一种强对流天气下飞机安全航迹规划方法与流程

1.本发明涉及飞机航迹规划领域，尤其涉及一种强对流天气下飞机安全航迹规划方法。


背景技术：

2.近年来，随着我国航空业的快速发展，航空事故不断增多，航空安全成为重中之重。由于飞行速度快、飞行距离长和气候瞬息万变等因素，飞机在飞行过程中要经受各种复杂多变的天气的影响。随着飞机性能不断提高，带来了“全天候”飞行问题，如何确保飞机在遭遇复杂天气时仍然能够安全飞行是亟需解决的问题。
3.虽然我国航空管制人员有着极强的专业素养和职业技能，但面对复杂的空中交通情况，在遇到强对流等恶劣天气下，航空管制人员仍然要在极大压力下快速做出合理而安全的抉择。但是，由于考虑到的影响因素不够全面或影响因素变化极快等原因的影响，航空管制人员人工做出的各种抉择依然存在很大的风险。


技术实现要素：

4.本发明的目的是提供一种强对流天气下飞机安全航迹规划方法，能够在实时动态变化的强对流天气环境下，快速规划飞机安全航迹，确保飞行安全，提高飞行效率。
5.本发明采用下述技术方案：
6.一种强对流天气下飞机安全航迹规划方法，依次包括以下步骤：
7.a：使用网格法建立三维空域模型，三维空域模型中的x轴、y轴和z轴分别表示经度、纬度和高度；
8.b：将三维空域模型按照设定的长度划分为若干大小相同的立方体，将每一个立方体视为一个网格，然后对划分出的所有网格依次进行编号；
9.c：获取气象数据并对气象数据进行垂直累积液态水含量计算，然后根据垂直累积液态水含量的计算结果由低到高将强对流天气划分为6个恶劣天气等级；
10.d：初始化蚁群算法中搜索路径的参数，利用蚁群算法在建立的三维空域模型内寻找全局最优路径，所得到的全局最优路径即为强对流天气下飞机的安全航迹；在使用蚁群算法时，利用不同坐标位置处的恶劣天气等级计算蚂蚁的转移概率，并在每个蚁群搜索周期结束后更新网格的信息素浓度；
11.其中，参数包括网格中蚂蚁的初始个数m、周期的最优蚂蚁序号k、网格序号s、当前蚂蚁坐标g(x,y,z)、启发式因子η、信息素挥发系数ρ、路径上对应网格的信息素浓度τ、蚂蚁禁忌表tabu以及起始点和目标点所在的网格；
12.网格序号s和当前蚂蚁坐标g(x,y,z)的映射关系由下列公式确定：
[0013][0014]
x
i
＝(s
i
‑
z
i
*n
x
*n
y
‑
1)％n
x
1
[0015]
y
i
＝(s
i
‑
z
i
*n
x
*n
y
‑
1)％n
y
1
[0016]
其中，z
i
表示第i个航迹点所在的高度，i表示当前航迹点的编号，s
i
表示第i个航迹点所在的网格序号，n
x
表示三维空域模型中在x轴方向上的网格总数，n
y
表示在y轴方向上的网格总数，x
i
表示第i个航迹点所在的经度，(s
i
‑
z
i
*n
x
*n
y
‑
1)％n
x
表示(s
i
‑
z
i
*n
x
*n
y
‑
1)对n
x
取余，其中％为取余符号，y
i
表示第i个航迹点所在的纬度。
[0017]
所述的步骤b中，对划分出的每一个网格，以三维空域模型坐标原点所在的网格开始，先在x轴方向上按照经度坐标由小至大的顺序，再在y轴方向上按照纬度坐标由小至大的顺序，最后在z轴方向上按照高度坐标由小至大的顺序，依次对所有的网格进行编号，分别为定义为网格1，网格2，
……
，网格m。
[0018]
所述的步骤c中，当垂直累积液态水含量数值范围为(5,20]dbz时，为第1等级；当垂直累积液态水含量数值范围为(20,35]dbz时，为第2等级；当垂直累积液态水含量数值范围为(35,45]dbz时，为第3等级；当垂直累积液态水含量数值范围为(45,50]dbz时，为第4等级；当垂直累积液态水含量数值范围为(50,65]dbz时，为第5等级；当垂直累积液态水含量数值范围为(65,70]dbz时，为第6等级。
[0019]
所述的步骤d包括以下具体步骤：
[0020]
d1：初始化蚁群算法中搜索路径的参数；
[0021]
将网格中蚂蚁的初始个数设置为m，将周期的最优蚂蚁序号设置为k，k＝1，2，3，
…
，m，网格序号分别网格1至网格m，当前蚂蚁的坐标为g(x,y,z)，x,y和z分别表示经度、纬度和高度；启发式因子为η，信息素挥发系数为ρ，路径上对应网格的信息素浓度为τ，设置蚂蚁禁忌表tabu，设置起始点网格和目标点网格，起始点网格为飞机的初始位置所在网格，目标点网格为飞机航线目的地位置所在网格；初始的信息素浓度τ由正态分布公式生成的正态分布概率密度函数确定，以航线为中心向两边呈高斯分布：
[0022]
正态分布公式为：
[0023]
其中，f(x)为正态分布概率密度函数，ψ为平衡系数，π为圆周率，σ为标准差，exp()函数为以e为底数的指数函数，x为航线的经度坐标，μ为均值；
[0024]
d2：利用蚁群算法在建立的三维空域模型内寻找全局最优路径；
[0025]
在第一个蚁群搜索周期内：
[0026]
第一步：以飞机所在初始位置的经度、纬度和高度坐标确定该飞机在x轴、y轴和z轴上的位置并作为起始点；然后通过转移概率公式，分别计算起始点网格内m只蚂蚁中的每一只蚂蚁到各个网格的转移概率，再根据计算出的转移概率结果中的最大值确定该最大值所对应的q1只蚂蚁及q1只蚂蚁各自所对应的下一个航迹点，再将所确定的q1只蚂蚁所在的网格(此时为起始点所在网格)放入禁忌表tabu内并对禁忌表tabu进行更新，最后将所确定的q1只蚂蚁分别移动至各自所对应的下一个航迹点，q1为自然数且q1<m；
[0027]
转移概率计算公式如下：
