基于时空特征融合的Encoder-Decoder多步4D短期航迹预测

航迹预测在确保空中交通安全、高效运行中扮演着至关重要的角色。所预测的航迹信息是航迹优化、冲突告警等决策工具的输入，而预测准确性取决于模型对航迹序列特征的提取能力。航迹序列数据是具有丰富时空特征的多维时间序列，其中每个变量都呈现出长短期的时间变化模式，并且这些变量之间还存在着相互依赖的空间信息。为了充分提取这种时空特征，本文提出了基于融合时空特征的编码器-解码器（Spatio-Temporal EncoderDecoder, STED）航迹预测模型。在Encoder中使用门控循环单元（Gated Recurrent Unit, GRU）、卷积神经网络（Convolutional Neural Network, CNN）和注意力机制（Attention, AT）构成的双通道网络来分别提取航迹时空特征，Decoder对时空特征进行拼接融合，并利用GRU对融合特征进行学习和递归输出，实现对未来多步航迹信息的预测。利用真实的航迹数据对算法性能进行验证，实验结果表明，所提STED网络模型能够在未来10 min预测范围内进行高精度的短期航迹预测，相比于LSTM、CNN-LSTM和AT-LSTM等数据...