一种航迹预测方法、装置及存储介质

1.本技术涉及航线预测技术领域，尤其是涉及一种航迹预测方法、装置及存储介质。


背景技术：

2.随着空中交通量的不断增长，空域系统载荷压力沉重，航班延误的情况越发严重，对民航健康稳定发展带来了巨大的挑战。为了更好地应对日益增长的运输需求引发的系统缺陷和管理操作人员工作负荷大等问题，一些民航改造项目开始从以人为中心的操作模式逐步转变为基于航迹运行(trajectory based operations,tbo)的自动化模式。准确预测未来航迹是tbo的一项关键技术。
3.目前，航迹预测通常使用基于历史飞行数据进行数据挖掘的四维航迹预测算法，预测模型选择与当前执行条件最匹配的历史飞行航迹作为预测输出。但上述方法主要是围绕航空器飞行短期预测，预测间隔较小，约为几分钟甚至更短的时间。中长期预测手段相对匮乏，只是简单地依靠历史航迹进行辅助规划和管理。


技术实现要素：

4.为了提高中长距离飞行预测结果的精度，本技术提供了一种航迹预测方法、装置及存储介质，采用如下的技术方案：一种航迹预测方法，包括以下步骤：获取目标航班的航班信息，根据预训练的bp神经网络预测所述目标航班的空间位置和剩余飞行时间；其中，所述bp神经网络包括预测bp神经网络和误差修正bp神经网络。
5.进一步地，上述bp神经网络的预训练包括以下步骤：采集目标航班的历史航迹数据集，对所述历史航迹数据集进行预处理；将预处理后的历史航迹数据集输入未训练的bp神经网络中并进行迭代训练，得到预测bp神经网络；将所述历史航迹数据集输入所述预测bp神经网络，得到航迹预测值，计算所述航迹预测值与对应的历史航迹数据之间的误差，得到误差数据集；将所述误差数据集输入未训练的bp神经网络中并进行迭代训练，得到误差bp神经网络。
6.进一步地，上述根据预训练的bp神经网络预测所述目标航班的空间位置包括以下步骤：将所述航班信息输入所述bp神经网络，其中，所述航班信息包括出发机场、目的机场和飞行规划路线，所述bp神经网络包括经过预训练的第一预测bp神经网络和第一误差修正bp神经网络；所述bp神经网络输出目标时间下所述目标航班所处的空间位置。
7.进一步地，上述根据预训练的bp神经网络预测所述目标航班的剩余飞行时间包括：将所述目标航班的飞行规划路线、飞行速度和空间位置输入所述bp神经网络，其中，所
述bp神经网络包括经过预训练的第二预测bp神经网络和第二误差修正bp神经网络；所述bp神经网络输出所述目标航班抵达目的地的剩余飞行距离和剩余飞行时间。
8.进一步地，上述方法还包括：根据预训练的bp神经网络预测所述目标航班的空间位置和剩余飞行时间后，对预测结果进行验证。
9.进一步地，上述对预测结果进行验证包括：提取目标航线的历史航迹数据集中的典型航迹；计算所述bp神经网络预测的所述目标航班的空间位置和剩余飞行时间与典型航迹中对应的参数之间的误差，得到预测误差值；判断所述预测误差值是否属于误差阈值范围，若不属于，重新训练所述bp神经网络。
10.进一步地，上述提取目标航线的历史航迹数据集中的典型航迹包括：通过凝聚层次聚类将所述历史航迹数据集分为若干聚类簇；计算每个聚类簇内各历史航迹与其它历史航迹之间的平均距离，提取平均距离最小的历史航迹作为所在聚类簇的典型航迹。
11.为实现上述目的，本技术另一方面还提供一种航迹预测装置，包括：数据采集模块，用于采集目标航班的航班信息；数据处理模块，用于根据预训练的bp神经网络预测所述目标航班的空间位置和剩余飞行时间；数据验证模块，用于验证预测结果中目标航班的空间位置和剩余飞行时间的误差。
12.为实现上述目的，本技术另一方面还提供一种计算设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法。
13.为实现上述目的，本技术另一方面还提供一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行上述方法的计算机程序。
