申请/专利权人：中国人民解放军海军航空大学

申请日：2023-11-02

公开（公告）日：2024-06-25

公开（公告）号：CN117421984B

主分类号：G06F30/27

分类号：G06F30/27;G06F18/214;G06F119/02

优先权：

专利状态码：有效-授权

法律状态：2024.06.25#授权;2024.02.06#实质审查的生效;2024.01.19#公开

摘要：本发明公开了一种基于多模态学习的短期航迹预测方法，步骤包括：准备训练数据集，训练数据集中包括时间相互对应的历史风场图像和历史航迹数据；建立预测模型，预测模型包括风场特征学习模块、航迹特征学习模块和航迹预测模块；将训练数据集输入至预测模型，基于损失函数值调整预测模型的参数；使用训练后的预测模型预测短期航迹。本发明在短期航迹预测任务中引入了风场特征学习模块，对一段时间内的风场三维数据提取风场特征，并通过历史航迹特征和风场特征的融合，综合利用两种特征来预测未来航迹，从而提高了短期航迹预测的准确率。

主权项：1.一种基于多模态学习的短期航迹预测方法，其特征在于步骤包括：步骤1、准备训练数据集，所述训练数据集中包括时间相互对应的历史风场图像和历史航迹数据；步骤1中，历史航迹数据的采集处理方式如下：采集飞机降落过程中的航迹数据样本，航迹数据样本格式为t,xf,yf,zf，其中t为航迹数据样本对应的时刻，xf、yf、zf为飞机在t时刻的三维坐标；采用滑动窗口的方式划分航迹数据样本，得到多个窗口，每个窗口中包含sf个航迹数据样本；将每个窗口中前p个航迹数据样本作为一组历史航迹数据加入到训练数据集，后q＝sf-p个航迹数据样本作为所述p个航迹数据样本的实际未来航迹；步骤1中，历史风场图像的采集处理方式如下：采集三维空间中各个点的风速和方向，获取各个时刻的风场截面图像切片t,xw,yw,zw，其中t为风场图像对应的时刻，xw＝yw、分别为风场截面图像切片的长和宽，zw为风场截面图像切片的图像通道数；采用滑动窗口的方式划分风场截面图像切片，得到多个窗口，每个窗口中包含sw个风场截面图像切片，将该sw个风场截面图像切片作为一组历史风场图像加入到训练数据集；步骤2、建立预测模型，所述预测模型包括风场特征学习模块、航迹特征学习模块和航迹预测模块，所述风场特征学习模块用于根据风场图像得到风场特征向量，所述航迹特征学习模块用于根据航迹数据得到航迹特征向量，所述航迹预测模块用于根据风场特征向量和航迹特征向量得到航迹预测结果；所述风场特征学习模块包括依次连接的ResNet50网络、显著性特征提取网络和全连接层；风场图像输入到ResNet50网络之前，先将ResNet50网络的第一层卷积层的权重沿着通道维度进行复制，使其输入格式与输入的风场图像对齐；所述显著性特征提取网络包括通道显著特征提取分支和空间显著特征提取分支；所述ResNet50网络输出的第一特征图输入至通道显著特征提取分支得到第二特征图，同时输入至空间显著特征提取分支得到第三特征图，然后将第一特征图、第二特征图和第三特征图进行向量点乘，得到第四特征图；所述第四特征图输入至全连接层，得到风场特征向量fwind；步骤3、将训练数据集输入至预测模型，其中历史风场图像作为风场特征学习模块的输入，历史航迹数据作为航迹特征学习模块的输入，根据航迹预测模块的预测结果计算损失函数值，并基于损失函数值调整预测模型的参数；在训练阶段，设某一组历史航迹数据对应的时刻为t，即该组历史航迹数据中最后一个航迹数据样本的时刻为t，且每个时刻t都对应一个风场截面图像切片，则与该组历史航迹数据对应的历史风场图像中所包含的风场截面图像切片对应的时间范围为[t-sw-tdelay,t-tdelay]，其中tdelay为风场外力对飞机航迹产生影响的延迟时间所对应的时刻差值大小；步骤4、使用训练后的预测模型预测短期航迹：将当前时刻之前的风场图像输入到风场特征学习模块、航迹数据输入到航迹特征学习模块，将航迹预测模块输出的航迹预测结果作为该时刻的航迹预测结果。

全文数据：

权利要求：

百度查询： 中国人民解放军海军航空大学 基于多模态学习的短期航迹预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD