基于深度學習的航空器場面軌跡預測

李 雪，何元清，胡 耀

（中國民用航空飛行學院計算機學院，廣漢 618300）

0 引言

隨著我國航空運輸業的高速發展，我國航空公司飛機起降架次在2019年達496.62萬架次，旅客運輸量為65993.42萬人次。相當于每天有180.8萬人乘坐飛機出行，大型機場越加繁忙。機場向多跑道、多航站樓、多滑行道的趨勢發展，機場運行安全逐漸成為隱患。我國民航業在2006—2011年，僅五年的時間發生了91起跑道入侵不安全時間，其中構成事故征候8起。2016年上海虹橋機場發生跑道入侵事件，僅相差3秒就造成兩輛載客量共為550人的客機相撞事件，對機場和乘客造成了嚴重的安全隱患。盡管機場規模日益增大，但運行效率卻有所降低。場面滑行時間長，場面滑行沖突造成的等待次數多和人工語音指揮效率低制約了機場的高速發展。在2006—2015年，隨著飛機起降架次的增多，航班正常率基本呈現逐年遞減，2016年全國航班正常率僅為76.76%。不能對機場場面航空器準確的預測其所處的位置和時間，是導致機場頻繁發生碰撞危險的原因。研究軌跡的預測是安全高效控制場面滑行的重要基礎，對路由規劃，包括對風險預警，航班次序，重要節點的時間安排等都能起到重要作用。從而減少航班延誤、增加旅客滿意度、提高機場服務質量。對場面的軌跡預測有助于減少飛機在場面的等待時間和沖突發生概率。

目前我國大多數機場只具備監視和控制的功能服務。即使實現了路由引導的機場，如大興，其智能化程度也不高，主要是基于預定義的標準滑行路線實現了燈光引導，這是制約其發展的關鍵原因之一，也是由于難以實現準確的場面航空器航跡預測，缺乏動態路由規劃的基礎。

Laura Hernando Guada?o研究考察了將飛機用作終端區域中的風傳感器以進行實時風估計，以改善飛機軌跡預測的情況。不僅描述了飛機系統中提供風速推導所需變量的不同來源，而且還描述了能夠為空中交通管理應用提供此信息的功能。Wang Yuhao使用貝葉斯熵信息融合方法，將仿真模型中的數據與實時交通數據流和可用的物理約束集成在一起。該預先警告將使飛行員/管制員能夠采取措施減輕國家空域系統中的不良事件。但是基于動力學模型在實際運行過程中航空器的諸多動力學參數并不易獲得，如氣象預報、管制員意圖、飛行員操作意圖等。在基于歷史數據的彈道預測研究中，張尚健等人利用多項式擬合法對目標位置的歷史數據序列進行處理，計算出目標的未來位置，并隨著時間的推移不斷更新目標數據。Gong C根據中國航空器滑行技術路線中特定目標區域的真實信息數據的研究（比如一個直道、轉彎處的滑行速度發展和加速度），描述了航空器在機場場面以及運動的軌跡分析模型。上述軌跡預測模型都是在理想的歷史軌跡數據下得到的，沒有考慮不完整或不連續的歷史數據，基于預測的精度還有待驗證。Atkins S等探討4D概念的場面交通管理的作用以及需要解決的問題。未來基于軌跡的研究將是交通管理的主題。

深度學習通過輸入層與輸出層的復雜關聯，對歷史數據進行分析、學習，不依賴運動學模型，目前部分學者嘗試運用深度學習方法解決交通流預測問題。

1 軌跡預測算法

1.1 循環神經（RNN）網絡

循環神經（RNN）網絡的基本結構，如圖1所示。

圖1 循環神經網絡基本結構

由圖1可見，x表示為輸入層，t表示為時刻，o表示為輸出層，s表示為隱藏層，矩陣W為隱藏層上一時刻的值作為下一時刻輸入的權重。輸出層o和隱藏層s的計算方法如式（1）、（2）所示。RNN是一個自我不斷循環的結構。將上一時刻的輸出狀態作為下一時刻的輸入進行訓練與學習。直到輸入或訓練結束，得到最終的輸出結果。

1.2 長短期記憶（LSTM）網絡

LSTM循環結構中增加了輸入門、輸出門、遺忘門和記憶單元。“門”的設置使得信息選擇式通過，可以避免學習長期依賴信息。LSTM解決了RNN存在的梯度消失和梯度爆炸的問題。LSTM網絡基本結構如圖2所示。

圖2 LSTM網絡基本結構

（1）輸入門。通過設置閾值決定當前時刻輸入數據有多少需要傳遞到單元狀態。閾值為1表示輸入數據完全保留，閾值為0表示輸入數據完全舍棄，將上一時刻的輸出數據與當前時刻的輸入數據通過輸入門得到i如式（3），以及通過單元狀態得到當前時刻暫時狀態Cˇ如式（4）所示。