14.本发明由于采取以上技术方案，其具有以下优点：本技术提供的一种航迹预测方法、装置及存储介质通过目标航班的历史航迹数据集对bp神经网络进行训练，可以分别得到预测bp神经网络和误差修正bp神经网络。然后通过预测bp神经网络对目标航班的空间位置和剩余飞行时间进行预测，再使用误差修正bp神经网络对预测bp神经网络的预测结果进行修正，进一步提高了预测结果的准确度，尤其适用于飞行器中长距离飞行的轨迹预测，从而对飞行器的冲突检测、到达管理、流量管理和异常行为检测等方向产生积极的影响。
附图说明
15.图1是本发明实施方式中航迹预测方法流程示意图。
16.图2是本发明实施方式中bp神经网络结构示意图。
17.图3是本发明实施方式中bp神经网络工作流程示意图。
18.图4是本发明实施方式中航迹数据点配对示意图。
19.图5是本发明实施方式中轮廓系数关于候选聚类数目的变化曲线示意图。
20.图6是本发明实施方式中第一类航迹聚类结果示意图。
21.图7是本发明实施方式中第二类航迹聚类结果示意图。
22.图8是本发明实施方式中第三类航迹聚类结果示意图。
23.图9是本发明实施方式中第四类航迹聚类结果示意图。
24.图10是本发明实施方式中第五类航迹聚类结果示意图。
25.图11是本发明实施方式中第五类航迹的典型轨迹提取示意图。
26.图12是本发明实施方式中经纬度预测误差折线示意图。
27.图13是本发明实施方式中高度预测误差折线示意图。
28.图14是本发明实施方式中飞行轨迹预测对比示意图。
29.图15是本发明实施方式中飞行距离误差柱状示意图。
30.图16是本发明实施方式中飞行距离误差折线示意图。
31.图17是本发明实施方式中飞行距离预测对比图。
具体实施方式
32.下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
33.本技术针对空管运行过程中，缺乏对中长距离飞行的航迹预测手段，提出了一种航迹预测方法，如图1所示，包括以下步骤：s101：对bp神经网络进行预训练；在本实施方式中，bp(back propagation)神经网络是一种常见的人工神经网络，它的结构包括：输入层、隐含层和输出层。包含一个隐含层的bp神经网络结构如图1所示，网络结构和权重参数设置后，利用误差梯度下降算法不断减小预测值与真实值之间的误差。参照图1的神经网络结构图，神经网络输入与输出之间的计算关系如下：其中，σ为激活函数，隐含层节点数为8；输入层节点数为5；输出层节点数为3。
34.如图2所示，在本技术的其中一种实施方式中，bp神经网络由两个bp神经网络组成，包括预测bp神经网络和误差修正bp神经网络。采集数据的精度、数据采样的频率稳定性以及模型的局限性都会产生误差，误差修正一定程度上能够缓解预测值与真实值之间的差距，提高模型预测的可信度。带误差修正的双bp神经网络的结构如图2所示，假设通过采样获得p个观测数据，带误差修正的双bp神经网络的预测输出为o’(p)；预测bp网络的输出为o(p)；误差修正bp网络的输出为
△
o(p)：o’(p)＝o(p)+
△
o(p)在本实施方式中，模型预测时，预测bp网络的输出的误差可能为正、亦可能为负。关于预测bp网络输出的误差正负判别由误差修正bp网络进行预测识别。误差修正量能够较好地控制误差范围，通过引入误差修正bp网络能够将误差控制在合理的范围内。
35.如图3所示，在本技术的其中一种实施方式中，bp神经网络的预训练包括以下步骤：s201：采集目标航班的历史航迹数据集，对所述历史航迹数据集进行预处理；在本实施方式中，历史航迹数据集使用的数据来源于flightaware提供的航班历史数据,flightaware的数据来自于超过45个国家的空中交通管制系统。通过对目标航线轨迹进行筛选过滤后，剔除异常数据，利用线性插值法进行空缺数据的补全操作。针对不同输入特征向量的量纲不完全一致问题，采用最小最大归一化方法对每个维度上的特征进行归一化变换，保证神经网络平等对待每个特征。最小最大化归一化变换操作定义如下：其中，xf为归一化后的特征值；xo为原始特征值；x
