精確的航跡預(yù)測(cè)技術(shù)在解決空域資源日益緊張的問(wèn)題中扮演著越來(lái)越重要的角色,也是未來(lái)基于航跡運(yùn)行的空管理念的關(guān)鍵技術(shù)之一,其在協(xié)同管制、航跡優(yōu)化、沖突探測(cè)與解脫等領(lǐng)域都有很重要的意義。隨著我國(guó)航空運(yùn)輸業(yè)的發(fā)展,空中交通流量越來(lái)越多,空管系統(tǒng)的航班飛行數(shù)據(jù)也海量劇增,從大量高度復(fù)雜的數(shù)據(jù)中提取有用信息,深度挖掘空中交通流組織模式和演變規(guī)律,并將之有效運(yùn)用于航跡分析等領(lǐng)域也是空管大數(shù)據(jù)的必然趨勢(shì)。本文基于大量的航班飛行數(shù)據(jù),提出了一種基于LSTM-ARIMA的短期航跡預(yù)測(cè)方法,該方法的基本思想是運(yùn)用基于LSTM（Long Short-Term Memory,LSTM）神經(jīng)網(wǎng)絡(luò)和ARIMA（Autoregressive Integrated Moving Average,ARIMA）模型的組合模型對(duì)歷史航班飛行數(shù)據(jù)進(jìn)行建模,挖掘歷史航班飛行數(shù)據(jù)內(nèi)部隱藏的依賴關(guān)系,并將其運(yùn)用于新的航跡預(yù)測(cè)。首先,分析現(xiàn)有的歷史航班飛行數(shù)據(jù),通過(guò)特征擴(kuò)展,增加了到目標(biāo)機(jī)場(chǎng)的距離和轉(zhuǎn)向狀態(tài)兩個(gè)新的特征數(shù)據(jù),構(gòu)建基于LSTM神經(jīng)網(wǎng)絡(luò)的航跡預(yù)測(cè)模型;然后,針對(duì)LSTM航跡預(yù)測(cè)模型的不足,結(jié)合LSTM神經(jīng)網(wǎng)絡(luò)和ARIMA模... 

【文章來(lái)源】：中國(guó)民航大學(xué)天津市

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

LSTM單元結(jié)構(gòu)圖

中國(guó)民航大學(xué)碩士學(xué)位論文11f(x)max(0,x)(2.11)其中，max(0,x)表示取兩者的最大值。因?yàn)閷?duì)x0的數(shù)求導(dǎo)為1，所以ReLU函數(shù)在x0時(shí)不會(huì)出現(xiàn)梯度衰減情況，這樣可以減輕梯度消失現(xiàn)象。但是，在x0的情況下，神經(jīng)元的輸出都為0，這個(gè)時(shí)候是不存在梯度的，梯度不存在會(huì)直接導(dǎo)致權(quán)重?zé)o法更新。除此之外，ReLU函數(shù)不以零為中心的輸出也影響著網(wǎng)絡(luò)訓(xùn)練的收斂性。(4)LeakyReLU函數(shù)LeakyReLU函數(shù)是針對(duì)ReLU函數(shù)在x0的區(qū)域內(nèi)神經(jīng)元死亡問(wèn)題而被提出來(lái)的，其波形圖如圖2-4(d)所示，函數(shù)表示形式如下所示：f(x)max(x,x)(2.12)其中，的值可以是任意數(shù)值，其作為網(wǎng)絡(luò)的一個(gè)參數(shù)，可以在神經(jīng)網(wǎng)絡(luò)訓(xùn)練中通過(guò)學(xué)習(xí)得到，這里畫曲線圖時(shí)選取0.2。圖2-4四種激活函數(shù)曲線圖2.損失函數(shù)的選擇損失函數(shù)（LossFunction）是一個(gè)非負(fù)實(shí)值函數(shù)，是用來(lái)評(píng)價(jià)真實(shí)值y和網(wǎng)絡(luò)模型的預(yù)測(cè)值f(x)不一致程度的。記損失函數(shù)為Q(y,f(x))，模型預(yù)測(cè)結(jié)果的準(zhǔn)確度和損失

