一种基于ADS-B的风场重建与预测系统

一种基于ads-b的风场重建与预测系统
技术领域
1.本发明属于航路监测和航空气象领域，尤其是涉及一种基于ads-b的风场重建与预测系统。


背景技术：

2.近年来，作为国际民航组织(icao)的重要成员，我国航空运输每年保持15％以上的发展速度，不管是飞机总数量、总飞行周转量、运输总人次都发展迅猛。由于我国和世界航空运输市场的发展，加快了包括监视、通信、导航及空中交通管理的新航行系统的建设。广播式自动相关监视(automatic dependent surveillance-broadcast，ads-b)是一种基于全球卫星定位系统和空-空、地-空数据链通信的航空器运行监视技术，飞机周期性广播由机载星基导航和定位系统生成的精准信息，地面设备和其它飞机通过数据链接收此信息，卫星系统、飞机以及地基系统通过数据链进行空天地一体化协同监视。ads-b技术的显著优势在于，其数据精度和更新率比一次雷达和二次雷达高，运行成本远低于二次雷达，适合于山区、荒漠、边远机场等不宜建设雷达的区域以及高密度机场的监视，因此，ads-b技术是未来监视系统的重要组成部分和发展方向。
3.在空中交通管理和气象研究中，将实时、高并发的飞机视作天气传感器已成为一种趋势。风是航空气象众多的影响因素中最常见且最危险的一种，相关研究显示，即使对于日常飞行，风也频繁地影响飞行轨迹和预计到达时间。因此，风场测量的精确性对航空气象研究尤为重要。然而，传统的风场探测技术应用于航空气象领域存在分辨率和实时性较低的问题。目前，每架飞机利用ads-b机载传感设备实时采样并发送位置数据和气象数据给地面接收站，具有很高的时空采样频率和数据更新率，且性价比很高。中国的ads-b相关研究主要集中在设备研究、航路监控应用研究，在基于ads-b的空域风场探测中仍处于起步阶段。因此，如何设计一种精确、低成本的ads-b风场重建与预测系统是亟需解决的技术问题。


技术实现要素：

4.有鉴于此，本发明旨在提出一种基于ads-b的风场重建与预测系统，以提高航空频繁增加期间民航空中交通管制部门对航迹规划、航班飞行任务规划的有效性。
5.为达到上述目的，本发明的技术方案是这样实现的：
6.一种基于ads-b的风场重建与预测系统，包括ads-b数据处理模块、气象粒子模型的风场重构模块和深度学习算法的风场预测模块；
7.所述ads-b数据处理模块，用于将地面站提取的ads-b数据进行解析，获得飞机飞行的经度、纬度、航班号、地速、几何高度等信息，通过解析后的信息识别飞机飞行状态、提取飞行数据，最后通过反演算法获得风矢量值，并将该数据作为气象粒子模型的风场重构模块中的观测风；
8.所述气象粒子模型的风场重构模块，模拟自然界中的气体粒子，当获得观测风时生成粒子并对粒子进行建模，粒子在空域内传播遵循随机过程，通过组合所有相邻粒子的
加权状态构建风场，并将结果用于深度学习算法的风场预测模块；
9.所述深度学习算法的风场预测模块，采用机器学习的方法预测空域风场信息，将空域划分成三维网格空间，网格内的风矢量由气象粒子模型重构后提供，将网格内风场数据分为三组，70％作为训练集，20％作为验证集，10％作为测试集。采用encoder-decoder形式的transorformer序列模型，通过序列模型挖掘输入序列中的信息，再通过decoder进行预测；
10.进一步的，所述ads-b数据处理模块包括解析ads-b数据模块、飞机状态识别模块、飞行数据提取模块和风矢量反演模块。
11.进一步的，所述解析ads-b数据模块，用于获取飞机飞行的经度、纬度、航班号、地速、几何高度等信息。
12.所述飞机状态识别模块，采用基于密度的聚类算法，从海量分散的数据中识别连续飞行航迹。使用分段线性插值的方法对漏点数据进行填补，然后对飞行状态进行识别，从而提取平稳飞行阶段的数据，存储到数据库中，为后续研究做准备；