min
和x
max
分别为该维度特征上的最小值和最大值。经过归一化处理后的特征值取值范围为[0,1]。
[0036]
s202：将预处理后的历史航迹数据集输入未训练的bp神经网络中并进行迭代训练，得到预测bp神经网络；在本实施方式中，预处理后的历史航迹数据集经过预测bp神经网络进行迭代训练，利用反向误差传播算法不断优化网络参数权重，将数据集经过预测bp神经网络求得预测值为p
bp
，预测值p
bp
与真实值p
real
之间的差记为delta，计算公式为：delta＝p
real-p
bp
。
[0037]
s203：将所述历史航迹数据集输入所述预测bp神经网络，得到航迹预测值，计算所述航迹预测值与对应的历史航迹数据之间的误差，得到误差数据集；在本实施方式中，参照预测值p
bp
与真实值p
real
之间的差记为delta重新制作误差数据集，将轨迹数据集作为输入经过误差修正bp神经网络，输出记为p
delta
。
[0038]
s204：将所述误差数据集输入未训练的bp神经网络中并进行迭代训练，得到误差bp神经网络:；在本实施方式中，误差数据集送入误差修正bp神经网络进行迭代训练，利用反向误差传播算法不断优化网络参数权重。
[0039]
s205：bp神经网络的最终输出为p
final
＝p
bp
+p
delta
。
[0040]
在本实施方式中，bp神经网络包括预测bp神经网络和误差修正bp神经网络，预测bp神经网络包括第一预测bp神经网络和第二预测bp神经网络，误差修正bp神经网络包括第一误差修正bp神经网络和第二误差修正bp神经网络；其中，第一预测bp神经网络和第一误差修正bp神经网络用于对目标航班在特定时间的空间位置进行预测，第二预测bp神经网络和第二误差修正bp神经网络用于对目标航班抵达目的机场d的剩余飞行距离进行预测。
[0041]
如图3所示，s102：预训练的bp神经网络预测所述目标航班的空间位置和剩余飞行时间。
[0042]
在本实施方式中，根据预训练的bp神经网络预测所述目标航班的空间位置包括：在明确航班飞机的出发机场o、目的机场d、飞行规划路线r的情况下，在已知飞行距离l的情况下，计算飞机所处于的空间坐标位置p(x
p
,y
p
,z
p
)。历史航迹第i点的数据表示为：p(i)＝{lat,lon,high}式中：lat,lon,high分别表示纬度、经度、高度数据。第i个轨迹点li的飞行距离，计算公式如下：
其中，distance()函数是计算三维空间中任意两点之间的距离。预测所述目标航班的空间位置的数学模型可以表示为：即，将li和r
od
输入第一预测bp神经网络和第一误差修正bp神经网络，得到目标航班的空间位置坐标预测结果。
[0043]
在本实施方式中，根据预训练的bp神经网络预测所述目标航班的剩余飞行时间包括：将所述目标航班的飞行规划路线、飞行速度和空间位置输入所述bp神经网络，其中，所述bp神经网络包括经过预训练的第二预测bp神经网络和第二误差修正bp神经网络；计算距离出发机场o的距离l，计算公式为：l
op
＝f
l
(lat,lon,high,r
od
)然后求得剩余飞行距离l
pd
。航线总长记为l
od
，则l
pd
的计算公式如下：l
pd
＝l
od-l
op
通过计算飞机抵达目的机场d的剩余飞行距离，进而根据飞行速度推算剩余飞行时间。
[0044]
s103：对预测结果进行验证。
[0045]
在本实施方式中，对预测结果进行验证包括：s301：提取目标航线的历史航迹数据集中的典型航迹；如图4所示，在本实施方式中，空中交通典型轨迹的提取关键是合理的度量不同轨迹间的相似性，在计算航迹间距离的过程中，首选需要确定不同航迹间的匹配规则，考虑空中交通轨迹的实际情况存在不等长的情况以及不同航空器的机型和飞行性能间的差异引起的航迹疏密不同等问题，采用动态时间规整(dynamic time warping，dtw)算法来计算航迹间的距离。基于dtw的航迹距离计算。dtw不严格要求航迹的长度必须相等，在不改表航迹顺序的前提下，通过寻找两条航迹间的最佳对齐方式完成时间维下的部分重复轨迹的局部缩放，计算dtw距离时轨迹间的配对效果如图4所示。航空器的航迹表示为t＝{t1,t2,...,ti,...,tn}，t为历史航迹的集合；i为航迹编号；n为航迹总数；ti为航班i的飞行航迹。以航迹i和j的距离为例，航迹i和航迹j的距离定义为d
