基于层级关系表征的多视图飞行数据多任务预测方法及系统

摘要: 本发明涉及航空,具体地说是基于层级关系表征的多视图飞行数据多任务预测方法及系统。背景技术:1、现代民航航空器广泛配备快速存取记录器(qar),可每秒采集数千项异...
基于层级关系表征的多视图飞行数据多任务预测方法及系统

本发明涉及航空,具体地说是基于层级关系表征的多视图飞行数据多任务预测方法及系统。

背景技术:

1、现代民航航空器广泛配备快速存取记录器(qar),可每秒采集数千项异构飞行参数,形成海量多尺度、多物理耦合、非平稳时序数据,为飞行安全评估、运行效率优化、故障诊断提供数据基础。当前飞行数据预测相关技术主要分为单任务专用模型与多任务融合模型两类,单任务模型聚焦轨迹预测、姿态估计、油耗建模、硬着陆检测等单一目标,模型相互独立无法共享物理先验知识;多任务模型多基于时序卷积网络、图神经网络、transformer等架构,通过单一视角提取时间或结构特征。

2、现有技术存在多项核心缺陷:首先,常规归一化方法采用统一尺度变换,破坏飞行参数固有维度关系,对异常值、传感器尖峰、飞行阶段切换敏感,导致特征分布不稳定;其次,特征提取仅采用单一时序或结构视角,无法同时捕捉气动、控制、推进系统的多物理耦合关系,对非平稳工况适应性差;再次,多任务优化中分类与回归目标混合,参数量级、单位差异引发梯度失衡,离散变量类别不平衡问题难以解决;最后,模型未融入层级化飞行进程信息,缺乏对全局飞行阶段与局部时间位置的联合感知,预测精度、稳定性与可解释性不足。

3、上述缺陷导致现有方法在统一多任务场景下性能受限,连续参数预测误差大、离散状态识别准确率低、长时序预测误差累积快,无法满足航空安全分析与运行决策对高精度、高稳定、可解释预测的需求,成为飞行数据智能分析的技术瓶颈。

4、如何克服现有技术对多元飞行数据预测中忽视层级关系、上下文时间依赖、跨变量物理耦合以及多任务统一建模能力不足的问题,是需要解决的技术问题。

技术实现思路

1、本发明的技术任务是针对以上不足,提供基于层级关系表征的多视图飞行数据多任务预测方法及系统,来解决如何克服现有技术对多元飞行数据预测中忽视层级关系、上下文时间依赖、跨变量物理耦合以及多任务统一建模能力不足的技术问题。

2、第一方面,本发明一种基于层级关系表征的多视图飞行数据多任务预测方法,包括如下步骤:

3、数据处理:获取原始飞行数据并进行预处理,通过预处理进行数据过滤、重采样和格式转换,生成预处理后数据,基于预处理后数据构建样本集,并基于滑动窗口机制生成观测-预测样本对,其中,飞行数据为包括多个变量的时序数据;

4、层级特征提取:基于层级关系表征模块对预处理后数据进行缩放归一化、数值嵌入、时序位置编码以及全局飞行进程嵌入,输出层级结构化特征张量;

5、模型构建:构建任务预测模型,所述任务预测模型包括多个层级堆叠的多视角飞行编码器以及位于末尾层多视角飞行编码器输出端的统一多任务预测头,初始层多视角飞行编码器连接于层级关系表征模块的输出端,每层多视角飞行编码器的输出端串联有一个对应的多视角融合模块组成编码块,每层多视角飞行编码器均包括并行的时序结构编码分支和通道自适应编码分支,通过时序结构编码分支对输入张量执行逐通道时序卷积和跨通道卷积,输出时序特征张量,通过通道自适应编码分支对输入张量进行通道维度的依赖关系建模、并对生成的加权特征张量执行通道独立多尺度变换与门控自适应选择,输出最终增强特征张量,通过多视角融合模块对时序结构编码分支与通道自适应编码分支的输出结果执行路径级残差融合、时序级残差融合与位置级残差融合三级残差融合,输出最终统一特征张量,所述统一多任务预测头以末尾层编码块输出的最终统一特征张量为输入张量,用于将所有变量在统一在纯回归框架下进行预测,计算并输出每个飞行变量的最终量化预测值;

6、模型训练:基于观测-预测样本对对任务预测模型进行模型训练,得到训练后任务预测模型;

7、模型推理:获取待分析飞行数据并进行预处理,通过预处理进行数据过滤、重采样和格式转换,生成预处理后数据,基于层级关系表征模块对预处理后数据进行缩放归一化、数值嵌入、时序位置编码以及全局飞行进程嵌入,输出层级结构化特征张量,以层级结构化特征张量为输入,通过训练后任务预测模型进行预测,输出每个变量的最终量化预测值。

8、作为优选,数据处理包括如下操作:

9、数据采集:获取原始飞行数据,飞行数据包括时间戳、ph值、飞行阶段标签、经纬度位置、姿态欧拉角以及传感器数据;

10、数据预处理:基于飞行阶段标签和ph值进行数据过滤,提取ph值处于预定区间内,且飞行阶段为滑行、起飞、巡航和着陆阶段的数据,将提取的数据统一采样至预定时序分辨率,得到重采样后数据,对于重采样后数据,将经纬度位置转换为相对距离表征,将姿态欧拉角转换为四元数格式,得到预处理后数据;

11、样本构建:以完整飞行序列为划分单元,将预处理后数据划分为训练集、验证集和测数据集,在每个完整飞行序列内,基于滑动窗口机制生成观测-预测样本对。

12、作为优选,层级关系表征模块包括缩放归一化分支、数值嵌入分支、时序位置编码分支、全局进程嵌入分支以及特征融合单元;

13、对于当前时间窗口的飞行数据,缩放归一化分支用于基于变量的有效工作范围中点和有效工作范围半宽对变量的的原始输入值进行标准化偏移,并经sigmoid函数映射,计算变量的归一化数值,输出飞行数据对应的归一化张量,其中,对于飞行数据中第个变量,缩放sigmoid归一化计算公式如下:

14、,

15、式中,表示第个变量的原始输入值,表示第个变量的有效工作范围中点,表示第个变量的有效工作范围半宽,表示第个变量归一化后输出值,表示sigmoid函数,用于将输入映射到 (0,1) 区间,表示陡峭度控制系数,用于调节sigmoid函数在过渡区的斜率,表示水平偏移系数,用于调节sigmoid函数的水平位置;

16、对于当前时间窗口的飞行数据,数值嵌入分支用于将变量的归一化数值通过可学习的线性投影映射至隐空间,输出数值特征嵌入张量;

17、时序位置编码分支用于基于时间窗口内相对时间步索引,通过正弦函数和余弦函数生成与特征维度绑定的局部位置编码,输出局部位置编码张量,其中,在时间步索引和嵌入维度索引处生成的局部位置编码,计算公式如下:

18、,

19、,

20、式中,为飞行数据中变量总数;

21、全局进程嵌入分支用于基于时间窗口内所有时间步的全局绝对位置索引向量,通过查表得到全局进程嵌入,输出全局进程嵌入张量,其中,表示时间窗口内所有时间步的全局绝对位置索引向量;

22、特征融合单元用于将数值特征嵌入张量、局部位置编码张量、全局进程嵌入张量按时间步逐元素相加,生成层级结构化特征张量,其中,层级结构化特征张量计算公式如下:

23、,

24、作为优选,时序结构编码分支包括多个层级堆叠的多特征交互时序卷积单元,每个多特征交互时序卷积单元均包括级联的逐通道时序卷积子单元和通道交叉卷积子单元;

25、对于每一层多特征交互时序卷积单元,逐通道时序卷积子单元以特征通道为处理单元,以上一层多特征交互时序卷积单元输出的特征张量为输入张量,对每个特征通道对应变量的时序序列分别进行一维卷积操作,并按照通道维度将各特征通道的输出拼接为中间特征张量,通道交叉卷积子单元以中间特征张量为输入,通过卷积操作实现不同特征通道间的线性组合与信息传递,输出最终特征张量;

26、其中,对于初始层多特征交互时序卷积单元,逐通道时序卷积子单元以层级结构化特征张量为输入张量。

27、作为优选,通道自适应编码分支包括串联级联的通道跨序列依赖关系计算单元和自适应多分支异构卷积网络单元;

28、其中,所述通道跨序列依赖关系计算单元用于执行如下操作:

29、时序全局平均池化操作:在时间维度上对每个特征通道的所有时序位置进行全局平均计算,得到通道描述符向量,通道描述向量中每个元素对应一个特征通道的全局统计特征,通过全局统计特征表征整个时序序列中整体分布特征;

