查看更多>>摘要:为充分挖掘机场终端区航空器航迹时间依赖性,解决中长期、多步长航迹预测精度不稳定的问题,引入注意力机制(attention mechanism)和教师监督(teacher forcing)中的指数衰减(exponential decay)采样方法,提出了 一种基于序列到序列框架的机场终端区航迹预测模型(Seq2Seq-attention mechanism-exponential decay,SAE).序列到序列框架实现了多步长预测,注意力机制提高解码器预测精度,指数衰减采样方法加速了训练阶段模型收敛,在一定程度上提高了模型的泛化性.最后,为了验证提出方法的有效性,利用天津终端区28架次、90 d ADS-B航迹数据构建原始数据集,以平均绝对误差(mean squared er-ror,MAE)和均方根误差(root mean squared error,RMSE)作为模型性能评价指标,进行了航迹预测实验,实验结果表明:高度、经度和纬度在序列到序列框架中的循环神经网络分别采用LSTM、GRU和LSTM可以获得最好预测性能;以4种预测长度1、3、5和10 min进行建模,与基线模型中预测性能最好的结果比较,所提出方法在验证集上的高度、经度和纬度指标表现最优,10 min预测窗口下的平均绝对误差分别降低了 66.30%、54.62%和36.59%,均方根误差分别降低了 65.45%、38.16%和20.57%,同时,上述4种预测时长下所提出方法预测结果的均值和方差最小,表明随着预测时长的增加,模型预测结果的稳定性最好.此外,引入的注意力机制与指数衰减采样方法对有效捕捉航迹时间依赖性、提高模型泛化性均具有积极的贡献.