CN105894117A - 航迹预测方法及装置 - Google Patents
航迹预测方法及装置 Download PDFInfo
- Publication number
- CN105894117A CN105894117A CN201610202964.3A CN201610202964A CN105894117A CN 105894117 A CN105894117 A CN 105894117A CN 201610202964 A CN201610202964 A CN 201610202964A CN 105894117 A CN105894117 A CN 105894117A
- Authority
- CN
- China
- Prior art keywords
- prediction
- flight
- track points
- flight path
- aircraft
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 158
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 239000002245 particle Substances 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 11
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 abstract 1
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种航迹预测方法及装置,该方法包括:根据飞行器检测的第i个航迹点的飞行参数与预测航迹,生成第i‑1个预测航迹误差;进一步地,根据所述第i‑1个预测航迹误差通过粒子群算法对航迹预测矩阵进行更新,生成第i‑1个更新航迹预测矩阵;其中,当i为2时,所述航迹预测矩阵为初始航迹预测矩阵;当3≤i≤N时,所述航迹预测矩阵为第i‑2个更新航迹预测矩阵;进一步地,根据飞行器型号、起飞时间以及所述第i‑1个更新航迹预测矩阵,确定第i‑1个更新预测航迹。可见,实现了精确得预测航迹,从而提高了航线和空域的利用率与安全性。
Description
技术领域
本发明实施例涉及空中交通管制领域,尤其涉及一种航迹预测方法及装置。
背景技术
为了保证飞行计划的顺利实施、提高机场及空域的使用效率和安全性,对飞行航线进行准确预测是非常重要的。
现有的航迹预测中,根据飞行器当前的状态(包括位置、速度、质量等参数信息)以及广播式自动相关监视(Automatic Dependent Surveillance-Broadcast,简称ADS-B)中的飞行意图信息(包括速度、高度、经纬度和航向),与飞行计划里边的路径信息(包括多个航迹点)进行对比,确定误差修正以及需要的推力、航迹角等控制参数,然后通过飞行器动力学模型进行迭代,最后计算得到预测的航迹。
由于飞行器动力学模型为预设的理想模型,并未考虑外界因素(如气象等对飞行航迹的影响等),因此,导致航迹预测可能会存在一些随机误差。
发明内容
本发明实施例提供一种航迹预测方法及装置,实现了精确得预测航迹,从而提高了航线和空域的利用率与安全性。
第一方面,本发明实施例提供一种航迹预测方法,包括:
根据飞行器检测的第i个航迹点对应的飞行参数与预测航迹中所述第i个航迹点对应的飞行参数,生成第i-1个预测航迹误差;其中,所述预测航迹中包括N个航迹点,每个所述航迹点包括:飞行器在所述航迹点对应的飞行参数;所述飞行参数包括:速度、高度、经度、纬度、航向和时间;2≤i≤N且i为整数;当i为2时,所述预测航迹为起飞前预测航迹;当3≤i≤N时,所述预测航迹为第i-2个更新预测航迹;
根据所述第i-1个预测航迹误差通过粒子群算法对航迹预测矩阵进行更新,生成第i-1个更新航迹预测矩阵;其中,当i为2时,所述航迹预测矩阵为初始航迹预测矩阵;当3≤i≤N时,所述航迹预测矩阵为第i-2个更新航迹预测矩阵;
根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个更新预测航迹。
可选地,所述根据飞行器检测的第i个航迹点的飞行参数与预测航迹,生成第i-1个预测航迹误差,包括:
当i为2时,将所述起飞前预测航迹中第2个航迹点的飞行参数替换为所述飞行器检测的第2个航迹点的飞行参数得到第1个中间预测航迹,并根据所述第1个中间预测航迹与所述起飞前预测航迹,生成第1个预测航迹误差;
当3≤i≤N时,将所述第i-2个更新预测航迹中第i个航迹点的飞行参数替换为所述飞行器检测的第i个航迹点的飞行参数得到第i-1个中间预测航迹,并根据所述第i-1个中间预测航迹与第i-2个中间预测航迹,生成第i-1个预测航迹误差。
可选地,所述方法还包括:
根据所述飞行器检测的实际点的飞行参数,确定所述预测航迹中与所述实际点最相近的两个相邻航迹点;
根据所述实际点的飞行参数确定所述飞行器经过所述实际点的时间以及飞行状态,所述飞行状态包括以下一项:高速飞行、低速飞行、减速飞行以及转弯;
根据所述实际点的飞行参数、所述飞行状态以及所述两个相邻航迹点的飞行参数,确定时间补偿信息;
对应地,所述根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个更新预测航迹,包括:
根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个中间更新预测航迹;
根据所述时间补偿信息以及第一相邻航迹点的飞行参数,确定所述飞行器抵达第二相邻航迹点的时间;其中,所述第一相邻航迹点为所述两个相邻航迹点在所述预测航迹中时间靠前的航迹点,所述第二相邻航迹点为所述两个相邻航迹点在所述预测航迹中时间靠后的航迹点;
将所述第i-1个中间更新预测航迹中所述第二相邻航迹点的飞行参数所包括的时间替换为所述飞行器抵达所述第二相邻航迹点的时间,形成所述第i-1个更新预测航迹。
可选地,所述根据飞行器检测的第i个航迹点对应的飞行参数与预测航迹,生成第i-1个预测航迹误差之前,还包括:
根据所述飞行器型号及所述起飞时间确定包括N个航迹点的至少一个初始预测航迹;
根据所述至少一个初始预测航迹确定所述初始航迹预测矩阵;
根据所述飞行器型号、所述起飞时间以及所述初始航迹预测矩阵,确定初始学习预测航迹;
根据航线历史数据库中各条目标航线记录的平均统计信息,从所述初始预测航迹和所述初始学习预测航迹中确定出所述起飞前预测航迹;其中,所述航线历史数据库中包括:预设时长内所有航线记录;所述目标航线记录为所述飞行器型号及所述起飞时间对应的航线记录。
可选地,所述根据所述飞行器型号及所述起飞时间确定包括N个航迹点的至少一个初始预测航迹,包括:
