基于改進(jìn)卷積網(wǎng)絡(luò)的終端區(qū)4D航跡預(yù)測與沖突檢測

張飛橋, 張亦馳, 嚴(yán)皓

(1.中國民用航空飛行學(xué)院經(jīng)濟(jì)與管理學(xué)院, 廣漢 618307; 2.中國民用航空飛行學(xué)院空中交通管理學(xué)院, 廣漢 618307)

終端區(qū)是機(jī)場和航路之間的空域,一般指距機(jī)場基準(zhǔn)點(diǎn)50 km以內(nèi),高度在6 600 m(不含)以下,最低高度層以上[1]。由于終端區(qū)交通繁忙且空間有限,飛行沖突的風(fēng)險(xiǎn)較高,因此對終端區(qū)航班的準(zhǔn)確預(yù)測和沖突檢測非常重要,這有助于保障航空安全、提高運(yùn)輸效率、降低運(yùn)營成本[2]。4D航跡是指飛機(jī)從起飛至降落的整個(gè)過程中在三維空間經(jīng)歷的位置和時(shí)間的有序集合[3],其中時(shí)間是第四維度。準(zhǔn)確預(yù)測4D航跡是終端區(qū)航班管制和決策的關(guān)鍵步驟,可以提高終端區(qū)的運(yùn)行效率;沖突檢測技術(shù)則是指監(jiān)測飛機(jī)飛行狀態(tài)是否存在與其他飛機(jī)或地面障礙物的沖突,以便采取相應(yīng)的措施,保障航空安全。有效的飛行沖突探測是空中交通管理必不可少的關(guān)鍵步驟[4]。

隨著通信、導(dǎo)航、監(jiān)視和機(jī)載設(shè)備的不斷更新以及計(jì)算機(jī)技術(shù)和數(shù)據(jù)挖掘方法的發(fā)展,越來越多的基于數(shù)據(jù)驅(qū)動(dòng)的方法被提出。深度學(xué)習(xí)是一種自動(dòng)從大量數(shù)據(jù)中學(xué)習(xí)和預(yù)測的算法[5]。其中,長短時(shí)記憶網(wǎng)絡(luò)(long short-term memory,LSTM)和門控循環(huán)單元(gated recurrent unit,GRU)是捕捉時(shí)間序列數(shù)據(jù)長期依賴性的常用算法,通過對歷史飛行數(shù)據(jù)的學(xué)習(xí),可以通過航空器航跡運(yùn)行模式,預(yù)測未來的航跡。基于深度學(xué)習(xí),Ma等[6]提出一種新的4D航跡預(yù)測復(fù)合結(jié)構(gòu)。Shafienya等[7]采用蒙特卡洛dropout(MC-Dropout)增強(qiáng)模型的預(yù)測性,將4D航跡預(yù)測誤差平均降低21%。趙子瑜[8]通過數(shù)據(jù)挖掘提取全局航段的飛行特征和典型航路變化點(diǎn),提出基于貝葉斯理論的航空器意圖推測模型,具有較優(yōu)的預(yù)測精度和魯棒性。Zhang等[9]將深度學(xué)習(xí)的LSTM模型和極致梯度提升模型(extreme gradient boosting,XGBoost)結(jié)合,增強(qiáng)模型的泛化能力和實(shí)用性。基于精確的航跡預(yù)測技術(shù),國內(nèi)外學(xué)者采用的沖突檢測手段通常分為幾何確定型和概率分析型。丁松濱等[10]基于機(jī)器學(xué)習(xí)的航跡預(yù)測模型,結(jié)合沖突預(yù)警函數(shù),對給定航跡進(jìn)行安全評估。王澤坤等[11]優(yōu)化了傳統(tǒng)的速度障礙法模型,針對飛行中的沖突檢測,自主選擇解脫策略。郝斯琪[12]提出了潛在空間下航空器的沖突探測、沖突概率量化和風(fēng)險(xiǎn)評估辦法。Madar等[13]綜合了軌跡聚類,基于分類的監(jiān)督學(xué)習(xí)和概率建模以計(jì)算沖突概率,促進(jìn)了對終端空域潛在威脅的探測和解脫。

