买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：湖北工业大学

摘要：本发明属于无人机集群飞行航迹领域，公开了一种基于图神经网络的无人机集群航迹预测方法，包括：1）获取无人机集群时序特征航迹数据；2）对无人机集群时序特征航迹数据的进行预处理，得到航迹数据，并将航迹数据划分为训练集以及验证集；3）构建基于图神经网络的无人机集群航迹预测模型；4）利用训练集以及验证集对无人机集群航迹预测模型进行训练迭代，得到参数最优的无人机集群航迹预测模型；5）预测无人机集群未来运动航迹，得到待预测场景中无人机集群航迹预测结果。本发明提供了一种能充分利用无人机集群飞行的历史信息以及能够实时精准预测的基于图神经网络的无人机集群航迹预测方法。

主权项：1.一种基于图神经网络的无人机集群航迹预测方法，其特征在于：所述基于图神经网络的无人机集群航迹预测方法包括以下步骤：所述无人机集群航迹预测方法描述为： 其中，P表示收集的航迹数据时间步长，G是根据航迹数据得到的无向图表示；f.表示利用历史航迹数据预测未来航迹用到的函数，即图神经网络；Xt表示t时刻航迹特征数据，表示t+1时刻航迹预测结果；步骤1、获取无人机集群时序特征航迹数据，具体实现方式是：步骤1.1、获取无人机集群历史飞行过程中的时空数据信息；步骤1.2、从无人机集群历史飞行过程中的时空数据信息提取无人机集群时序特征航迹数据；所述无人机集群时序特征航迹数据包括无人机ID、无人机飞行时间戳、飞行速度、经度、纬度和高度特征；无人机集群时序特征航迹数据表示为图神经网络结构数据，用一个无向图G＝V,E表示；其中，V＝{v1,v2,...vN}是集群中无人机节点的集合，N表示集群中无人机的数量，每个节点均包含无人机的飞行速度、经度、纬度和高度特征；E＝{eij＝vi,vj|如果vi与vj有连边，i,j∈N}表示边的集合，当无人机节点之间存在交互关系时则表示节点之间有连边，其中，eij表示节点vi与节点vj有连边；步骤2、对步骤1获取得到的无人机集群时序特征航迹数据进行预处理，得到航迹数据，并将航迹数据划分为训练集以及验证集；具体是：步骤2.1、将步骤1获取得到的无人机集群时序特征航迹数据中的经度、纬度和高度转换成直角坐标；步骤2.2、对坐标转换后的经度、纬度和高度以及飞行速度数据进行归一化处理，得到归一化后的数值x*；所述x*的表达式是： 其中：μ为各特征数据所对应的均值；σ为各特征数据所对应的标准差；x是各特征数据；x*为各特征数据经归一化后的数值；所述特征数据是坐标转换后的经度、纬度和高度以及飞行速度数据；步骤2.3、根据0≤x*≤1筛选步骤2.2归一化后的航迹数据，得到航迹数据集合；步骤2.4、随机抽取航迹数据集合的80％作为训练集，随机抽取航迹数据集合的20％作为验证集；步骤3、构建基于图神经网络的无人机集群航迹预测模型，具体是：所述无人机集群航迹预测模型基于sequence-to-sequence的架构将图神经网络与循环神经网络相结合，拥有一个编码器和一个解码器；在循环神经网络的每一步使用图生成模块动态生成邻接矩阵来捕捉数据的空间变化性，即每个时间步长的动态邻接矩阵与动态图卷积循环操作同步生成；所述无人机集群航迹预测模型包括图生成模块和动态图卷积循环模块；无人机集群航迹预测模型的输入为某个场景中无人机集群某时间段经过数据预处理后的航迹数据集合，在图生成模块输出动态邻接矩阵，然后将动态邻接矩阵输入到动态图卷积循环模块，从而预测出下一时间段的航迹数据；在图卷积神经网络中，图结构是以邻接矩阵的形式进行表达和参与计算的；在图生成模块设计了基于节点间距离和节点间相似性两种不同属性特征构建的动态邻接矩阵，进而动态描述集群各节点间的交互作用关系；步骤3.1、获取无人机集群在t时刻经过数据预处理后的t时刻的航迹数据；步骤3.2、将步骤3.1获取得到的t时刻的航迹数据输入至图生成模块中，由图生成模块输出t时刻动态邻接矩阵，所述t时刻动态邻接矩阵是动态图，其中t时刻动态邻接矩阵的表达式是：DAt＝ReLUAdistance+Asimilarity其中，DAt是t时刻动态邻接矩阵，Adistance是基于距离度量的邻接矩阵，Asimilarity是基于相似性的邻接矩阵，ReLU是神经网络激活函数；所述基于距离度量的邻接矩阵Adistance是N×N的矩阵，所述基于距离度量的邻接矩阵Adistance的表达式是： 