根据所述飞行器型号及所述起飞时间,从所述航线历史数据库中选取出至少一个所述目标航线记录;
对所述至少一个目标航线记录分别进行标准化处理,得到包括N个航迹点的所述至少一个初始预测航迹;其中,每相邻两个航迹点之间的时间间隔相同。
可选地,所述根据所述至少一个初始预测航迹确定所述初始航迹预测矩阵,包括:
分别将每个所述初始预测航迹所包括的N个航迹点的飞行参数排列为一个矩阵;其中,所述矩阵的第j行代表:第j个航迹点的飞行参数;1≤j≤N;
分别将每个所述矩阵的第i+1行的每个飞行参数与第i行对应的飞行参数的差值,作为对应的变化矩阵的第i+1行,1≤i≤N-1;
分别计算每个所述变化矩阵对应的置换矩阵P,并将每个所述置换矩阵P相乘得到所述初始航迹预测矩阵。
可选地,所述根据飞行器检测的第i个航迹点对应的飞行参数与预测航迹,生成第i-1个预测航迹误差之前,还包括:
采用统计学方法计算航线历史数据库中各条航线记录的平均统计信息;其中,所述航线历史数据库中包括:预设时长内所有航线记录;所述平均统计信息包括以下信息中的任一项或多项:平均方差、平均时长、平均标准差和置信区间。
第二方面,本发明实施例提供一种航迹预测装置,包括:
第一生成模块,用于根据飞行器检测的第i个航迹点的飞行参数与预测航迹,生成第i-1个预测航迹误差;其中,所述预测航迹中包括N个航迹点,每个所述航迹点包括:飞行器在所述航迹点对应的飞行参数;所述飞行参数包括:速度、高度、经度、纬度、航向和时间;2≤i≤N且i为整数;当i为2时,所述预测航迹为起飞前预测航迹;当3≤i≤N时,所述预测航迹为第i-2个更新预测航迹;
第二生成模块,用于根据所述第i-1个预测航迹误差通过粒子群算法对航迹预测矩阵进行更新,生成第i-1个更新航迹预测矩阵;其中,当i为2时,所述航迹预测矩阵为初始航迹预测矩阵;当3≤i≤N时,所述航迹预测矩阵为第i-2个更新航迹预测矩阵;
第一确定模块,用于根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个更新预测航迹。
可选地,所述第一生成模块具体用于:
当i为2时,将所述起飞前预测航迹中第2个航迹点的飞行参数替换为所述飞行器检测的第2个航迹点的飞行参数得到第1个中间预测航迹,并根据所述第1个中间预测航迹与所述起飞前预测航迹,生成第1个预测航迹误差;
当3≤i≤N时,将所述第i-2个更新预测航迹中第i个航迹点的飞行参数替换为所述飞行器检测的第i个航迹点的飞行参数得到第i-1个中间预测航迹,并根据所述第i-1个中间预测航迹与第i-2个中间预测航迹,生成第i-1个预测航迹误差。
可选地,所述装置还包括:
第二确定模块,用于根据所述飞行器检测的实际点的飞行参数,确定所述预测航迹中与所述实际点最相近的两个相邻航迹点;
第三确定模块,用于根据所述实际点的飞行参数确定所述飞行器经过所述实际点的时间以及飞行状态,所述飞行状态包括以下一项:高速飞行、低速飞行、减速飞行以及转弯;
第四确定模块,用于根据所述实际点的飞行参数、所述飞行状态以及所述两个相邻航迹点的飞行参数,确定时间补偿信息;
对应地,所述第一确定模块具体用于:
根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个中间更新预测航迹;
根据所述时间补偿信息以及第一相邻航迹点的飞行参数,确定所述飞行器抵达第二相邻航迹点的时间;其中,所述第一相邻航迹点为所述两个相邻航迹点在所述预测航迹中时间靠前的航迹点,所述第二相邻航迹点为所述两个相邻航迹点在所述预测航迹中时间靠后的航迹点;
将所述第i-1个中间更新预测航迹中所述第二相邻航迹点的飞行参数所包括的时间替换为所述飞行器抵达所述第二相邻航迹点的时间,形成所述第i-1个更新预测航迹。
本发明中,通过根据飞行器检测的每个航迹点的飞行参数生成预测航迹误差,并根据预测航迹误差采用粒子群算法实时地对航迹预测矩阵进行多次误差修正得到最终航迹预测矩阵(如第N-1个更新航迹预测矩阵),进而根据该最终航迹预测矩阵得到的最终预测航迹所预测的航迹非常精确,并且可获得精准的时间维度信息,进而利用时间维度信息,可以对航迹进行时间维度的冲突探测与解脱,从而提高航线和空域的利用率与安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明航迹预测方法实施例一的流程示意图;
图2为本发明航迹预测方法实施例二的流程示意图;
图3为本发明航迹预测装置实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
图1为本发明航迹预测方法实施例一的流程示意图。本实施例的执行主体可以为配置在地面管制工作站、航空调度中心或者飞行器中的航迹预测装置,该装置可以通过软件和/或硬件实现,实现了精准地航迹预测。如图1所示,本实施例的方法可以包括:
S101、根据飞行器检测的第i个航迹点的飞行参数与预测航迹,生成第i-1个预测航迹误差。
其中,所述预测航迹中包括N个航迹点,每个所述航迹点包括:飞行器在所述航迹点对应的飞行参数;可选地,所述飞行参数包括:速度、高度、经度、纬度、航向和时间;2≤i≤N且i为整数;当i为2时,所述预测航迹为起飞前预测航迹;当3≤i≤N时,所述预测航迹为第i-2个更新预测航迹。
本发明实施例中,完整航迹包括N+1个航迹点(可选地,N为大于等于该完整航迹对应航线所包括的总航路点数,例如N为126),由于第1个航迹点为飞行器第一次起飞的航迹点(为固定已知的),因此,预测航迹中包括N个航迹点,每个航迹点包括:飞行器在该航迹点对应的飞行参数(例如:速度、高度、经度、纬度、航向和时间等信息);其中,该飞行器在第1个航迹点起飞前,该航迹预测装置已确定了起飞前预测航迹及初始航迹预测矩阵,其中,该起飞前预测航迹中包括N个航迹点,该初始航迹预测矩阵为根据飞行器型号、起飞时间及航线历史数据库中包括的目标航线记录预先确定的。
本步骤中,当i为2时(即该飞行器飞到该完整航迹中的第2个航迹点),根据飞行器检测的第2个航迹点的飞行参数与该起飞前预测航迹,生成第1个预测航迹误差,以便对初始航迹预测矩阵进行更新。可选地,将所述起飞前预测航迹中第2个航迹点的飞行参数替换为所述飞行器检测的第2个航迹点的飞行参数得到第1个中间预测航迹,并根据所述第1个中间预测航迹与所述起飞前预测航迹,生成第1个预测航迹误差;可选地,a)通过将所述起飞前预测航迹所包括的N个航迹点的飞行参数排列为一个维度为N*6的矩阵A,其中,所述矩阵的第j行代表:第j个航迹点的飞行参数,1≤j≤N;b)将该矩阵A的第2行的每列元素替换为所述飞行器检测的第2个航迹点对应的飞行参数,得到第1个中间预测航迹(可以矩阵形式存在,如矩阵B);c)将该矩阵B与该矩阵A作差便得到第1个预测航迹误差,可选地,由于矩阵A和矩阵B除第2行元素之外其它的元素可能都相同,则该第1个预测航迹误差若以矩阵形式描述,则其维度为1*6。
