基于深度学习算法的实时航空气象信息预测系统

1.本发明属于航路监测和航空气象领域，尤其是涉及一种基于ads-b的风场重建与预测系统，具体为基于深度学习算法的实时航空气象信息预测系统。


背景技术：

2.民航客机的飞行安全与航空气象信息密切相关，其中风是航空气象众多的影响因素中最常见且最危险的一种，在日常飞行中飞机的飞行轨迹和预计到达时间经常受到风的影响。尤其是起飞与降落阶段，风与风切变的探测不及时将严重影响飞行安全。因此，风场测量的精确性与及时性对航空气象研究尤为重要。目前常规的航空气象信息探测手段包括：气象气球、气象雷达、气象卫星和飞机气象数据中继系统(aircraft meteorological data relay，amdar)等。
3.上述探测手段都依赖于探测设备的建设，建设密度越大，得到的数据就越广泛、越精准；反之若目标地区缺少相应的设施则无法或无法及时获得气象信息。因此上述方法的缺点显而易见，当待测地区处于探测设备的稀疏区域，甚至于无法建设的区域时，上述方法将不能为飞行安全提供有效的保障。其次，上述手段大多只能探测某一小区域内的气象信息，且数据更新速度较慢，时间分辨率低。


技术实现要素：

4.本发明的目的在于提供基于深度学习算法的实时航空气象信息预测系统，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：基于深度学习算法的实时航空气象信息预测系统，包括气象信息反演部分和气象信息预测部分，所述气象信息反演部分的输入端获取ads-b与mode s数据，所述气象信息预测部分作为所述气象信息反演部分的反演输出，所述气象信息预测部分的输出端构建重构的历史风场与预测的未来风场。
6.基于深度学习算法的实时航空气象信息预测系统，包括以下步骤：
7.步骤一、获取目标空域航班的ads-b与mode s数据，并通过pymodes对数据解码，解码后的数据包含后续气象信息反演所需的飞机状态参数；
8.步骤二、剔除解码后的ads-b与mode s数据中的冗余及异常部分，将ads-b与mode s数据结合起来，针对数据中的缺失部分进行插值或者直接删除，得到气象信息反演所需的时序输入；
9.步骤三、通过气象信息反演算法得到当前的及历史的气象信息，并对得到的数据进行数据处理，得到气象信息预测所需的时序数据，并利用训练好的深度学习模型对未来的航空气象信息进行预测，并重构风场。
10.优选的，所述步骤一中pymodes能针对ads-b与mode s数据的不同类型进行解码，解码后得到的飞机状态参数包含时间戳、呼号、经度、纬度、海拔高度、地速、真空速等有效信息。
11.优选的，所述步骤二将ads-b与mode s数据结合起来，是指找出同一时间段内具有相同呼号的ads-b与mode s数据的对应关系，剔除掉多余部分。
12.优选的，所述对应关系为二者解码出的信息中的重叠部分应相同或相似，如时间戳、地速等，把与ads-b数据最接近的mode s数据结合起来，视为同一时刻的飞机状态参数。
13.优选的，所述步骤二气象信息反演所需的时序输入以时间为索引，并包含以下列：经度、纬度、海拔高度、地速、航迹角、真空速、指示空速、马赫，该数据集作为气象信息反演部分的输入。
14.优选的，所述步骤三气象信息预测所需的时序数据包括以下列：经度、纬度、海拔高度、地速、航迹角、真空速、指示空速、马赫、x轴风速、y轴风速、温度。
15.优选的，所述气象信息预测所需的时序数据，其中经度、纬度、海拔高度、地速、航迹角、真空速、指示空速、马赫是通过解码ads-b与mode s数据得到的，x轴风速、y轴风速、温度通过气象信息反演算法得到。
16.优选的，所述步骤三重构风场包括通过ads-b与mode s数据反演重构的历史风场，以及利用实时数据通过模型预测的未来风场。
17.优选的，所述重构风场是包含风矢量、温度、经纬度、海拔高度的重构风场模型。
18.与现有技术相比，本发明的有益效果是：
19.1.本发明利用飞机上ads-b的广播功能将传感器的各种数据传输到地面接收设备，实现了实时航空气象信息预测的功能，在数据通信方面，ads-b采用了自主连续广播方式，具有距离范围远、实时性高的优势，且报文为公开非加密方式，使得本系统的数据获取过程变得简单高效；
20.2.本发明既能通过反演算法重构历史的和现在的气象信息，又能利用深度学习模型以过去的飞机状态参数以及反演算法得到的气象信息作为输入，来预测未来的气象信息，能够将反演的气象信息共享给民航空中交通管制部门以及周围的飞机，提供可靠的航空气象信息，降低飞机事故的可能；将预测的提供给民航空中交通管制部门以及飞行员，为未来可能存在的由于气象因素(尤其是风与风切变)导致的飞行事故留出更多的时间，当出现预测的结果时，能有更周全的应对措施；
