中国安全科学学报

作者：刘宏, 张鑫迪, 卢飞, 张成裕

单位：1 中国民航大学 空中交通管理学院,天津 300300；2 北方自动控制技术研究所, 山西 太原 030006

关键词：改进Transformer模型,四维航迹,航迹预测,深度学习,扩张卷积,注意力机制

基金：国家自然科学基金资助(52272356); 国家重点研发计划项目(2022YFB4300904); 国家空管委项目(ZKG2023-03); 中央高校基本业务费自然科学重点项目(3122022101)

针对现有的四维航迹预测未充分考虑序列航迹数据之间存在关联关系等问题,改进Transformer模型架构,完善四维航迹预测的编码和解码操作。首先,改进卷积模块,利用普通卷积捕捉相邻时序点的关联关系,通过扩张卷积捕捉邻近时序序列点之间的隐式相关性,从而覆盖更大的序列范围;其次,采用多头自注意力对航迹的时空间特征结合注意力分数的重要性进行调参计算,学习历史航迹数据的全局依赖关系;再次,通过引入概率稀疏方法,降低自注意力机制的计算复杂度,提高模型的计算效率;最后,搭建试验平台,预测对比航迹的经度、纬度和高度的时序特征。结果表明:改进Transformer模型与传统的Transformer模型等4种神经网络模型相比,时间性能提高14.4%;采用均方根误差(RMSE)和平均绝对误差(MAE)作为评价指标,改进Transformer模型对经度、纬度和高度等航迹特征预测的偏差的平均值分别为0.027和0.021;改进Transformer模型与传统Transformer模型的预测平均偏差0.099和0.084相比,分别减小0.072和0.063。对预测序列长度的敏感性分析得到,改进Transformer模型与基准模型相比,预测的稳定性更高。

来源：2024年第12期

《中国安全科学学报》期刊编辑部

查看中国安全科学学报杂志2024年第12期