13.所述飞行数据提取模块，提取一架飞机完整的飞行轨迹，便于对航线风矢量反演；
14.所述风矢量反演模块，对飞行数据提取模块所提取的飞行轨迹数据和风矢量的关系进行建模，接着利用相关算法进行反演，获得航线区域风矢量；
15.进一步的，所述气象粒子模型的风场重构模块，包括观测风取值模块、概率拒绝机制模块、产生风矢量粒子模块、粒子运动模型、粒子重构模型和风场置信模型。
16.进一步的，所述观测风取值模块，观测风取值来自ads-b数据处理模块的风矢量反演值。
17.所述概率拒绝机制模块，为减少ads-b解码的突发错误对风矢量反演值的影响，对于新的观测风将根据当前观测风的均值和方差构造概率密度函数，任何新的观测风都将依概率被接受；
18.所述产生风矢量粒子模块，模拟自然界中的气体粒子，对粒子进行建模，使粒子状态包括反演得到的观测风，当获得新的风测量值时首先生成粒子，并根据设定的参数化核函数随时间衰减；
19.所述粒子运动模型，粒子运动遵循考虑了实际风矢量的高斯随机游走模型，在每一步更新中，粒子年龄都会增加；
20.所述粒子重构模型，建立粒子运动模型后，在任何位置均可以利用周围的粒子来重构风信息。使用相邻粒子的加权状态组合来构造航线外周围区域的风信息；
21.所述风场置信模型，重建风场后，考虑目标位置相邻的粒子数、粒子和目标位置之间的平均距离、粒子承载状态的同质性、因衰减作用而产生的粒子强度等因素，建立置信模型，评估置信水平；
22.进一步的，所述深度学习算法的风场预测模块包括transformer序列模型预测风。
23.所述transformer序列模型预测未来风，将气象粒子模型重构得到风场数据分为三组，70％作为训练集，20％作为验证集，10％作为测试集。采用encoder-decoder形式的transorformer序列模型，通过序列模型挖掘输入序列中的信息，再通过decoder进行预测。
24.进一步的，所述系统实现过程如下：
25.步骤1、从地面接收站获取ads-b数据，经处理获得风矢量反演值；
26.步骤2、以步骤1的风矢量反演值作为观测风，根据气象粒子模型重构风场；
27.步骤3、将空域划分成三维网格空间，采用机器学习方法中的transformer序列模型预测空域风场信息。
28.相对于现有技术，本发明所述的一种基于ads-b的风场重建与预测系统具有以下优势：
29.(1)本发明把实时、高并发的加装ads-b机载端的民航飞机视作传感器，利用ads-b的广播功能，向地面设备和其他航空器广播飞机的位置、高度、速度、识别号等信息，实现全空域范围内、无距离限制的数据传输，为构建空域风场信息重构和预测平台提供重要的技术手段。此外，实时发送功能提高了气象重构和预测的效率，降低了空中交通事故发生的概率；
30.(2)本发明提出了气象粒子模型，重构精确的风场。气象粒子模型有效地处理了非均匀分布观测的混沌特性，解决了风通过粒子传播的随机性。并且使用大量气象粒子，确保了重构气象信息的稳定性。将气象粒子从飞机观测密度较高的区域传播到没有飞机观测的偏僻区域，实现偏僻区域的风场估计和重构，提高气象重构的效率和准确性；
31.(3)本发明以装有ads-b机载端的飞机的观测数据作为切入点建模，采用transformer序列模型，解决风场在空间和时间上的复杂非线性关联问题，提高全空域风场预测的准确性，进一步拓宽了transformer序列模型的应用领域。此外，可以将获取的全空域风场预测数据实时传输至全球航班跟踪系统，为民航空中交通管制部门提供实时气象预报，从而提高民航空中交通管制部门的运作效率，降低恶劣天气对民用航空运输的影响。
附图说明
32.构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
33.图1为本发明的系统组成模块图；
34.图2为本发明的系统模型功能图；
35.图3为本发明的系统实现过程。
具体实施方式
