一种基于运动模式原型记忆增强与残差门控记忆网络的航空器轨迹预测方法及系统

本发明涉及航空交通管理、机场场面运行监测、轨迹预测和智能交通，尤其是涉及一种基于运动模式原型记忆增强与残差门控记忆网络的航空器轨迹预测方法及系统。

背景技术：

1、机场场面航空器轨迹预测是智能机场场面管理、滑行路径规划、运行态势感知和运行风险识别的重要基础。随着机场运行密度提高，航空器在滑行道、跑道入口、等待点和交叉口附近的运行状态更加复杂，准确预测航空器未来位置有助于辅助场面交通监控和运行决策。

2、现有机场场面轨迹预测方法通常基于历史位置、速度或航向等时序信息进行建模。一类方法采用传统滤波或机器学习模型对航空器未来位置进行外推；另一类方法采用循环神经网络、注意力网络、图神经网络或长序列建模网络学习轨迹演化规律。上述方法能够在一定程度上捕获历史轨迹与未来轨迹之间的关系，但在机场场面连续坐标轨迹预测场景中仍存在以下问题：

3、第一，机场场面航空器运动具有明显的运动状态分布不均衡特征。航空器在大部分时间内处于直线滑行或等待状态，而转弯、交叉口通过和其他局部高曲率机动片段相对较少。若直接采用普通滑动窗口构造训练样本，模型训练过程容易被数量占优的直线滑行样本主导，从而弱化对转弯机动轨迹的学习能力。

4、第二，ads-b轨迹数据通常以经纬度坐标和速度分量形式记录，不同机场区域或不同滑行路径之间的绝对坐标偏移较大。若直接将原始经纬度坐标输入模型，容易引入坐标尺度不一致问题，使模型过度关注绝对地理位置而非局部运动变化。

5、第三，现有连续轨迹预测模型通常直接对位置、速度等连续特征进行线性映射或叠加固定位置编码，缺少依据当前局部轨迹运动形态从可学习运动模式集合中动态匹配并注入相应模式信息的机制。在转弯、减速等局部非线性机动阶段，不同轨迹片段虽然可能具有相似的运动形态，但普通特征映射难以形成稳定的模式级表征，从而影响模型对局部机动变化的识别和预测能力。

6、第四，长序列预测模型有利于保持长期轨迹连续性，但在转弯、减速或局部机动变化处可能存在响应滞后。特别是在连续坐标回归任务中，若采用纯乘法门控或缺少残差保留路径，可能造成特征传输衰减，影响局部机动轨迹的预测精度。

7、公开号为cn121459644a的发明公开了融合时空特征与运动约束的航空器滑行轨迹智能预测方法，利用长短期记忆网络提取轨迹时序特征，采用图注意力网络建模管制路径的空间拓扑关系，通过特征融合层实现异构信息有效整合；提出了融合位置、速度、加速度的多组件损失函数，约束预测轨迹的连续性和平滑性；设计了轻量级数据增强策略和自适应残差连接机制，提升模型泛化能力并缓解长期预测误差累积。但是该方案无法处理运动状态样本不均衡以及连续坐标尺度不一致的问题，预测精度较低。

8、因此，需要一种面向机场场面航空器连续坐标轨迹预测的技术方案，能够同时处理运动状态样本不均衡、连续坐标尺度不一致以及长期轨迹一致性与局部机动敏感性之间的矛盾。

技术实现思路

1、本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于运动模式原型记忆增强与残差门控记忆网络的航空器轨迹预测方法及系统，以解决现有技术中普通滑动窗口训练样本容易被直线滑行状态主导、原始经纬度输入存在尺度不一致、长序列模型在局部转弯机动处预测滞后以及纯乘法门控可能导致连续坐标特征衰减的问题。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于运动模式原型记忆增强与残差门控记忆网络的航空器轨迹预测方法，包括：

4、获取待预测航空器历史轨迹并进行预处理；将预处理后的数据输入预训练的预测模型，得到航空器的未来连续坐标轨迹；所述预测模型的训练过程包括：

5、获取历史机场场面航空器轨迹数据并进行预处理，得到航空器轨迹序列；基于预设观测窗口长度和预设预测窗口长度，从所述航空器轨迹序列中构造候选轨迹样本；所述候选轨迹样本包括历史观测窗口和对应的未来预测窗口；