（2）遺忘門。決定上一時刻的單元狀態丟棄多少。應用上一個時刻的輸出h和當前的數據輸入x，通過遺忘門得到f如式（5）所示。

（3）輸出門。控制當前單元狀態有多少需要輸出到當前的輸出值。應用上一個時刻的輸出h和當前的數據輸入x，通過輸出門得到o如式（6），以及結合當前細胞的單元狀態C和o得到最終的輸出h如式（7）所示。

（4）記憶單元更新公式如式（8）所示。

2 實驗仿真過程

2.1 數據預處理

文中研究所用的數據來自于中國民用航空局第二研究所，通過機場場面監視雷達得到的航空器歷史軌跡數據。數據表1所示。

表1 歷史軌跡數據表

該數據是北京首都機場2020年6月5日某時段的歷史數據，共計594559條數據。民航二所提供的大量機場航空器實時數據，滿足了數據的可靠性與數據量的要求，對后續的模型訓練建立了基礎。數據為xml格式的文件，數據文件中有各種標簽信息，使用xml解析技術Element-Tree提取出所需標簽的text或者屬性值，經度、緯度、時間、航空器型號、速度以及高度特征。經過一階差分、數據歸一化等處理后，再將數據以航空器型號分組，將每組數據整理為時間序列數據，再將時間序列問題轉換為監督學習問題。數據為航空器從停機坪推出到起飛整個軌跡，由于只對航空器場面進行軌跡預測，即將高度特征中數值為0的數據刪去。

雷達采集的數據中存在數據缺失問題，數據缺失是一個十分復雜的問題，大量有用數據的缺失，使得預測的不確定性顯著增加。缺失數據處理方式的好壞，直接影響軌跡預測準確率。因此，缺省值需要通過專門的方法進行推導、填充等。通過檢查數據發現包含缺失值，對于非數值類的缺失值，采用刪除元組的方式。對于數值類的缺失值，采用數據補齊方式中的平均值填充方法。

開發中使用Pycharm編譯工具、Python語言對數據進行處理，調用pandas和numpy庫中已封裝好的函數，實現對數據的快速處理。使用Pycharm編譯工具提高了開發效率，比如代碼跳轉，項目管理，智能提示。

2.2 LSTM時間序列數據

2.2.1 單維單步

LSTM對不同的框架采用不同的數據輸入形式，處理數據時令input_size=3，seq_len=7，batch=1。input_size為單行輸入數據特征個數，seq_len為輸入數據總計行數。batch表示內部模型每次處理的樣本個數。例如數據［1，2，3，4，5，6，7，8，9］，將數據輸入LSTM模型，處理后的數據如表2所示。

表2 單維單步數據表

2.2.2 多維多步

比如一組數據為：［［10，21］，［20，22］，［30，23］，［40，24］，［50，25］，［60，26］，［70，27］，［80，28］，［90，29］，［100，30］］。此數據為時間序列數據包含兩個特征，確定訓練集的窗口長度，即用t-2，t-1，t時刻的數據對模型進行訓練，t+1時刻的數據對結果進行驗證。此例對數據進行兩步預測。處理后的數據如表3所示。

表3 多維多步數據表

其中seq_len=6,batch=3,input_size=2。搭建模型的部分與單維單步分析相同，output的形狀與target一樣為（6，2，2），而輸入的形狀為（6，3，2），則需要一個全連接層使其輸入為（6，3，2）輸出為（6，2，2）。實驗中采用多維多步對航空器數據進行預處理。核心代碼如下：

3 仿真實驗結果與分析

對LSTM模型參數進行設置，核心代碼如下。

實驗中對航空器的經度緯度進行多步預測，即采用多維多步方式，將時間序列數據轉換為監督數據。選擇其中一個航空器的一組飛行高度為0的數據，保證航空器在機場場面活動，對機場場面滑行軌跡中部分軌跡進行預測，其中藍色為飛機行駛軌跡原始數據，紅色圓點表示測試集預測的下一時刻的位置，綠色圓點表示訓練集預測下一時刻的位置。如圖3所示。

圖3 下一時刻軌跡位置

將處理后的數據樣本劃分為70%為訓練樣本集，30%劃分為測試樣本集。使用構建的模型對樣本集進行訓練，對測試集進行預測得到航空器下一時刻的位置。根據網絡的輸入，網絡的層數等得出訓練所使用的參數個數為175563，LSTM網絡得出準確率約為97.91%，如表4所示。

表4 預測結果

4 結語

目前基于動力學模型在實際運行過程中航空器的諸多動力學參數并不易獲得，如氣象預報、管制員意圖、飛行員操作意圖等。而深度學習神經網絡對歷史數據進行訓練，不依賴航空器的特性，在預測精度和預測時間上有更好的效果。

文中首先對循環神經網絡進行介紹，由于循環神經網絡存在梯度消失和梯度爆炸的問題，引申出長短期記憶網絡。其次分析歷史數據，建立軌跡預測模型。但目前僅實現了對單個航空器的軌跡預測，如何實現對多個航空器同時進行場面軌跡預測與實現長期預測是下一步要解決的難題。