36.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
37.在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
38.在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相
连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
39.下面将参考附图并结合实施例来详细说明本发明。
40.如图1、2所示，本发明提供了一种基于ads-b的风场重建与预测系统，具体包括ads-b数据处理模块、气象粒子模型的风场重构模块和深度学习算法的风场预测模块。
41.具体的，ads-b数据处理模块，用于将地面站提取的ads-b数据进行解析，获得飞机飞行的经度、纬度、航班号、地速、几何高度等信息，通过解析后的信息识别飞机飞行状态、提取飞行数据，最后通过反演算法获得风矢量值，并将该数据作为气象粒子模型的风场重构模块中的观测风。
42.其中，ads-b数据处理模块包括解析ads-b数据模块、飞机状态识别模块、飞行数据提取模块和风矢量反演模块。解析ads-b数据模块，用于获取飞机飞行的经度、纬度、航班号、地速、几何高度等信息；飞机状态识别模块，采用基于密度的聚类算法，从海量分散的数据中识别连续飞行航迹，使用分段线性插值的方法对漏点数据进行填补，然后对飞行状态进行识别，从而提取平稳飞行阶段的数据，存储到数据库中，为后续研究做准备；飞行数据提取模块，提取一架飞机完整的飞行轨迹，便于对航线风矢量反演；风矢量反演模块，对所提取的飞行数据和风矢量的关系进行建模，接着利用相关算法进行反演，获得航线区域风矢量。
43.具体的，气象粒子模型的风场重构模块，模拟自然界中的气体粒子，当获得观测风时生成粒子并对粒子进行建模，粒子在空域内传播遵循随机过程，通过组合所有相邻粒子的加权状态构建风场，并将结果用于深度学习算法的风场预测模块。
44.其中，气象粒子模型的风场重构模块包括观测风取值模块、概率拒绝机制模块、产生风矢量粒子模块、粒子运动模型、粒子重构模型和风场置信模型。所述观测风取值模块，观测风取值来自ads-b数据处理模块的风矢量反演值；所述概率拒绝机制模块，为减少ads-b解码的突发错误对风矢量反演值的影响，对于新的观测风将根据当前观测风的均值和方差构造概率密度函数，任何新的观测风都将依概率被接受；所述产生风矢量粒子模块，模拟自然界中的气体粒子，对粒子进行建模，使粒子状态包括反演得到的观测风。当获得新的观测风时首先生成粒子，并根据设定的参数化核函数随时间衰减；所述粒子运动模型，粒子运动遵循考虑了实际风矢量的高斯随机游走模型，在每一步更新中，粒子年龄都会增加；所述粒子重构模型，建立粒子运动模型后，在任何位置均可以利用周围的粒子来重构风信息。使用相邻粒子的加权状态组合来构造航线外周围区域的风信息；所述风场置信模型，重建风场后，考虑目标位置相邻的粒子数、粒子和目标位置之间的平均距离、粒子承载状态的同质性、因衰减作用而产生的粒子强度等因素，建立置信模型，评估置信水平。
45.具体的，深度学习算法的风场预测模块，采用机器学习的方法预测空域风场信息。采用encoder-decoder形式的transorformer序列模型，通过序列模型挖掘输入序列中的信息，再通过decoder进行预测，预测标签包含风速与风向。
46.其中，深度学习算法的风场预测模块包括transformer序列模型预测风。所述transformer序列模型预测未来风，将空域划分成三维网格空间，网格内的风矢量由气象粒
子模型重构后提供，将网格内风场数据分为三组，70％作为训练集，20％作为验证集，10％作为测试集。采用encoder-decoder形式的transorformer序列模型，通过序列模型挖掘输入序列中的信息，再通过decoder进行预测。