目前,終端區(qū)的4D航跡預(yù)測仍存在兩個(gè)主要挑戰(zhàn):數(shù)據(jù)質(zhì)量和模型魯棒性。數(shù)據(jù)缺失和噪聲是其中的問題之一,而另一個(gè)則是模型在不同情境下的適應(yīng)能力。此外,有效的終端區(qū)飛行沖突檢測需要結(jié)合航空器運(yùn)行情況進(jìn)行分析。現(xiàn)提出一種基于卷積神經(jīng)網(wǎng)絡(luò)-雙向門控循環(huán)單元(convolutional neural networks-bidirectional gated recurrent unit,CNN-BiGRU)的預(yù)測模型(以下簡稱預(yù)測模型)和幾何型沖突檢測方法,旨在綜合考慮數(shù)據(jù)質(zhì)量、模型魯棒性和沖突檢測等多方面因素,提高終端區(qū)航空器的安全性和運(yùn)行效率。

1 模型建立

1.1 數(shù)據(jù)預(yù)處理

廣播自動(dòng)相關(guān)監(jiān)視(automatic dependent surveillance-broadcast,ADS-B)是一種連接飛機(jī)和地面站的技術(shù),將衛(wèi)星、飛行器和地面站連接起來,形成一個(gè)涉及空間、空中和地面3個(gè)層次的綜合系統(tǒng)。它通過向外界發(fā)送ADS-B信息來報(bào)告飛機(jī)當(dāng)前的飛行參數(shù)和飛機(jī)的具體位置信息,被廣泛應(yīng)用于民航、軍事、公共安全等領(lǐng)域。然而,在實(shí)際應(yīng)用中,由于多種因素的影響,ADS-B數(shù)據(jù)可能會(huì)存在噪聲值和缺失值。

設(shè)T為歷史航跡集,其中包含n條歷史軌跡,表示為

T={T1,T2,…,Tn}

(1)

式(1)中:Tk為航跡集中第k條航跡。假設(shè)每條軌跡包含n個(gè)航跡點(diǎn),則有

Tk={mk1,mk2,…,mkn}

(2)

式(2)中:mki為Tk中的第i個(gè)軌跡點(diǎn)。若每個(gè)航跡點(diǎn)包含n個(gè)特征,則

mki={rki1,rki2,…,rkin}

(3)

式(3)中:rkij為航跡點(diǎn)mki的第j個(gè)特征。

每一條采集的歷史航跡特征示意如表1所示。

為了進(jìn)行準(zhǔn)確的4D航跡預(yù)測,對ADS-B數(shù)據(jù)的預(yù)處理至關(guān)重要。針對這個(gè)問題,利用三次樣條對ADS-B數(shù)據(jù)進(jìn)行插值處理可以提高4D航跡預(yù)測的準(zhǔn)確性。三次樣條插值是一種常用的數(shù)據(jù)插值方法,其可以通過已知數(shù)據(jù)點(diǎn)之間的曲線來擬合新的數(shù)據(jù)點(diǎn)。在ADS-B數(shù)據(jù)清洗和插值中,不僅需要去除噪聲點(diǎn),還需補(bǔ)全缺失數(shù)據(jù)點(diǎn)。首先通過檢測數(shù)據(jù)點(diǎn)是否在曲線上的距離是否過大,來判斷該點(diǎn)是否為噪聲點(diǎn)。如果是則將其剔除,避免其對預(yù)測結(jié)果的干擾。對于缺失數(shù)據(jù)點(diǎn),可以通過插值以得到更加完整的數(shù)據(jù)集。

設(shè)f(x)是在區(qū)間[a,b]上的二次連續(xù)可微函數(shù),將區(qū)間[a,b]劃分為n個(gè)區(qū)間為

[(x0,x1),(x1,x2),…,(xn-1,xn)]