ij
。基于dtw算法计算所有航迹间的距离矩阵为d，数学表示为：航迹自身的距离定义为0，即航迹间距离矩阵d的对角线上的值均为0。层次聚类算法在航空大数据分析中得到了广泛应用，按照分解层次的不同方式分为分裂层次聚类和凝聚层次聚类。在本技术的其中一种实施方式中，采用凝聚层次聚类算法。每条航迹数据都是
一条空间三维曲线，agnes的输入通常为一组待分类的轨迹点，考虑一个轨迹点无法有效代表一条航迹的问题，引入dtw距离矩阵来弥补单一航迹点的代表性不足的问题。具体算法流程如下：s401：将dtw距离矩阵d和预期聚类数k作为agnes聚类算法的输入。
[0046]
s402：初始化每条航迹为一个类别。
[0047]
s403：找到dtw距离矩阵中距离最小的两条航迹。
[0048]
s404：合并两个航迹，生成新类别的航迹集合。
[0049]
s405：重复step3和step4。
[0050]
s406：直至轨迹聚类的类别数与预期聚类k相同，输出最终的聚类结果。
[0051]
在本实施方式中，采用轮廓系数确定航迹的最佳聚类数目，单一航迹i的轮廓系数sci，定义如下：其中，ai为航迹i与同类簇中的其余航迹样本之间的平均距离；b
ij
为航迹i与非同类簇cj中所有航迹的平均距离；bi＝min(b
i1
,b
i2
,...,b
ik
)为航迹i的簇间不相似度。聚类轮廓系数，是指航迹集合按照一定规则进行一次聚类，所有航迹的轮廓系数的平均值。计算公式如下：其中，n为航迹集合中包含的样本数目。本文采用聚类轮廓系数sc
avg
对航迹聚类结果进行分析，进而确定最佳聚类数目。
[0052]
在本技术的其中一种实施方式中，采用2022年9月至10月由迪拜国际机场起飞至伦敦希斯罗机场降落的真实航班历史航迹数据作为数据源，对数据进行预处理后作为聚类分析的历史航迹。基于dtw算法计算航迹间的距离矩阵，共选择69条航迹进行聚类，每条航迹约包含700多个点，共计48300个航迹点。在通过聚类轮廓系数分析航迹聚类有效性时，sc
avg
越接近于1表示分类的簇中紧凑度越高，簇中轨迹更加相似。设定候选的聚类数目为2到30，聚类轮廓系数关于候选聚类数目的变化曲线如图5所示。通过观察不难发现，增加聚类数目有助于降低簇中的平均距离，但实际应用过程中不会单纯追求簇中的相似度，还需要考虑分类的代表性。
[0053]
通过多次试验对比分类效果，在实际应用时依据图5曲线的局部极值点作为最佳分类的重要判断依据。没有选择聚类数目2作为最佳聚类簇数的主要原因是分类结果仅对不同高度的曲线进行了区分，并未考虑平面坐标系下的曲线变化。以迪拜至伦敦希斯罗为例，最佳聚类数目确定为5。图6为基于聚类轮廓系数设定的最佳聚类数目的分类3d效果，其中有44条航迹被归类为第一类航迹簇、5条航迹为归类为第二类航迹簇、8条航迹为归类为第三类航迹簇、2条航迹为归类为第四类航迹簇、10条航迹为归类为第五类航迹簇。从飞行高度来看，第一、三、五类航迹集中于12000左右的高度飞行，第二、四类航迹集中在10000左右的高度飞行。从平面角度来看，第一、四、五类航迹相对集中，第二、三类航迹绝大部分航迹较为集中。基于轮廓系数确定最佳聚类数目的方法能够把飞行路线相近的航迹数据归为
同类，在兼顾飞行高度和平面轨迹变化的情况下，有效地将较大差别的航迹划分为不同的类别，聚类效果明显。
[0054]