47.本发明的一种基于ads-b的风场重建与预测系统实现过程如图3所示；
48.步骤1、从地面接收站获取ads-b数据，经处理获得风矢量反演值，其实现过程如下：
49.步骤1.1、ads-b系统的输出的报文格式主要的是asterix格式，我们选用的是cat021协议标准对其进行解码，获得飞机飞行数据，如经度、纬度、几何高度、地速等。
50.步骤1.2、基于密度的聚类算法，从海量数据中识别连续飞行航迹；其次，使用分段线性插值的方法处理并填补异常数据；然后，识别一条完整航迹的不同飞机状态特征。
51.步骤1.3、将航班视作风速和风向的间接型传感器，根据飞行数据与风矢量的关系建立数学模型。由于飞机在下降或爬升阶段的飞行轨迹角很小，飞机的速度分量在水平面上最大，因此可以忽略垂直分量，将速度模型简化为仅包含真空速(tas)、地面速度和水平面风速。在水平面上，地面速度矢量是风速矢量和空速矢量之和，表示为
[0052]vg
＝va vw[0053]
其中，vg为地面速度矢量；va为风速矢量；vw是真空速矢量。
[0054]
当没有风时，飞机将准确地沿着所需的航向角飞行，tas等于地面速度。当存在一定角度的风时，飞机将偏离预期或计划的轨迹，或实际飞行方向偏离航向角。对速度模型进行分解后，速度向量分解成南北分量和东西分量：
[0055]vax
＝v
gx-v
wx
[0056]vay
＝v
gy-v
wy
[0057]
其中，南北分量和东西分量分别用下标x和y表示。
[0058]
对其中地速分量进行拟合，得到下式：
[0059]
‖va‖2＝(v
gx-v
wx
)2 (v
gy-v
wy
)2[0060]
对上式进行变换得到损失函数：
[0061][0062]
其中，v
gxi
、v
gyi
表示第i个地速矢量的南北分量和东西分量。
[0063]
步骤1.4、求解上述损失函数可以获得东向风速和北向风速，即获得风速和风向的观测值：
[0064][0065][0066]
步骤2、以步骤1的风矢量反演值作为观测风，根据气象粒子模型重构风场。
[0067]
步骤2.1、对粒子进行建模，得到其测量阵列[x,y,z,v
wx
,v
wy
]，(x,y,z)为三维空间位置，(v
wx
,v
wy
)为观测风。
[0068]
步骤2.2、设计概率拒绝机制，计算来自同一垂直高度( /-500米)的粒子的风的平
均值和方差，对于每个新的观测风x：(v
wx
,v
wy
)(为方便书写(v
wx
,v
wy
)＝(u,v))构造基于此观测风的概率函数：
[0069][0070]
μ＝(μu，μv)
[0071][0072]
其中，表示风的东西分量的平均值和方差，表示风的南北分量的平均值和方差，为了有效消除突发误差率，增加参数k1，并将参数k1设置在2-4范围内。因此，接受概率为p的新的风观测量，可降低ads-b解码的突发误差率。
[0073]
步骤2.3、为扩展风场信息，采用随机游走模型。在观测位置周围生成n个携带风信息的粒子，每个粒子遵循不同的模型随时间传播和衰减。随机游走模型如下所示：
[0074][0075][0076]
其中，t表示当前时刻，(x
p，i，t
，y
p，i，t
，z
p，i，t
)则表示第i个粒子当前时刻的位置；t 1表示下一时刻，(x
p，i，t 1
，y
p，i，t 1
，z
p，i，t 1
)则表示下一时刻第i个粒子的位置。阶跃系数δp
t
在水平方向和垂直方向上是不同的，u
p
、v
p
是粒子携带的风矢量的水平分量和垂直分量。水平方向上，风分量以比例系数k2沿风向以较小偏差σ
p2
执行随机游走，k2可控制传播方向；其中，分别表示为每个粒子在三维位置坐标(x,y,z)各方向的方差，σ
pxy
为x、y方向位置的协方差。垂直方向上，粒子运动遵循零均值的高斯游走。
[0077]
在每次更新结束时，对粒子重新采样。首先，移除所有在水平和垂直边界之外运动的粒子。然后，根据下式计算的概率，按年龄对所有粒子进行采样。
