基于混合卷積神經網絡的4D航跡預測

摘"要：近年來民航業飛速發展，機場數量、航線的不斷增加與有限的空域資源成為主要矛盾，給空中交通管制系統帶來了挑戰，因此對飛機軌跡進行分析和預測以改善當前空域限制等問題是國內外當前關注的技術和難點。本文基于混合深度CNN"GRU模型來實現4D航跡預測，使用ADS"B歷史航跡數據作為試驗訓練，利用卷積神經網絡（CNN）提取空間特征，GRU深度模型提取時間特征。結果證明以CNN"GRU模型進行4D航跡預測，航跡特征提取充分，能有效預測航空器航跡；可改變時間窗大小驗證模型參數，通過驗證采用5秒的時間窗訓練得到的預測效果最佳。

關鍵詞：空中交通管理；4D航跡預測；卷積神經網絡

1概述

近年來我國迅速發展的民航業仍面臨著如發展不均衡、不協調等問題，空域資源配置合理性有待改善。為了應對空中交通流量的持續增長給空中交通管制（ATC）系統帶來的挑戰，基于航跡運行（TBO）成為國際民用航空組織（ICAO）的下一代空中導航核心理念[1]，其中美國提出了下一代空中運輸系（NextGen"），歐洲啟動單一歐洲空中交通管理研究計劃（SESAR）[2]，在當前及未來空中交通管理體系中4D航跡預測是的極為關鍵的技術和難點。

航跡預測是根據當前飛機狀態、對飛行員和管制員意圖的估計、預期的環境條件以及飛機性能和程序的計算機模型來估計飛機未來狀態的過程[3]。航跡預測研究主要有基于狀態估計模型的方法、基于質點的飛機性能模型的方法和基于機器學習的方法。基于狀態估計模型的方法將航跡預測看作是一個隨機線性混合系統估計問題，對航空器位置狀態及相關飛行參數進行狀態模型的構建[4]。基于空氣動力學預測方法將整個飛行過程劃分為若干階段，建立各階段飛行航跡的運動方程，定義各子階段的起止條件和運動方程參數，建立多指標四維航跡預測模型[5]。機器學習方法是挖掘歷史飛行航跡數據，然后從歷史位置分析每個采樣周期開始時飛機的位置以實現4D航跡預測[6]。

本文基于航空器航跡軌跡大數據的思路，采用一種具有高效結構的混合深度CNN"GRU模型來執行4D飛行航跡的預測。利用機器學習模型從大量飛行歷史航跡數據中學習規律，使得挖掘復雜的航跡模式和提取重要特征，從而為航跡預測提供數據和初步依據，研究成果可以為空管自動化系統決策支持工具提出決策依據。

2"數據預處理及預測模型概述

2.1"數據預處理

梳理空中交通的關鍵問題是明確航空器在任何給定時間的位置，當前廣為應用的是廣播式自動相關監視協議（ADS"B）。本文使用的ADS"B數據出自OpenSky網絡協會，該協會通過網絡手段向公眾提供真實的覆蓋全球的航空器運行ADS"B數據。數據集字段包括航空器的標識符、時間戳、位置（經度、緯度以及高度）等信息。

為了剔除異常數據保留接受完整且可靠性較高的數據集，采用Matlab2022進行數據分析工作，操作方法如下：每輸入一條航跡，自動生成航跡的三維圖形，刪除不良航跡或跳過良好航跡，經篩選后數據集共1540條軌跡，用于之后的神經網絡學習（由于官方數據集有限，如數據充?？稍黾佑柧氒壽E數量）。

數據預處理中需要進行數據清洗，處理空缺數值和噪點數據等。本文采用牛頓插值法補充由于信號以及數據接受延遲等原因丟失的部分數據。采用滑動平均法處理由于傳感器精度、信號強度問題出現的噪點數據，為了保留合適的航空器軌跡信息，同時排除異常航跡，設置滑動窗口為10秒。

2.2"卷積神經網絡（CNN）

CNN是一個具有深層結構的前饋神經網絡，由數據矩陣輸入層、匯集層、卷積層和全連接層組成。核心是通過局部感知、權重共享和池化操作來提取輸入數據的層次化特征，優勢在于其高效的特征提取能力。然而CNN主要關注空間特征，缺乏對時間維度的建模能力。

2.3"門控遞歸單元模型（GRU）

門控遞歸單元（GRU）是一種引入門控機制改進的遞歸神經網絡，通過更新門與重置門結構處理信息流，提高了處理長時間序列數據的能力和模型性能，可以更有效更新和傳遞時序數據中的關鍵信息。

3"基于CNN-GRU的航跡預測

由于航空器4D航跡涵蓋航空器的時間信息以及空間位置信息，本文采用CNN提取一定范圍內航跡空間特征，GRU挖掘航跡數據時間特征，以實現預測點的時空特征融合。

3.1"數據準備及解析

數據輸入模型后，首先利用CNN模塊進行處理，通過設定時間窗將航跡分割，在每個時間窗內提取航跡數據空間上的位置信息作為特征分量。然后將提取結果輸入GRU模塊提取飛機航跡數據的時序特征。

3.1.1"基于時間訓練集構建

4D航跡預測是需要大量歷史數據構建訓練集和測試集，需要構建航跡數據訓練樣本和結果標簽。以單步預測為例給出樣本構造方法，從第一個航跡點開始，按時間順序往后選取5個航跡點的時間、經度、緯度、高度，預測下一個航跡點各項特征。選取訓練樣本和響應樣本的方法同上。