30、通道重要性映射:将通道描述符向量输入瓶颈多层感知机进行通道跨序列依赖关系映射,瓶颈多层感知机包括级联的第一线性变换层和第二线性变换层,第一线性变换层用于将通道数d映射至低纬隐层维度h,第二线性变换层用于将低纬度特征映射回原通道数d,并通过sigmoid激活函数输出通道跨序列依赖关系权重向量;

31、通道级特征加权:将通道跨序列依赖关系权重向量沿时间维度广播后,与输入张量进行逐像素相乘,对每个特征通道的所有时序位置赋予相同权重,输出通道增强后的加权特征张量;

32、其中,所述自适应多分支异构卷积网络单元包括逐通道多分支异构卷积网络卷积子单元、逐点卷积融合子单元以及门控线性单元自适应选择子单元,逐通道多分支异构卷积网络卷积子单元以通道增强后的加权特征张量为输入,用于以单一尺度卷积核在各特征通道内独立构建多分支隐式变换路径,对每个特征通道的时序序列进行多尺度感受域特征提取,捕捉高频瞬态分量域周期振荡模式,生成通道扩展后特征张量;逐点卷积融合子单元以通道扩展后特征张量为输入,用于通过卷积逐点卷积对通道扩展后特征张量进行跨通道信息混合域维度规约,将特征通道数压缩至2d,得到混合特征张量,并沿通道维度将混合特征张量均等划分为内容特征分支a和门控特征分支b;门控线性单元自适应选择子单元以内容特征分支a和门控特征分支b为输入,用于将门控特征分支b经sigmoid激活函数生成动态门控权重,并将动态门控权重域内容特征分支a进行逐元素相乘运算,输出最终增强特征张量。

33、作为优选,对于编码块中多视角融合模块,路径级残差融合用于引入可学习门控向量,按照通道将时序结构编码分支的最终输出以及通道自适应编码分支的最终输出逐元素加权融合,并将融合结果与当前编码块的路径级残差项相加,得到路径级融合中间特征张量,其中,对于初始编码块,路径级残差项为层级结构化特征张量,对于其他编码块,路径级残差项为上一个编码块的最终输出,对应的,路径级残差融合计算公式如下:

34、,

35、,

36、式中,表示堆叠编码块的数量,表示第个编码块的路径级残差项,表示层级结构化特征张量,表示第个编码块的最终输出,表示路径级融合中间特征张量,表示可学习门控向量,用于控制时序结构编码分支和通道自适应编码分支的融合比例,表示按照通道逐元素相乘,表示时序结构编码分支的输出,表示通道自适应编码分支的输出;

37、时序级残差融合用于将路径级融合中间特征张量输入多头注意力层,通过多头注意力机制进行跨序列依赖关系建模,并将多头注意力层的输出与路径级融合中间特征张量残差相加,得到时序残差融合特征张量,对应的,时序级残差融合计算公示如下:

38、,

39、,

40、式中

,表示第域跨序列依赖关系的输出,表示第域当前序列依赖关系权重矩阵,表示第域前后序列依赖关系权重矩阵,表示第域当前序列权重矩阵,表示单个跨序列依赖关系计算的特征维度,表示缩放因子,用于防止内过大,用于通过归一化计算注意力权重,表示注意力头总数,表示多域输出拼接,表示多域跨序列依赖关系计算的输出投影矩阵,表示时序残差融合特征张量;

41、位置级残差融合将时序残差融合特征张量输入前馈网络执行非线性通道混合,并将前馈网络的输出与时序残差融合特征张残差相加,得到当前编码块的最终输出。

42、作为优选,统一多任务预测头以末尾层编码块输出的最终统一特征张量为输入张量,用于执行如下操作:

43、将输入张量输入一个或多个全连接层,输出一组维度与目标飞行数据变量数匹配的归一化标量预测值,;

44、对于每个预测变量,通过变量对应精确可微的逆映射函数,将对应的归一化标量预测值转换为物理域连续预测值,如果变量为连续类型,输出物理域连续预测值作为最终预测值,如果变量为离散类型,获取变量对应预定义的量化值集合,计算物理域连续预测值与量化值集合中每个候选值的距离,选择距离最小的候选值作为最终量化预测值,对于离散类型变量,最终量化预测计算公式如下:

45、,

46、式中,表示第个变量经过投影后得到的最终量化预测值;

