基于SOCIAL-LSTM的空中飞行轨迹预测

263
区域治理
ON THE W AY
作者简介：钟 山，生于1992年，硕士，助教，研究方向为空中领航，深度学习。

基于SOCIAL-LSTM 的空中飞行轨迹预测
中国民用航空飞行学院 钟山，杨泽坤
摘要：准确及时地预测航空飞行器的飞行轨迹对于空中交通管理和飞行安全都有着非常重要的意义。

随着低空领域逐渐放开以及航空领域拥堵，航空飞行器之间冲突引发的安全风险成为需要特别关注的问题。

传统的神经网络模型预测飞行轨迹并没有考虑航空飞行器之间的相互影响，本文采用的近年来提出的SOCIAL-LSTM模型可以对特定空间中整体航空飞行器进行轨迹预测。

相较于标准的长短期记忆网络和动力学模型，SOCIAL-LSTM 能够更加全面地考虑空间内航空飞行器之间的相互影响。

关键词：轨迹预测；空中交通管理长短期记忆网络；SOCIAL-LSTM航空飞行器中图分类号：V475.4
文献标识码：A
文章编号：2096-4595（2020）30-0263-0002
轨迹预测已经成功应用于各个领域。

甄荣和金永兴等学者使用自动识别系统和反向传播神经网络对船舶轨迹预测进行了深入研
究
[1]
，邸忆和顾晓辉等学者在兵器领域中对
地面目标的轨迹预测进行了研究[2]。