[0028]
[0029]
其中，表示蚂蚁k在t时刻从航迹点i到j的航段(i,j)上剩余的信息素浓度，i<j；τ
ij
(t)表示t时刻航迹点i到j的航段(i,j)上的剩余信息素的浓度，α表示表示蚂蚁在运动过程中积累的信息素对蚂蚁路径选择的相对重要性，λ
ij
(t)表示t时刻随着恶劣天气等级的变化航迹点i到j所对应航段(i,j)路径被选择的概率，u
ij
(t)表示t时刻航迹点i到j所在网格处的恶劣天气的气象因子，u
ij
(t)＝{1，2，3，4，5，6}；表示避免天气阻塞触发因素对蚂蚁路径选择的相对重要性；η
ij
(t)表示t时刻航迹点i到j的航段(i,j)上的飞行可见度的启发式函数，ε
ij
(t)表示t时刻航迹点i到j的航段(i,j)上的飞机方向变化因子，ε
ij
(t)的取值范围为(0,1)，ε
ij
(t)＝1表示飞机处于机动转弯飞行；β表示飞行方向选择对蚂蚁路径选择的相对重要性，τ
is
(t)表示t时刻航迹点i到网格s的路径上的信息素浓度，h
is
(t)表示t时刻航迹点i到网格s的高度，λ
is
(t)表示t时刻随着恶劣天气等级的变化航迹点i到网格s被选择的概率，η
is
(t)表示t时刻航迹点i到网格s的飞行可见度的启发式函数，s∈allowedroutes表示所选取的网格s在可允许路线的集合中选取，allowed
k
表示下一次蚂蚁k可以选择的网格的集合，allowed
k
＝{1，2，
…
，c}，c表示自然数；
[0030]
第二步：对已经移动至下一个航迹点的q1只蚂蚁，利用转移概率公式，计算每只蚂蚁到所有不在禁忌表tabu内的网格的转移概率，再根据计算出的转移概率结果中的最大值确定该最大值所对应的q2只蚂蚁及q2只蚂蚁各自所对应的下一个航迹点，再将所确定的q2只蚂蚁当前所在的网格(此时为q2只蚂蚁各自当前所在网格)放入禁忌表tabu内并对禁忌表tabu进行更新，最后将所确定的q2只蚂蚁分别移动至所对应的下一个航迹点；q2为自然数且q2<q1；
[0031]
第三步：对已经移动至下一个航迹点的q2只蚂蚁，利用转移概率公式，计算每只蚂蚁到所有不在禁忌表tabu内的网格的转移概率，再根据计算出的转移概率结果中的最大值确定该最大值所对应的q3只蚂蚁及q3只蚂蚁各自所对应的下一个航迹点，再将所确定的q3只蚂蚁当前所在的网格(此时为q3只蚂蚁各自当前所在网格)放入禁忌表tabu内并对禁忌表tabu进行更新，最后将所确定的q3只蚂蚁分别移动至所对应的下一个航迹点；q3为自然数且q3<q2；
[0032]
重复执行第三步，并在每次重复执行后，判断是否有蚂蚁已经到达目标点网格；
[0033]
如果有蚂蚁已经到达目标点网格，则结束该蚁群搜索周期，将已到达目标点网格的一只或多只蚂蚁所途径的网格作为该蚁群搜索周期的最优路径，并将已到达目标点网格的唯一一只蚂蚁或多只蚂蚁中的任意一只作为该蚁群搜索周期的最优蚂蚁k；如果没有蚂蚁到达目标点网格，则继续重复执行第三步，直至有蚂蚁到达目标点网格；
[0034]
第四步：根据信息素浓度变化公式增强该蚁群搜索周期的最优路径上的网格即蚂蚁k所途径的网格的信息素浓度，并减弱其他路径上的网格的信息素浓度；
[0035]
信息素浓度变化计算公式如下所示：
[0036]
[0037][0038][0039]
其中，表示蚂蚁k在t到t d时刻在航段(i,j)上留下的信息素浓度，d为自然数，ρ是信息素挥发系数，表示蚂蚁k在t到t d时刻在航段(i,j)上留下的信息素浓度增量，的信息素浓度增量，表示蚂蚁k在t时刻在航段(i,j)上留下的信息素浓度，q是信息素常数；l
k
表示蚂蚁k在该蚁群搜索周期内经过的飞行路线的长度和恶劣天气的气象因子的和，l
k
表示蚂蚁k在该蚁群搜索周期内完成的飞行路线的长度；表示蚂蚁k在t到t d时刻沿飞行路线机动转弯的飞机方向变化因子的总和，计算公式为：表示蚂蚁k在t到t d时刻在飞行变化过程中遇到的恶劣天气的气象因子的总和，计算公式为：
[0040]
第五步：保留变化后的最优路径和其他路径上的网格的信息素浓度，并在新的信息素浓度下重复执行第一步至第四步，直至完成第二个蚁群搜索周期内的最优路径搜索，得到第二个蚁群搜索周期下的最优路径和最优蚂蚁；
[0041]
第六步：重复执行第五步，并在每次重复执行后，判断迭代次数是否到达设定的最大迭代次数；
[0042]
若未达到设定的最大迭代次数，则继续执行第五步进行迭代；若达到设定的最大迭代次数，则根据每一个蚁群搜索周期的最优路径，分别求取该最优路径上所有相邻两个网格中航迹点的直线距离之和，作为该蚁群搜索周期的最优路径长度；
[0043]
第七步：根据得到的每一个蚁群搜索周期的最优路径长度，以数值最小的最优路径长度作为全局最优路径长度，并将该数值最小的最优路径长度所对应的最优路径作为全局最优路径。
[0044]
所述的步骤d2中，使用改进后的转移概率公式，选择转移概率的最高值确定对应只蚂蚁及蚂蚁各自所对应的下一个航迹点；改进后的转移概率公式如下：
[0045][0046]
其中，ω为方向选择优先级参数，0<ω<1。
[0047]
所述的方向选择优先级参数ω可以通过三维神经网络训练得到；训练方法如下：
[0048]
a：从原始航迹数据和原始气象数据中分别读取航迹数据和雷达回波数据，并将航迹数据和雷达回波数据连接起来，生成三维神经网络训练数据集，并将三维神经网络训练数据集划分为多组训练输入数据；
[0049]
b：建立包含子网络a和子网络b的三维神经网络模型；
[0050]
