一种基于informer+arima模型的飞行计划航迹预测方法与流程

1.本发明涉及飞行计划航迹预测技术领域，具体而言，涉及一种基于informer+arima模型的飞行计划航迹预测方法。


背景技术：

2.信息时代的高速发展，推动空中交通管理朝智能化方向演进。航迹预测是空域交通管制指挥领域中的一个重要功能，精准的预测结果可更好辅助管制指挥员进行飞行前的冲突探测分析及调配工作，能有效降低飞行航路的不确定性，提高空域交通的运行效率，增加飞行器的安全系数。
3.目前，管制领域基本采用以扇区为单元，语音喊话为手段的间隔调配模式，随着飞行器数量的不断增多，外部因素的难以预测，飞行速度快与人工决策慢的不匹配性，空管未来发展的局限性越来越明显。因此，基于航迹的运行理念应运而生，它是以航空器安全运行周期的四维航迹为基础，在空管、航空公司、机场、航空器等相关方之间实时共享和动态维护航迹动态信息，进而实现多方协同决策，打破了现有分时、分段、分头管理模式，实现空中交通从“扇区”到“全域”、从“战术”到“战略”、从“管制”到“管理”的根本性转变，它被国际民航界普遍认为是下一代航行系统的核心运行理念。
4.基于航迹的运行理念离不开对航迹的精准预测，所以飞行计划的航迹预测技术是一种至关重要的技术，具有极大的研究价值。
5.飞行计划航迹预测目前主要有两种方式：
6.一种是基于运动学和动力学方程求解来进行估算，这种方法很难考虑外界环境不确定条件对飞行的影响，且飞行过程中的各个阶段划分均基于理想情况下进行，与实际中随机性的飞行过程不一定吻合，因此预测结果波动较大。
7.另一种是运行深度学习技术(如lstm短期记忆网络)对历史飞行航迹进行建模，再将模型运用至航迹估算，从而得到预测结果，这种技术的预测误差很大程度上取决于模型算法的优劣，且只能对时间周期较短的飞行计划进行预测，对于时间周期较长的飞行计划预测需要重复迭代，损失函数求梯度会随着迭代次数增加而愈加困难，时间序列越长，速度越慢且难以收敛，导致预测不准确。


