基于Transformer-TCN-GRU的场面滑行轨迹预测模型

摘要

对于航空器滑行轨迹预测，现有方法在实时推算中等时间尺度内的未来位置精度较低，为进一步提高中等时间尺度内轨迹预测的精度，并保证实时预测的高效性，将Transformer网络、交叉注意力机制、时间卷积网络（temporal convolutional network,TCN）与门控循环单元（gated recurrent unit,GRU）相结合，构建1种输出多条候选轨迹的地面滑行轨迹预测模型。引入Transformer编码器捕捉航空器历史轨迹数据中的时间依赖性和运动状态，获取轨迹特征序列的全局特征表示；结合机场矢量地图和管制系统给出的滑行路径指令计算航空器在未来计划的滑行路径坐标序列，使用交叉注意力机制，以轨迹序列的全局特征作为查询，关注路径坐标序列中对未来滑行影响最大的位置，将融合路径特征后的轨迹全局特征映射为多种模态，对应每条候选轨迹的特征；TCN-GRU轨迹解码器对每种模态的轨迹特征进行解码，捕捉轨迹序列中的长期时间依赖，输出多条预测轨迹及其概率。以国内某大型机场航空器真实滑行轨迹进行验证，未来8 s的位置轨迹预测最小平均位移误差（minimum average displacement error,minADE）为1.932 m，最小最终位移误差（minimum final displacement error,minFDE）为1.811 m，相较于单一的GRU、TCN模型，minADE降低14.10%、16.62%,minFDE降低30.88%、34.72%，测试样本平均耗时17.70 ms，可以准确、快速预测滑行轨迹，有利于保障飞行区的安全运行。

关键词

滑行轨迹 / 轨迹预测 / Transformer模型 / 时间卷积网络 / 门控循环单元

基金资助

天津市教育委员会自然科学重点项目（2020ZD01）资助