其中，子网络a的结构从上至下依次为:子网络a第一循环数据特征提取层、子网络
a第一最大池化层、子网络a第二循环数据特征提取层、子网络a第二最大池化层、子网络a第三循环数据特征提取层、子网络a第三最大池化层、子网络a第四循环数据特征提取层、子网络a第四最大池化层、子网络a第五循环数据特征提取层和dropout层；
[0051]
子网络a第一循环数据特征提取层至子网络a第五循环数据特征提取层的卷积核大小均为3，卷积步长均为1，卷积核通道数依次为64、128、256、512和1024；
[0052]
子网络b的结构从上至下依次为：子网络b第一单次数据特征提取层，子网络b第一数据特征平均融合层，子网络b第一循环数据特征提取层，子网络b第二数据单次特征提取层，子网络b第二数据特征平均融合层，子网络b第二循环数据特征提取层，子网络b第三单次数据特征提取层，子网络b第三数据特征平均融合层，子网络b第三循环数据特征提取层，子网络b第四单次数据特征提取层，子网络b第四数据特征平均融合层和子网络b第四循环数据特征提取层和子网络b第五单次数据特征提取层；
[0053]
子网络b第一单次数据特征提取层至子网络b第五单次数据特征提取层的卷积核大小均为3，卷积步长均为1，卷积核通道数依次为1024、512、256、128、64；子网络b第一循环数据特征提取层至子网络b第四循环数据特征提取层的卷积核大小均为3，卷积步长均为1，卷积核通道数依次为1024、512、256、128。
[0054]
c：利用步骤a中生成的三维神经网络训练数据集，对步骤b中构建的三维神经网络模型进行训练，最终得到训练后的三维神经网络；
[0055]
d：按照步骤a的方法，将当前雷达回波数据和当前航迹点数据输入到训练后的三维神经网络，预测出下一时刻飞机飞行到达的航迹点所在的网格的方向选择优先级参数ω的值，从而确定下一时刻飞机选择的最优飞行方向。
[0056]
所述的步骤a包括以下具体步骤：
[0057]
a1：首先，对多个原始航迹数据依次进行采集，采集时将航迹数据中的经度、维度和高度分别作为一个维度存入三维矩阵中；然后对多个原始多普勒雷达数据中的雷达回波数据依次进行采集，采集时将雷达回波数据中的高度、距离和方位角分别作为一个维度存入三维矩阵中；再利用concat方法将相同时间段的航迹数据和雷达回波数据连接起来，按照采集顺序分别将连接后的三维矩阵以对应的原始航迹数据的名称存储为txt文本，作为预处理后的航迹和对应的雷达回波数据；每个原始航迹数据的名称均包含航迹数据和对应的雷达回波数据的记录时间；
[0058]
a2：依据名称中存储的航迹数据和对应的雷达回波数据的记录时间，分别计算预处理后的航迹数据和对应的雷达回波数据中相邻两个航迹和对应的雷达回波数据的时间差，若相邻两个航迹和对应的雷达回波数据的时间差大于设定的时间差阈值t，则判定这两个相邻的航迹和对应的雷达回波数据中存在航迹数据缺失，然后按照插值填补法对缺失的航迹和对应的雷达回波数据进行填补，最终得到三维神经网络的训练数据集；
[0059]
a3：将步骤a2中得到的三维神经网络的训练数据集中，以相邻的n个航迹和对应的雷达回波数据作为一组输入数据，将三维神经网络的训练数据集划分为多组训练输入数据。
[0060]
所述的步骤b中：
[0061]
子网络a和子网络b中的单次数据特征提取层，均以待进行单次特征提取的输入数据作为输入，利用数据特征提取模块对航迹和对应的雷达回波数据进行单次特征提取，然
后将提取得到的经单次特征提取后的特征矩阵进行输出；数据特征提取模块从上至下依次为三维卷积操作、三维批归一化操作和relu激活函数；
[0062]
单次特征提取时数据特征提取模块的输入输出关系为：
[0063][0064]
其中，input1
n
表示待进行单次特征提取的三维神经网络的训练数据集中的第n组训练输入数据，output1
n
表示经单次特征提取后的特征矩阵中的第n组输出数据，kernel表示卷积核大小，padding表示填充值，step表示卷积运算的步长；n为自然数；
[0065]
循环数据特征提取层，首先以待进行循环特征提取的输入数据作为输入，利用数据特征提取模块对多普勒雷达回波数据进行一次特征提取，然后将经一次特征提取后得到的特征矩阵进行输出；然后再以经一次特征提取后得到的特征矩阵作为输入，再次利用数据特征提取模块对多普勒雷达回波数据进行二次特征提取，最终将经循环特征提取后得到的特征矩阵进行输出；
[0066]
一次特征提取时数据特征提取模块的输入输出关系为：
[0067][0068]
二次特征提取时数据特征提取模块的输入输出关系为：
[0069][0070]
其中，input2
n
表示待进行循环特征提取的三维神经网络的训练数据集中的第n组训练输入数据，output2
n
表示经一次特征提取后的特征矩阵中的第n组输出数据，output3
n
表示经循环特征提取后的特征矩阵中的第n组输出数据；
[0071]
所述的步骤b中：在使用子网络b中的数据特征平均融合层对两个待融合的特征矩阵进行融合时：
[0072]
首先，对两个待融合的特征矩阵进行处理，将两个特征矩阵中的雷达回波数据中特征值小于零的特征点的特征值全部替换为零，以简化融合过程中的计算步骤，提高神经网络的运行速度。
[0073]
然后，若两个特征矩阵的相应位置的特征值均为零，则融合后的上采样矩阵该位置的特征值还为零；
[0074]
若两个特征矩阵的相应位置的特征值中，一个特征矩阵的特征值是零，另一个特征矩阵的特征值非零，则融合后的上采样矩阵的该位置的特征值采用对应的非零特征值；