[0078][0079]
其中，α代表粒子的年龄，σ
α
是控制参数。这种重新采样的方式会根据年龄维持系统中粒子的数量，使整个系统中的新粒子总是多于旧粒子。
[0080]
步骤2.4、建立粒子运动模型后，在任何位置均可以利用周围的粒子来重构风信息。使用相邻的p个粒子的加权状态组合来构建目标位置的风信息，原始位置(x,y,z)各方向的范围边界分别用加减xb、yb、zb表示。如果每个粒子的位置坐标(x
p
,y
p
,z
p
)满足下式，则说明粒子在(x,y,z)的边界内。
[0081]
x-xb≤x
p
≤x xb[0082]
y-yb≤y
p
≤y yb[0083]
z-zb≤z
p
≤z zb[0084]
然后，考虑粒子承载的风状态信息的加权和，利用下式计算位于(x,y,z)的风矢量：
[0085][0086]
其中，w
p
是根据两个核函数的乘积计算的每个粒子的权重，计算如下式所示：
[0087]wp
＝fd(d)
·
f0(d0)
[0088][0089][0090]
其中：fd(
·
)和f0(
·
)是不同的因子权重，分别取决于粒子当前位置到目标位置的距离d和到原始位置的距离d0。cd和c0是函数fd(
·
)和f0(
·
)的控制参数。
[0091]
步骤2.5、考虑目标位置相邻的粒子数(n)、粒子与目标位置之间的平均距离(d)、粒子承载状态的同质性(h)、因衰减作用而产生的粒子强度(s)等因素，建立置信模型，评估置信水平。
[0092]
∑＝cov(u
p
，v
p
)
[0093][0094]
其中，λ
max
为矩阵的最大特征值，u
p
、v
p
为计算区域内的风的状态。
[0095]
从粒子的产生开始，粒子的年龄α随粒子的每一步运动过程而增加。由于每次更新需要根据年龄进行采样，所以粒子强度s表示为平均粒子年龄的倒数，如下式所示：
[0096][0097]
四个置信因素的值的范围是不同的。因此，进行归一化处理，如下式所示。将四个置信因素的值归一化在(0，1)范围内。
[0098][0099]
在任何给定时间，所有气象网格点的置信向量用n、d、h和s表示。组合置信度，如下式所示：
[0100]cw
＝mean{s(n)，s(d)，s(hw)，s(s)}
[0101]
步骤3、将空域划分成三维网格空间，采用机器学习方法中的transformer序列模型预测空域风场信息。
[0102]
步骤3.1、将所得的风场数据分为三组，70％作为训练集，20％作为验证集，10％作为测试集。
[0103]
步骤3.2、采用encoder-decoder形式的transorformer序列模型，通过序列模型挖掘输入序列中的信息，再通过decoder进行预测，预测标签包含风速与风向。
[0104]
步骤3.3、损失函数为平均绝对误差(mae)。在训练阶段，直接预测风向会存在问题，因为0与1代表着相同的意义，模型在遇到风向为0/1的情况时预测为它们的均值0.5，导致误差。这里我们通过将风向、角度转化为风向在垂直方向上的分量，来避免直接预测风向，同时可以避免拟合风向带来的问题。
[0105][0106]
其中n为所有预测的数据量，v
ture
为风场真实值，v
pred
为风场预测值。
[0107]
步骤3.4、优化函数为adam,选择adam优化函数使模型更好的进行拟合，使损失函数不断减小。
[0108]
步骤3.5、将风场预测数据实时传输至全球航班跟踪系统，在全球航班追踪系统上实现航班追踪信息与全球气象信息可视化。
[0109]
本发明使用基于ads-b的风场重建与预测系统对航班飞行航线风矢量和航线外风场进行重建的可行性进行验证，在预测风场后，实时设计民航飞机航迹规划，重新规划符合空中交通管制规则的航路航线，从而提高民用航空空域的安全性。
[0110]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。