论文部分内容阅读
精确的航迹预测技术在解决空域资源日益紧张的问题中扮演着越来越重要的角色,也是未来基于航迹运行的空管理念的关键技术之一,其在协同管制、航迹优化、冲突探测与解脱等领域都有很重要的意义。随着我国航空运输业的发展,空中交通流量越来越多,空管系统的航班飞行数据也海量剧增,从大量高度复杂的数据中提取有用信息,深度挖掘空中交通流组织模式和演变规律,并将之有效运用于航迹分析等领域也是空管大数据的必然趋势。本文基于大量的航班飞行数据,提出了一种基于LSTM-ARIMA的短期航迹预测方法,该方法的基本思想是运用基于LSTM(Long Short-Term Memory,LSTM)神经网络和ARIMA(Autoregressive Integrated Moving Average,ARIMA)模型的组合模型对历史航班飞行数据进行建模,挖掘历史航班飞行数据内部隐藏的依赖关系,并将其运用于新的航迹预测。首先,分析现有的历史航班飞行数据,通过特征扩展,增加了到目标机场的距离和转向状态两个新的特征数据,构建基于LSTM神经网络的航迹预测模型;然后,针对LSTM航迹预测模型的不足,结合LSTM神经网络和ARIMA模型的特点,用LSTM挖掘历史航班飞行数据中的经度、纬度和高度的非线性关系,同时用ARIMA模型对高度的线性关系进行建模,对于两个模型的高度预测值用CRITIC(Criteria Importance Though Intercrieria Correlation,CRITIC)方法进行融合,融合之后的高度值和LSTM模型预测的经度、纬度一起组成预测航迹的三维位置;最后,用真实航班飞行数据进行验证分析,分析结果表明了用基于LSTM-ARIMA的航迹预测模型进行航迹预测的可行性和准确性。除此之外,为了更加直观形象的显示航迹,并进一步挖掘航迹数据中的信息,最大化历史航班飞行数据的使用价值,本文还开发了一套基于Web的航迹数据可视化系统。该系统不仅集成了本文提出的航迹预测方法,实现了对航迹预测结果的动态显示;还对航班飞行数据做了进一步的挖掘分析,采用可视化图表的形式对分析结果进行展示,提高了航班飞行数据的使用价值。