6、获取历史观测窗口中航空器轨迹的速度分量，并构建运动学感知训练样本集；进一步构建坐标一致化输入序列；对所述坐标一致化输入序列进行特征提取，并利用可学习运动模式原型记忆矩阵对提取的特征进行匹配和增强，得到运动模式增强特征序列；

7、将所述运动模式增强特征序列输入残差门控记忆网络，结合持久记忆信息和上下文记忆信息生成记忆条件响应；基于所述记忆条件响应，生成中间隐藏状态；进一步获取记忆读出结果，并对所述中间隐藏状态进行调制；将调制结果与所述中间隐藏状态相加，得到残差门控输出；进一步获取高维特征；基于所述高维特征进行预测并对所述残差门控记忆网络的参数进行更新，直至训练收敛，得到训练好的预测模型。

8、进一步的，残差门控记忆网络基于当前时刻输入特征、持久记忆信息和上下文记忆信息生成所述记忆条件响应；将所述当前时刻输入特征和记忆条件响应相加，得到所述中间隐藏状态；所述中间隐藏状态表示为：

9、

10、

11、其中，为中间隐藏状态，为记忆条件响应，为当前时刻输入特征，表示归一化操作，表示持久记忆信息，表示上下文记忆信息，attn(·)表示注意力交互函数。

12、进一步的，基于所述记忆读出结果对所述中间隐藏状态进行调制；将调制结果与所述中间隐藏状态相加，得到残差门控输出；进一步获取所述高维特征，对应的获取表达式为：

13、

14、

15、

16、

17、其中，为高维特征，为前馈网络，σ(·)表示sigmoid激活函数，⊙表示逐元素乘法，为记忆更新后的记忆读出结果，表示归一化操作，为残差门控输出；u(⋅)表示神经记忆更新操作，r(⋅)表示神经记忆读取操作，st-1和st分别表示更新前和更新后的神经记忆状态。

18、进一步的，基于所述航空器轨迹的速度分量计算速度模长和累计航向角变化量，并将候选轨迹样本划分为等待状态、直线滑行状态和转弯状态，得到所述运动学感知训练样本集；同时分别设置对应的滑动步长和样本保留概率，对所述候选轨迹样本执行差异化滑动采样和概率保留；当历史观测窗口内的最大速度模长小于预设速度阈值时，将对应候选轨迹样本划分为等待状态；当历史观测窗口内的最大速度模长大于或等于所述预设速度阈值，且掩蔽后的累计航向角变化量大于预设转向阈值时，将对应候选轨迹样本划分为转弯状态；将其余候选轨迹样本划分为直线滑行状态。

19、进一步的，对所述运动学感知训练样本集的历史观测窗口执行锚点相对坐标转换和速度尺度变换，得到所述坐标一致化输入序列；进一步进行特征提取，并利用运动模式原型记忆增强模块对提取的特征进行匹配和增强，得到所述运动模式增强特征序列，对应的匹配和增强表达式包括：

20、

21、

22、

23、其中，为运动模式增强特征序列，为基础隐藏表示，表示输入时刻特征与运动模式原型之间的匹配分布，wu和wm为可学习投影矩阵，为隐藏特征维度，wb为可学习投影矩阵，mpattern为可学习运动模式原型记忆矩阵，为可学习输出投影矩阵，为坐标一致化输入序列，表示函数。

24、进一步的，锚点相对坐标转换对应的转换表达式为：

25、

26、

27、其中，为锚点相对坐标转换后的位置坐标，为参考位置，为参考位置的经度分量，为参考位置的纬度分量，为t时刻的位置坐标，为位置尺度变换因子；

28、所述速度尺度变换对应的变换表达式包括：

29、

30、其中，为速度尺度变换后的速度分量，为速度尺度变换因子，为速度分量。

31、进一步的，根据所述历史观测窗口中各时刻的经向速度分量和纬向速度分量计算经角度环绕修正后的相邻时刻航向角变化量，对应的计算公式包括：

32、

33、其中，为经角度环绕修正后的相邻时刻航向角变化量，、分别表示t时刻、t-1时刻的航向角。

34、进一步的，根据所述历史观测窗口中各时刻的经向速度分量和纬向速度分量计算速度模长、航向角以及经角度环绕修正的相邻时刻航向角变化量；并对低于预设的速度阈值的航向角变化量进行掩蔽，得到掩蔽后的累计航向角变化量；所述掩蔽后的累计航向角变化量表示为：

