CN119443151A 一种基于图注意力混合神经网络的多航空器4d轨迹预测方法 （南京航空航天大学）

一种基于图注意力混合神经网络的多航空本发明公开了一种基于图注意力混合神经领域。利用Transformer和长短期记忆网络提取器隐含信息和航空器连接网络图通过图注意力网络进行建模，用于捕获航空器之间的交互信基于长短时记忆网络的解码器对航空器轨迹隐间交互信息的方法提高了飞行轨迹预测的准确2S4、基于预处理的轨迹数据对预测模型进行训2.根据权利要求1所述的一种基于图注意力混合神经网络的多航空器4D轨迹预测方3.根据权利要求1所述的一种基于图注意力混合神经网络的多航空器4D轨迹预测方表示航空器i在t时刻与上一个位置在三个维度上的变换4.根据权利要求1所述的一种基于图注意力混合神经网络的多航空器4D轨迹预测方个LSTM作为解码器将这些信息映射到未来航5.根据权利要求4所述的一种基于图注意力混合神经网络的多航空器4D轨迹预测方3(1)LSTM_GAT编码器：首先将航空器的历史轨迹信息嵌入到高纬度向量得到轨迹的高纬表示随后空域内每个航空器均通过同一个M_LSTM模块含信息将被输入到GAT网络得到考虑航空器之ggφ2全局深层特征，首先将航空器i的历史状态信息，通过轨迹编码嵌入得到嵌入向量将嵌入向量和位置编码矩阵PE相加得到位置编码后的结果PQK46.根据权利要求4所述的一种基于图注意力混合神经网络的多航空器4D轨迹预测方解码器用于生成未来轨迹序列，考虑到未来轨迹的具有很强的时序相LSTM分别对LSTM_GAT编码器和Transformer编码器输出的两个隐含信息进行解码，这两个7.根据权利要求4所述的一种基于图注意力混合神经网络的多航空器4D轨迹预测方将两个D_LSTM和T_LSTM的在每个时间段的输出在特征维度进行融合并通过一个线性层输出未来航迹的相对三维位置将相对位置转换为绝对位置得到轨迹预测结果5为线性层，将每个时间段的局部特征和全局特征拼接后输出相对轨迹位置的8.根据权利要求1所述的一种基于图注意力混合神经网络的多航空器4D轨迹预测方首先初始化网络模型，将处理好的训练数据输入模型后得到5i最小化数据集中所有航空器轨迹的损失函数之和训练所提出的图注意力混合神经网9.一种电子设备，包括存储器、处理器及存储在任意一项所述的基于图注意力混合神经网络的多航空器4D轨处理器执行时实现如权利要求1_8中任一项所述的基于图注意力混合神经网络的多航空器67[0025](1)LSTM_GAT编码器：将航空器的历史轨迹信息嵌入到高纬度向量得到轨迹的高纬表示随后空域内每个航空器均通过同一个LSTM(称为M_LSTM)模块提取轨迹时序隐含信息m;。所有航空器每个时间步的隐含信息将被输入到GAT网络得到考虑航空器之间空间交互的特征信息刚,每个时间步的空间特征信息将输入交互特征信息g;。最后对两个LSTM输出隐含信息进行融合得到t时刻的融合时间和空间特息的全局深层特征。首先将历史轨迹状态信息经过嵌入层得到嵌入向量并对其进行位[0028](1)D_LSTM解码器:利用一个LSTM层对LSTM_GAT编码器输出的隐含特征d;进行解[0029](2)T_LSTM解码器:利用一个LSTM层对Transformer编码器输出的隐含特征Ym进行8[0035](2)将处理好的训练数据输入所构建的预测模型，输出相对轨迹位置预测结果[0039](4)通过最小化一个数据集样本中所有航空器的损失函数之和来训练所提出的图[0043]1.采用图注意力网络在动态环境下捕捉飞机之间的交互，该结构相比Social_型学习到的信息是基于航空器的运动状态的，这样处理是为了在图注意力网络聚合特征9[0052]实施例：如图1所示，一种基于图注意力混合神经网络的多航空器4D轨迹预测方[0061]表示航空器i在t时刻与上一个位置在三个维度上的变换量。将[0065]其中Rr为航空器i在t到Tpred时间内的的未来轨迹位置；表示航空器i在t时量得到轨迹的高纬表示随后空域内每个航空器均通过同器每个时间步的隐含信息将被输入到GAT网络得到考虑航空器ggφ2(相对位置和速度分量)通过轨迹编码嵌入得到嵌入向量将嵌入[0088]由此我们可以得到，前馈网络层的输出和残差归一化的输出的轨迹隐含特征具有很强的时序相关性，采用两个LSTM分别对LSTM_GAT编码器和Transformer编码器输出预测结果Aya,将相对位置Aa转换为绝对位置并计算loss，选择的loss函数计算公[0101]