由于该飞行器每到一个航迹点时,都会更新一次更新预测航迹,因此,当3≤i≤N时,根据飞行器检测的第i个航迹点的飞行参数与第i-2个更新预测航迹(即该飞行器到第i-1个航迹点时,对预测航迹更新后得到更新预测航迹),生成第i-1个预测航迹误差,以便对第i-2个更新航迹预测矩阵进行更新。例如:当i为3时,将第1个更新预测航迹(即该飞行器到第2个航迹点时,对起飞前预测航迹更新后得到更新预测航迹)中第3个航迹点的飞行参数替换为所述飞行器检测的第3个航迹点的飞行参数得到第2个中间预测航迹,并根据所述第2个中间预测航迹与第1个中间预测航迹,生成第2个预测航迹误差;可选地,a)通过将第1个更新预测航迹所包括的N个航迹点的飞行参数排列为一个维度为N*6的矩阵C,其中,所述矩阵的第j行代表:第j个航迹点的飞行参数,1≤j≤N;b)将该矩阵C的第3行的每列元素替换为所述飞行器检测的第3个航迹点对应的飞行参数,得到第2个中间预测航迹(可以矩阵形式存在,如矩阵D);c)将矩阵D与矩阵B(即第1个中间预测航迹)作差便得到第2个预测航迹误差,可选地,该第2个预测航迹误差若以矩阵形式描述,则其维度可以为N*6。当i为其它数值时,可以参照上述i为3时的处理过程得到第i-1个预测航迹误差,此处不再赘述。
可选地,飞行器检测的第i个航迹点对应的飞行参数可携带于该飞行器检测的ADS-B数据中,当然,也可携带于其它数据中,本发明实施例对此并不作限制。
S102、根据所述第i-1个预测航迹误差通过粒子群算法对航迹预测矩阵进行更新,生成第i-1个更新航迹预测矩阵。
其中,当i为2时,所述航迹预测矩阵为初始航迹预测矩阵;当3≤i≤N时,所述航迹预测矩阵为第i-2个更新航迹预测矩阵。
本步骤中,根据所述第i-1个预测航迹误差通过粒子群算法对航迹预测矩阵进行更新,生成第i-1个更新航迹预测矩阵,其中,根据所述第i-1个更新航迹预测矩阵所得到的预测航迹中前i个航迹点的飞行航迹与实际飞行航迹一致。可选地,当i为2时,根据第1个预测航迹误差通过粒子群算法对初始航迹预测矩阵进行更新,生成第1个更新航迹预测矩阵,以便确定第1个更新预测航迹,其中,第1个更新预测航迹中前2个航迹点的飞行航迹与实际飞行航迹一致;当3≤i≤N时,根据该第i-1个预测航迹误差通过粒子群算法对第i-2个更新航迹预测矩阵(即该飞行器到第i-1个航迹点时,对航迹预测矩阵更新后得到更新预测航迹矩阵)进行更新,生成第i-1个更新航迹预测矩阵,以便确定第i-1个更新预测航迹,其中,第i-1个更新预测航迹中前i个航迹点的飞行航迹与实际飞行航迹一致。
可选地,本步骤中,可将所有预测航迹误差记录在误差观察器中,基于误差观察器,使用粒子群算法对航迹预测矩阵的每一行进行更新,以生成更新预测航迹矩阵。
S103、根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个更新预测航迹。
本步骤中,当i为2时,根据飞行器型号(即该飞行器的飞行型号)、起飞时间(即该飞行器在第1个航迹点的起飞时间)以及所述第1个更新航迹预测矩阵,确定第1个更新预测航迹,以便根据该飞行器检测的第3个航迹点对应的飞行参数与该第1个更新预测航迹,生成第2个预测航迹误差(具体生成第2个预测航迹误差的方式可详见本发明上述步骤S101中的描述,此处不再赘述),进一步地,执行步骤S102-步骤S103,直至飞行器结束该完整航迹。
当3≤i≤N时,根据飞行器型号、起飞时间(即该飞行器在第1个航迹点的起飞时间)以及所述第i-1个更新航迹预测矩阵,确定第i-1个更新预测航迹,以便根据该飞行器检测的第i+1个航迹点对应的飞行参数与该第i-1个更新预测航迹,生成第i个预测航迹误差(具体生成第i个预测航迹误差的方式可详见本发明上述步骤S101中的描述,此处不再赘述),进一步地,执行步骤S102-步骤S103,直至飞行器结束该完整航迹。
本发明实施例中,在飞行器飞行过程中,根据飞行器检测的每个航迹点的飞行参数生成预测航迹误差,并根据预测航迹误差采用粒子群算法实时地对航迹预测矩阵进行多次误差修正得到最终航迹预测矩阵(如第N-1个更新航迹预测矩阵),进而根据该最终航迹预测矩阵得到的最终预测航迹所预测的航迹非常精确,并且可获得精准的时间维度信息,进而利用时间维度信息,可以对航迹进行时间维度的冲突探测与解脱,从而提高航线和空域的利用率与安全性。
本发明实施例中,飞行器在飞行过程中,可能会在预测航迹中某两个相邻航迹点(为了便于描述,以下称之为“第一相邻航迹点”和“第二相邻航迹点”)之间的某个点(以下称之为“实际点”)检测到该点的飞行参数,其中,所述第一相邻航迹点为所述两个相邻航迹点在所述预测航迹中时间靠前的航迹点,所述第二相邻航迹点为所述两个相邻航迹点在所述预测航迹中时间靠后的航迹点;可选地,该方法还可以包括:
根据所述飞行器检测的实际点的飞行参数,确定所述预测航迹中与所述实际点最相近的两个相邻航迹点;
根据所述实际点的飞行参数确定所述飞行器经过所述实际点的时间以及飞行状态,所述飞行状态包括以下一项:高速飞行、低速飞行、减速飞行以及转弯;
根据所述实际点的飞行参数、所述飞行状态以及所述两个相邻航迹点的飞行参数,确定时间补偿信息;
对应地,所述根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个更新预测航迹,包括:
根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个中间更新预测航迹;
根据所述时间补偿信息以及第一相邻航迹点的飞行参数,确定所述飞行器抵达第二相邻航迹点的时间;其中,所述第一相邻航迹点为所述两个相邻航迹点在所述预测航迹中时间靠前的航迹点,所述第二相邻航迹点为所述两个相邻航迹点在所述预测航迹中时间靠后的航迹点;
将所述第i-1个中间更新预测航迹中所述第二相邻航迹点的飞行参数所包括的时间替换为所述飞行器抵达所述第二相邻航迹点的时间,形成所述第i-1个更新预测航迹。
本发明实施例中,当飞行器经过预测航迹中第一相邻航迹点和第二相邻航迹点之间的某点(即实际点)并检测到该实际点的飞行参数时,根据该飞行器检测到的实际点的飞行参数,确定预测航迹中与该实际点最相近的两个相邻航迹点(即第一相邻航迹点和第二相邻航迹点),并根据该实际点的飞行参数确定所述飞行器经过所述实际点的时间以及飞行状态,可选地,所述飞行状态包括以下一项:高速飞行、低速飞行、减速飞行(例如降落过程)以及转弯(例如该实际点不在第一相邻航迹点和第二相邻航迹点的连线上),进一步地,根据该实际点的飞行参数、该实际点的飞行状态以及该两个相邻航迹点的飞行参数,确定时间补偿信息,以实现更加精准地时间维度预测;对应地,根据飞行器型号、起飞时间以及第i-1个更新航迹预测矩阵,先确定第i-1个中间更新预测航迹,并根据所述时间补偿信息以及第一相邻航迹点的飞行参数(包括时间信息),确定所述飞行器抵达第二相邻航迹点的时间(例如:飞行器抵达第一相邻航迹点的时间为t1及时间补偿信息为Δt,则飞行器抵达第二相邻航迹点的时间t2=t1+Δt,进而将所述第i-1个中间更新预测航迹中所述第二相邻航迹点的飞行参数所包括的时间替换为所述飞行器抵达所述第二相邻航迹点的时间t2,形成所述第i-1个更新预测航迹,从而实现了更加精准地时间维度预测。
