基于轨迹数据挖掘和深度学习的民航飞行轨迹聚类方法研究

发布时间：2023-05-27 00:57

　　航空轨迹数据分析技术可以从飞行器轨迹历史数据中获得许多有用信息,在空域管理、民航飞行调度、机场管理、航空企业燃油成本管理等方面有重要作用。目前主要采用数据挖掘技术对航空轨迹数据进行聚类分析。聚类方法的选择和样本数据特征抽取是影响聚类分析准确率的主要因素。但是,以往的研究主要集中于聚类分析的方法,对样本数据特征抽取方法的研究不足,制约了聚类分析的准确率和效率。近年来,随着人工智能技术的成熟和快速发展,如何将深度学习的方法用于航空轨迹分析,并与数据挖掘技术实现有效结合,以提高轨迹数据分析的准确率和效率成为一个重要的研究课题。首先,本文分析了轨迹分析中常用的聚类分析方法,针对航空轨迹数据的特点,为了克服传统样本数据特征提取方法不能充分反映航空轨迹数据的时间特性的问题,采用滑动窗口算法进行航空轨迹数据特征的提取,以改善数据特征的维度,从而有效提升聚类分析的准确率。其次,为了建立适用于航空轨迹数据分析的混合框架,对LSTM和GRU为代表的几种典型的深度学习算法进行了深入的研究,并将其应用于航空轨迹数据的特征抽取,设计了具体的实验方案,实现了单层和多层网络的学习算法,通过实验对比的方法讨论了算法的...

【文章页数】：55 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 轨迹数据聚类分析的研究背景及意义
    1.2 航空轨迹数据分析的研究现状及问题
    1.3 主要工作目标及内容
    1.4 论文结构
第2章 基于数据挖掘的航空轨迹聚类方法综述
    2.1 轨迹数据的形成和形式
    2.2 轨迹数据挖掘聚类的常用技术
        2.2.1 基于时空距离的聚类方法
        2.2.2 基于最小外包矩阵聚类方法
        2.2.3 基于动态时间包裹聚类方法
        2.2.4 基于最长公共子序列聚类方法
        2.2.5 基于实序列编辑距离的聚类方法
        2.2.6 基于子轨迹聚类的聚类方法
    2.3 深度学习的特征提取方法
    2.4 本章小结
第3章 基于语言模型的航空轨迹挖掘实验研究和分析
    3.1 实验的总体结构和框架
        3.1.1 轨迹预处理模块
        3.1.2 特征提取模块
        3.1.3 深度学习队列模块
        3.1.4 聚类模块
    3.2 数据集的选取和数据处理
    3.3 实验设计与实现
        3.3.1 LSTM网络的原理介绍
        3.3.2 GRU网络的原理介绍
        3.3.3 实验具体内容
    3.4 实验方案
    3.5 实验结果及分析
    3.6 本章小结
第4章 基于深度学习的轨迹数据挖掘方法设计
    4.1 基于多层深度学习网络的轨迹数据挖掘算法原理
    4.2 基于深度学习的轨迹数据挖掘算法设计
    4.3 算法实现
    4.4 本章小结
第5章 实验及性能评价
    5.1 实验环境及方案
    5.2 实验结果及分析
        5.2.1 不同网络和深度的时间效率对比结果及分析
        5.2.2 不同学习率下网络的收敛结果及分析
        5.2.3 不同网络结构聚类结果及分析
        5.2.4 不同聚类算法结果及分析
    5.3 本章小结
第6章 总结和展望
    6.1 总结
    6.2 展望
参考文献
发表论文和参加科研情况说明
致谢



本文编号：3823594