中國(guó)民航大學(xué)碩士學(xué)位論文22圖3-1LSTM預(yù)測(cè)模型經(jīng)過(guò)反復(fù)迭代訓(xùn)練直到損失值收斂，即得到LSTM航跡預(yù)測(cè)模型。將模型的輸出值經(jīng)過(guò)反歸一化處理就可得到符合實(shí)際意義的三維坐標(biāo)值。3.3.2LSTM模型參數(shù)選擇(1)輸入層時(shí)間窗口W的選擇LSTM的性能與輸入時(shí)序的長(zhǎng)度緊密相關(guān)，其記憶單元在預(yù)測(cè)某個(gè)時(shí)刻的輸出時(shí)會(huì)選擇忘記或記住積累的信息，所以在本文中加入了時(shí)序的概念。在本文的實(shí)驗(yàn)中選擇前2~6個(gè)時(shí)刻的航班軌跡特征來(lái)預(yù)測(cè)下一時(shí)刻的航班位置，即輸入層的時(shí)間窗口W選擇為2~6，不同的W取值對(duì)網(wǎng)絡(luò)的超參數(shù)選擇和精度有不同程度的影響。(2)超參數(shù)選擇數(shù)據(jù)預(yù)處理之后的航跡序列分割訓(xùn)練集、驗(yàn)證集、測(cè)試集…Adam優(yōu)化損失計(jì)算理論輸出模型輸出輸出與測(cè)試集對(duì)應(yīng)的預(yù)測(cè)結(jié)果預(yù)測(cè)值反歸一化第1層LSTM網(wǎng)絡(luò)第LLSTM網(wǎng)絡(luò)…Xim-w+1Xim-w+2XimYim+1

【參考文獻(xiàn)】：
期刊論文
[1]基于LSTM的船舶航跡預(yù)測(cè)模型[J]. 權(quán)波,楊博辰,胡可奇,郭晨萱,李巧勤.  計(jì)算機(jī)科學(xué). 2018(S2)
[2]基于CRITIC賦權(quán)法的我國(guó)金融穩(wěn)定測(cè)度體系[J]. 姜愛(ài)萍,張藍(lán)飛.  技術(shù)與創(chuàng)新管理. 2018(04)
[3]基于GMM的航班軌跡預(yù)測(cè)算法研究[J]. 林毅,張建偉,武喜萍,劉宇.  工程科學(xué)與技術(shù). 2018(04)
[4]深度學(xué)習(xí)研究與進(jìn)展[J]. 孫志遠(yuǎn),魯成祥,史忠植,馬剛.  計(jì)算機(jī)科學(xué). 2016(02)
[5]基于BADA及航空器意圖的四維航跡預(yù)測(cè)[J]. 張軍峰,蔣海行,武曉光,湯新民.  西南交通大學(xué)學(xué)報(bào). 2014(03)
[6]基于改進(jìn)卡爾曼濾波的四維飛行航跡預(yù)測(cè)模型[J]. 王濤波,黃寶軍.  計(jì)算機(jī)應(yīng)用. 2014(06)
[7]基于航跡的運(yùn)行:未來(lái)航空運(yùn)行模式新理念[J]. 楊筱,江波.  中國(guó)民用航空. 2013(04)
[8]基于CRITIC的多屬性決策組合賦權(quán)方法[J]. 張玉,魏華波.  統(tǒng)計(jì)與決策. 2012(16)
[9]基于混雜系統(tǒng)模型的航空器4D航跡推測(cè)[J]. 湯新民,韓云祥,韓松臣.  南京航空航天大學(xué)學(xué)報(bào). 2012(01)
[10]基于基本飛行模型的4D航跡預(yù)測(cè)方法[J]. 王超,郭九霞,沈志鵬.  西南交通大學(xué)學(xué)報(bào). 2009(02)

博士論文
[1]空中交通流量管理關(guān)鍵技術(shù)研究[D]. 田勇.南京航空航天大學(xué) 2009

碩士論文
[1]基于Web的探索式高維數(shù)據(jù)可視化系統(tǒng)的研究與實(shí)現(xiàn)[D]. 龐志慧.北京郵電大學(xué) 2019
[2]機(jī)場(chǎng)航空器場(chǎng)面軌跡預(yù)測(cè)和路徑規(guī)劃關(guān)鍵技術(shù)研究[D]. 姚夢(mèng)飛.電子科技大學(xué) 2018
[3]基于ARIMA-LSTM混合模型的機(jī)械傳動(dòng)件制造企業(yè)銷售預(yù)測(cè)方法研究與應(yīng)用[D]. 程俊.電子科技大學(xué) 2018
[4]基于數(shù)據(jù)挖掘的四維航跡精密預(yù)測(cè)方法研究[D]. 馬勇.南京航空航天大學(xué) 2016
[5]空中交通流量動(dòng)態(tài)預(yù)測(cè)與分析研究[D]. 瞿英俊.南京航空航天大學(xué) 2009



本文編號(hào)：3493914