(4)

其中共有n+1個(gè)點(diǎn),且x0=a,xn=b,則有

(5)

T(xi)滿足的4個(gè)條件如下。

條件1在對已有的航跡位置點(diǎn)數(shù)據(jù)進(jìn)行計(jì)算時(shí),插值的結(jié)果應(yīng)與原始數(shù)據(jù)相等,則有

T(xi)=f(xi),i=1,2,…,n+1

(6)

條件2T(x)在[xi,xi+1)](i=1,2,…,n-1)內(nèi)計(jì)算時(shí),可以對多項(xiàng)式或零多項(xiàng)式進(jìn)行約束,使其不高于3次,即

T(x)=ai+bix+cix2+dix3

(7)

條件3T(x)二次連續(xù)可微,即

(8)

(9)

條件4因航跡數(shù)據(jù)不為負(fù),若計(jì)算結(jié)果為負(fù),則令其等于區(qū)間內(nèi)的最小值,即

T(x)=min[xi,xi+1],T(x)<0

(10)

預(yù)處理前數(shù)據(jù)樣例如表2所示,預(yù)處理后數(shù)據(jù)樣例如表3所示。

表2 處理前航跡數(shù)據(jù)

表3 處理后航跡數(shù)據(jù)表

綜上,T(x)為f(x)的相適應(yīng)航跡數(shù)據(jù)三次樣條插值模型。在進(jìn)行4D航跡預(yù)測時(shí),處理后的ADS-B數(shù)據(jù)能夠更加準(zhǔn)確地反映航班的真實(shí)狀態(tài),提供更加準(zhǔn)確的數(shù)據(jù)基礎(chǔ),從而提高預(yù)測結(jié)果的準(zhǔn)確性。

1.2 預(yù)測模型

準(zhǔn)確的航跡預(yù)測是檢測飛行沖突的基礎(chǔ),精準(zhǔn)的4D航跡預(yù)測模型能有效提高預(yù)測的精準(zhǔn)度和可靠性。前期研究表明,4D航跡預(yù)測有待進(jìn)一步優(yōu)化和凝練,特別是在歷史航跡數(shù)據(jù)體量、時(shí)間序列特征、計(jì)算邏輯和預(yù)測時(shí)間等方面。因此提出一種組合模型,旨在提高4D航跡預(yù)測的全面性和準(zhǔn)確性。引入已知N個(gè)航跡點(diǎn):{mk(N-1),…,mki-1,mki},利用CNN-BiGRU模型預(yù)測未來航跡點(diǎn)N′個(gè):{mki+1,…,mki+2,mki+N},以精確預(yù)測為目標(biāo),實(shí)現(xiàn)時(shí)空特征和多源多層級特點(diǎn)的預(yù)測結(jié)果。同時(shí),對預(yù)測模型進(jìn)行可靠性分析,從可預(yù)測時(shí)長和時(shí)間序列特征指標(biāo)等方面進(jìn)行評估。

預(yù)測模型的航跡預(yù)測流程分為三步:預(yù)處理航跡位置點(diǎn)信息,識別輸入有效航跡數(shù)據(jù),并用雙向門控網(wǎng)絡(luò)訓(xùn)練并輸出預(yù)測結(jié)果。數(shù)據(jù)預(yù)處理階段避免了ADS-B數(shù)據(jù)誤差對預(yù)測準(zhǔn)確性的影響;一維卷積提取航跡位置點(diǎn)空間特征,生成4D航跡數(shù)據(jù)空間特征序列;雙向門控循環(huán)部分處理數(shù)據(jù)序列中的復(fù)雜非線性關(guān)系,提取航跡數(shù)據(jù)的時(shí)間維度特征,實(shí)現(xiàn)高精度的4D航跡預(yù)測結(jié)果。上述模型的結(jié)構(gòu)如圖1所示。

圖1 CNN-BiGRU模型結(jié)構(gòu)