如图6-图10所示，在本实施方式中，基于dtw算法计算的航迹间距离矩阵，按照聚类轮廓系数确定的最佳分类数得到的航迹分类结果，按类别进行航迹簇的典型轨迹提取。以上一节的第五类航迹簇为例，计算第五类航迹簇的中心航迹与簇内其他航迹的平均距离，计算结果如表1所示：表1航迹号与其他9条航迹的平均距离123333.65264517934726.812231591071609.034028431124002.239020581819405.820246752220468.952845322592544.239655285228257.8345390356127288.10373408如图11所示，通过观察可以发现，经过分类处理后簇内的航迹间平均距离相近，波动平稳。航迹46与其他9条航迹的平均距离最小，相似度最高，所以选择航迹46作为第五类航迹的典型航迹，典型航迹的效果展示。通过对比不难发现，典型航迹较好地体现了第五类航迹的飞行规律和运行特点，较为清晰地展示了第五类航迹簇的变化趋势。
[0055]
s302：计算所述bp神经网络预测的所述目标航班的空间位置和剩余飞行时间与典型航迹中对应的参数之间的误差，得到预测误差值；在本实施方式中，为了验证本技术预测方法的计算效果，以第五类航迹簇的典型航迹作为算例，在已知飞行距离的条件下，预测对应773个航迹点的空间坐标，以航迹的真实坐标作为验证解。同时，对预测bp神经网络和误差修正bp神经网络的情况进行对比分析。
[0056]
预测所述目标航班的空间位置时bp神经网络的输出包括经度、纬度和高度。图12展示经纬度预测误差，图13展示了高度预测误差。图12中的虚线表示第五类航迹簇典型轨迹的俯视图，虚线中的点代表历史航迹的实际坐标信息，上下的两条横线代表模型预测纬度的标准化误差绝对值，左右的两条垂线表示模型预测经度的标准化误差绝对值。红色线距离越大代表模型预测正确率越低，图13直观展示了航迹预测正问题的经纬度准确度。图13展示了高度预测误差的曲线图，横坐标为历史航迹点的坐标编号，按实际飞行顺序由小到大进行编号，纵坐标为标准化高度误差。从图13中的极值点不难发现，高度预测误差在0.6％以下。误差修正bp网络的收敛情况要明显优于预测bp网络。如图14所示，本技术在航迹预测正问题上能够取得比普通神经网络更好的预测性能。
[0057]
预测所述目标航班的剩余飞行时间时，bp神经网络的输出为飞行距离。图15以标准化误差柱状图的方式展示了飞行距离预测误差的分布情况，正负误差集中分布在-0.010和+0.010之间，即飞行距离的误差百分比约为1％。图16是飞行距离预测误差曲线图，横坐标为历史航迹点的坐标编号，按实际飞行顺序由小到大进行编号，纵坐标为标准化飞行距
离误差。从图16中的极值点不难发现，飞行距离最大正向预测误差在1.5％以下，最大负向预测误差在2.5％以下，平均预测误差在1％以下。图17是给出了3种不同情况下的飞行距离对比情况，红色实线为历史真实航迹飞行的距离变化情况，其中深蓝色虚线为本文提出的模型预测飞行距离情况，浅蓝色虚线为预测bp网络计算的飞行距离情况。通过对比容易发现，本技术的预测与真实情况基本吻合，要明显优于简单的bp网络。与航迹预测正问题的训练情况一致，误差修正bp网络在评价函数和训练损失均要优于预测bp网络，本技术提出的模型在航迹剩余飞行距离预测上依然取得了十分不错的结果。
[0058]
s303：判断所述预测误差值是否属于误差阈值范围，若不属于，重新训练所述bp神经网络。
[0059]
在本发明的其中一种实施方式中，为了进一步验证bp神经网络进行数值求解的有效性，使用高斯核函数的支持向量机(svm-rbf)、多项式核函数的支持向量机(svm-poly)、最近邻回归算法(kneighborsregressor)、高斯核函数的岭回归(kernelridge-rbf)、基于决策树的集成学习(decisiontree-adaboostregressor)分别对第五类典型航迹进行回归预测，对比模型的应用效果。其中，最近邻回归算法的近邻数为5，基于决策树的集成学习模型的决策树最大深度为4。经过计算，六种模型的预测结果对比情况如下表2所示。
[0060]