[0075]
若两个特征矩阵的相应位置的特征值都是非零，则融合之后的上采样矩阵的特征值为两个非零特征值的平均数。
[0076]
所述的步骤c中：
[0077]
在三维神经网络进行训练时，子网络a第一循环数据特征提取层，对所输入的数据进行循环特征提取得到特征矩阵a1，并将输出的特征矩阵a1输入至子网络a第一最大池化层中；然后由子网络a第一最大池化层对特征矩阵a1进行降维操作以减少特征矩阵中特征值为零或小于零的特征点个数，并将得到的降维后的特征矩阵a2输入至子网络a第二循环数据特征提取层；
[0078]
然后，按照子网络a第一循环数据特征提取层和子网络a第一最大池化层的相同操作，由子网络a逐层对上一层得到的特征矩阵进行特征提取和降维操作，最后由子网络a第五循环数据特征提取层将经过五次特征提取后的特征数据输入至dropout层，由dropout层进行正则化操作；最终，将由dropout层输出的特征矩阵a10输入至子网络b第一单次数据特征提取层；
[0079]
子网络b第一单次数据特征提取层对输入的特征矩阵a10进行单次特征提取，然后将输出的特征矩阵b1输入至子网络b第一数据特征平均融合层；子网络b第一数据特征平均融合层将子网络b第一单次数据特征提取层输出的特征矩阵b1和子网络a第一循环数据特征提取层输出的特征矩阵a1进行融合，并将融合后的特征矩阵b2输入至子网络b的第一循环特征提取层，子网络b的第一循环特征提取层对融合后的特征矩阵进行循环特征提取后输出特征矩阵b3，然后将特征矩阵b3输入至子网络b的第二数据单次特征提取层；再由子网络b的第二数据单次特征提取层对对输入的特征矩阵b3进行单次特征提取，然后将输出的特征矩阵b4输入至子网络b第二数据单次特征提取层；
[0080]
然后，按照子网络b第一单次数据特征提取层、子网络b第一数据特征平均融合层和子网络b第一循环数据特征提取层的相同操作，逐层对输入的特征矩阵进行特征提取，最后由第五单次数据特征提取层输出最终生成的特征矩阵；
[0081]
按照上述方法对三维神经网络进行训练，最终得到训练后的三维神经网络。
[0082]
本发明通过模拟蚂蚁基于信息素的交流方式，为了避免算法前期的盲目性，提高搜索速度，本方法设置全局信息素矩阵，实行初始信息素浓度差异化分布；另一方面通过自动参数获取来动态的选择最优飞行方向来增强算法的灵活性和解的多样性，以此来选择一条在安全条件下的最短飞行路径。动态的航迹规划算法具有分布式并行机制、信息素正反馈系统、鲁棒性等优点，能够很好地适应对流天气下实时动态变化的环境，快速规划飞行变化路线，保证性能参数稳定的飞机能够在短时间内完成复飞任务。
附图说明
[0083]
图1为本发明的流程示意图；
[0084]
图2为本发明中三维空域模型划分为若干网格的编号示意图。
具体实施方式
[0085]
以下结合附图和实施例对本发明作以详细的描述：
[0086]
如图1和图2所示，本发明所述的强对流天气下飞机安全航迹规划方法，包括以下步骤：
[0087]
a：使用网格法建立三维空域模型，三维空域模型中的x轴、y轴和z轴分别表示经度、纬度和高度；
[0088]
利用三维空域模型，不仅能够准确表达飞机飞行线路，同时还能够根据强对流天气影响范围对三维空域模型中对应坐标处进行标记，便于在三维空域模型中，结合飞机航线和所标记的受强对流天气影响的空间，规划飞机安全航迹，使得该安全航迹既可以规避恶劣天气的影响又能够满足相关的约束条件，确保飞行的安全性。
[0089]
本发明中，飞机航线是指飞机飞行前已设定的飞行标准路线，飞机航迹是指飞机
沿航线实际飞行时的轨迹。由于飞机在航行中，会受到各种因素的影响和干扰而产生航行误差，因此将飞机的实际飞行轨迹称为航迹。
[0090]
b：将三维空域模型按照设定的长度划分为若干大小相同的立方体，将每一个立方体视为一个网格，然后对划分出的所有网格依次进行编号；
[0091]
本发明中，对划分出的每一个网格，以三维空域模型坐标原点所在的网格开始，先在x轴方向上按照经度坐标由小至大的顺序，再在y轴方向上按照纬度坐标由小至大的顺序，最后在z轴方向上按照高度坐标由小至大的顺序，依次对所有的网格进行编号，分别为定义为网格1，网格2，
……
，网格m；其中，n
x
表示三维空域模型中在x轴方向上的网格总数，n
y
表示在y轴方向上的网格总数，n
z
表示在z轴方向上的网格总数；
[0092]
本实施例中，立方体的长度和宽度设定为同样的长度。
[0093]
例如，三维空域模型共划分出27个大小相同的网格(如图2所示)，那么位于最下层的9个网格中，按照x轴方向上经度坐标由小至大及y轴方向上纬度坐标由小至大的顺序，依次为网格1至网格9；同理，按照与最下层相同的编号规则，位于中间层的9个网格依次为网格10至网格18；位于最上层的9个网格依次为网格19至网格27。
[0094]
c：获取气象数据并对气象数据进行垂直累积液态水含量计算，然后根据垂直累积液态水含量的计算结果由低到高将强对流天气划分为6个恶劣天气等级。
[0095]
本发明中，气象数据采用多普勒雷达数据中的雷达回波数据，雷达回波数据中包含反射率因子数据，垂直累积液态水含量数值可通过反射率因子数据转换得到，属于本领域常规技术，在此不再赘述。
[0096]