47、表示预定义的量化值集合,为实数集的一个有限子集,包含了当前离散变量所有符合物理和语义定义的有效取值;

48、表示预定义的量化值集合中某一个候选离散值;

49、表示一个与具体变量无关的、基于阈值的舍入函数,用于度量物理域连续预测值与候选离散值之间的差异或距离;

50、表示第个变量经过统一多任务预测头逆映射后得到的连续物理域预测值。

51、作为优选,模型训练时,将样本集划分为训练集、验证集和测试集,在训练集、验证集和测试集上分别基于滑动窗口机制生成观测-预测样本对,以观测窗口飞行数据对应的层级结构化特征张量为输入张量,以预测窗口内飞行数据作为真实值;

52、基于训练集对任务预测模型进行模型训练,并基于验证集对训练后模进行模型验证,并基于测试集对训练后模型进行模型测试,其中模型训练时,基于任务预测模型输出结果与真实值之间均方误差构建损失函数,通过损失函数最小化进行模型训练,模型测试时,以准确率、精确率、召回率和f1-score为指标对训练后任务预测模型进行评估。

53、第二方面,本发明一种基于层级关系表征的多视图飞行数据多任务预测系统,用于通过如第一方面任一项所述的一种基于层级关系表征的多视图飞行数据多任务预测方法进行飞行数据预测,所述系统包括数据处理模块、层级关系表征模块、模型构建模块、模型训练模块以及模型推理模块;

54、数据处理模块用于执行如下:获取原始飞行数据并进行预处理,通过预处理进行数据过滤、重采样和格式转换,生成预处理后数据,基于预处理后数据构建样本集,并基于滑动窗口机制生成观测-预测样本对,其中,飞行数据为包括多个变量的时序数据;

55、层级关系表征模块用于执行如下:对预处理后数据进行缩放归一化、数值嵌入、时序位置编码以及全局飞行进程嵌入,输出层级结构化特征张量;

56、模型构建模块用于执行如下:构建任务预测模型,所述任务预测模型包括多个层级堆叠的多视角飞行编码器以及位于末尾层多视角飞行编码器输出端的统一多任务预测头,初始层多视角飞行编码器连接于层级关系表征模块的输出端,每层多视角飞行编码器的输出端串联有一个对应的多视角融合模块组成编码块,每层多视角飞行编码器均包括并行的时序结构编码分支和通道自适应编码分支,通过时序结构编码分支对输入张量执行逐通道时序卷积和跨通道卷积,输出时序特征张量,通过通道自适应编码分支对输入张量进行通道维度的依赖关系建模、并对生成的加权特征张量执行通道独立多尺度变换与门控自适应选择,输出最终增强特征张量,通过多视角融合模块对时序结构编码分支与通道自适应编码分支的输出结果执行路径级残差融合、时序级残差融合与位置级残差融合三级残差融合,输出最终统一特征张量,所述统一多任务预测头以末尾层编码块输出的最终统一特征张量为输入张量,用于将所有变量在统一在纯回归框架下进行预测,计算并输出每个飞行变量的最终量化预测值;

57、模型训练模块用于执行如下:基于观测-预测样本对对任务预测模型进行模型训练,得到训练后任务预测模型;

58、模型推理模块用于执行如下:获取待分析飞行数据并进行预处理,通过预处理进行数据过滤、重采样和格式转换,生成预处理后数据,调用层级关系表征模块对预处理后数据进行缩放归一化、数值嵌入、时序位置编码以及全局飞行进程嵌入,输出层级结构化特征张量,以层级结构化特征张量为输入,通过训练后任务预测模型进行预测,输出每个变量的最终量化预测值。

59、本发明的基于层级关系表征的多视图飞行数据多任务预测方法及系统具有以下优点:

60、1、基于层级关系表征模块对预处理后的飞行数据进行缩放归一化、数值嵌入、时序位置编码以及全局飞行进程嵌入,能够稳定特征分布并协调异构数据;

61、2、构建包括时序结构编码分支和通道自适应编码分支的双分支多视图编码器,能够联合捕捉时序-结构特征与通道自适应特征,并采用统一的多任务回归建模策略,确保跨异构飞行变量的预测一致且物理连贯,在真实飞行数据上,在多个预测任务上实现准确度的显著提升,并具备良好的鲁棒性和对复杂飞行操作场景下专家分析与决策支持的实际应用价值。