通過分析和預(yù)處理,有效航跡數(shù)據(jù)在i時(shí)刻航跡位置點(diǎn)的特征為

Ti={t,lon,lat,alt,vel,h}

(11)

式(11)中:t、lon、lat、alt、vel、h分別為航跡T在時(shí)刻i的時(shí)間、經(jīng)度、緯度、高度、速度和航向等特征數(shù)據(jù),輸入數(shù)據(jù)格式為時(shí)間序列張量。為方便卷積網(wǎng)絡(luò)卷積運(yùn)算并提高預(yù)測精度,將時(shí)間步長設(shè)置為6,即利用前6個(gè)連續(xù)的航跡點(diǎn)信息預(yù)測下一個(gè)航跡點(diǎn)數(shù)據(jù)。

在激活函數(shù)方面,使用Relu可以簡化計(jì)算且成本較低。Relu激活函數(shù)公式為

(12)

經(jīng)Relu函數(shù),輸入x如果大于等于0,則輸出為x,如果小于0,則輸出為0。

經(jīng)過池化層的處理,數(shù)據(jù)參數(shù)數(shù)量減少,卷積層誤差得到修正,并提升了計(jì)算效率和空間特征提取能力的穩(wěn)定性。同時(shí),為了防止過擬合,每個(gè)雙向門控循環(huán)網(wǎng)絡(luò)均添加了dropout層,dropout層隨機(jī)地將隱藏層的部分權(quán)重或輸出重置為零,以減少神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)間的相互依賴,從而避免過擬合。最終,第二個(gè)雙向門控循環(huán)網(wǎng)絡(luò)的輸出將被傳入全連接層,以整合所有局部特征,并輸出未來時(shí)刻飛機(jī)的時(shí)間、經(jīng)度、緯度和高度等數(shù)據(jù)的計(jì)算結(jié)果。

1.3 沖突檢測函數(shù)

高精度軌跡預(yù)測技術(shù)是飛行沖突檢測的基本,精準(zhǔn)的沖突檢測基于準(zhǔn)確的航跡預(yù)測技術(shù)[14],在有效降低管制員的工作負(fù)荷的同時(shí),也提升了航空交通智能化程度。特別是在終端區(qū)內(nèi),調(diào)整航空器的水平和垂直間隔是常用的管制調(diào)配手段,通過高精度軌跡預(yù)測技術(shù),可以更加準(zhǔn)確地預(yù)測航空器的運(yùn)行軌跡,避免沖突的發(fā)生,從而有效保證了航空器的安全運(yùn)行。

在飛行階段中,飛行間隔是為了防止飛行沖突,保證飛行安全,提高飛行空間和時(shí)間利用率所規(guī)定的航空器之間應(yīng)當(dāng)保持的最小安全距離,飛行間隔包括垂直間隔和水平間隔[4]。在飛行過程中,為進(jìn)一步保證飛行安全,降低沖突風(fēng)險(xiǎn),面向飛行任務(wù)實(shí)施階段構(gòu)建安全區(qū)域:飛機(jī)的水平安全間隔Hc與垂直安全間隔Vc共同組成飛機(jī)的飛行保護(hù)區(qū)。飛機(jī)的保護(hù)區(qū)模型有多種,其中包括圓柱形和長方體形等。因圓柱形對空間占用率相對較低,則擬建圓柱形飛行保護(hù)區(qū)模型,其半徑為Hc,高為2Vc,如圖2所示。

圖2 飛行間隔保護(hù)區(qū)

由此定義航空器沖突檢測函數(shù)可表示為

(13)

通過融合航跡距離檢測函數(shù),將4D飛行軌跡預(yù)測與兩個(gè)給定航跡之間的安全評估相結(jié)合。如果短時(shí)軌跡距離計(jì)算結(jié)果小于安全間隔閾值,則會(huì)告警提示采取適當(dāng)措施以提高安全性。

2 仿真實(shí)驗(yàn)

