预测系统

权利要求书

1.一种基于ADS-B的风场重建与预测系统，其特征在于：包括ADS-B数据处理模块、气象粒子模型的风场重构模块和深度学习算法的风场预测模块；

所述ADS-B数据处理模块，用于将地面站提取的ADS-B数据进行解析，获得飞机飞行的信息,通过解析后的信息识别飞机飞行状态、提取飞行数据，最后通过反演算法获得风矢量数据，并将该数据作为气象粒子模型的风场重构模块中的观测风；

所述气象粒子模型的风场重构模块，模拟自然界中的气体粒子，当获得观测风时生成粒子并对粒子进行建模，粒子在空域内传播遵循随机过程，通过组合所有相邻粒子的加权状态构建风场，并将结果用于深度学习算法的风场预测模块；

所述深度学习算法的风场预测模块，采用机器学习的方法预测空域风场信息，根据气象粒子模型重构得到风场数据，包括速度、方向、位置、高度，将所得的数据分为三组，70％作为训练集，20％作为验证集，10％作为测试集，采用Encoder-Decoder形式的Transformer序列模型，通过序列模型挖掘输入序列中的信息，再通过Decoder进行预测，预测标签包含风速与风向。

2.根据权利要求1所述的一种基于ADS-B的风场重建与预测系统，其特征在于：所述ADS-B数据处理模块包括解析ADS-B数据模块、飞机状态识别模块、飞行数据提取模块和风矢量反演模块。

3.根据权利要求2所述的一种基于ADS-B的风场重建与预测系统，其特征在于：

所述解析ADS-B数据模块，用于获取飞机飞行的数据，包括经度、纬度、航班号、地速、几何高度信息；

所述飞机状态识别模块，采用基于密度的聚类算法，从海量分散的数据中识别连续飞行航迹，使用分段线性插值的方法对漏点数据进行填补，然后对飞行状态进行识别，提取平稳飞行阶段的数据，存储到数据库中；

所述飞行数据提取模块，通过提取一架飞机完整的飞行轨迹，作为风矢量反演模块的原始数据；

所述风矢量反演模块，对飞行数据提取模块所提取的飞行轨迹数据和风矢量的关系进行建模，接着利用相关算法进行反演，获得航线区域风矢量。

4.根据权利要求1所述的一种基于ADS-B的风场重建与预测系统，其特征在于：所述气象粒子模型的风场重构模块，包括观测风取值模块、概率拒绝机制模块、产生风矢量粒子模块、粒子运动模型、粒子重构模型和风场置信模型。

5.根据权利要求4所述的一种基于ADS-B的风场重建与预测系统，其特征在于：

所述观测风取值模块，观测风取值来自ADS-B数据处理模块的风矢量反演值；

所述概率拒绝机制模块，为减少ADS-B解码的突发错误对风矢量反演值的影响，对于新的观测风将根据当前观测风的均值和方差构造概率密度函数，任何新的观测风都将依概率被接受；

所述产生风矢量粒子模块，模拟自然界中的气体粒子，对粒子进行建模，使粒子状态包括反演得到的观测风，当获得新的观测风时首先生成粒子，并根据设定的参数化核函数随时间衰减；

所述粒子运动模型，粒子运动遵循实际风矢量的高斯随机游走模型，在每一步更新中，粒子年龄均会增加；

所述粒子重构模型，建立粒子运动模型后，在任何位置均利用周围的粒子来重构风信息，使用相邻粒子的加权状态组合来构造航线外周围区域的风信息；

所述风场置信模型，重建风场后，考虑目标位置相邻的粒子因素，建立置信模型，评估置信水平。

6.根据权利要求1所述的一种基于ADS-B的风场重建与预测系统，其特征在于：所述深度学习算法的风场预测模块包括Transformer序列模型预测风。

7.根据权利要求6所述的一种基于ADS-B的风场重建与预测系统，其特征在于：所述Transformer序列模型预测风，将气象粒子模型重构得到风场数据分为三组，70％作为训练集，20％作为验证集，10％作为测试集，采用Encoder-Decoder形式的Transformer序列模型，通过序列模型挖掘输入序列中的信息，再通过Decoder进行预测。

8.根据权利要求1所述的一种基于ADS-B的风场重建与预测系统，其特征在于：所述系统实现过程如下：

步骤1、从地面接收站获取ADS-B数据，经处理获得风矢量反演值；

步骤2、以步骤1的风矢量反演值作为观测风，根据气象粒子模型重构风场；

步骤3、将空域划分成三维网格空间，采用机器学习方法中的Transformer序列模型预测空域风场信息。