35、，t = 2, …, w

36、其中，γi表示第i个历史观测窗口的累计航向角变化量，st表示第t时刻速度模长，τs表示预设速度阈值，i(·)表示指示函数，w表示历史观测窗口长度，为经角度环绕修正后的相邻时刻航向角变化量。

37、进一步的，基于所述高维特征进行预测，对应的预测过程包括：对每一观测时刻的所述高维特征执行仿射映射，得到对应的未来多步预测向量；再对所有观测时刻的未来多步预测向量进行时间维度聚合；将聚合后的预测向量重塑为未来预测窗口长度与输出坐标维度对应的矩阵，得到未来多步连续坐标轨迹预测结果；进一步计算损失函数并对所述残差门控记忆网络的参数进行更新，直至训练收敛，得到训练好的预测模型。

38、本发明还提供一种基于运动模式原型记忆增强与残差门控记忆网络的航空器轨迹预测系统，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上的方法的步骤。

39、与现有技术相比，本发明具有以下优点：

40、（1）本发明通过引入可学习运动模式原型记忆矩阵，对坐标一致化输入序列中提取的特征进行匹配与增强，能够增强局部机动模式表征；进一步将构建的运动模式增强特征序列输入残差门控记忆网络，结合持久记忆信息和上下文记忆信息生成记忆条件响应，使得网络能够将当前运动状态与长期持久记忆与短期上下文信息融合，从而能够利用持久记忆和上下文记忆保持长时序轨迹一致性；进一步通过利用记忆读出结果对中间隐藏状态进行调制，并将调制结果与中间隐藏状态相加，得到残差门控输出，在利用记忆读出结果调制隐藏状态的同时保留了原始隐藏状态，降低了纯乘法门控导致的信息衰减风险，从而使得最终训练出的预测模型在长时域轨迹预测中具备更强的鲁棒性和准确性；运动模式原型记忆增强用于增强局部机动模式表征，神经记忆网络用于建模长时序演化关系，从而实现局部运动模式增强与长期轨迹记忆建模的串联协同。

41、（2）本发明通过计算速度模长和累计航向角变化量，将候选轨迹样本划分为等待、直线滑行和转弯三种状态并分别设置对应的滑动步长和样本保留概率，对候选轨迹样本执行差异化滑动采样和概率保留，能够降低静止及直线运动样本的重复采样密度并提高转弯相关样本的有效采样密度，从而缓解机场场面轨迹中直线滑行样本占优导致的转弯机动样本学习不足问题；利用低速掩蔽后的累计航向角变化量识别转弯状态，能够降低等待或低速滑行状态下速度方向抖动对转弯判别的干扰，从而有效缓解了机场场面数据中直线滑行样本占主导、转弯等关键机动样本稀疏导致的模型偏向性问题；从而保证了模型对转弯、等待等非常规机动预测的准确性。

42、（3）本发明在神经记忆预测骨干之前设置运动模式原型记忆增强模块，通过构建包括多个可学习运动模式原型的记忆矩阵，并计算连续轨迹隐藏特征与各运动模式原型之间的匹配权重，根据匹配结果动态聚合相应运动模式表示并注入基础隐藏特征，使模型能够在进入长期神经记忆建模之前显式增强与当前局部运动状态相匹配的机动模式信息。相较于直接使用原始连续坐标特征或固定位置编码，该方式能够根据轨迹自身运动形态生成自适应模式增强表示，从而提高对转弯、减速等局部非线性运动模式的表征能力；所述运动模式增强特征进一步与动态神经长期记忆及残差门控交互协同工作，以兼顾局部机动敏感性和长时序轨迹一致性。