為更好地驗(yàn)證所提出的航跡預(yù)測和沖突預(yù)警功能,采用某繁忙終端區(qū)內(nèi)真實(shí)歷史航跡,按照該終端區(qū)規(guī)定的空域高度區(qū)域劃分(范圍:900～4 500 m),選取某航空器部分進(jìn)場及進(jìn)近航跡進(jìn)行4D航跡預(yù)測實(shí)驗(yàn)分析。仿真實(shí)驗(yàn)的整個(gè)過程如圖3所示。

圖3 仿真實(shí)驗(yàn)流程

為了增強(qiáng)預(yù)測能力,提高計(jì)算效率同時(shí)減少預(yù)測誤差和噪聲,航跡數(shù)據(jù)在導(dǎo)入訓(xùn)練模型之前應(yīng)進(jìn)行歸一化處理,公式為

(14)

式(14)中:X為原始航跡樣本數(shù)據(jù);Max和Min分別為樣本的最大值和最小值;N為歸一化后的樣本。

均方根誤差(root mean squared error,RMSE)、平均絕對百分比誤差(mean absolute percentage error,MAPE)是回歸問題中最常用的評價(jià)指標(biāo)[15]。RMSE是預(yù)測結(jié)果與實(shí)際目標(biāo)之間的差值的平方的期望值,然后取平方根運(yùn)算;MAPE是一個(gè)與原始數(shù)據(jù)進(jìn)行比較的過程,考慮了誤差與實(shí)際值的比值。通過使用上述指標(biāo)來衡量誤差,以評價(jià)CNN-BiGRU模型的有效性。以上指標(biāo)的計(jì)算公式如下。

(15)

(16)

式中:pi為第i個(gè)航跡點(diǎn)的預(yù)測值;ai為第i個(gè)航跡點(diǎn)的真實(shí)值。當(dāng)指標(biāo)計(jì)算值越小,證明預(yù)測值與真實(shí)值誤差越小,模型預(yù)測結(jié)果越好。為了提高訓(xùn)練和預(yù)測的能力,將仿真實(shí)驗(yàn)中已完成預(yù)處理的航跡信息作為特征數(shù)據(jù)和標(biāo)簽數(shù)據(jù)。隨后將特征數(shù)據(jù)和標(biāo)簽數(shù)據(jù)劃分為訓(xùn)練集和測試集,分別占總數(shù)據(jù)集的70%和30%。此外,數(shù)據(jù)集的訓(xùn)練集的10%被選為驗(yàn)證集以驗(yàn)證模型。為了減少預(yù)測誤差,擬采用單步預(yù)測輸入數(shù)據(jù)的方法構(gòu)建航跡樣本,具體如圖4所示。

圖4 航跡樣本劃分圖

圖4顯示了仿真實(shí)驗(yàn)中劃分的航跡樣本,其中每行代表一個(gè)時(shí)間步長,每列代表數(shù)據(jù)的特征。實(shí)驗(yàn)從首個(gè)航跡位置點(diǎn)開始,按時(shí)間順序逐一選擇6個(gè)航跡位置點(diǎn)的時(shí)間、經(jīng)度、緯度、高度、速度和航向角,并以此預(yù)測下一個(gè)航跡位置點(diǎn)的時(shí)間、經(jīng)度、緯度和高度。可見,航跡樣本劃分為一個(gè)6×6的矩陣。

其次,將實(shí)際航跡數(shù)據(jù)與預(yù)測模型計(jì)算結(jié)果繪圖,進(jìn)行預(yù)測結(jié)果準(zhǔn)確性對比。在此階段,擬采用LSTM模型和GRU模型作為對比模型,使用同一數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)[6]。其中,圖5為多模型預(yù)測結(jié)果和實(shí)際經(jīng)緯度坐標(biāo)軌跡的二維圖;圖6為多模型預(yù)測軌跡和實(shí)際軌跡的三維顯示。