技术实现要素：

8.本发明旨在提供一种基于informer+arima模型的飞行计划航迹预测方法，以解决上述现有飞行计划航迹预测方法存在的问题。
9.本发明提供的一种基于informer+arima模型的飞行计划航迹预测方法，包括如下步骤：
10.s1、历史航迹数据预处理；
11.s2、将预处理后的历史航迹数据作为训练样本，进行informer模型训练，反复不断调整参数后形成最优的informer模型；
12.s3、将预处理后的历史航迹数据作为训练样本，进行arima模型训练，反复不断调整参数后形成最优的arima模型；
13.s4、利用最优的informer模型和arima模型得到最终预测的四维航迹数据。
14.进一步的，步骤s1中所述历史航迹数据预处理的方法包括依次进行数据采集、数据清洗、坐标转换、特征值提取、数据归一化处理和数据集划分。
15.进一步的，所述历史航迹数据包括时间戳ts、飞行器id、经度lon、维度lat、高度h、速度v、航向角θ和距离终点的距离d。
16.进一步的，步骤s2中进行informer模型训练的方法包括：
17.配置模型参数；
18.定义均方误差mse作为损失函数；
19.利用adam优化器网格调参进行模型优化；
20.以及基于用均方根误差rmse和平均绝对误差mae的模型评估。
21.进一步的，步骤s3中进行arima模型训练的方法包括：
22.二次差分的平稳化处理；
23.基于最小aic和bic的模型优化；
24.以及残差正态分布的模型评估。
25.进一步的，步骤s4包括如下子步骤：
26.s41、基于最优的informer模型预测飞行计划的四维航迹数据，包括经纬度数据和高度数据；
27.s42、基于最优的arima模型，将经纬度数据作为输入，预测出飞行计划的高度数据；
28.s43、将步骤s4输出的高度数据和步骤s5输出的高度数据，按照权重策略进行融合形成新的高度数据，结合步骤s4输出的经纬度数据形成最终预测的四维航迹数据。
29.综上所述，由于采用了上述技术方案，本发明的有益效果是：
30.1、本发明提出的基于informer+arima模型的飞行计划航迹预测方法中，能快速完成训练样本的制作工作；informer模型在长时间序列预测方面表现很好的泛化能力，能快速的对航迹经纬高度进行预测，且保证较高的准确率；arima模型对航迹经纬度和高度的线性关系建模，能快速且较精确的预测航迹高度；由此，基于informer和arima两种网络的融合模型，支持线性关系数据和非线性关系数据预测，并加入权重赋权策略，能更精确地预测出飞行计划的四维航迹数据。
31.2、本发明中，informer+arima网络融合模型预测技术在工程化领域应用还比较少见，是一项比较有创新性的应用，对于飞行计划航迹预测精准度的提升有着重要的支撑意义。
附图说明
32.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
33.图1为本发明实施例中基于informer+arima模型的飞行计划航迹预测方法的流程图。
34.图2为本发明实施例中历史航迹数据预处理的流程图。
35.图3为本发明实施例中informer模型训练的流程图。
36.图4为本发明实施例中arima模型训练的流程图。
37.图5为本发明实施例中informer+arima模型融合的流程图。
具体实施方式
38.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
39.因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
40.实施例
41.如图1所示，本实施例提出一种基于informer+arima模型的飞行计划航迹预测方法，包括如下步骤：
42.s1、历史航迹数据预处理；历史航迹数据预处理是将过去一定时间段的航迹数据进行规范化、格式化，让其满足训练的要求，包括依次进行的数据采集、数据清洗、坐标转换、时间转换、特征值提取、数据归一化处理、数据集划分等步骤，最后得到的数据集为t＝(t1,t2,t3,t4…
,tk)，其中，i为每个飞行器的序号，m为每个航迹点的序号(共m个航迹点)。历史航迹数据包括时间戳ts、飞行器id、经度lon、维度lat、高度h、速度v、航向角θ和距离终点的距离d。
43.如图2所示，具体包括：
44.数据采集：从监视数据平台中提取指定历史时间段的历史航迹数据。
45.数据清洗：筛选掉按照时间间隔排序后的冗余、缺失的历史航迹数据。
46.坐标转换：监视系统中的航迹数据都是基于wgs84坐标系，经纬度的值范围分别[0,
±
180
°
]、[0,
±
90
°
]，为计算更方便，将原来的坐标(lon,lat,h)通过墨卡托投影转换为直接坐标系(x,y,z)，其中x、y、z分别为经度、维度、高度转换为直角坐标系下的值。
[0047]
特征值提取：历史航迹数据中数据仅包括经纬高度信息还不够，条件太少会影响模型的预测精度，增加距离终点的距离d作为特征值，取终点参考点p
last
(x
last
,y
last
,z
last
)，距离终点的距离d的计算公式为：
[0048][0049]
数据归一化处理：当数据的多个特征属性量纲不一的时候，需要将所有特征值都假定为零均值并且具有同一阶方差，这样有利于提升模型收敛速度，一定程度提高精度模
型。归一化方法选用max-min归一化：
[0050][0051]
其中，x
max
为各个维度值的最大值，x
min
为各个维度值的最小值。
[0052]
数据集划分：将数据集按照一定比例(如82％、10％、8％)划分为训练集、验证集、测试集。
[0053]
s2、将预处理后的历史航迹数据作为训练样本，进行informer模型训练，反复不断调整参数后形成最优的informer模型；如图3所示，具体包括：