当垂直累积液态水含量数值范围为(5,20]dbz时，为第1等级；当垂直累积液态水含量数值范围为(20,35]dbz时，为第2等级；当垂直累积液态水含量数值范围为(35,45]dbz时，为第3等级；当垂直累积液态水含量数值范围为(45,50]dbz时，为第4等级；当垂直累积液态水含量数值范围为(50,65]dbz时，为第5等级；当垂直累积液态水含量数值范围为(65,70]dbz时，为第6等级。
[0097]
其中，第1等级的强对流天气对飞机安全飞行不会造成影响，因此设定为直接穿越天气级别；第2至第4等级的强对流天气可能会对飞机安全飞行造成一定影响，但可根据当地强对流天气的具体状况进行选择性穿越，因此设定为选择性穿越天气级别；第5和第6等级的强对流天气会对飞机安全飞行造成严重影响，属于不可穿越的飞行限制区，飞机不能穿越与飞行限制区相交或重叠的区域，因此设定为不可穿越天气级别。
[0098]
本发明中，在利用垂直累积液态水含量对气象数据进行区域数值化后，可以在三维空域模型内对强对流天气影响范围进行标注，使三维空域模型能够跟随预测的天气状况同步更新变化，比人工描述约束区域边界的方法更加准确。
[0099]
d：初始化蚁群算法中搜索路径的参数，利用蚁群算法在建立的三维空域模型内寻找全局最优路径，所得到的全局最优路径即为强对流天气下飞机的安全航迹；在使用蚁群算法时，利用不同坐标位置处的恶劣天气等级计算蚂蚁的转移概率，并在每个蚁群搜索周期结束后更新网格的信息素浓度；
[0100]
其中，参数包括网格中蚂蚁的初始个数m、周期的最优蚂蚁序号k、网格序号s、当前蚂蚁坐标g(x,y,z)、启发式因子η、信息素挥发系数ρ、路径上对应网格的信息素浓度τ、蚂蚁禁忌表tabu以及起始点和目标点所在的网格；
[0101]
网格序号s和当前蚂蚁坐标g(x,y,z)的映射关系由下列公式确定：
[0102][0103]
x
i
＝(s
i
‑
z
i
*n
x
*n
y
‑
1)％n
x
1
[0104]
y
i
＝(s
i
‑
z
i
*n
x
*n
y
‑
1)％n
y
1
[0105]
其中，z
i
表示第i个航迹点所在的高度，i表示当前航迹点的编号，s
i
表示第i个航迹点所在的网格序号，n
x
表示三维空域模型中在x轴方向上的网格总数，n
y
表示在y轴方向上的网格总数，x
i
表示第i个航迹点所在的经度，(s
i
‑
z
i
*n
x
*n
y
‑
1)％n
x
表示(s
i
‑
z
i
*n
x
*n
y
‑
1)对n
x
取余，其中％为取余符号，y
i
表示第i个航迹点所在的纬度。
[0106]
所述的步骤d包括以下具体步骤：
[0107]
d1：初始化蚁群算法中搜索路径的参数；
[0108]
将网格中蚂蚁的初始个数设置为m，将周期的最优蚂蚁序号设置为k，k＝1，2，3，
…
，m，网格序号分别网格1至网格m，当前蚂蚁的坐标为g(x,y,z)，x,y和z分别表示经度、纬度和高度；启发式因子为η，信息素挥发系数为ρ，路径上对应网格的信息素浓度为τ，设置蚂蚁禁忌表tabu，设置起始点网格和目标点网格，起始点网格为飞机的初始位置所在网格，目标点网格为飞机航线目的地位置所在网格；
[0109]
传统的蚁群算法虽然能够求出全局最优路径作为强对流天气下飞机的安全航迹，但是由于传统的蚁群算法中每条路径上的初始信息素浓度相等，将会导致蚂蚁盲目搜索路径从而造成搜索效率较低。为了减少蚂蚁盲目搜索路径、提高蚂蚁搜索效率和收敛速度并减少迭代次数，本发明中，初始信息素浓度由正态分布公式生成的正态分布概率密度函数确定，初始信息素浓度以航线为中心向两边呈高斯分布。
[0110]
正态分布公式为：
[0111][0112]
其中，f(x)为正态分布概率密度函数，ψ为平衡系数，π为圆周率，σ为标准差，等于尺度参数，决定了信息素浓度分布的幅度，exp()函数为以e为底数的指数函数，x为随机变量，本发明中为飞机航线在x轴的坐标值，即航线的经度坐标，μ为均值，等于位置参数，决定了信息素浓度分布的位置。
[0113]
d2：利用蚁群算法在建立的三维空域模型内寻找全局最优路径；
[0114]
在第一个蚁群搜索周期内：
[0115]
第一步：以飞机所在初始位置的经度、纬度和高度坐标确定该飞机在x轴、y轴和z轴上的位置并作为起始点；然后通过转移概率公式，分别计算起始点网格内m只蚂蚁中的每一只蚂蚁到各个网格的转移概率，再根据计算出的转移概率结果中的最大值确定该最大值所对应的q1只蚂蚁及q1只蚂蚁各自所对应的下一个航迹点，再将所确定的q1只蚂蚁所在的网格(此时为起始点所在网格)放入禁忌表tabu内并对禁忌表tabu进行更新，最后将所确定的q1只蚂蚁分别移动至各自所对应的下一个航迹点，q1为自然数且q1<m。
[0116]
转移概率计算公式如下：
[0117][0118]
其中，表示蚂蚁k在t时刻从航迹点i到j的航段(i,j)上剩余的信息素浓度，i<j；τ
ij
(t)表示t时刻航迹点i到j的航段(i,j)上的剩余信息素的浓度，α表示表示蚂蚁在运动过程中积累的信息素对蚂蚁路径选择的相对重要性，λ
ij
(t)表示t时刻随着恶劣天气等级的变化航迹点i到j所对应航段(i,j)路径被选择的概率，u
ij
(t)表示t时刻航迹点i到j所在网格处的恶劣天气的气象因子，u
ij
(t)＝{1，2，3，4，5，6}，t时刻航迹点i到j所在网格的恶劣天气的等级越高则u
ij
(t)越高，那么t时刻航迹点i到j所对应航段(i,j)路径被选择的概率λ
ij
(t)就越小；表示避免天气阻塞触发因素对蚂蚁路径选择的相对重要性；η
ij
(t)表示t时刻航迹点i到j的航段(i,j)上的飞行可见度的启发式函数，ε
ij
(t)表示t时刻航迹点i到j的航段(i,j)上的飞机方向变化因子，ε
ij
(t)的取值范围为(0,1)，以防止飞行轨迹总是保持上一时刻的方向，ε
ij
(t)＝1表示飞机处于机动转弯飞行；β表示飞行方向选择对蚂蚁路径选择的相对重要性，τ
is
(t)表示t时刻航迹点i到网格s的路径上的信息素浓度，h
is
(t)表示t时刻航迹点i到网格s的高度，λ
is
(t)表示t时刻随着恶劣天气等级的变化航迹点i到网格s被选择的概率，η
is
(t)表示t时刻航迹点i到网格s的飞行可见度的启发式函数，s∈allowedroutes表示所选取的网格s在可允许路线的集合(即不在禁忌表tabu中的所有网格形成的集合)中选取，allowed
k
表示下一次蚂蚁k可以选择的网格(即不在禁忌表tabu中的网格)的集合，allowed
k
＝{1，2，
…
，c}，c表示自然数。
[0119]
现有的转移概率公式，虽然能够满足蚁群算法的需求，但是可能会在循环搜索过程中陷入局部最优的问题，从而导致算法陷入僵局，无法快速得到全局最优路径。为了避免循环搜索陷入局部最优，提高算法效率；本发明中，在现有的转移概率公式内引入方向选择优先级参数ω，0<ω<1，方向选择优先级参数ω用于实现当前最优方向的选取，方向选择优先级参数ω可以通过三维神经网络训练得到。
[0120]
改进后的转移概率公式如下：
[0121][0122]
利用增加了方向选择优先级参数ω的转移概率公式，选择转移概率最高的网格作为蚂蚁的下一个航迹点。
[0123]
本发明中，将方向选择参数ω作为权重，通过三维神经网络学习到的方向选择优先级参数ω值越大那么计算出来的转移概率就越大，表示该网格被选择的可能性就越大。当下一个网格即飞机飞行方向确定后，飞机以当前航迹点所在出发，向左、右或向上偏转45
°
飞行进入下一个航迹点所在网格。
[0124]
第二步：对已经移动至下一个航迹点的q1只蚂蚁，利用转移概率公式，计算每只蚂蚁到所有不在禁忌表tabu内的网格的转移概率，再根据计算出的转移概率结果中的最大值确定该最大值所对应的q2只蚂蚁及q2只蚂蚁各自所对应的下一个航迹点，再将所确定的q2只蚂蚁当前所在的网格(此时为q2只蚂蚁各自当前所在网格)放入禁忌表tabu内并对禁忌表tabu进行更新，最后将所确定的q2只蚂蚁分别移动至所对应的下一个航迹点；q2为自然数且q2<q1；
[0125]
第三步：对已经移动至下一个航迹点的q2只蚂蚁，利用转移概率公式，计算每只蚂蚁到所有不在禁忌表tabu内的网格的转移概率，再根据计算出的转移概率结果中的最大值确定该最大值所对应的q3只蚂蚁及q3只蚂蚁各自所对应的下一个航迹点，再将所确定的q3只蚂蚁当前所在的网格(此时为q3只蚂蚁各自当前所在网格)放入禁忌表tabu内并对禁忌表tabu进行更新，最后将所确定的q3只蚂蚁分别移动至所对应的下一个航迹点；q3为自然数且q3<q2；
[0126]
重复执行第三步，并在每次重复执行后，判断是否有蚂蚁已经到达目标点网格；
[0127]
如果有蚂蚁已经到达目标点网格，则结束该蚁群搜索周期，将已到达目标点网格的一只或多只蚂蚁所途径的网格作为该蚁群搜索周期的最优路径，并将已到达目标点网格的唯一一只蚂蚁或多只蚂蚁中的任意一只作为该蚁群搜索周期的最优蚂蚁k；
[0128]
如果没有蚂蚁到达目标点网格，则继续重复执行第三步，直至有蚂蚁到达目标点网格；
[0129]
由于多只蚂蚁可能通过同一条最优路径达到目标点网格，故可能有多只蚂蚁同时到达目标点网格。
[0130]
第四步：根据信息素浓度变化公式增强该蚁群搜索周期的最优路径上的网格即蚂蚁k所途径的网格的信息素浓度，并减弱其他路径上的网格的信息素浓度，以加快算法的收敛速度。
[0131]
信息素浓度变化计算公式如下所示：
[0132][0133][0134][0135]
其中，表示蚂蚁k在t到t d时刻在航段(i,j)上留下的信息素浓度，d为自然数，ρ是信息素挥发系数，表示蚂蚁k在t到t d时刻在航段(i,j)上留下的信息素浓度增量，信息素浓度增量，表示蚂蚁k在t时刻在航段(i,j)上留下的信息素浓度，q是信息素常数；l
k
表示蚂蚁k在该蚁群搜索周期内经过的飞行路线的长度和恶劣天气的气象因子的和，l
k
表示蚂蚁k在该蚁群搜索周期内完成的飞行路线的长度；表示蚂蚁k在t到t d时刻沿飞行路线机动转弯的飞机方向变化因子的总和，计算公式为：
表示蚂蚁k在t到t d时刻在飞行变化过程中遇到的恶劣天气的气象因子的总和，计算公式为：
[0136]
第五步：保留变化后的最优路径和其他路径上的网格的信息素浓度，并在新的信息素浓度下重复执行第一步至第四步，直至完成第二个蚁群搜索周期内的最优路径搜索，得到第二个蚁群搜索周期下的最优路径和最优蚂蚁；
[0137]
第六步：重复执行第五步，并在每次重复执行后，判断迭代次数(即蚁群搜索周期)是否到达设定的最大迭代次数(即最大蚁群搜索周期)；
[0138]
若未达到设定的最大迭代次数，则继续执行第五步进行迭代；
[0139]
若达到设定的最大迭代次数，则根据每一个蚁群搜索周期的最优路径，分别求取该最优路径上所有相邻两个网格中航迹点的直线距离之和，作为该蚁群搜索周期的最优路径长度；
[0140]
例如：从起始网格开始，每一个航迹点所在的网格到目标网格，依次为网格1、网格2、
…
、网格v。
[0141]
网格1与网格2中两个航迹点之间的直线距离为l
1,2
，网格2与网格3中两个航迹点之间的直线距离为l
2,3
，以此类推，网格v
‑
1与网格v中两个航迹点之间的直线距离为l
v