21.3.本发明设计合理，能够检测航班所经空域的气象信息，预测航班未来即将经过空域的气象信息，设备直接利用飞机上已有的各种传感器与ads-b系统，具有实用价值，可以在航路监测和航空气象领域大规模推广。
附图说明
22.图1为本发明基于深度学习算法的实时航空气象信息预测系统整体连接框图；
23.图2为本发明基于深度学习算法的实时航空气象信息预测系统中气象信息反演部分流程连接框图；
24.图3为本发明基于深度学习算法的实时航空气象信息预测系统中气象信息预测部分流程连接框图。
25.图中：1、气象信息反演部分；2、气象信息预测部分；3、ads-b与mode s数据；4、重构的历史风场与预测的未来风场。
具体实施方式
26.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.请参阅图1-3，本发明提供一种技术方案：基于深度学习算法的实时航空气象信息预测系统，包括气象信息反演部分1和气象信息预测部分2，气象信息反演部分1的输入端获取ads-b与mode s数据3，气象信息预测部分2作为气象信息反演部分1的反演输出，气象信息预测部分2的输出端构建重构的历史风场与预测的未来风场4。
28.基于深度学习算法的实时航空气象信息预测系统，包括以下步骤：
29.步骤一、获取目标空域航班的ads-b与mode s数据3，并通过pymodes对数据解码，解码后的数据包含后续气象信息反演所需的飞机状态参数；
30.步骤二、剔除解码后的ads-b与mode s数据3中的冗余及异常部分，将ads-b与mode s数据3结合起来，针对数据中的缺失部分进行插值或者直接删除，得到气象信息反演所需的时序输入；
31.步骤三、通过气象信息反演算法得到当前的及历史的气象信息，并对得到的数据进行数据处理，得到气象信息预测所需的时序数据，并利用训练好的深度学习模型对未来的航空气象信息进行预测，并重构风场。
32.步骤一中pymodes能针对ads-b与mode s数据3的不同类型进行解码，解码后得到的飞机状态参数包含时间戳、呼号、经度、纬度、海拔高度、地速、真空速等有效信息。
33.步骤二将ads-b与mode s数据3结合起来，是指找出同一时间段内具有相同呼号的ads-b与mode s数据3的对应关系，剔除掉多余部分。
34.对应关系为二者解码出的信息中的重叠部分应相同或相似，如时间戳、地速等，把与ads-b数据最接近的mode s数据结合起来，视为同一时刻的飞机状态参数。
35.步骤二气象信息反演所需的时序输入以时间为索引，并包含以下列：经度、纬度、海拔高度、地速、航迹角、真空速、指示空速、马赫，该数据集作为气象信息反演部分1的输入。
36.步骤三气象信息预测所需的时序数据包括以下列：经度、纬度、海拔高度、地速、航迹角、真空速、指示空速、马赫、x轴风速、y轴风速、温度。
37.气象信息预测所需的时序数据，其中经度、纬度、海拔高度、地速、航迹角、真空速、指示空速、马赫是通过解码ads-b与mode s数据3得到的，x轴风速、y轴风速、温度通过气象信息反演算法得到。
38.步骤三重构风场包括通过ads-b与mode s数据3反演重构的历史风场，以及利用实时数据通过模型预测的未来风场。
39.重构风场是包含风矢量、温度、经纬度、海拔高度的重构风场模型。
40.工作原理：系统内包含气象信息反演部分1以及气象信息预测部分2，气象信息反演部分1包括以下步骤，其流程如图所示：步骤一、通过ads-b地面站获取目标空域航班的ads-b与mode s数据，并通过pymodes对数据解码，解码后的数据包含经度、纬度、海拔高度、地速、航迹角、真空速、指示空速、马赫等数据；步骤二、将同一时间段内具有相同呼号的
ads-b与mode s数据对应起来，剔除掉多余部分(通过时间戳、地速等参数，找到与ads-b中差异最小的mode s数据，把二者结合起来，视作同一时刻的数据)，对数据缺失部分作插值或者删除处理；步骤三、通过反演算法计算x轴风速vwx、y轴风速vwy和温度temp，其中所述反演算法根据不同的数学建模方式有不同的计算公式。
41.而气象信息预测部分2包括以下步骤，此处以5分钟的历史数据预测1分钟后的气象信息为例，其流程如图所示：步骤一、针对待预测值，对数据集进行适当处理，此处以x轴风速vwx为例说明，删除y轴风速vwy、温度temp、马赫列，剩余数据中的缺失部分考虑到其不会短时间产生突变因此对其进行线性插值；步骤二、将五分钟的数据作为模型输入，输出即为1分钟后的x轴风速vwx的预测值。
