论文部分内容阅读
为了应对航线网规模扩大、空域资源紧缺等问题带来的挑战,基于四维航迹的运行(Traiectory Based Operation,TBO)被国际民航组织(ICAO)作为下一代空中交通管理系统的核心运行理念。TBO是以对飞行器的4D航迹预测为参考,将航迹在空管系统内部实现共享,精确的管理与控制着飞行器的运行。因此,探究高精度的4D航迹预测技术是目前亟待解决的核心问题。本文针对高精度的4D航迹预测问题,提出一种新颖的基于深度学习神经网络的4D航迹预测方法。该方法主要是在分析飞行大数据的基础上,挖掘大量历史飞行航迹的时空特征,建立神经网络预测模型,实现4D航迹的高精度预测。首先,分析了ADS-B历史航迹数据并对其进行了预处理,研究了ADS-B监视技术和ADS-B航迹数据格式,并采用三次样条插值算法对飞行数据进行了缺失点补充。然后,考虑到航迹含有比较丰富的时空特征,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)相结合的CNN-LSTM组合神经网络4D航迹预测模型。CNN模块用于提取航迹邻近区域的空间维度特征,LSTM模块用于提取航迹时间维度的依赖关系,基于时间和空间特征的充分融合,进行4D航迹的高精度预测。为了更好地验证所提模型的性能,设计了单一的LSTM神经网络和BP神经网络模型作为对比。最后,采用某航路上真实的ADS-B历史航迹数据进行了实验验证。结果表明,本文提出的CNN-LSTM组合神经网络模型相较于单一神经网络模型预测效果更好,更能反映飞行器的真实飞行航迹。