‑
1,v
，则该蚁群搜索周期的最优路径长度为l
1,2
l
2,3

……
l
v
‑
1,v
；
[0142]
第七步：根据得到的每一个蚁群搜索周期的最优路径长度，以数值最小的最优路径长度作为全局最优路径长度，并将该数值最小的最优路径长度所对应的最优路径作为全局最优路径。
[0143]
本发明中，方向选择优先级参数ω的训练方法如下：
[0144]
a：从原始航迹数据和原始气象数据中分别读取航迹数据和雷达回波数据，并将航迹数据和雷达回波数据连接起来，生成三维神经网络训练数据集，并将三维神经网络训练数据集划分为多组训练输入数据；
[0145]
步骤a包括以下具体步骤：
[0146]
a1：首先，对多个原始航迹数据依次进行采集，采集时将航迹数据中的经度、维度和高度分别作为一个维度存入三维矩阵中；然后对多个原始多普勒雷达数据中的雷达回波数据依次进行采集，采集时将雷达回波数据中的高度、距离和方位角分别作为一个维度存入三维矩阵中；再利用concat方法将相同时间段的航迹数据和雷达回波数据连接起来，按照采集顺序分别将连接后的三维矩阵以对应的原始航迹数据的名称存储为txt文本，作为预处理后的航迹和对应的雷达回波数据；每个原始航迹数据的名称均包含航迹数据和对应的雷达回波数据的记录时间；
[0147]
其中，concat方法为现有的用于连接两个或多个数组的方法，在此不再赘述。concat方法不会改变现有的数组，而仅仅会返回一个新的数组。
[0148]
a2：依据名称中存储的航迹数据和对应的雷达回波数据的记录时间，分别计算预处理后的航迹数据和对应的雷达回波数据中相邻两个航迹和对应的雷达回波数据的时间差，若相邻两个航迹和对应的雷达回波数据的时间差大于设定的时间差阈值t，则判定这两个相邻的航迹和对应的雷达回波数据中存在航迹数据缺失，然后按照插值填补法对缺失的航迹和对应的雷达回波数据进行填补，最终得到三维神经网络的训练数据集；
[0149]
插值填补法将计算出的缺失值的前一个值和后一个值的平均数作为缺失值，是对数据缺失的一种常规操作手法，在此不再赘述。
[0150]
a3：将步骤a2中得到的三维神经网络的训练数据集中，以相邻的n个航迹和对应的雷达回波数据作为一组输入数据，将三维神经网络的训练数据集划分为多组训练输入数据。
[0151]
b：建立包含子网络a和子网络b的三维神经网络模型；
[0152]
其中，子网络a的结构从上至下依次为:子网络a第一循环数据特征提取层、子网络a第一最大池化层、子网络a第二循环数据特征提取层、子网络a第二最大池化层、子网络a第三循环数据特征提取层、子网络a第三最大池化层、子网络a第四循环数据特征提取层、子网络a第四最大池化层、子网络a第五循环数据特征提取层和dropout层；
[0153]
子网络a第一循环数据特征提取层至子网络a第五循环数据特征提取层的卷积核大小均为3，卷积步长均为1，卷积核通道数依次为64、128、256、512和1024；
[0154]
子网络b的结构从上至下依次为：子网络b第一单次数据特征提取层，子网络b第一数据特征平均融合层，子网络b第一循环数据特征提取层，子网络b第二数据单次特征提取层，子网络b第二数据特征平均融合层，子网络b第二循环数据特征提取层，子网络b第三单次数据特征提取层，子网络b第三数据特征平均融合层，子网络b第三循环数据特征提取层，子网络b第四单次数据特征提取层，子网络b第四数据特征平均融合层和子网络b第四循环数据特征提取层和子网络b第五单次数据特征提取层；
[0155]
子网络b第一单次数据特征提取层至子网络b第五单次数据特征提取层的卷积核大小均为3，卷积步长均为1，卷积核通道数依次为1024、512、256、128、64；子网络b第一循环数据特征提取层至子网络b第四循环数据特征提取层的卷积核大小均为3，卷积步长均为1，卷积核通道数依次为1024、512、256、128；
[0156]
本发明中，子网络a和子网络b中的单次数据特征提取层，均以待进行单次特征提取的输入数据作为输入，利用数据特征提取模块对航迹和对应的雷达回波数据进行单次特征提取，然后将提取得到的经单次特征提取后的特征矩阵进行输出；
[0157]
单次特征提取时数据特征提取模块的输入输出关系为：
[0158][0159]
其中，input1
n
表示待进行单次特征提取的三维神经网络的训练数据集中的第n组训练输入数据，output1
n
表示经单次特征提取后的特征矩阵中的第n组输出数据，kernel表示卷积核大小，padding表示填充值，step表示卷积运算的步长；n为自然数；
[0160]
由于航迹和对应的雷达回波数据的时间相关性和空间相关性都比较高，仅简单的对数据进行单次特征提取还不足以对其进行准确预测。因此，本发明中还增设有循环特征提取步骤，不仅可以对其历史数据进行拟合，提高预测准确度，还能避免长短时记忆网络等循环神经网络在训练过程中的不稳定性。
[0161]
循环数据特征提取层，首先以待进行循环特征提取的输入数据作为输入，利用数据特征提取模块对多普勒雷达回波数据进行一次特征提取，然后将经一次特征提取后得到的特征矩阵进行输出；然后再以经一次特征提取后得到的特征矩阵作为输入，再次利用数据特征提取模块对多普勒雷达回波数据进行二次特征提取，最终将经循环特征提取后得到
的特征矩阵进行输出；
[0162]
一次特征提取时数据特征提取模块的输入输出关系为：
[0163][0164]
二次特征提取时数据特征提取模块的输入输出关系为：
[0165][0166]
其中，input2