可选地,根据该实际点的飞行参数、该实际点的飞行状态以及该两个相邻航迹点的飞行参数,确定时间补偿信息的一种可能的实现方式如下:
若实际点的飞行状态为高速飞行,则确定时间补偿信息
若实际点的飞行状态为减速飞行,则确定时间补偿信息
若实际点的飞行状态为低速飞行,则确定时间补偿信息
若实际点的飞行状态为转弯,则确定时间补偿信息
其中,d为第一相邻航迹点与第二相邻航迹点之间的距离,d1为第二相邻航迹点与实际点之间的距离,v1为飞行器经过第一相邻航迹点的速度,v2为飞行器经过第二相邻航迹点的速度,ρ为补偿权值系数,ΔtQ为高速飞行时间,ΔtP为低速飞行时间。
当然,根据该实际点的飞行参数、该实际点的飞行状态以及该两个相邻航迹点的飞行参数,还可通过其它方式(如上述公式的变形公式等)确定时间补偿信息,本发明实施例中对此并不作限制。
可见,相对于现有技术中通过距离与速度的差值确定时间的方式,本发明实施例中,在根据历史数据预算时间的基础上又增加了时间补偿信息,从而可更加准确地确定时间维度信息。
图2为本发明航迹预测方法实施例二的流程示意图。如图2所示,在上述实施例的基础上,步骤S101之前,还包括:
S201、根据所述飞行器型号及所述起飞时间确定包括N个航迹点的至少一个初始预测航迹。
本发明实施例中,航线历史数据库中包括:预设时长内所有航线记录,例如记录2年内每条航线所有飞行器的飞行信息(如,飞行器型号、航线、航线中每个航迹点的着陆和起飞时间等等)。
可选地,步骤S201包括:
根据所述飞行器型号及所述起飞时间,从所述航线历史数据库中选取出至少一个所述目标航线记录;
对所述至少一个目标航线记录分别进行标准化处理,得到包括N个航迹点的所述至少一个初始预测航迹;其中,每相邻两个航迹点之间的时间间隔相同。
对选择出的所述至少一个目标航线记录分别进行标准化处理,得到包含N个航迹点的至少一个初始预测航迹,其中,每相邻两个航迹点之间的时间间隔相同。
本发明实施例中,根据飞行器型号及起飞时间(即该飞行器在第1个航迹点的起飞时间),对航线历史数据库中的航线记录进行筛选,从航线历史数据库中选取出符合该飞行器型号和该起飞时间的至少一条目标航线记录;进一步地,对选择出的所述至少一个目标航线记录分别进行标准化处理,得到包括N个航迹点的所述至少一个初始预测航迹;其中,每相邻两个航迹点之间的时间间隔相同。
S202、根据所述至少一个初始预测航迹确定所述初始航迹预测矩阵。
本步骤中,根据该至少一个初始预测航迹通过机器学习统计计算算法,得到初始航迹预测矩阵;可选地,分别将每个初始预测航迹所包括的N个航迹点的飞行参数(以包括速度、高度、经度、纬度、航向和时间为例进行说明)排列为一个矩阵(例如,形成维度为N*6的矩阵),其中,该矩阵的第j行代表:第j个航迹点的飞行参数;1≤j≤N;进一步地,分别将每个矩阵的第i+1行的每个飞行参数与第i行对应的飞行参数的差值,作为该矩阵对应的变化矩阵的第i+1行(即相邻两行之间对应作差,将对应差值作为减数行中的对应值,例如第2行的第1列的数据减去第3行的第1列的数据,得到的差值更新为第3行的第1列的数据),其中,1≤i≤N-1;进一步地,分别计算每个变化矩阵对应的置换矩阵P,并将每个置换矩阵P相乘得到初始航迹预测矩阵。可选地,通过计算每个变化矩阵的广义特征向量和特征值,经过特征向量归一化处理,分别得到每个变化矩阵的置换矩阵P以及置换矩阵P的逆(广义逆)矩阵P’(其中,变化矩阵的置换矩阵P和逆矩阵P’可以使得该变化矩阵变成方阵),进一步将所有变化矩阵的置换矩阵P相乘便可得到初始航迹预测矩阵。
S203、根据所述飞行器型号、所述起飞时间以及所述初始航迹预测矩阵,确定初始学习预测航迹。
本步骤中,根据飞行器型号、起飞时间和初始航迹预测矩阵,确定初始学习预测航迹的方式,可详见现有技术中根据飞行器型号、起飞时间及统计学模型(如航迹预测矩阵)生成预测航迹的方式,此处不再赘述。
S204、根据航线历史数据库中各条目标航线记录的平均统计信息,从所述初始预测航迹和所述初始学习预测航迹中确定出所述起飞前预测航迹。
其中,所述航线历史数据库中包括:预设时长内所有航线记录;所述目标航线记录为所述飞行器型号及所述起飞时间对应的航线记录。
本发明实施例中,根据航线历史数据库中各条目标航线记录的平均统计信息(例如方差、平均时长、总时长等平均统计数据),从初始预测航迹和初始学***均统计信息最接近的预测航迹确定为起飞前预测航迹。
可选地,步骤S101之前,还包括:
采用统计学方法计算航线历史数据库中各条航线记录的平均统计信息;其中,所述航线历史数据库中包括:预设时长内所有航线记录;所述平均统计信息包括以下信息中的任一项或多项:平均方差、平均时长、平均标准差和置信区间。
本发明实施例中,在执行步骤S101之前,可采用统计学方法预先计算航线历史数据中各条航线记录的平均统计信息,以便后续直接利用某条航线记录的平均统计信息;可选地,该平均统计信息可以为以下信息中的任一项或多项:平均方差、平均时长、平均标准差和置信区间;当然,该平均统计信息还可包括其它统计数据(例如,时间维度的误差、特征值和特征向量等等),本发明实施例对此并不作限制。
本发明航迹预测方法实施例三中,在上述实施例的基础上,本实施例的方法可以包括:
A)、根据飞行器型号、起飞时间及航线历史数据库,确定包括N个航迹点的至少一个初始预测航迹。
B)、根据所述至少一个初始预测航迹通过机器学习统计计算算法确定初始航迹预测矩阵。
C)、根据飞行器型号、起飞时间以及初始航迹预测矩阵,确定初始学习预测航迹。
D)、根据航线历史数据库中各条目标航线记录的平均统计信息,从所述初始预测航迹和所述初始学习预测航迹中确定出起飞前预测航迹。
E1)、根据飞行器检测的第1个航迹点的飞行参数与起飞前预测航迹,生成第1个预测航迹误差。
E2)、根据第1个预测航迹误差通过粒子群算法对初始航迹预测矩阵进行更新,生成第1个更新航迹预测矩阵。
E3)、根据飞行器型号、起飞时间以及第1个更新航迹预测矩阵,确定第1个更新预测航迹。
F1)、根据飞行器检测的第2个航迹点的飞行参数与第1个更新预测航迹,生成第2个预测航迹误差。
F2)、根据第2个预测航迹误差通过粒子群算法对第1个更新航迹预测矩阵进行更新,生成第2个更新航迹预测矩阵。
