一种基于线段聚类的多维度高精度航迹智能预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111858565A(43)申请公布日2020.10.30(21)申请号202010523201.5(22)申请日2020.06.10(71)申请人北京航空航天大学地址100191北京市海淀区学院路37号(72)发明人胡庆雷杨懿琳郑建英郭雷(51)Int.Cl.G06F16/215(2019.01)G06F16/2458(2019.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)G01C21/20(2006.01)权利要求书5页说明书16页附图3页(54)发明名称一种基于线段聚类的多维度高精度航迹智能预测方法(57)摘要本发明公开了一种基于线段聚类的多维度高精度航迹智能预测方法，将连续的航迹数据离散化，经过突变的经度数据处理、数据清洗和归一化处理后，使用Douglas‑Peucker算法对航迹数据进行压缩，使用DBSCAN聚类算法对航迹进行聚类，根据多维度因素下不同的突发情况，选取与突发情况对应的航迹簇，通过航迹预测神经网络模型进行航迹预测，完成多维度高精度航迹预测任务。本发明将原始航迹数据压缩，在保留航迹特征的情况下极大减轻了计算压力，缩短了运算时间，提高了运算效率；采用卷积加LSTM神经网络模型，使用卷积进行特征提取，有利于提高LSTM神经网络模型对航迹预测的精度。CN111858565ACN111858565A权利要求书1/5页1.一种基于线段聚类的多维度高精度航迹智能预测方法，其特征在于，包括如下步骤：S1：采用等距离散方法将原始连续的待预测航迹数据转化为离散的航迹数据，对离散的航迹数据进行突变的经度数据处理后，剔除异常数据，并进行归一化处理；S2：利用Douglas-Peucker算法对归一化处理后的航迹数据进行压缩，提取特征点；S3：将提取的各所述特征点依次连接，得到航迹片段集，利用DBSCAN聚类算法对所述航迹片段集进行聚类，得到多个航迹簇；S4：根据多维度因素下不同的突发情况，选取与突发情况对应的航迹簇，作为预先训练好的航迹预测神经网络模型的输入，进行航迹预测；S5：采用inv_MinMaxScaler方法对航迹预测结果中的经度时间序列和纬度时间序列进行反归一化处理。2.如权利要求1所述的基于线段聚类的多维度高精度航迹智能预测方法，其特征在于，所述航迹预测神经网络模型的训练过程，包括如下步骤：SS1：采用等距离散方法将原始连续的历史航迹数据转化为离散的航迹数据，对离散的航迹数据进行突变的经度数据处理后，剔除异常数据，并进行归一化处理；SS2：利用Douglas-Peucker算法对归一化处理后的航迹数据进行压缩，提取特征点；SS3：将提取的各所述特征点依次连接，得到航迹片段集，利用DBSCAN聚类算法对所述航迹片段集进行聚类，得到多个航迹簇；SS4：将聚类得到的所有航迹簇输入航迹预测神经网络模型，进行训练，待训练结束，得到训练好的航迹预测神经网络模型。3.如权利要求2所述的基于线段聚类的多维度高精度航迹智能预测方法，其特征在于，步骤S1和步骤SS1中，对离散的航迹数据进行突变的经度数据处理后，剔除异常数据，并进行归一化处理，具体包括：对离散的航迹数据中移动目标经度为西经时的航迹点的经度进行数据转换计算：a＝awest+360(1)其中，a表示数据转换后的经度，awest表示移动目标经度为西经时的经度；经数据转换后，针对离散的航迹数据中的所有航迹点，计算相邻两个航迹点之间的欧氏距离：其中，(ai,bi)和(ai+1,bi+1)表示离散的航迹数据中相邻的两个航迹点，li表示航迹点(ai,bi)和航迹点(ai+1,bi+1)之间的欧氏距离；i＝2,3,...,n-1，n为离散的航迹数据中航迹点的总数量；当航迹点(ai,bi)与航迹点(ai-1,bi-1)之间的欧氏距离li-1以及航迹点(ai,bi)与航迹点(ai+1,bi+1)之间的欧氏距离li均大于野值数据判定值ld时，将航迹点(ai,bi)看作航迹数据中的野值，将航迹点(ai,bi)剔除；采用MinMaxScaler方法对移动目标的经度和纬度进行归一化：2CN111858565A权利要求书2/5页其中，表示将经度ai归一化到[0,1]后的值，amin和amax分别表示所有经度数据(a1,a2,...,an)中的最小值和最大值；表示将纬度bi归一化到[0,1]后的值，bmin和bmax分别表示所有纬度数据(b1,b2,...,bn)中的最小值和最大值。4.如权利要求2所述的基于线段聚类的多维度高精度航迹智能预测方法，其特征在于，步骤S2和步骤SS2中，利用Douglas-Peucker算法对归一化处理后的航迹数据进行压缩，提取特