42.y轴风速vwy、温度temp的预测过程与上述x轴风速vwx的预测过程类似，在此不再重复说明；进一步地，可以利用粒子模型对上述数据对飞机所经过的空域，进行风场重建，根据观测风生成风粒子，建立粒子运动模型后，在任何位置均可以利用周围的粒子来重构风信息。
43.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
44.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.基于深度学习算法的实时航空气象信息预测系统，包括气象信息反演部分(1)和气象信息预测部分(2)，其特征在于：所述气象信息反演部分(1)的输入端获取ads-b与mode s数据(3)，所述气象信息预测部分(2)作为所述气象信息反演部分(1)的反演输出，所述气象信息预测部分(2)的输出端构建重构的历史风场与预测的未来风场(4)。2.根据权利要求1所述的基于深度学习算法的实时航空气象信息预测系统，其特征在于，包括以下步骤：步骤一、获取目标空域航班的ads-b与mode s数据(3)，并通过pymodes对数据解码，解码后的数据包含后续气象信息反演所需的飞机状态参数；步骤二、剔除解码后的ads-b与mode s数据(3)中的冗余及异常部分，将ads-b与mode s数据(3)结合起来，针对数据中的缺失部分进行插值或者直接删除，得到气象信息反演所需的时序输入；步骤三、通过气象信息反演算法得到当前的及历史的气象信息，并对得到的数据进行数据处理，得到气象信息预测所需的时序数据，并利用训练好的深度学习模型对未来的航空气象信息进行预测，并重构风场。3.根据权利要求2所述的基于深度学习算法的实时航空气象信息预测系统，其特征在于：所述步骤一中pymodes能针对ads-b与mode s数据(3)的不同类型进行解码，解码后得到的飞机状态参数包含时间戳、呼号、经度、纬度、海拔高度、地速、真空速等有效信息。4.根据权利要求2所述的基于深度学习算法的实时航空气象信息预测系统，其特征在于：所述步骤二将ads-b与mode s数据(3)结合起来，是指找出同一时间段内具有相同呼号的ads-b与mode s数据(3)的对应关系，剔除掉多余部分。5.根据权利要求4所述的基于深度学习算法的实时航空气象信息预测系统，其特征在于：所述对应关系为二者解码出的信息中的重叠部分应相同或相似，如时间戳、地速等，把与ads-b数据最接近的mode s数据结合起来，视为同一时刻的飞机状态参数。6.根据权利要求2所述的基于深度学习算法的实时航空气象信息预测系统，其特征在于：所述步骤二气象信息反演所需的时序输入以时间为索引，并包含以下列：经度、纬度、海拔高度、地速、航迹角、真空速、指示空速、马赫，该数据集作为气象信息反演部分(1)的输入。7.根据权利要求2所述的基于深度学习算法的实时航空气象信息预测系统，其特征在于：所述步骤三气象信息预测所需的时序数据包括以下列：经度、纬度、海拔高度、地速、航迹角、真空速、指示空速、马赫、x轴风速、y轴风速、温度。8.根据权利要求7所述的基于深度学习算法的实时航空气象信息预测系统，其特征在于：所述气象信息预测所需的时序数据，其中经度、纬度、海拔高度、地速、航迹角、真空速、指示空速、马赫是通过解码ads-b与mode s数据(3)得到的，x轴风速、y轴风速、温度通过气象信息反演算法得到。9.根据权利要求2所述的基于深度学习算法的实时航空气象信息预测系统，其特征在于：所述步骤三重构风场包括通过ads-b与mode s数据(3)反演重构的历史风场，以及利用实时数据通过模型预测的未来风场。10.根据权利要求9所述的基于深度学习算法的实时航空气象信息预测系统，其特征在于：所述重构风场是包含风矢量、温度、经纬度、海拔高度的重构风场模型。

技术总结
本发明公开了基于深度学习算法的实时航空气象信息预测系统，包括气象信息反演部分和气象信息预测部分，所述气象信息反演部分的输入端获取ADS-B与Mode S数据，所述气象信息预测部分作为所述气象信息反演部分的反演输出，所述气象信息预测部分的输出端构建重构的历史风场与预测的未来风场。本发明利用飞机上ADS-B的广播功能将传感器的各种数据传输到地面接收设备，实现了实时航空气象信息预测的功能；既能通过反演算法重构历史的和现在的气象信息，又能利用深度学习模型以过去的飞机状态参数以及反演算法得到的气象信息作为输入，来预测未来的气象信息；且能够检测航班所经空域的气象信息，预测航班未来即将经过空域的气象信息。信息。信息。


技术研发人员：陈万通 王浩楠 任诗雨
受保护的技术使用者：中国民航大学
技术研发日：2023.03.29
技术公布日：2023/7/20