圖5 航跡經(jīng)緯度對比圖

圖6 航跡三維對比圖

所提出的預(yù)測模型在4D航跡的經(jīng)緯度預(yù)測中表現(xiàn)出較優(yōu)的性能。相比于其他兩種對比模型,CNN-BiGRU模型的預(yù)測誤差量最小,其次為GRU模型,最后為LSTM模型。由于擬用模型引入了卷積部分,能夠處理航跡數(shù)據(jù)的時(shí)空特征,因此在解決航跡預(yù)測維度缺失和預(yù)測精度不足等問題上具有優(yōu)勢。經(jīng)過優(yōu)化,預(yù)測模型能有效避免過擬合現(xiàn)象,進(jìn)一步提高4D航跡預(yù)測的精度。此外,該模型具有雙向門控循環(huán)單元,可以對航跡數(shù)據(jù)進(jìn)行雙向逐一時(shí)間維度處理,從而預(yù)測結(jié)果能涵蓋完整的歷史和未來信息,提高預(yù)測精度和長度。

根據(jù)預(yù)測軌跡和實(shí)際軌跡的對比分析,對單步預(yù)測中的時(shí)間、經(jīng)度、緯度和高度4個(gè)特征的誤差進(jìn)行了統(tǒng)計(jì),結(jié)果顯示在表4中。可以看出,相比GRU和LSTM模型,預(yù)測模型的誤差較小,各項(xiàng)評價(jià)指標(biāo)均優(yōu)于前兩者。同時(shí),GRU模型對單一特征的評價(jià)指標(biāo)優(yōu)于LSTM模型。可見預(yù)測模型在4D航跡預(yù)測中表現(xiàn)出更高的精確性,其預(yù)測結(jié)果與實(shí)際數(shù)據(jù)偏差更小。這證明了預(yù)測模型在處理時(shí)間序列數(shù)據(jù)方面的預(yù)測性能更加穩(wěn)定。

表4 多預(yù)測模型總誤差對比

3 實(shí)例驗(yàn)證

為考慮到在實(shí)際運(yùn)行環(huán)境下模型的沖突識別表現(xiàn),首先引入同一終端區(qū)內(nèi)另一航空器真實(shí)數(shù)據(jù)進(jìn)行航跡預(yù)測,生成新航跡實(shí)現(xiàn)兩航空器間的距離間隔計(jì)算和沖突檢測。為簡化計(jì)算,假定兩航空器同時(shí)運(yùn)行,以上預(yù)測模型中CNN-BiGRU模型預(yù)測精準(zhǔn)度最高,生成的預(yù)測航跡可用于進(jìn)行間隔計(jì)算和檢驗(yàn)潛在沖突。

通過檢驗(yàn)飛行水平距離與垂直距離進(jìn)行間隔計(jì)算,以驗(yàn)證沖突檢測函數(shù)能否有效識別航跡沖突;同時(shí)對比預(yù)測模型生成的兩航空器航跡水平、垂直距離差分別和真實(shí)航跡之間距離差,驗(yàn)證預(yù)測模型可靠性。根據(jù)終端區(qū)管制運(yùn)行中心設(shè)定,該終端區(qū)內(nèi)航空器水平間隔為6 000 m,垂直間隔為300 m;比例系數(shù)設(shè)置為1以滿足最低預(yù)警需求。由于ADS-B采集的航空器位置數(shù)據(jù)只包含各航跡點(diǎn)經(jīng)緯度信息,不能直接用于距離計(jì)算。為滿足沖突檢測需要,利用球面余弦定理,由任意兩航跡點(diǎn)經(jīng)緯度數(shù)據(jù)計(jì)算實(shí)際水平距離,垂直距離之差為兩航空器同一時(shí)間飛行高度差|r1i4-r2i4|。具體步驟如下。

步驟2計(jì)算地球半徑R,通常取6 371.01 km。

步驟3根據(jù)球面余弦定理計(jì)算球面角距離。

cosΔσ=sinφ1sinφ2cosφ1cosφ2cos(λ2-λ1)

(17)

