相关实验视频
Updated: May 12, 2026
16:14
Trajectory Data Analyses for Pedestrian Space-time Activity Study
Published on: February 25, 2013
13.5K
基于改进的卷积网络,在终端区域进行4D轨迹预测和冲突检测
Xin Ma1, Linxin Zheng2, Xikang Lu2
1Nanjing University of Aeronautics and Astronautics, Nanjing, China.
PloS one
|February 14, 2025
概括
一个新的CNN-BiGRU模型提高了四维 (4D) 轨道预测准确度和空中交通管理冲突检测可靠性. 这种先进的轨迹预测提高了繁忙的机场终端区域的航空安全和效率.
科学领域:
- 航空安全和空中交通管理.
- 航空航天工程中的人工智能.
- 深度学习用于轨迹预测.
背景情况:
- 乘客流量的增加和航空公司网络的扩张需要更安全,更科学的空中交通服务模式.
- 国际民航组织 (ICAO) 引入了基于轨迹的操作 (TBO) 以优化空中交通服务.
- 当前的方法在准确预测四维轨迹和检测多轨迹冲突方面面临挑战.
研究的目的:
- 为了提高四维 (4D) 轨迹预测的准确性.
- 为了提高在轨道操作 (TBO) 下多轨道飞行冲突检测的可靠性.
- 开发和验证用于空中交通管理的先进轨迹预测模型.
主要方法:
- 使用卷积神经网络-双向门循环单元 (CNN-BiGRU) 开发了一种轨迹预测模型.
- 使用轨迹距离检测函数实现冲突评估.
- 使用真实自动依赖监控广播 (ADS-B) 历史轨道数据从繁忙的机场终端区域验证了模型.
主要成果:
- 在多个评估指标上,CNN-BiGRU模型与单个长期短期记忆 (LSTM) 和门式循环单元 (GRU) 模型相比表现优越.
- 两条轨迹之间的未来800秒间隔实现了准确的冲突检测.
- 该模型有效地解决了在复杂的空中交通场景中进行4D轨道预测和冲突检测的挑战.
结论:
- CNN-BiGRU模型在4D轨道预测准确性和基于轨道操作 (TBO) 的冲突检测可靠性方面取得了重大进展.
- 这种方法为空中交通服务模式提供了更科学,更安全的优化.
- 这些发现支持将先进的深度学习模型集成到未来的空中交通管理系统中.
