(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211128473.0 (22)申请日 2022.09.16 (71)申请人 四川大学 地址 610065 四川省成 都市一环路南 一段 24号 (72)发明人 林毅　闫震　杨红雨　黄国新　 (74)专利代理 机构 四川力久律师事务所 512 21 专利代理师 任晓扬 (51)Int.Cl. G06F 40/30(2020.01) G06F 40/126(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/10(2012.01) G06Q 50/30(2012.01)G10L 15/16(2006.01) G10L 15/22(2006.01) (54)发明名称 一种基于管制意图表示的航空器轨迹补齐 方法 (57)摘要 本发明涉及空中交通管 理技术领域， 具体涉 及一种基于管制意图表示的航空器轨迹补齐方 法， 包括S1， 获取航空器的历史航行数据， 历史航 行数据包括管制指令话音、 飞行计划信息和轨迹 信息； S2， 利用语音识别模型提取管制指令话音 的管制意图信息； S3， 利用自编码器模型对管制 意图信息和飞行计划信息进行编码， 得到飞行意 图信息； S4， 利用轨迹信息和飞行意图信息以及 对应的标签构建训练数据集； S5， 将训练数据集 输入GRU神经网络进行训练， 得到训练好的轨迹 补齐模型； S6， 将新的航行数据输入训练好的轨 迹补齐模型进行轨迹补齐。 本发 明能够有效的提 取航行意图信息和航空器运动变化规律， 提高轨 迹预测精度。 权利要求书2页 说明书8页 附图4页 CN 115481638 A 2022.12.16 CN 115481638 A 1.一种基于管制意图表示的航空器轨 迹补齐方法， 其特 征在于， 包括以下步骤： S1， 获取航空器的历史航行数据， 所述历史航行数据包括管制指令话音、 飞行计划信息 和轨迹信息； S2， 利用语音识别模型提取 所述管制指令话音的管制意图信息； S3， 利用自编码器模型对所述管制意图信息和所述飞行计划信息进行编码， 得到飞行 意图信息； S4， 利用所述轨 迹信息和所述飞行意图信息以及对应的标签构建训练数据集； S5， 将所述训练数据集输入GRU神经网络进行训练， 得到训练好的轨 迹补齐模型； S6， 将新的航行 数据输入所述训练好的轨 迹补齐模型进行轨 迹补齐。 2.如权利要求1所述的一种基于管制意图表示的航空器轨迹补齐方法， 其特征在于， 步 骤S2中的语音识别模型为De ep Speech 2语音识别模型。 3.如权利要求2所述的一种基于管制意图表示的航空器轨迹补齐方法， 其特征在于， 步 骤S2中所述语音识别模型包括依次连接的卷积神经网络、 双向门控循环神经网络和全连接 神经层； 所述语音识别模型利用CTC函数作为损失函数。 4.如权利要求1所述的一种基于管制意图表示的航空器轨迹补齐方法， 其特征在于， 步 骤S3所述管制意图信息包括LVL爬升命令、 SPD调整速度命令和HDG调整高度命令； 所述 飞行 计划信息包括呼号、 机型、 航线信息、 起飞机场、 计划起飞时间、 预计飞行时间、 降落机场和 备降场。 5.如权利要求1所述的一种基于管制意图表示的航空器轨迹补齐方法， 其特征在于， 步 骤S3所述自编码器模型包括两个神经网络模块， 分别为编码器和解码器， 所述编码器的计 算公式为： h＝σ(W1x+b1) 所述解码器的计算公式为： x′＝σ(W2x+b2) 其中W1为编码器的神经网络参数， W2为解码器的神经网络参数， h为中间隐藏层输入， x 为输入特征， x ′为解码器输出特征， b1为编码器神经网络的偏置项， b2为解码器神经网络的 偏置项， σ 为激活函数。 6.如权利要求1所述的一种基于管制意图表示的航空器轨迹补齐方法， 其特征在于， 步 骤S4具体包括以下步骤： 数据预处理： 对于轨迹信息中的点迹数据进行随机删除； 被删除的点迹数据为需要补 齐的标签； 选择经度、 纬度、 高度、 速度、 航向和飞行阶段作为所述GRU神经网络的输入特 征； 对随机删除后剩余的点迹数据进行信息化描述， 构成轨 迹序列； 将所述轨迹序列和所述飞行意图信 息进行拼接， 拼接后的数据与所述标签构 成训练数 据集。 7.如权利要求1 ‑6任一项所述的一种基于管制意图表示的航空器轨迹补齐方法， 其特 征在于， 步骤S5中所述GRU神经网络的损失函数E为：权　利　要　求　书 1/2 页 2 CN 115481638 A 2其中y代表标签信息， 为模型补齐输出向量。 8.如权利要求7所述的一种基于管制意图表示的航空器轨迹补齐方法， 其特征在于， 步 骤S5中所述GRU神经网络的计算公式包括： rt＝σ(Wirxt+Whrht‑1) zt＝σ(Wizxt+Whzht‑1) ct＝tanh(Winxt+rt(Whn*ht‑1)) ht＝zt*ht‑1+(1‑zt)*nt 其中ht‑1是t时刻的隐藏状态， xt是t时刻的输入， rt、 zt、 nt分别是重置门、 更新门和计算 候选隐藏层， σ 表示si gmoid激活函数， tanh为一种幅度增大的si gmoid函数， Wiz为更新门的 系数矩阵， Wir为重置门的系数矩阵， Whr为t时刻重置门中ht‑1隐状态的系数矩阵， Whz为t时刻 更新门中ht‑1隐状态的系数矩阵， Win和Whn分别为t时刻中候选隐藏层中xt和ht‑1的系数矩 阵， ht是t时刻的隐藏状态， ct为计算过程中产生的背景向量。 9.如权利要求8所述的一种基于管制意图表示的航空器轨迹补齐方法， 其特征在于， 步 骤S5中， 应用注意力机制对于所述飞行意图信息进行提取， 注意力机制计算公式包括： eij＝a(xi,dj) 其中αij为参与计算的注意力系数向量； eij表示对于输入参数经计算后的元素级注意力 系数； xi为每个点迹信息， dj为飞行意图信息成员， ci表示在当前输入xi信息时， 注意力模块 提取的背景信息向量。 10.如权利要求9所述的一种基于管制意图表示的航空器轨迹补齐方法， 其特征在于， 步骤S5中， 当损失函数E不再 下降时， 则得到训练好的轨 迹补齐模型。权　利　要　求　书 2/2 页 3 CN 115481638 A 3