其中，E是存在交互关系的边的集合；R表示实数域；N表示节点个数；所述邻接矩阵Adistance中第i行第j列的Aij是采用带有阈值的高斯核来计算的，所述Aij的表达式是： 式中：distvi,vj为节点vi和节点vj之间的欧氏距离；N为节点的个数； 表示节点vi与节点vj之间距离的方差；所述基于相似性的邻接矩阵Asimilarity的表达式是： 该表达式的获得过程如下：航迹数据表示为将其输入全连通网络，把特征维度从D维升为F维：S＝FC[Xt-P+1，...，Xt]∈RN×F×P其中，FC·表示全连接网络，S表示映射后节点属性；R表示实数域，P是输入的航迹数据的时间步长，N表示节点的个数，F表示升维后的维度数；为了捕获P长度内节点间的动态相关性，沿时间维度对S进行一维卷积操作；P是输入的航迹数据的时间步长，d是一维卷积膨胀系数，K是卷积核个数，所述k＝0，1，2……K-1，W是卷积核中的参数，计算方式如下式： 其中：DCd·表示一维膨胀卷积操作，Sp表示p时刻经过全连接网络FC映射后的航迹数据，通过堆叠几个不同膨胀系数的一维膨胀卷积操作把N×F×P的矩阵转化成为N×F的矩阵，记为M： 其中，DCd2·表示一维膨胀卷积操作；DCd1S∈RN×F×[P-d×k-1]；进而得到Asimilarity： 其中，SoftMax是归一化指数函数，ReLU是神经网络激活函数；R表示实数域，N是节点的个数，T是转置操作；步骤3.3、将步骤3.2获取得到的动态图输入到动态图卷积循环模块中，通过动态图卷积循环模块得到航迹预测结果，具体是：步骤3.3.1、将步骤3.2获得的动态图进行图卷积，使用加权平均和的操作将图卷积结果在每一层上与跳跃连接相融合，形成动态图卷积层；动态图卷积层是将输入节点状态Hin与动态邻接矩阵DAt的信息相结合得到输出节点状态Hout，所述输出节点状态Hout的一般表达式为：Hout＝Θ＊GHin，DAt；将所述一般表达式具体分解成如下： H0＝Hin 其中，α和β分别是控制不同分量权值的超参数；是归一化后的动态邻接矩阵；是t时刻的度矩阵的逆矩阵；DAt是动态邻接矩阵；Hin和Hout分别表示输入节点矩阵和输出节点矩阵；是可学习的参数；所述L为隐藏层层数；k＝0，1，2......L-1；I表示单位矩阵；Hl为第l层隐藏层的输入量；H0为第一层隐藏层的输入量；Din表示Hin的维度数；Dout表示Hout的维度数；步骤3.3.2、将步骤3.3.1得到的动态图卷积层替换传统的门控循环单元中的所有全连接层，得出航迹预测结果所述的表达式是：zt＝σΘz★GXt||Ht-1rt＝σΘr★GXt||Ht-1ht＝tanhΘh★GXt||rt☉Ht-1Ht＝zt☉Ht-1+1-zt☉ht 其中，Xt和Ht分别表示t时刻航迹特征数据和动态图卷积循环模块在t时刻的输出隐藏状态；⊙表示Hadamard积；σ·表示sigmoid激活函数；rt和zt分别表示t时刻的重置门和t时刻的更新门；★G表示动态图卷积操作；Θz★G、Θr★G、Θh★G以及Θout分别是相应动态图卷积循环模块的可学习参数；步骤4、利用步骤2所得到的训练集以及验证集对步骤3构建得到的无人机集群航迹预测模型进行训练迭代，得到参数最优的无人机集群航迹预测模型；步骤5、预测无人机集群未来运动航迹，得到待预测场景中无人机集群航迹预测结果，具体实现方式是：获取待预测场景中的无人机集群历史飞行过程中的时空数据信息，将无人机集群历史飞行过程中的时空数据信息输入步骤4所得到的参数最优的无人机集群航迹预测模型中，通过参数最优的无人机集群航迹预测模型输出输出值，对输出值进行去归一化后得到待预测场景中无人机集群航迹预测结果，所述待预测场景中无人机集群航迹预测结果是无人机集群的纬度、经度、高度。

全文数据：

权利要求：

百度查询： 湖北工业大学 基于图神经网络的无人机集群航迹预测方法