[0054]
配置默认参数：根据数据特点和机器性能默认模型参数，配置构建参数，包括预测任务features、预测变量target、预测频率freq、序列长度seq_len、encoder和decoder输入维度、输出序列维度以及模型层数等。
[0055]
定义损失函数：选择均方误差mse作为损失函数来度量模型的预测性能，并且损失从解码器的输出反向传播到整个模型。
[0056]
模型优化：采用adam优化器网格调参进行模型的迭代优化，确定出最优参数组合。
[0057]
模型评估：用均方根误差rmse和平均绝对误差mae作为模型评估的指标。
[0058]
s3、将预处理后的历史航迹数据作为训练样本，进行arima模型训练，反复不断调整参数后形成最优的arima模型；如图4所示，具体包括：
[0059]
平稳化处理：对序列进行平稳化处理，即将经维度和高度序列进行二次差分，使经纬度和高度序列的散点图和单位根检验结果均是平稳。
[0060]
模型优化：选取自回归项阶数p和自回归项阶数q小于6时赤池信息量aic和贝叶斯信息量bic最小时的p、q值，确定经纬度和高度模型的参数p、d、q值。
[0061]
模型评估：观察模型的残差是否是平均值为0且方差为常数的正态分布(服从零均值、方差不变的正态分布)，同时也要观察连续残差是否(自)相关。模型评估通过，表示该模型为最佳模型，评估不通过需要进行重新定阶p、q。
[0062]
s4、利用最优的informer模型和arima模型得到最终预测的四维航迹数据。分析飞行过程的爬升、巡航、着陆等阶段数据，可以看出飞行器离终点距离值与高度有一定的线性关联关系，飞行器距离终点距离值可根据经纬度进行计算得出，也就是说飞行器飞行时的经纬度与高度存在一定的线性关系，因此结合informer和arima模型的特点，对经纬度用informer建模，对高度用informer和arima组合模型建模，最后采用权重赋权法得出融合后的四维航迹数据，如图5所示，具体包括：
[0063]
s41、基于最优的informer模型预测飞行计划的四维航迹数据t1，包括经纬度数据和高度数据h1；
[0064]
s42、基于最优的arima模型，将四维航迹数据t1中的经纬度数据作为输入，预测出飞行计划的高度数据h2；
[0065]
s43、将步骤s4输出的高度数据h1和步骤s5输出的高度数据h2，按照权重策略进行融合形成新的高度数据，结合步骤s4输出的经纬度数据形成最终预测的四维航迹数据t2。
[0066]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于informer+arima模型的飞行计划航迹预测方法，其特征在于，包括如下步骤：s1、历史航迹数据预处理；s2、将预处理后的历史航迹数据作为训练样本，进行informer模型训练，反复不断调整参数后形成最优的informer模型；s3、将预处理后的历史航迹数据作为训练样本，进行arima模型训练，反复不断调整参数后形成最优的arima模型；s4、利用最优的informer模型和arima模型得到最终预测的四维航迹数据。2.根据权利要求1所述的基于informer+arima模型的飞行计划航迹预测方法，其特征在于，步骤s1中所述历史航迹数据预处理的方法包括依次进行数据采集、数据清洗、坐标转换、特征值提取、数据归一化处理和数据集划分。3.根据权利要求1所述的基于informer+arima模型的飞行计划航迹预测方法，其特征在于，所述历史航迹数据包括时间戳ts、飞行器id、经度lon、维度lat、高度h、速度v、航向角θ和距离终点的距离d。4.根据权利要求1所述的基于informer+arima模型的飞行计划航迹预测方法，其特征在于，步骤s2中进行informer模型训练的方法包括：配置模型参数；定义均方误差mse作为损失函数；利用adam优化器网格调参进行模型优化；以及基于用均方根误差rmse和平均绝对误差mae的模型评估。5.根据权利要求1所述的基于informer+arima模型的飞行计划航迹预测方法，其特征在于，步骤s3中进行arima模型训练的方法包括：二次差分的平稳化处理；基于最小aic和bic的模型优化；以及残差正态分布的模型评估。6.根据权利要求1所述的基于informer+arima模型的飞行计划航迹预测方法，其特征在于，步骤s4包括如下子步骤：s41、基于最优的informer模型预测飞行计划的四维航迹数据，包括经纬度数据和高度数据；s42、基于最优的arima模型，将经纬度数据作为输入，预测出飞行计划的高度数据；s43、将步骤s4输出的高度数据和步骤s5输出的高度数据，按照权重策略进行融合形成新的高度数据，结合步骤s4输出的经纬度数据形成最终预测的四维航迹数据。

技术总结
本发明提供一种基于informer+arima模型的飞行计划航迹预测方法，包括：S1、历史航迹数据预处理；S2、将预处理后的历史航迹数据作为训练样本，进行informer模型训练，反复不断调整参数后形成最优的informer模型；S3、将预处理后的历史航迹数据作为训练样本，进行arima模型训练，反复不断调整参数后形成最优的arima模型；S4、利用最优的informer模型和arima模型得到最终预测的四维航迹数据。本发明基于informer和arima两种网络的融合模型，支持线性关系数据和非线性关系数据预测，并加入权重赋权策略，能更精确地预测出飞行计划的四维航迹数据。四维航迹数据。四维航迹数据。


技术研发人员：陈玉明 冯军 杜俊伟 王彦成
受保护的技术使用者：四川九洲空管科技有限责任公司
技术研发日：2023.07.11
技术公布日：2023/10/19