F3)、根据飞行器型号、起飞时间以及第2个更新航迹预测矩阵,确定第2个更新预测航迹。
G1)、根据飞行器检测的第3个航迹点的飞行参数与第2个更新预测航迹,生成第3个预测航迹误差。
G2)、根据第3个预测航迹误差通过粒子群算法对第2个更新航迹预测矩阵进行更新,生成第3个更新航迹预测矩阵。
G3)、根据飞行器型号、起飞时间以及第3个更新航迹预测矩阵,确定第3个更新预测航迹。
如上述部分所述,每到一个航迹点都执行如G1-G3类似过程,此处不再赘述,直至该飞行器结束完整航迹。可见,本发明实施例中,在飞行器飞行过程中,可根据飞行器检测的每个航迹点的飞行参数生成预测航迹误差,并根据预测航迹误差采用粒子群算法实时地对航迹预测矩阵进行多次误差修正得到最终航迹预测矩阵,进而根据该最终航迹预测矩阵得到的最终预测航迹所预测的航迹非常精确,从而提高航线、空域的利用率与安全性。
可选地,该航迹预测装置也可在空闲时间段,从历史数据库中选择一条目标航线反复执行上述方法实施例的方案,得到最终预测航迹,以便后续对该目标航线的飞行器进行航迹预测。本发明实施例中,对航迹预测装置执行本发明上述方法实施例方案的时机并不作限制。
图3为本发明航迹预测装置实施例的结构示意图,如图3所示,本实施例提供的航迹预测装置30可以包括:第一生成模块301、第二生成模块302及第一确定模块303。
其中,第一生成模块302,用于根据飞行器检测的第i个航迹点的飞行参数与预测航迹,生成第i-1个预测航迹误差;其中,所述预测航迹中包括N个航迹点,每个所述航迹点包括:飞行器在所述航迹点对应的飞行参数;所述飞行参数包括:速度、高度、经度、纬度、航向和时间;2≤i≤N且i为整数;当i为2时,所述预测航迹为起飞前预测航迹;当3≤i≤N时,所述预测航迹为第i-2个更新预测航迹;
第二生成模块302,用于根据所述第i-1个预测航迹误差通过粒子群算法对航迹预测矩阵进行更新,生成第i-1个更新航迹预测矩阵;其中,当i为2时,所述航迹预测矩阵为初始航迹预测矩阵;当3≤i≤N时,所述航迹预测矩阵为第i-2个更新航迹预测矩阵;
第一确定模块303,用于根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个更新预测航迹。
可选地,所述第一生成模块301具体用于:
当i为2时,将所述起飞前预测航迹中第2个航迹点的飞行参数替换为所述飞行器检测的第2个航迹点的飞行参数得到第1个中间预测航迹,并根据所述第1个中间预测航迹与所述起飞前预测航迹,生成第1个预测航迹误差;
当3≤i≤N时,将所述第i-2个更新预测航迹中第i个航迹点的飞行参数替换为所述飞行器检测的第i个航迹点的飞行参数得到第i-1个中间预测航迹,并根据所述第i-1个中间预测航迹与第i-2个中间预测航迹,生成第i-1个预测航迹误差。
可选地,所述装置还包括:
第二确定模块,用于根据所述飞行器检测的实际点的飞行参数,确定所述预测航迹中与所述实际点最相近的两个相邻航迹点;
第三确定模块,用于根据所述实际点的飞行参数确定所述飞行器经过所述实际点的时间以及飞行状态,所述飞行状态包括以下一项:高速飞行、低速飞行、减速飞行以及转弯;
第四确定模块,用于根据所述实际点的飞行参数、所述飞行状态以及所述两个相邻航迹点的飞行参数,确定时间补偿信息;
对应地,所述第一确定模块具体用于:
根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个中间更新预测航迹;
根据所述时间补偿信息以及第一相邻航迹点的飞行参数,确定所述飞行器抵达第二相邻航迹点的时间;其中,所述第一相邻航迹点为所述两个相邻航迹点在所述预测航迹中时间靠前的航迹点,所述第二相邻航迹点为所述两个相邻航迹点在所述预测航迹中时间靠后的航迹点;
将所述第i-1个中间更新预测航迹中所述第二相邻航迹点的飞行参数所包括的时间替换为所述飞行器抵达所述第二相邻航迹点的时间,形成所述第i-1个更新预测航迹。
可选地,所述装置还包括:
第五确定模块,用于根据所述飞行器型号及所述起飞时间确定包括N个航迹点的至少一个初始预测航迹;
第六确定模块,用于根据所述至少一个初始预测航迹确定所述初始航迹预测矩阵;
第七确定模块,用于根据所述飞行器型号、所述起飞时间以及所述初始航迹预测矩阵,确定初始学习预测航迹;
第八确定模块,用于根据航线历史数据库中各条目标航线记录的平均统计信息,从所述初始预测航迹和所述初始学习预测航迹中确定出所述起飞前预测航迹;其中,所述航线历史数据库中包括:预设时长内所有航线记录;所述目标航线记录为所述飞行器型号及所述起飞时间对应的航线记录。
可选地,所述第五确定模块具体用于:
根据所述飞行器型号及所述起飞时间,从所述航线历史数据库中选取出至少一个所述目标航线记录;
对所述至少一个目标航线记录分别进行标准化处理,得到包括N个航迹点的所述至少一个初始预测航迹;其中,每相邻两个航迹点之间的时间间隔相同。
可选地,所述第六确定模块具体用于:
分别将每个所述初始预测航迹所包括的N个航迹点的飞行参数排列为一个矩阵;其中,所述矩阵的第j行代表:第j个航迹点的飞行参数;1≤j≤N;
分别将每个所述矩阵的第i+1行的每个飞行参数与第i行对应的飞行参数的差值,作为对应的变化矩阵的第i+1行,1≤i≤N-1;
分别计算每个所述变化矩阵对应的置换矩阵P,并将每个所述置换矩阵P相乘得到所述初始航迹预测矩阵。
可选地,所述装置还包括:
统计模块,用于采用统计学方法计算航线历史数据库中各条航线记录的平均统计信息;其中,所述航线历史数据库中包括:预设时长内所有航线记录;所述平均统计信息包括以下信息中的任一项或多项:平均方差、平均时长、平均标准差和置信区间。
本实施例的航迹预测装置,可以用于执行本发明上述航迹预测方法任意实施例中的技术方案,其实现原理和技术效果类似,此处不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种航迹预测方法,其特征在于,包括:
根据飞行器检测的第i个航迹点的飞行参数与预测航迹,生成第i-1个预测航迹误差;其中,所述预测航迹中包括N个航迹点,每个所述航迹点包括:飞行器在所述航迹点对应的飞行参数;所述飞行参数包括:速度、高度、经度、纬度、航向和时间;2≤i≤N且i为整数;当i为2时,所述预测航迹为起飞前预测航迹;当3≤i≤N时,所述预测航迹为第i-2个更新预测航迹;
根据所述第i-1个预测航迹误差通过粒子群算法对航迹预测矩阵进行更新,生成第i-1个更新航迹预测矩阵;其中,当i为2时,所述航迹预测矩阵为初始航迹预测矩阵;当3≤i≤N时,所述航迹预测矩阵为第i-2个更新航迹预测矩阵;
根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个更新预测航迹。