n
表示待进行循环特征提取的三维神经网络的训练数据集中的第n组训练输入数据，output2
n
表示经一次特征提取后的特征矩阵中的第n组输出数据，output3
n
表示经循环特征提取后的特征矩阵中的第n组输出数据；
[0167]
本实施例中，数据特征提取模块从上至下依次为三维卷积操作、三维批归一化操作和relu激活函数。数据特征提取模块用于提取输入数据中的特征，不仅可以解决训练过程中的梯度耗散问题，加快训练速度，还能使得每次提取的特征更具有代表性，增强了三维神经网络模型的泛化性，使训练结果更稳定。
[0168]
本发明中，子网络a在训练时，对输入数据进行降采样，使输入数据中的特征矩阵大小逐步减小；子网络b在训练时，对输入数据进行上采样，使输入数据中的特征矩阵大小逐步增大至与输入数据相同大小。由于在降采样的过程中，数据的参数是逐步减少且不会随着上采样的过程而增加，为了保证神经网络学到更多的特征参数，改善上采样时信息不足的问题,本发明中增设有数据特征平均融合模块，在融合过程中特征矩阵的通道数不变，只改变矩阵的值，这样既不会增加神经网络训练过程中对内存的消耗，又能保证神经网络学到更多的特征参数。通过构建数据特征平均融合模块将子网络a和子网络b中对应层特征进行覆盖融合；即将子网络b中每一层单次数据特征提取层提取后的特征矩阵与a网络中对应的循环数据特征提取层提取后的特征矩阵相融合，再输入子网络b中相同层的循环数据特征提取层。
[0169]
在使用子网络b中的数据特征平均融合层对两个待融合的特征矩阵进行融合时：
[0170]
首先，对两个待融合的特征矩阵进行处理，将两个特征矩阵中的雷达回波数据中特征值小于零的特征点的特征值全部替换为零，以简化融合过程中的计算步骤，提高神经网络的运行速度。
[0171]
然后，若两个特征矩阵的相应位置的特征值均为零，则融合后的上采样矩阵该位置的特征值还为零；
[0172]
若两个特征矩阵的相应位置的特征值中，一个特征矩阵的特征值是零，另一个特征矩阵的特征值非零，则融合后的上采样矩阵的该位置的特征值采用对应的非零特征值；
[0173]
若两个特征矩阵的相应位置的特征值都是非零，则融合之后的上采样矩阵的特征值为两个非零特征值的平均数；
[0174]
本实施例中，设矩阵a和矩阵b分别代表子网络a输出的降采样特征矩阵和子网络b输出的上采样特征矩阵，a[i,j,k]表示在矩阵a中坐标为(i,j,k)的点，b[i,j,k]表示在矩阵b中坐标为(i,j,k)的点，在将矩阵a融合到矩阵b中时：
[0175]
若a[i,j,k]位置的数据为0，b[i,j,k]位置的数据为0，则融合之后的b[i,j,k]位置的数据为0；
[0176]
若a[i,j,k]位置的数据为x1，b[i,j,k]位置的数据为0，则融合之后的b[i,j,k]位置的数据为x1；
[0177]
若a[i,j,k]位置的数据为0，b[i,j,k]位置的数据为x1，则融合之后的b[i,j,k]位置的数据为x1；
[0178]
若a[i,j,k]位置的数据为x1，b[i,j,k]位置的数据为x2，则融合之后的b[i,j,k]位置的数据为
[0179]
c：利用步骤a中生成的三维神经网络训练数据集，对步骤b中构建的三维神经网络模型进行训练，最终得到训练后的三维神经网络。
[0180]
本发明中，在三维神经网络进行训练时，子网络a第一循环数据特征提取层，对所输入的数据进行循环特征提取得到特征矩阵a1，并将输出的特征矩阵a1输入至子网络a第一最大池化层中；然后由子网络a第一最大池化层对特征矩阵a1进行降维操作以减少特征矩阵中特征值为零或小于零的特征点个数，从而使得到的特征更加精确，并将得到的降维后的特征矩阵a2输入至子网络a第二循环数据特征提取层；
[0181]
然后，按照子网络a第一循环数据特征提取层和子网络a第一最大池化层的相同操作，由子网络a逐层对上一层得到的特征矩阵进行特征提取和降维操作，最后由子网络a第五循环数据特征提取层将经过五次特征提取后的特征数据输入至dropout层，由dropout层进行正则化操作；最终，将由dropout层输出的特征矩阵a10输入至子网络b第一单次数据特征提取层；
[0182]
子网络b第一单次数据特征提取层对输入的特征矩阵a10进行单次特征提取，然后将输出的特征矩阵b1输入至子网络b第一数据特征平均融合层；子网络b第一数据特征平均融合层将子网络b第一单次数据特征提取层输出的特征矩阵b1和子网络a第一循环数据特征提取层输出的特征矩阵a1进行融合，并将融合后的特征矩阵b2输入至子网络b的第一循环特征提取层，子网络b的第一循环特征提取层对融合后的特征矩阵进行循环特征提取后输出特征矩阵b3，然后将特征矩阵b3输入至子网络b的第二数据单次特征提取层；再由子网络b的第二数据单次特征提取层对对输入的特征矩阵b3进行单次特征提取，然后将输出的特征矩阵b4输入至子网络b第二数据单次特征提取层；
[0183]
然后，按照子网络b第一单次数据特征提取层、子网络b第一数据特征平均融合层和子网络b第一循环数据特征提取层的相同操作，逐层对输入的特征矩阵进行特征提取，最后由第五单次数据特征提取层输出最终生成的特征矩阵；
[0184]
按照上述方法对三维神经网络进行训练，最终得到训练后的三维神经网络。
[0185]
d：按照步骤a的方法，将当前雷达回波数据和当前航迹点数据输入到训练后的三维神经网络，预测出下一时刻飞机飞行到达的航迹点所在的网格的方向选择优先级参数ω的值，从而确定下一时刻飞机选择的最优飞行方向。