式(17)中:Δσ為兩點(diǎn)之間的球面角距離; (φ1,λ1)和(φ2,λ2)分別為擬計(jì)算兩點(diǎn)的經(jīng)緯度坐標(biāo)。

步驟4最后,根據(jù)球體半徑將球面角距離轉(zhuǎn)換為實(shí)際距離。

d=RΔσ

(18)

由此,利用處理后的兩航空器位置數(shù)據(jù)進(jìn)行間隔計(jì)算,并通過式(13)構(gòu)建的檢測函數(shù)檢驗(yàn)是否存在潛在沖突。由于航跡數(shù)據(jù)量較大,因此選取兩航空器距離最近的800 s為樣本輸出垂直和水平距離對比圖。實(shí)驗(yàn)結(jié)果如圖7、圖8所示。

圖7 垂直航跡距離

圖8 水平航跡距離

圖7和圖8分別顯示了兩條擬定同時(shí)運(yùn)行航跡的預(yù)測航跡垂直、水平距離差和實(shí)際航跡垂直、水平距離差的計(jì)算結(jié)果。可以看出,預(yù)測航跡距離差和實(shí)際航跡距離差的曲線基本一致,能夠精準(zhǔn)識別航跡點(diǎn)之間的距離,證明所提出的模型具有良好的可靠性。同時(shí),根據(jù)設(shè)定的終端區(qū)內(nèi)垂直和水平安全間隔,沖突檢測函數(shù)能夠有效檢測沖突情況,預(yù)測模型生成的兩航空器航跡在未來800 s內(nèi)沒有飛行沖突,滿足終端區(qū)內(nèi)安全運(yùn)行要求。

4 結(jié)論

根據(jù)仿真實(shí)驗(yàn)和對比實(shí)驗(yàn)的計(jì)算結(jié)果分析,得出以下結(jié)論。

(1)針對飛行航跡數(shù)據(jù)質(zhì)量較低以及現(xiàn)有預(yù)測方法難以同時(shí)從航跡數(shù)據(jù)中提取時(shí)空特征的問題,首先針對ADS-B數(shù)據(jù)進(jìn)行插值預(yù)處理,以克服數(shù)據(jù)噪聲和缺失;隨后提出了一種基于CNN-BiGRU的4D航跡預(yù)測組合模型:該模型結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)(CNN)和雙門控網(wǎng)絡(luò)(BiGRU)。CNN用于提取航跡的空間維度特征,BiGRU用于挖掘航跡的時(shí)間維度特征,可以對航跡數(shù)據(jù)進(jìn)行雙向逐一時(shí)間維度處理。基于上述特征的充分融合,實(shí)現(xiàn)了4D軌跡的高精度預(yù)測,且相比其他單一模型預(yù)測誤差較小。后續(xù)研究可以繼續(xù)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),進(jìn)一步提高預(yù)測精準(zhǔn)度以進(jìn)行長航跡預(yù)測。

(2)將航跡預(yù)測與沖突檢測相結(jié)合,針對生成的精準(zhǔn)航跡,提前檢測飛行沖突;在滿足設(shè)定的安全運(yùn)行間隔要求的同時(shí),可為繁忙終端區(qū)管制員提供輔助決策,給管制員提供更多的時(shí)間指揮飛機(jī)解脫,保證航空運(yùn)行安全。后續(xù)可以針對多航空器的沖突探測深入研究。

(3)由于ADS-B數(shù)據(jù)存在信號缺失等原因,尤其在較低高度時(shí)數(shù)據(jù)質(zhì)量欠佳,影響進(jìn)近階段航跡預(yù)測結(jié)果。此外,假定兩條航跡同時(shí)運(yùn)行時(shí)也會(huì)存在一定程度的距離偏差。下一步研究可優(yōu)化數(shù)據(jù)預(yù)處理技術(shù),引入航跡點(diǎn)去重模型,以提高數(shù)據(jù)質(zhì)量,優(yōu)化預(yù)測模型表現(xiàn)。