模型預測航跡的性能和結果受時間窗長度的影響。本文首先在實驗中選擇連續5個時刻的軌跡點來預測下一時刻，后續根據時間窗設置的不同來驗證模型的性能，驗證最佳時間窗的大小。

3.1.2"樣本數據歸一化

為了保證輸入神經網絡模型的數據保持在同一量綱范圍內，本文對樣本數據進行歸一化處理。采用線性歸一化的方法，其定義如式（1）所示。

其中，X是原始樣本數據，max表示樣本的最大值，min表示樣本的最小值，N是歸一化樣本。

3.2"基于CNN-GRU"神經網絡模型構建

3.2.1"CNN神經網絡特征提取

基于CNN的神經網絡提取時間窗航跡特征，相對于傳統神經網絡的輸入數據，CNN和GRU的輸入數據增加了包含時間序列的張量，即增加了time_step維。本文設置的時間窗口寬度為5，time_step設置為5。

3.2.2"基于CNN-GRU航跡預測模型

CNN"GRU模型由輸入層、CNN模塊、GRU模塊和輸出層組成。模型輸入時間窗口大小為5，CNN模塊卷積層卷積核個數設定為12，GRU模塊中隱藏層單元個數設定為24。模型優化器使用隨機目標函數優化算法Adam，訓練過程中模型參數更新初始學習率設置為0.002，考慮訓練集數據量較大，32組數據為一批進行訓練，batch-size設定為100，迭代次數為100，每條輸入的航跡數據長度為10，預測長度為10，此時輸入的每個時間窗的特征數值設置為5維，輸出設置為1維。

3.3"評估指標

預測模型需要評估指標以評估模型的可靠性、準確性，評估指標包含均方根誤差（RMSE）、平均絕對誤差（MAE）、平均絕對百分比誤差（MAPE）等。用以下三個指標來評價模型有效性，公式如式（2）—式（4）所示。

其中，Pi代表i時刻的預測航跡，Ri代表i時刻的實際飛行航跡，誤差度量值越小，預測航跡越接近實際航跡，模型預測精度越高。

4"預測結果分析及靈敏度驗證

4.1"基于CNN"GRU模型預測結果

本次實驗以MATLAB作為仿真平臺，將歷史航跡輸入到CNN"GRU模型中，設置模型隱藏層個數為200梯度閾值設置為1，指定初始學習率為0.01。

4.1.1"預測模型結果對比

由1圖可以看出，CNN-GRU模型預測航跡在高度、經度、緯度與實際數值基本吻合，擬合度較高，初步從數據可視化的角度認為該模型可以用來預測航跡，后續還需要對航跡預測模型進行評估指標的計算，以量化其實際偏差。

4.1.2"預測評價結果

合理的選擇迭代次數可以避免運算時間過長或者收斂不充分等問題，本文設置訓練迭代次數為100。如圖2所示，在迭代50次之后，整體的RMSE趨于穩定并接近于0，且波動隨迭代次數逐漸減弱。

為檢測每次迭代后預測值與實際值的差距，引入損失函數。可以看到隨著迭代次數的增加，損失函數基本趨近于0。

采用RMSE、MAE、MAPE對該模型進行評價，得到結果如表1所示，其中經度、緯度偏差的單位為度，高度評價指標的單位為米。

本文針對模型的評價由于設備運算速度以及精力，僅針對該航跡條件下進行實驗評價。

4.2"時間窗靈敏度測試

提出的CNN"GRU模型中，針對訓練數據劃分了多個時間窗，選擇時間窗大小為2s、5s、10s，結果如圖3所示。

從圖3中可以看到，在2s、5s時間窗尺度內預測航跡與實際航跡基本擬合，而在10s的時間窗尺度，則出現較大偏移，說明時間窗尺度選擇過大預測效果較差，小尺度范圍內航跡預測較為準確。

時間窗尺度決定了訓練時間長短，經統計10s時間窗尺度訓練時長為36秒，5s時間窗尺度訓練時長為62秒，2s時間窗尺度訓練時長為152秒，訓練時間顯著增加。因此時間窗長度的選取應根據實際情況具體來設定，保證預測經度和預測時間能達到合理的誤差范圍之內。

結語

本文以CNN"GRU模型進行航空器的4D航跡預測，該方法彌補了現有航跡預測方法預測精度低、預測維數不足、航跡特征提取不充分的缺點，通過引入時間窗機制，進一步提高了模型的預測精度。使用ADS"B航跡數據進行試驗，經驗證使用5秒的時間窗可以達到預測最佳結果，并通過相關指標評估預測精度，最后通過時間窗大小的比對來驗證時間窗大小與預測經度和訓練時長之間的關系。

參考文獻

[1]"田勇.空中交通流量管理關鍵技術研究[D].南京：南京航空航天大學，2009.

[2]"高海超，吳嘉慧.歐美下一代空管系統規劃對比分析及啟示[J].指揮信息系統與技術，2017，8（04）：83-87.

[3]"田杉.基于神經網絡的4D航跡預測方法［D］.天津：中國民航大學，2020.

[4]"吳鹍，潘薇.基于數據挖掘的四維飛行軌跡預測模型［J］.計算機應用，2007（11）：2637-2639.

[5]"王超，郭九霞，沈志鵬.基于基本飛行模型的4D航跡預測方法［J］."西南交通大學學報，2009，44（02）："295-300.

[6]"章濤，高陽，張成偉，等.基于KF聯合EKF參數辨識的短時4D航跡預測［J］.中國民航大學學報，2016，34（05）：1-4.

作者簡介：康之卉（1979—"），女，漢族，遼寧葫蘆島人，碩士研究生，中級職稱（改具體職稱），研究方向：航空管制。