2.根据权利要求1所述的方法,其特征在于,所述根据飞行器检测的第i个航迹点的飞行参数与预测航迹,生成第i-1个预测航迹误差,包括:
当i为2时,将所述起飞前预测航迹中第2个航迹点的飞行参数替换为所述飞行器检测的第2个航迹点的飞行参数得到第1个中间预测航迹,并根据所述第1个中间预测航迹与所述起飞前预测航迹,生成第1个预测航迹误差;
当3≤i≤N时,将所述第i-2个更新预测航迹中第i个航迹点的飞行参数替换为所述飞行器检测的第i个航迹点的飞行参数得到第i-1个中间预测航迹,并根据所述第i-1个中间预测航迹与第i-2个中间预测航迹,生成第i-1个预测航迹误差。
3.根据权利要求1或2所述的方法,其特征在于,还包括:
根据所述飞行器检测的实际点的飞行参数,确定所述预测航迹中与所述实际点最相近的两个相邻航迹点;
根据所述实际点的飞行参数确定所述飞行器经过所述实际点的时间以及飞行状态,所述飞行状态包括以下一项:高速飞行、低速飞行、减速飞行以及转弯;
根据所述实际点的飞行参数、所述飞行状态以及所述两个相邻航迹点的飞行参数,确定时间补偿信息;
对应地,所述根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个更新预测航迹,包括:
根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个中间更新预测航迹;
根据所述时间补偿信息以及第一相邻航迹点的飞行参数,确定所述飞行器抵达第二相邻航迹点的时间;其中,所述第一相邻航迹点为所述两个相邻航迹点在所述预测航迹中时间靠前的航迹点,所述第二相邻航迹点为所述两个相邻航迹点在所述预测航迹中时间靠后的航迹点;
将所述第i-1个中间更新预测航迹中所述第二相邻航迹点的飞行参数所包括的时间替换为所述飞行器抵达所述第二相邻航迹点的时间,形成所述第i-1个更新预测航迹。
4.根据权利要求1所述的方法,其特征在于,所述根据飞行器检测的第i个航迹点对应的飞行参数与预测航迹,生成第i-1个预测航迹误差之前,还包括:
根据所述飞行器型号及所述起飞时间确定包括N个航迹点的至少一个初始预测航迹;
根据所述至少一个初始预测航迹确定所述初始航迹预测矩阵;
根据所述飞行器型号、所述起飞时间以及所述初始航迹预测矩阵,确定初始学习预测航迹;
根据航线历史数据库中各条目标航线记录的平均统计信息,从所述初始预测航迹和所述初始学习预测航迹中确定出所述起飞前预测航迹;其中,所述航线历史数据库中包括:预设时长内所有航线记录;所述目标航线记录为所述飞行器型号及所述起飞时间对应的航线记录。
5.根据权利要求4所述的方法,其特征在于,所述根据所述飞行器型号及所述起飞时间确定包括N个航迹点的至少一个初始预测航迹,包括:
根据所述飞行器型号及所述起飞时间,从所述航线历史数据库中选取出至少一个所述目标航线记录;
对所述至少一个目标航线记录分别进行标准化处理,得到包括N个航迹点的所述至少一个初始预测航迹;其中,每相邻两个航迹点之间的时间间隔相同。
6.根据权利要求4或5所述的方法,其特征在于,所述根据所述至少一个初始预测航迹确定所述初始航迹预测矩阵,包括:
分别将每个所述初始预测航迹所包括的N个航迹点的飞行参数排列为一个矩阵;其中,所述矩阵的第j行代表:第j个航迹点的飞行参数;1≤j≤N;
分别将每个所述矩阵的第i+1行的每个飞行参数与第i行对应的飞行参数的差值,作为对应的变化矩阵的第i+1行,1≤i≤N-1;
分别计算每个所述变化矩阵对应的置换矩阵P,并将每个所述置换矩阵P相乘得到所述初始航迹预测矩阵。
7.根据权利要求1、2、4和5中任一项所述的方法,其特征在于,所述根据飞行器检测的第i个航迹点对应的飞行参数与预测航迹,生成第i-1个预测航迹误差之前,还包括:
采用统计学方法计算航线历史数据库中各条航线记录的平均统计信息;其中,所述航线历史数据库中包括:预设时长内所有航线记录;所述平均统计信息包括以下信息中的任一项或多项:平均方差、平均时长、平均标准差和置信区间。
8.一种航迹预测装置,其特征在于,包括:
第一生成模块,用于根据飞行器检测的第i个航迹点的飞行参数与预测航迹,生成第i-1个预测航迹误差;其中,所述预测航迹中包括N个航迹点,每个所述航迹点包括:飞行器在所述航迹点对应的飞行参数;所述飞行参数包括:速度、高度、经度、纬度、航向和时间;2≤i≤N且i为整数;当i为2时,所述预测航迹为起飞前预测航迹;当3≤i≤N时,所述预测航迹为第i-2个更新预测航迹;
第二生成模块,用于根据所述第i-1个预测航迹误差通过粒子群算法对航迹预测矩阵进行更新,生成第i-1个更新航迹预测矩阵;其中,当i为2时,所述航迹预测矩阵为初始航迹预测矩阵;当3≤i≤N时,所述航迹预测矩阵为第i-2个更新航迹预测矩阵;
第一确定模块,用于根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个更新预测航迹。
9.根据权利要求8所述的装置,其特征在于,所述第一生成模块具体用于:
当i为2时,将所述起飞前预测航迹中第2个航迹点的飞行参数替换为所述飞行器检测的第2个航迹点的飞行参数得到第1个中间预测航迹,并根据所述第1个中间预测航迹与所述起飞前预测航迹,生成第1个预测航迹误差;
当3≤i≤N时,将所述第i-2个更新预测航迹中第i个航迹点的飞行参数替换为所述飞行器检测的第i个航迹点的飞行参数得到第i-1个中间预测航迹,并根据所述第i-1个中间预测航迹与第i-2个中间预测航迹,生成第i-1个预测航迹误差。
10.根据权利要求8或9所述的装置,其特征在于,还包括:
第二确定模块,用于根据所述飞行器检测的实际点的飞行参数,确定所述预测航迹中与所述实际点最相近的两个相邻航迹点;
第三确定模块,用于根据所述实际点的飞行参数确定所述飞行器经过所述实际点的时间以及飞行状态,所述飞行状态包括以下一项:高速飞行、低速飞行、减速飞行以及转弯;
第四确定模块,用于根据所述实际点的飞行参数、所述飞行状态以及所述两个相邻航迹点的飞行参数,确定时间补偿信息;
对应地,所述第一确定模块具体用于:
根据飞行器型号、起飞时间以及所述第i-1个更新航迹预测矩阵,确定第i-1个中间更新预测航迹;
根据所述时间补偿信息以及第一相邻航迹点的飞行参数,确定所述飞行器抵达第二相邻航迹点的时间;其中,所述第一相邻航迹点为所述两个相邻航迹点在所述预测航迹中时间靠前的航迹点,所述第二相邻航迹点为所述两个相邻航迹点在所述预测航迹中时间靠后的航迹点;