表2模型正问题mae正问题mse反问题mae反问题msebp神经网络0.0042950.0000290.0013130.000003svm-rbf0.0248740.0018520.0879480.027595svm-poly0.0228240.0015710.0521500.017952kneighborsregressor0.0002570.0000020.0425870.015991kernelridge0.0389970.0097430.1013500.025424adaboostregressor0.0129870.0005990.0024850.000012以mae为评价指标，对六种模型在航迹预测正反问题上的结果进行对比不难发现：在航迹正问题的预测上最近邻回归算法效果最佳，mae为0.000257，bp神经网络排名第2位，mae为0.004295；在航迹剩余飞行距离的预测上bp神经网络效果最佳，mae为0.001313。与其他五种主流回归预测模型进行对比，本技术的预测误差显著减小，进一步说明该模型在航迹的预测性能方面有了明显改进。
[0061]
本技术还提供一种航迹预测装置，包括：数据采集模块，用于采集目标航班的航班信息；数据处理模块，用于根据预训练的bp神经网络预测所述目标航班的空间位置和剩余飞行时间；数据验证模块，用于验证预测结果中目标航班的空间位置和剩余飞行时间的误差。
[0062]
本实施方式中提供的装置是用于执行上述方法实施例的，具体流程和详细内容参考上述实施例，此处不再赘述。
[0063]
本技术还提供一种计算设备，所述计算设备包括存储器和处理器，所述存储器用于存储计算机程序，当所述计算机程序被所述处理器执行时，实现上述的方法。
[0064]
本技术还提供一种计算机可读存储介质，所述计算机可读存储介质包括计算机程
序，所述计算机程序用于实现上述的方法。
[0065]
其中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用；计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0066]
由上可见，本技术提供的技术方案通过采集的历史航迹数据对bp神经网络进行训练，分别得到针对飞机预计抵达空间位置和剩余飞行时间的预测bp神经网络和误差修正bp神经网络；在实际计算空间位置和剩余飞行时间时，需要使用各自的预测bp神经网络完成第一次计算，然后通过各自的误差修正bp神经网络进一步提高模型预测的准确度；并且为了进一步消除对专家经验的过度依赖，同时减轻参数调整的负担，本技术以真实的航迹历史作为数据驱动，利用提取的典型航迹作为数据源，首先，通过动态时间规整算法计算航迹间的距离，再利用层次聚类算法根据距离进行航迹簇的划分，并对聚类结果采用轮廓系数进行效果评价进而确定最佳分类数，最后通过计算筛选簇内平均最小距离完成典型航迹的提取。以迪拜国际机场起飞至伦敦希斯罗机场降落的真实航班历史航迹进行实例验证，研究结果表明，基于误差修正的bp神经网络在航迹预计抵达空间位置和剩余飞行时间的mae分别为0.004295、0.001313，依靠本技术的技术方案解决航迹的预测问题具有较好的应用前景，能够适应现代tbo管理与应用的实际需要，进一步丰富航迹管理领域，尤其是中长距离飞行航线规划领域的辅助计算方法。基于航迹预测的运行代表未来空管运行的方向，在实际应用中具有重要意义。基于本技术的航迹预测方法的应用主要包括：冲突检测、到达管理、流量管理以及异常行为检测等。基于航迹预测的冲突检测，能够对航空器未来的空域冲突进行事前预警，通过调整相关航空器的规划航迹顺利预防冲突的发生。基于航迹预测的到达管理，能够辅助空中交通管制员了解航空器的到达情况，以便塔台管制员安排进入雷达范围的航空器按照指令安全有序地降落在规定跑道上。基于航迹预测的流量管理，结合航迹预测估计到达时间、相关航路的预期需求，从而确定最佳的航路并计算最佳的起飞时间。基于航迹预测的异常行为检测，对于偏离标称航迹的潜在异常行为进行预警提示，避免出现威胁航空运输安全的事件发生。