在军用航空领域中，张宏鹏和黄长强等学者对深
度学习在无人机轨迹预测中的应用进行了研究[3]。

在民用航空飞行器的轨迹预测领域中，吴鹍和潘薇等学者分析了历史飞行时间数据，接着对航空飞行器的四维轨迹预测进行研究[4]。

为了解决飞行轨迹预测模型参数数量过多的问题，王涛波和黄宝军等学者对模型噪声采用了改进的卡尔曼滤波算法[5]。

张振兴和杨任农等学者提出了一种基于贝叶斯正则化的神经网络方法用来克服神经网络预测飞行轨迹的缺点[6]。

钱夔和周颖等学者采用反向传播神经网络对航空飞行器群的轨迹预测进行研究[7]。

2016年Alahi A 和Goel K 等学者在长短期记忆网络的基础上提出了SOCIAL-LSTM 网络模型
[8]。

SOCIAL-
LSTM 模型最初应用于拥挤空间中行人之间的轨迹预测。

物体轨迹预测常用的一类方法就是根据时间顺序排列的历史轨迹进行预测，对于这类时序预测问题长短期记忆网络有着良好的应用。

不同于标准的长短期记忆网络，SOCIAL-LSTM 能够对特定空间内的物体轨迹进行整体预测。

一、循环神经网络的结构
在长短期记忆网络出现之前，传统的神经网络有一个很明显的缺点。

例如一段时间之内的思考是具有连续性的，而不是每时每刻都重新开始思维，对当前信息的理解需要基于之前接收到的信息。

传统的神经网络没有能力去使用之前的信息，循环神经网络着重去解决这一问题。

循环神经网络的环状结构让信息能够一直保持流动，为了便于观察循环神经网络中的信息传递，将网络结构按照时间维度进行展开如图一所示。

观察图一
可以发现，循环神经网络这种天然的链式结构和序列有着密切的联系，应用在序列数据上面有着很大的优势。

循环神经网络能够成功地运用在语言模型和翻译等多个领域的一个重要原因是长短期记忆网络的出现。

二、长短期记忆网络的结构
长短期记忆网络是一种非常特别的循环神经网络，很多领域中长短期记忆网络的效果都远远好于标准的循环神经网络。

标准循环神经网络能够使用较近的之前的信息来处理面前问题。

但是当面前问题和需要的信息隔了很远距离的时候，标准循环神经网络便没有能力使用之前的信息。

长短期记忆网络通过特殊的网络结构能够使用距离较远的之前信息应用于面前问题。

长短期记忆网络和标准循环神经网络的整体构架是一致的，标准循环神经网络模块内部结构很简单，是一个正切函数层如图二所示。

长短期记忆网络的模块内部结构分为了四层，如图三所示。

图三中模块最顶部的水平直线是长短期记忆网络的关键—细胞状态，细胞状态在有少量信息交互的情况下穿越了整个模块。

长短时记忆网路的单元模块中有被称为“门”的结构。

长短期记忆网络能够对细胞状态增加或者删除信息的核心原因是因为“门”结构。

“门”是一种让信息随意通过的结构，主要包含了sigmoid 网络层和一个点乘操作。

在长短期记忆网络中“门”结构被分为三种形式来保证和控制细胞状态的运行。

当输入信息进入细胞状态之前，首先需要确定哪些信息需要被丢掉，“遗忘门”就是执行这个操作的结构。

既然输入信息中有一部分信息被遗忘，就有一部分信息在细胞状态中被记住。

将新信息存储在细胞状态中的结构是“输入门”和一个正切函数层。

流过“输入门”和正切函数层的信息进行点乘然后和细胞状态中的信息相加。

最后需要再次筛选信息作为模块的输出信息，
输出信息的需要经过多次运算。

首先通过一个sigmoid 函数来筛选信息，从细胞状态出来的信息经过正切函数层，最后两部分信息进行点乘形成输出信息。

三、SOCIAL-LSTM 在飞行轨迹预测上的应用
在拥挤空间中行走的行人，每个行人都拥有自己的运动参量。

而在空域拥堵的情况下，每个航空飞行器也有自身的运动参量。

长短期记忆网络已经成功运用于单独的序列任务，每个航空飞行器的轨迹预测都使用一个单独的长短期记忆网络进行预测。

但是一个航空飞行器独立使用一个长短期记忆网络的方式不能够得到相邻空间内航空飞行器相互影响的信息。

在预测一个航空飞行器飞行轨迹的时候，如果需要考虑相邻航空飞行器之间的影响就会有巨大的挑战，因为在拥挤
空域中不同航空飞行器之间的复杂影响是难以量化的。

SOCIAL-LSTM 网络通过一个全新
图2 循环神经网络内部结构图
图1 循环神经网络结构图
264
区域治理
ON THE W AY
的池化策略来连接相邻的长短期记忆网络使得长短期记忆网络的权重共享如图四所示。

在拥挤的空域下每个航空飞行器会根据相邻的航空飞行器来确定飞行路线，而相邻的航空飞行器也会被自身的即时环境所影响，
从而不断地改变飞行行为。

共享长短期记忆网络权重的主要目的是为了让长短期记忆网络的蕴含状态捕捉航空飞行器的运动变换属性。

在航空飞行器密度较大的空域内，每个航空飞行器都有不同数量的相邻航空飞行
器。

这样带来的问题就是共享权重的数量会变得非常巨大，为了获得简约的表达方式引入了图四所示的social 池化策略。

编号为2的航空飞行器相邻航空飞行器为1和3。

1号和3号航空飞行器对应的长短期记忆网络输出信息进入social 池化层中，然后处理过的信息进入2号航空飞行器对应的长短期记忆网络中。

具体的social 池化策略如图五所示，编号为1的航空飞行器相邻航空飞行器是2、3和4。

将数据空间进行特定处理，使得2和3的输出值在同一空间内。

四、结语
在一定空域内使用基于长短期记忆网络的模型来预测航空飞行器的飞行轨迹，在SOCIAL-LSTM 中每个航空飞行器都对应一个长短期记忆网络来预测各自的飞行轨迹。

同时为了考虑相邻航空飞行器之间的影响，SOCIAL-LSTM 通过social 池化的方式来共享不同长短期记忆网络之间的权重。

参考文献
[1]甄荣,金永兴,胡勤友等.基于AIS 信息和BP 神经网络的船舶航行行为预测[J].中国航海,2017,40(2):6-10.
[2]邸忆,顾晓辉,龙飞.基于灰色残差修正理论的目标航迹预测方法[J].兵工学报,2017(3):454-459.
[3]张宏鹏,黄长强,唐上钦,轩永波.基于卷积神经网络的无人作战飞机飞行轨迹实时预测[J].兵工学报,2020,41(9):200-209.
[4]吴鹍,潘薇.基于数据挖掘的四维飞行轨迹预测模型[J].计算机
应
用,2007,27(011):2637-2639.
[5]王涛波,黄宝军.基于改进卡尔曼滤波的四维飞行航迹预测模型[J].计算机应用,2014,34(6):1812-1815.
[6]Zhen-Xing Z , Ren-Nong Y , Yu-Huan F . Prediction of Aircraft Flight Trajectory Using Elman-combined Neural Network Based on Bayesian Regulation[J].Fire Control & Command Control,2018.
[7]钱夔,周颖,杨柳静等.基于BP 神经网络的空中目标航迹预测模型[J].指挥信息系统与技术,2017,8(3):54-58.
[8]AlahiA , Goel K , Ramanathan V , et al. Social LSTM: Human Trajectory Prediction in Crowded Spaces[C]// 2016 IEEE Conference on Computer Vision and
Pattern Recognition (CVPR). IEEE,2016.
图5 social
池化策略图图4 SOCIAL-LSTM
网络结构图
图3 长短期记忆网络内部结构图。