将所述第i-1个中间更新预测航迹中所述第二相邻航迹点的飞行参数所包括的时间替换为所述飞行器抵达所述第二相邻航迹点的时间,形成所述第i-1个更新预测航迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610202964.3A CN105894117B (zh) | 2016-03-31 | 2016-03-31 | 航迹预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610202964.3A CN105894117B (zh) | 2016-03-31 | 2016-03-31 | 航迹预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105894117A true CN105894117A (zh) | 2016-08-24 |
CN105894117B CN105894117B (zh) | 2020-02-18 |
Family
ID=57011994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610202964.3A Active CN105894117B (zh) | 2016-03-31 | 2016-03-31 | 航迹预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105894117B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339355A (zh) * | 2016-08-31 | 2017-01-18 | 哈尔滨工程大学 | 一种舰载机着舰短期航迹在线预测方法 |
CN106772355A (zh) * | 2017-02-23 | 2017-05-31 | 四川大学 | 一种计算航迹关联门中心位置的补偿方法 |
CN106846919A (zh) * | 2017-01-16 | 2017-06-13 | 南京航空航天大学 | 一种基于ads‑b信息更新的四维航迹动态预测方法 |
CN106950955A (zh) * | 2017-03-17 | 2017-07-14 | 武汉理工大学 | 基于改进los引导算法的船舶航迹控制方法 |
CN108388268A (zh) * | 2018-01-31 | 2018-08-10 | 南京奇蛙智能科技有限公司 | 一种基于云端的无人机航线规划方法 |
CN111353256A (zh) * | 2018-12-20 | 2020-06-30 | 塔莱斯公司 | 航空电子设备中的机器学习 |
CN112348223A (zh) * | 2020-08-21 | 2021-02-09 | 哈尔滨工业大学 | 一种基于深度学习的导弹飞行轨迹预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692315A (zh) * | 2009-09-25 | 2010-04-07 | 民航总局空管局技术中心 | 基于实时雷达数据的高精度4d飞机航迹分析方法 |
CN102496313A (zh) * | 2011-12-31 | 2012-06-13 | 南京莱斯信息技术股份有限公司 | 监视数据对飞行器计划预测轨迹的修正方法 |
CN102967857A (zh) * | 2012-11-28 | 2013-03-13 | 西安电子科技大学 | 基于粒子群优化的传感器网络对机动目标的协同跟踪方法 |
CN103091674A (zh) * | 2012-12-14 | 2013-05-08 | 西安电子科技大学 | 基于hrrp序列的空间目标高分辨成像方法 |
EP2575121A3 (en) * | 2011-09-30 | 2014-01-22 | The Boeing Company | Flight trajectory prediction with application of environmental conditions |
CN104180801A (zh) * | 2014-08-20 | 2014-12-03 | 广州海格通信集团股份有限公司 | 基于ads-b***航迹点的预测方法和*** |
CN104180800A (zh) * | 2014-08-20 | 2014-12-03 | 广州海格通信集团股份有限公司 | 基于ads-b***航迹点的修正方法和*** |
CN104699935A (zh) * | 2013-12-10 | 2015-06-10 | 中国航空工业第六一八研究所 | 一种基于不确定性预测的航迹规划方法 |
-
2016
- 2016-03-31 CN CN201610202964.3A patent/CN105894117B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101692315A (zh) * | 2009-09-25 | 2010-04-07 | 民航总局空管局技术中心 | 基于实时雷达数据的高精度4d飞机航迹分析方法 |
EP2575121A3 (en) * | 2011-09-30 | 2014-01-22 | The Boeing Company | Flight trajectory prediction with application of environmental conditions |
CN102496313A (zh) * | 2011-12-31 | 2012-06-13 | 南京莱斯信息技术股份有限公司 | 监视数据对飞行器计划预测轨迹的修正方法 |
CN102967857A (zh) * | 2012-11-28 | 2013-03-13 | 西安电子科技大学 | 基于粒子群优化的传感器网络对机动目标的协同跟踪方法 |
CN103091674A (zh) * | 2012-12-14 | 2013-05-08 | 西安电子科技大学 | 基于hrrp序列的空间目标高分辨成像方法 |
CN104699935A (zh) * | 2013-12-10 | 2015-06-10 | 中国航空工业第六一八研究所 | 一种基于不确定性预测的航迹规划方法 |
CN104180801A (zh) * | 2014-08-20 | 2014-12-03 | 广州海格通信集团股份有限公司 | 基于ads-b***航迹点的预测方法和*** |
CN104180800A (zh) * | 2014-08-20 | 2014-12-03 | 广州海格通信集团股份有限公司 | 基于ads-b***航迹点的修正方法和*** |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106339355A (zh) * | 2016-08-31 | 2017-01-18 | 哈尔滨工程大学 | 一种舰载机着舰短期航迹在线预测方法 |
