本技术方案提出了一种融合长短时记忆网络(LSTM)与Transformer模型的深度学习轨迹预测方法,旨在提高航空器轨迹预测的准确性和效率。该方法结合了两种先进的深度学习技术,通过分析历史轨迹数据,能够预测航空器的未来运动路径。
背景技术
在航空领域,精确的轨迹预测对于航空器的导航、控制和任务执行至关重要。传统的轨迹预测方法通常依赖于物理模型和经验公式,这些方法在应对复杂的动态环境时,往往面临着不确定性和适应性不足的问题。随着航空任务的复杂性和数据量的增加,基于机器学习的技术,特别是深度学习,逐渐成为解决这一问题的重要工具。
长短时记忆网络(LSTM)作为一种特殊的循环神经网络,能够有效处理和捕捉时间序列数据中的长期依赖关系。它在处理具有时间相关性的预测任务时表现出色,但在面对大规模数据集时,其训练效率和泛化能力受到限制。此外,LSTM在处理长序列数据时,往往存在梯度消失和爆炸的问题,导致模型的学习能力受到影响。
另一方面,Transformer模型在自然语言处理等领域取得了显著成功,其自注意力机制允许模型并行处理数据,并在全局上下文中建模,使得处理大规模数据变得更加高效。然而,Transformer在处理时间序列数据时,缺乏对时间依赖关系的专门建模,可能导致对序列中局部特征的捕捉不够敏感。
除此之外,由于航空器运行高度变化幅度很大,如果对不同高度,不同大气条件下使用统一的模型参数,很可能会导致模型预测的泛化性下降。因此,本发明对模型中的Transformer进行了改进,使用了混合专家模型(Mixture of Experts)替换了原Transformer网络中的前馈网络层(feed-forward network)。在这一改进中,本发明使不同的专家网络能够针对特定高度进行优化,从而使模型能够根据不同高度的大气条件自适应地使用不同的参数。这种方法有效增强了模型的预测精度和泛化能力,为航空器轨迹预测提供了一种更为精准和高效的解决方案,进而提高了任务的成功率和安全性。
实现思路