[0067]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种航迹预测方法，其特征在于，包括以下步骤：获取目标航班的航班信息，根据预训练的bp神经网络预测所述目标航班的空间位置和剩余飞行时间；其中，所述bp神经网络包括预测bp神经网络和误差修正bp神经网络。2.根据权利要求1所述的方法，其特征在于：所述bp神经网络的预训练包括以下步骤：采集目标航班的历史航迹数据集，对所述历史航迹数据集进行预处理；将预处理后的历史航迹数据集输入未训练的bp神经网络中并进行迭代训练，得到预测bp神经网络；将所述历史航迹数据集输入所述预测bp神经网络，得到航迹预测值，计算所述航迹预测值与对应的历史航迹数据之间的误差，得到误差数据集；将所述误差数据集输入未训练的bp神经网络中并进行迭代训练，得到误差bp神经网络。3.根据权利要求1或2所述的方法，其特征在于，所述根据预训练的bp神经网络预测所述目标航班的空间位置包括以下步骤：将所述航班信息输入所述bp神经网络，其中，所述航班信息包括出发机场、目的机场和飞行规划路线，所述bp神经网络包括经过预训练的第一预测bp神经网络和第一误差修正bp神经网络；所述bp神经网络输出目标时间下所述目标航班所处的空间位置。4.根据权利要求3所述的方法，其特征在于，所述根据预训练的bp神经网络预测所述目标航班的剩余飞行时间包括：将所述目标航班的飞行规划路线、飞行速度和空间位置输入所述bp神经网络，其中，所述bp神经网络包括经过预训练的第二预测bp神经网络和第二误差修正bp神经网络；所述bp神经网络输出所述目标航班抵达目的地的剩余飞行距离和剩余飞行时间。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据预训练的bp神经网络预测所述目标航班的空间位置和剩余飞行时间后，对预测结果进行验证。6.根据权利要求2或5所述的方法，其特征在于，所述对预测结果进行验证包括：提取目标航线的历史航迹数据集中的典型航迹；计算所述bp神经网络预测的所述目标航班的空间位置和剩余飞行时间与典型航迹中对应的参数之间的误差，得到预测误差值；判断所述预测误差值是否属于误差阈值范围，若不属于，重新训练所述bp神经网络。7.根据权利要求6所述的方法，其特征在于，所述提取目标航线的历史航迹数据集中的典型航迹包括：通过凝聚层次聚类将所述历史航迹数据集分为若干聚类簇；计算每个聚类簇内各历史航迹与其它历史航迹之间的平均距离，提取平均距离最小的历史航迹作为所在聚类簇的典型航迹。8.一种航迹预测装置，其特征在于，包括：数据采集模块，用于采集目标航班的航班信息；数据处理模块，用于根据预训练的bp神经网络预测所述目标航班的空间位置和剩余飞行时间；数据验证模块，用于验证预测结果中目标航班的空间位置和剩余飞行时间的误差。
9.一种计算设备，其特征在于：包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1到7任一项所述方法。10.一种计算机可读存储介质，其特征在于：存储有能够被处理器加载并执行如权利要求1到7中任一项所述方法的计算机程序。

技术总结
本申请公开了一种航迹预测方法、装置及存储介质，包括以下步骤：获取目标航班的航班信息，根据预训练的BP神经网络预测所述目标航班的空间位置和剩余飞行时间；其中，所述BP神经网络包括预测BP神经网络和误差修正BP神经网络。本申请能够进一步提高飞行航迹预测结果的准确度，尤其适用于飞行器中长距离飞行的轨迹预测，从而对飞行器的冲突检测、到达管理、流量管理和异常行为检测等方向产生积极的影响。管理和异常行为检测等方向产生积极的影响。管理和异常行为检测等方向产生积极的影响。


技术研发人员：刘乙萱
受保护的技术使用者：中国民航大学
技术研发日：2023.07.14
技术公布日：2023/10/11