CN106339355B (zh) * | 2016-08-31 | 2019-01-11 | 哈尔滨工程大学 | 一种舰载机着舰短期航迹在线预测方法 |
CN106846919A (zh) * | 2017-01-16 | 2017-06-13 | 南京航空航天大学 | 一种基于ads‑b信息更新的四维航迹动态预测方法 |
CN106772355A (zh) * | 2017-02-23 | 2017-05-31 | 四川大学 | 一种计算航迹关联门中心位置的补偿方法 |
CN106772355B (zh) * | 2017-02-23 | 2019-10-18 | 四川大学 | 一种计算航迹关联门中心位置的补偿方法 |
CN106950955A (zh) * | 2017-03-17 | 2017-07-14 | 武汉理工大学 | 基于改进los引导算法的船舶航迹控制方法 |
CN106950955B (zh) * | 2017-03-17 | 2019-11-05 | 武汉理工大学 | 基于改进los引导算法的船舶航迹控制方法 |
CN108388268A (zh) * | 2018-01-31 | 2018-08-10 | 南京奇蛙智能科技有限公司 | 一种基于云端的无人机航线规划方法 |
CN111353256A (zh) * | 2018-12-20 | 2020-06-30 | 塔莱斯公司 | 航空电子设备中的机器学习 |
CN112348223A (zh) * | 2020-08-21 | 2021-02-09 | 哈尔滨工业大学 | 一种基于深度学习的导弹飞行轨迹预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105894117B (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105894117A (zh) | 航迹预测方法及装置 | |
CN102645931B (zh) | 用于选择气象数据以用于更新飞行器轨迹的方法 | |
US9513125B2 (en) | Computing route plans for routing around obstacles having spatial and temporal dimensions | |
Patron et al. | Flight trajectories optimization under the influence of winds using genetic algorithms | |
US8781651B2 (en) | Systems and methods providing a fuel-efficient RTA implementation with uncertain winds | |
JP2019089538A (ja) | 航空機の飛行計画において微細風況を考慮するシステム | |
CN108133028A (zh) | 基于视频分析与定位信息结合的航空器挂牌方法 | |
CN108803656B (zh) | 一种基于复杂低空的飞行控制方法及*** | |
Jensen et al. | Commercial airline altitude optimization strategies for reduced cruise fuel consumption | |
WO2009091431A1 (en) | Computing flight plans for uavs while routing around obstacles having spatial and temporal dimensions | |
CN102915652A (zh) | 飞行器交通分离*** | |
CN103093649A (zh) | 用于推断飞行器参数的方法和*** | |
EP3043226B1 (en) | Coordinating sensor platforms performing persistent surveillance | |
CN105279581A (zh) | 基于差分进化的geo-uav双基sar路径规划方法 | |
CN105185163A (zh) | 飞行路径选择方法和装置、飞行器和空中交通管理*** | |
CN111121784B (zh) | 一种无人侦察机航路规划方法 | |
US10460608B2 (en) | System and method for determining uncertainty in a predicted flight path for an aerial vehicle | |
CN104252797A (zh) | 基于虚拟管制员的空域仿真方法及其装置 | |
Liu et al. | Multi-objective evolutionary approach for UAV cruise route planning to collect traffic information | |
Avery et al. | Data-driven modeling and prediction of the process for selecting runway configurations | |
CN109000651A (zh) | 一种路径规划方法及路径规划装置 | |
Rodionova et al. | Conflict resolution for wind-optimal aircraft trajectories in North Atlantic oceanic airspace with wind uncertainties | |
Chaimatanan et al. | Aircraft 4D trajectories planning under uncertainties | |
Murça et al. | A data-driven probabilistic trajectory model for predicting and simulating terminal airspace operations | |
US11487301B2 (en) | Method and device for generating an optimum vertical trajectory intended to be followed by an aircraft |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |