本發(fā)明屬于軌跡預(yù)測(cè)，具體涉及一種基于多注意協(xié)同網(wǎng)絡(luò)的多維變量場(chǎng)景下飛行器軌跡預(yù)測(cè)方法。

背景技術(shù)：

1、仿真實(shí)體是構(gòu)成分布式仿真系統(tǒng)的基本功能單元，分布式仿真的主要目的是在參試的仿真實(shí)體間構(gòu)建出一個(gè)真實(shí)、感知一致的虛擬環(huán)境。當(dāng)試驗(yàn)中的某一實(shí)體狀態(tài)發(fā)生變化或者是在虛擬環(huán)境中的位置發(fā)生變化時(shí)，所有的參試實(shí)體能夠及時(shí)的發(fā)現(xiàn)實(shí)體狀態(tài)的更新。然而由于網(wǎng)絡(luò)通信容量限制以及信息傳輸?shù)牟淮_定延遲，往往導(dǎo)致不同仿真實(shí)體對(duì)同一實(shí)體狀態(tài)更新的觀測(cè)不能達(dá)到一致，從而導(dǎo)致了分布式仿真過(guò)程中的時(shí)空不一致問(wèn)題。隨著分布式仿真系統(tǒng)向著規(guī)模大、實(shí)體多、地域廣、結(jié)構(gòu)異、時(shí)間長(zhǎng)的方向發(fā)展，仿真過(guò)程表現(xiàn)的細(xì)致程度也越來(lái)越高，分布式仿真系統(tǒng)中的時(shí)空不一致問(wèn)題更加突出。大規(guī)模分布式仿真系統(tǒng)對(duì)于時(shí)空一致性有著很高的要求，時(shí)空不一致的存在會(huì)導(dǎo)致仿真實(shí)體間認(rèn)知的不一致，產(chǎn)生因果顛倒，理解歧異等不良影響，破壞仿真的真實(shí)感和有效性，影響仿真結(jié)果的可信度。

2、為了解決時(shí)空不一致問(wèn)題，推算定位算法在實(shí)體之間利用預(yù)測(cè)技術(shù)，實(shí)現(xiàn)降低網(wǎng)絡(luò)傳輸不穩(wěn)定所造成的時(shí)空不一致補(bǔ)償，從而保證了仿真的真實(shí)性和結(jié)果的可信度。但是其僅依賴短周期歷史數(shù)據(jù)實(shí)現(xiàn)實(shí)體狀態(tài)預(yù)測(cè)，難以從時(shí)間與空間維度挖掘各類高機(jī)動(dòng)目標(biāo)的運(yùn)動(dòng)特征，無(wú)法處理預(yù)測(cè)對(duì)象運(yùn)動(dòng)行為的突變，影響了實(shí)體狀態(tài)預(yù)測(cè)的準(zhǔn)確性，因此需要其它更高效準(zhǔn)確的軌跡預(yù)測(cè)方法來(lái)對(duì)分布式仿真系統(tǒng)中的飛行器等仿真實(shí)體進(jìn)行軌跡預(yù)測(cè)。

3、現(xiàn)有的飛行器軌跡預(yù)測(cè)方法大多基于預(yù)定義的運(yùn)動(dòng)模型，使用馬爾可夫鏈、卡爾曼濾波等算法進(jìn)行軌跡預(yù)測(cè)。然而飛行器在執(zhí)行任務(wù)時(shí)，往往處于復(fù)雜的非線性環(huán)境中，其運(yùn)動(dòng)行為不僅受到飛行器自身的動(dòng)力學(xué)約束，還受到諸如氣象條件、地形地貌、環(huán)境干擾等多種外部因素的影響。這些因素使得飛行器的運(yùn)動(dòng)狀態(tài)變得難以預(yù)測(cè)，傳統(tǒng)的物理模型在面對(duì)如此復(fù)雜的環(huán)境時(shí)，難以精確描述飛行器的真實(shí)運(yùn)動(dòng)行為，導(dǎo)致預(yù)測(cè)精度下降。此外，物理模型的構(gòu)建通常依賴于大量的假設(shè)和簡(jiǎn)化，當(dāng)這些假設(shè)不再成立時(shí)，模型的適用性和準(zhǔn)確性也會(huì)隨之降低。近年來(lái)，隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法的發(fā)展，使用數(shù)據(jù)驅(qū)動(dòng)的方法來(lái)學(xué)習(xí)飛行器的復(fù)雜運(yùn)動(dòng)規(guī)律以提高軌跡預(yù)測(cè)的準(zhǔn)確性變得可行，因此基于深度神經(jīng)網(wǎng)絡(luò)的軌跡跟蹤和預(yù)測(cè)算法越來(lái)越受到學(xué)者的關(guān)注。

4、基于數(shù)據(jù)驅(qū)動(dòng)的軌跡預(yù)測(cè)方法依賴于大量歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)來(lái)進(jìn)行飛行器運(yùn)動(dòng)的預(yù)測(cè)，在處理復(fù)雜非線性環(huán)境中具有顯著優(yōu)勢(shì)。數(shù)據(jù)驅(qū)動(dòng)方法通過(guò)大量歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)，不需要對(duì)飛行器的物理特性有深入了解，這不僅降低了建模的難度，也提高了模型的適應(yīng)性，可以有效應(yīng)對(duì)多變的飛行任務(wù)場(chǎng)景。然而數(shù)據(jù)驅(qū)動(dòng)方法在多變量預(yù)測(cè)上仍存在顯著不足，在處理多變量數(shù)據(jù)時(shí)，這些方法難以充分建模變量之間的復(fù)雜關(guān)系，常常需要進(jìn)行復(fù)雜的特征選擇，否則容易導(dǎo)致信息丟失或噪聲引入，導(dǎo)致預(yù)測(cè)的準(zhǔn)確性差。

5、因此，開發(fā)一種多維變量場(chǎng)景下的飛行器軌跡預(yù)測(cè)技術(shù)，對(duì)于保障抗干擾性能、提升虛實(shí)協(xié)同測(cè)試過(guò)程中各類資源所認(rèn)知飛行器狀態(tài)的時(shí)空一致性、降低飛行器狀態(tài)認(rèn)知滯后對(duì)復(fù)雜環(huán)境構(gòu)建逼真度的影響具有重要意義。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為解決在多變量場(chǎng)景下現(xiàn)有基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法難以充分建模變量之間的復(fù)雜關(guān)系，導(dǎo)致預(yù)測(cè)的準(zhǔn)確性差的問(wèn)題，而提出了一種基于多注意協(xié)同網(wǎng)絡(luò)的多維變量場(chǎng)景下飛行器軌跡預(yù)測(cè)方法。

2、本發(fā)明為解決上述技術(shù)問(wèn)題所采取的技術(shù)方案是：一種基于多注意協(xié)同網(wǎng)絡(luò)的多維變量場(chǎng)景下飛行器軌跡預(yù)測(cè)方法，所述方法具體包括以下步驟：

3、步驟一、采集飛行器的m組軌跡數(shù)據(jù)，且每組軌跡數(shù)據(jù)均包括時(shí)間數(shù)據(jù)、速度數(shù)據(jù)、位置數(shù)據(jù)和航向角數(shù)據(jù)；

4、對(duì)采集的各組軌跡數(shù)據(jù)分別進(jìn)行預(yù)處理后，再對(duì)預(yù)處理后的各組軌跡數(shù)據(jù)中的位置數(shù)據(jù)進(jìn)行重構(gòu)，得到處理后的各組軌跡數(shù)據(jù)；

5、步驟二、對(duì)處理后的各組軌跡數(shù)據(jù)進(jìn)行聚類，分別得到各類軌跡數(shù)據(jù)；

6、步驟三、為每類軌跡數(shù)據(jù)分別構(gòu)建一個(gè)基于多注意協(xié)同網(wǎng)絡(luò)的預(yù)測(cè)模型，預(yù)測(cè)模型內(nèi)包括t-net和np-net兩個(gè)分支，且將每類軌跡數(shù)據(jù)分別作為對(duì)應(yīng)預(yù)測(cè)模型的訓(xùn)練集；

7、利用訓(xùn)練集對(duì)各個(gè)預(yù)測(cè)模型進(jìn)行訓(xùn)練后，獲得訓(xùn)練好的各個(gè)預(yù)測(cè)模型；

8、步驟四、將待預(yù)測(cè)數(shù)據(jù)作為對(duì)應(yīng)的訓(xùn)練好的預(yù)測(cè)模型的輸入，獲得軌跡預(yù)測(cè)結(jié)果。

9、進(jìn)一步地，所述對(duì)采集的各組軌跡數(shù)據(jù)分別進(jìn)行預(yù)處理，具體為：

10、剔除速度數(shù)據(jù)、位置數(shù)據(jù)和航向角數(shù)據(jù)中的無(wú)效值，并過(guò)濾速度數(shù)據(jù)、位置數(shù)據(jù)和航向角數(shù)據(jù)中的噪聲。

11、進(jìn)一步地，所述對(duì)預(yù)處理后的各組軌跡數(shù)據(jù)中的位置數(shù)據(jù)進(jìn)行重構(gòu)，具體為：

12、以第m'組軌跡數(shù)據(jù)中的位置數(shù)據(jù)為例：

13、步驟一一、設(shè)定距離閾值；

14、步驟一二、計(jì)算兩個(gè)相鄰時(shí)間點(diǎn)所對(duì)應(yīng)的位置數(shù)據(jù)之間的距離；

15、若兩個(gè)相鄰時(shí)間點(diǎn)所對(duì)應(yīng)的位置數(shù)據(jù)之間的距離大于設(shè)定的距離閾值，則兩個(gè)相鄰時(shí)間點(diǎn)標(biāo)記為間斷點(diǎn)；

16、若兩個(gè)相鄰時(shí)間點(diǎn)所對(duì)應(yīng)的位置數(shù)據(jù)之間的距離小于等于設(shè)定的距離閾值，則不需要處理；

17、對(duì)第m'組軌跡數(shù)據(jù)中每?jī)蓚€(gè)相鄰時(shí)間點(diǎn)對(duì)應(yīng)的位置數(shù)據(jù)分別進(jìn)行判斷后，得到第m'組軌跡的位置數(shù)據(jù)中的全部間斷點(diǎn)；

18、步驟一三、分別獲得每?jī)蓚€(gè)相鄰間斷點(diǎn)之間的數(shù)據(jù)點(diǎn)數(shù)，并將獲得的數(shù)據(jù)點(diǎn)數(shù)分別與軌跡噪聲閾值進(jìn)行比較；

19、若兩個(gè)相鄰間斷點(diǎn)之間的數(shù)據(jù)點(diǎn)數(shù)大于軌跡噪聲閾值，則將兩個(gè)相鄰間斷點(diǎn)以及兩個(gè)相鄰間斷點(diǎn)之間數(shù)據(jù)點(diǎn)對(duì)應(yīng)的軌跡數(shù)據(jù)保存為一組新的軌跡數(shù)據(jù)；

20、若兩個(gè)相鄰間斷點(diǎn)之間的數(shù)據(jù)點(diǎn)數(shù)小于等于軌跡噪聲閾值，則將兩個(gè)相鄰間斷點(diǎn)以及兩個(gè)相鄰間斷點(diǎn)之間數(shù)據(jù)點(diǎn)對(duì)應(yīng)的軌跡數(shù)據(jù)視為噪聲剔除；

21、步驟一四、從第m'組軌跡數(shù)據(jù)中去除步驟一三保存的新軌跡數(shù)據(jù)以及步驟一三剔除的噪聲數(shù)據(jù)，將剩余的數(shù)據(jù)作為更新后的第m'組軌跡數(shù)據(jù)；

22、對(duì)每組軌跡數(shù)據(jù)中的位置數(shù)據(jù)分別進(jìn)行處理后，將更新后的軌跡數(shù)據(jù)和保存的新軌跡數(shù)據(jù)作為處理后的各組軌跡數(shù)據(jù)。

23、進(jìn)一步地，所述對(duì)處理后的各組軌跡數(shù)據(jù)進(jìn)行聚類是基于各組軌跡數(shù)據(jù)中的位置數(shù)據(jù)進(jìn)行的，聚類過(guò)程為：

24、步驟二一、基于處理后的各組軌跡數(shù)據(jù)中的位置數(shù)據(jù)計(jì)算距離矩陣d：

25、

26、其中，軌跡集合et是由處理后的各組軌跡數(shù)據(jù)組成的集合，etj′是軌跡集合et中的第j′組軌跡數(shù)據(jù)，j′＝1,2,…,n，n是集合et中軌跡數(shù)據(jù)的組數(shù)，是集合et中第1組軌跡數(shù)據(jù)與第j′組軌跡數(shù)據(jù)的相似度；

27、步驟二二、初始化聚類中心個(gè)數(shù)i′＝1；

28、步驟二三、根據(jù)距離矩陣d，將軌跡集合et中的各組軌跡數(shù)據(jù)聚為i′類；

29、步驟二四、根據(jù)聚類結(jié)果計(jì)算聚類誤差sse，若聚類誤差收斂，則得到最終的聚類結(jié)果，若聚類誤差不收斂，則令i′＝i′+1，返回執(zhí)行步驟二三。

30、進(jìn)一步地，所述集合et中第1組軌跡數(shù)據(jù)與第j′組軌跡數(shù)據(jù)的相似度的計(jì)算方法為：

31、

32、其中，h(et1,etj′)是中間變量，a是第1組軌跡數(shù)據(jù)中的位置點(diǎn)，b是第j′組軌跡數(shù)據(jù)中的位置點(diǎn)；

33、

34、進(jìn)一步地，所述聚類誤差sse的計(jì)算過(guò)程為：

35、

36、其中，ci′表示第i′個(gè)聚類，p代表ci′中任意一組軌跡數(shù)據(jù)中的位置數(shù)據(jù)，mi′為屬于ci′的全部組軌跡數(shù)據(jù)中位置數(shù)據(jù)的質(zhì)心，k′是類別總數(shù)。

37、進(jìn)一步地，所述預(yù)測(cè)模型的訓(xùn)練過(guò)程為：

38、以任意一個(gè)預(yù)測(cè)模型為例

39、步驟三一、利用當(dāng)前預(yù)測(cè)模型的訓(xùn)練集中的每組軌跡數(shù)據(jù)均構(gòu)造一組目標(biāo)變量序列和非預(yù)測(cè)變量序列；

40、其中，將一組目標(biāo)變量序列和非預(yù)測(cè)變量序列分別表示為和xt是軌跡數(shù)據(jù)中第t個(gè)時(shí)間點(diǎn)對(duì)應(yīng)的非預(yù)測(cè)變量，分別是xt中的第1個(gè)，第2個(gè)，第n個(gè)變量；

41、其中，t是一組軌跡數(shù)據(jù)中的時(shí)間點(diǎn)個(gè)數(shù)；

42、步驟三二、將非預(yù)測(cè)變量序列作為np-net分支的輸入，通過(guò)np-net分支輸出在各時(shí)間點(diǎn)的隱藏狀態(tài)

43、步驟三三、t-net分支內(nèi)包括編碼器模塊和解碼器模塊，編碼器模塊內(nèi)包括t個(gè)知識(shí)增強(qiáng)型lstm單元，解碼器模塊內(nèi)包括δ個(gè)知識(shí)增強(qiáng)型lstm單元；

44、將np-net分支輸出的隱藏狀態(tài)和目標(biāo)變量序列作為編碼器模塊的輸入，通過(guò)編碼器模塊輸出目標(biāo)變量序列的隱藏狀態(tài)序列

45、將隱藏表示序列作為解碼器模塊的輸入，解碼器模塊基于時(shí)間注意力機(jī)制輸出隱藏狀態(tài)，將解碼器模塊輸出的隱藏狀態(tài)經(jīng)過(guò)多層感知器，通過(guò)多層感知器輸出預(yù)測(cè)結(jié)果；

46、步驟三四、根據(jù)步驟三三輸出的預(yù)測(cè)結(jié)果計(jì)算損失函數(shù)，基于損失函數(shù)計(jì)算結(jié)果和反向傳播學(xué)習(xí)算法對(duì)預(yù)測(cè)模型的參數(shù)進(jìn)行調(diào)整，直至達(dá)到設(shè)置的最大訓(xùn)練次數(shù)時(shí)停止訓(xùn)練，獲得訓(xùn)練好的預(yù)測(cè)模型。

47、進(jìn)一步地，所述np-net分支內(nèi)包括變量蒸餾注意力模塊和lstm模塊，其中，變量蒸餾注意力模塊內(nèi)包括t個(gè)變量蒸餾注意力單元，lstm模塊內(nèi)包括t個(gè)lstm單元；

48、np-net分支的工作過(guò)程具體為：

49、每個(gè)變量蒸餾注意力單元內(nèi)均包括兩層前向神經(jīng)網(wǎng)絡(luò)，第t個(gè)變量蒸餾注意力單元的第一層前向神經(jīng)網(wǎng)絡(luò)將xt中的每個(gè)變量分別映射到m維空間，得到xt中每個(gè)變量的隱藏表示：

50、

51、其中，tanh是激活函數(shù)，是的隱藏表示，k＝1,2,…,n，是嵌入向量，是偏置參數(shù)；

52、第二層前向神經(jīng)網(wǎng)絡(luò)分別為每個(gè)隱藏表示分配權(quán)重：

53、

54、其中，是隱藏表示的權(quán)重，是變階上下文向量；

55、基于和將xt轉(zhuǎn)換為空間語(yǔ)義序列

56、

57、將空間語(yǔ)義序列作為第t個(gè)lstm單元的輸入，通過(guò)第t個(gè)lstm單元輸出隱藏狀態(tài)

58、

59、其中，是第t-1個(gè)lstm單元輸出的隱藏狀態(tài)，是第t個(gè)lstm單元輸出的隱藏狀態(tài)，it是第t個(gè)lstm單元的輸入門的輸出，ft是第t個(gè)lstm單元的遺忘門的輸出，ot是第t個(gè)lstm單元的輸出門的輸出，σ表示sigmoid激活函數(shù)，和是偏置參數(shù)，⊙是逐元素乘法，wi、wf、wo和wc是循環(huán)權(quán)重，ui、uf、uo和uc是輸入權(quán)重，ct是第t個(gè)lstm單元的狀態(tài)，ct-1是第t-1個(gè)lstm單元的狀態(tài)，為中間變量。

60、進(jìn)一步地，所述t-net分支的工作過(guò)程為：

61、步驟1、將隱藏狀態(tài)和目標(biāo)變量序列yt作為編碼器模塊中第t個(gè)知識(shí)增強(qiáng)型lstm單元的輸入，即則

62、

63、其中，是編碼器模塊中第t-1個(gè)知識(shí)增強(qiáng)型lstm單元輸出的隱藏狀態(tài)，是編碼器模塊中第t個(gè)知識(shí)增強(qiáng)型lstm單元的候選狀態(tài)；

64、根據(jù)隱藏狀態(tài)和生成第t個(gè)知識(shí)增強(qiáng)型lstm單元的隱藏狀態(tài)：

65、

66、其中，表示矩陣的轉(zhuǎn)置，是權(quán)重參數(shù)，是輔助上下文向量，st是的重要性分?jǐn)?shù)，γt是的權(quán)重；

67、

68、其中，wa和wh是權(quán)重參數(shù)，是編碼器模塊中第t個(gè)知識(shí)增強(qiáng)型lstm單元輸出的隱藏狀態(tài)；

69、步驟2、將作為解碼器模塊中各個(gè)知識(shí)增強(qiáng)型lstm單元的輸入，對(duì)于解碼器模塊中的第τ個(gè)知識(shí)增強(qiáng)型lstm單元，基于時(shí)間注意力機(jī)制、和解碼器模塊中第τ-1個(gè)知識(shí)增強(qiáng)型lstm單元的隱藏狀態(tài)dτ-1生成上下文向量hcτ：

70、

71、其中，和是權(quán)重參數(shù)，⊙是逐元素乘法，et是的重要性得分，βt是的注意力權(quán)重；

72、根據(jù)βt對(duì)進(jìn)行加權(quán)求和生成上下文向量hcτ：

73、

74、步驟3、將第τ-1個(gè)知識(shí)增強(qiáng)型lstm單元的隱藏狀態(tài)經(jīng)過(guò)多層感知器，通過(guò)多層感知器輸出第τ-1個(gè)知識(shí)增強(qiáng)型lstm單元的預(yù)測(cè)結(jié)果，將第τ-1個(gè)知識(shí)增強(qiáng)型lstm單元的預(yù)測(cè)結(jié)果與上下文向量hcτ進(jìn)行級(jí)聯(lián)操作；

75、將級(jí)聯(lián)操作結(jié)果、隱藏狀態(tài)dτ-1和隱藏狀態(tài)作為第τ個(gè)知識(shí)增強(qiáng)型lstm單元的輸入，即

76、其中，[:]是級(jí)聯(lián)操作，是解碼器模塊中第τ-1個(gè)知識(shí)增強(qiáng)型lstm單元的預(yù)測(cè)結(jié)果，dτ是解碼器模塊中第τ個(gè)知識(shí)增強(qiáng)型lstm單元的隱藏狀態(tài)；

77、將隱藏狀態(tài)dτ經(jīng)過(guò)多層感知器，通過(guò)多層感知器輸出第τ個(gè)知識(shí)增強(qiáng)型lstm單元的預(yù)測(cè)結(jié)果。

78、更進(jìn)一步地，所述將隱藏狀態(tài)dτ經(jīng)過(guò)多層感知器，通過(guò)多層感知器輸出第τ個(gè)知識(shí)增強(qiáng)型lstm單元的預(yù)測(cè)結(jié)果，具體為：

79、

80、其中，是權(quán)重參數(shù)，是第τ個(gè)知識(shí)增強(qiáng)型lstm單元的預(yù)測(cè)結(jié)果。

81、本發(fā)明的有益效果是：

82、本發(fā)明首先設(shè)計(jì)一個(gè)變量蒸餾注意機(jī)制作為第一層網(wǎng)絡(luò)，變量蒸餾注意力網(wǎng)絡(luò)弱化了非預(yù)測(cè)變量的負(fù)面影響，將當(dāng)前序列轉(zhuǎn)換為空間語(yǔ)義。而且設(shè)計(jì)了一種新的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)變體kelstm來(lái)計(jì)算變量間的交互作用，緩解信息沖突，區(qū)分變量對(duì)任務(wù)的時(shí)間影響。本發(fā)明方法可以減少無(wú)關(guān)變量的負(fù)面影響，強(qiáng)調(diào)重要變量對(duì)預(yù)測(cè)的貢獻(xiàn)，成功地捕捉了過(guò)去的目標(biāo)變量、非預(yù)測(cè)變量與即將到來(lái)的目標(biāo)之間的潛在相互作用，特別是目標(biāo)和非預(yù)測(cè)變量的影響之間的細(xì)微差異，本發(fā)明方法可以在不需要進(jìn)行復(fù)雜的特征選擇的前提下，提高預(yù)測(cè)的準(zhǔn)確性，而且本發(fā)明方法在復(fù)雜的非線性環(huán)境中仍然具有很好的適應(yīng)性。