[論文レビュー] Predicting Aircraft Trajectories: A Deep Generative Convolutional Recurrent Neural Networks Approach

Yulin Liu, Mark Hansen|arXiv (Cornell University)|Dec 30, 2018

Air Traffic Management and Optimization被引用数 51

ひとこと要約

paperは、track pointsを条件付きGaussian mixturesとしてモデリングする深層生成CNN-RNNモデルを提示し、天候由来の画像特徴とLSTM encoder–MDL decoderを用いて4D航空機軌跡を予測し、推論時にはビーム探索とKalmanベースの平滑化を行う。

ABSTRACT

Reliable 4D aircraft trajectory prediction, whether in a real-time setting or for analysis of counterfactuals, is important to the efficiency of the aviation system. Toward this end, we first propose a highly generalizable efficient tree-based matching algorithm to construct image-like feature maps from high-fidelity meteorological datasets - wind, temperature and convective weather. We then model the track points on trajectories as conditional Gaussian mixtures with parameters to be learned from our proposed deep generative model, which is an end-to-end convolutional recurrent neural network that consists of a long short-term memory (LSTM) encoder network and a mixture density LSTM decoder network. The encoder network embeds last-filed flight plan information into fixed-size hidden state variables and feeds the decoder network, which further learns the spatiotemporal correlations from the historical flight tracks and outputs the parameters of Gaussian mixtures. Convolutional layers are integrated into the pipeline to learn representations from the high-dimension weather features. During the inference process, beam search, adaptive Kalman filter, and Rauch-Tung-Striebel smoother algorithms are used to prune the variance of generated trajectories.

研究の動機と目的

• 高忠実度の気象データを軌跡予測のための画像様特徴へ変換する汎用的なパイプラインを開発する。
• 軌跡点を深層生成モデルによって学習される条件付きGaussian mixturesとしてモデル化する。
• LSTM encoderを用いて飛行計画情報を取り込み、混合密度LSTM decoderを用いて時空間相関を捉える。
• 畳み込み層を取り入れて高次元の気象特徴から表現を抽出する。
• ビーム探索、適応的カルマンフィルタリング、およびRauch-Tung-Striebel平滑化を推論時に組み込み、軌跡の分散を改善する。

提案手法

• 風・温度・対流性天気を用いた画像様特徴マップを木構造に基づくマッチングアルゴリズムで構築する。
• エンドツーエンドの畳み込み再帰型ネットワークを用い、LSTM encoderと混合密度LSTM decoderを使用する。
• デコーダは軌跡点のGaussian mixturesのパラメータを出力する。
• Encoderは最後の filed flight plan情報を固定サイズの隠れ状態に埋め込む。
• 畳み込み層は高次元の天気特徴から表現を学習する。
• 推論時にはビーム探索、適応カルマンフィルタ、RTSスムージャで軌跡分散を絞る。

実験結果

リサーチクエスチョン

• RQ1 画像様天気特徴マップは4D軌跡予測に効果的に使用できるか。
• RQ2 深層生成モデルは飛行計画と天気に条件づけられた航空機軌跡の信頼できるGaussian mixtures出力を学習できるか。
• RQ3 畳み込み天気表現とLSTMベースのデコーダを統合することで軌跡の精度と不確実性推定は改善されるか。
• RQ4 推論時の技術（ビーム探索、カルマンフィルタ、RTS平滑化）は軌跡品質と分散削減にどのように影響するか。

主な発見

• 天気データを軌跡モデリングのための画像様特徴へ変換する汎用的なパイプラインを提案する。
• 軌跡点を条件付きGaussian mixturesとしてモデル化し、そのパラメータを深層生成モデルで学習する。
• LSTM encoderと混合密度LSTM decoderを用いたエンドツーエンド学習を実証する。
• 高次元の天気特徴表現を捉えるために畳み込み層を組み込む。
• 推論時にはビーム探索、適応カルマンフィルタリング、 RTS平滑化を用いて分散を絞る。