[논문 리뷰] Predicting Aircraft Trajectories: A Deep Generative Convolutional Recurrent Neural Networks Approach

Yulin Liu, Mark Hansen|arXiv (Cornell University)|2018. 12. 30.

Air Traffic Management and Optimization인용 수 51

한 줄 요약

본 논문은 트랙 포인트를 조건부 가우시안 혼합으로 모델링하여 4D 항공기 궤적을 예측하는 심층 생성 CNN-RNN 모델을 제시하며, 기상으로부터 유도된 이미지 특징과 LSTM 인코더–MDL 디코더를 사용하고, 추론 시 빔 탐색과 칼만 기반 스무딩을 이용합니다.

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.

연구 동기 및 목표

• 궤적 예측을 위한 고충실도 기상 데이터를 이미지 유사 특징으로 변환하는 일반화 가능한 파이프라인을 개발한다.
• 궤적 포인트를 조건부 가우시안 혼합으로 모델링한다.
• 비행 계획 정보를 입력하기 위해 LSTM 인코더를 활용하고 시공간 상관관계를 포착하기 위해 혼합 밀도 LSTM 디코더를 사용한다.
• 고차원 기상 특징으로부터 표현을 추출하기 위해 합성곱 계층을 도입한다.
• 추론을 빔 검색, 적응형 칼만 필터링, 그리고 Rauch-Tung-Striebel 스무딩으로 궤적 분산을 다듬어 개선한다.

제안 방법

• 트리 기반 매칭 알고리즘을 사용하여 바람, 온도 및 대류 기상으로부터 이미지 유사 특징 맵을 구성한다.
• LSTM 인코더를 갖춘 엔드투엔드 합성곱 순환 네트워크와 혼합 밀도 LSTM 디코더를 사용한다.
• 디코더는 궤적 포인트의 가우시안 혼합 매개변수를 출력한다.
• 인코더는 마지막으로 접수된 비행 계획 정보를 고정 크기의 은닉 상태로 임베딩한다.
• 합성곱 계층이 고차원 기상 특징으로부터 표현을 학습한다.
• 추론 중에 빔 검색, 적응형 칼만 필터 및 RTS 스무더를 적용하여 궤적 분산을 줄인다.

실험 결과

연구 질문

• RQ1 이미지 유사 기상 특징 맵을 효과적으로 사용하여 4D 궤적 예측을 할 수 있는가?
• RQ2 비행 계획과 날씨를 조건으로 한 항공 트랙에 대해 심층 생성 모델이 신뢰할 수 있는 가우시안 혼합 출력물을 학습할 수 있는가?
• RQ3 합성곱 기상 표현과 LSTM 기반 디코더의 통합이 궤적 정확도와 불확실성 추정에 도움이 되는가?
• RQ4 추론 시점 기법들(빔 검색, 칼만 필터, RTS 스무딩)이 궤적 품질과 분산 감소에 어떤 영향을 미치는가?

주요 결과

• 기상 데이터를 궤적 모델링을 위한 이미지 유사 특징으로 변환하는 일반화 가능한 파이프라인을 제안한다.
• 궤적 포인트를 조건부 가우시안 혼합으로 모델링하며, 그 매개변수는 심층 생성 모델에 의해 학습된다.
• LSTM 인코더와 혼합 밀도 LSTM 디코더를 사용한 엔드투엔드 학습을 시연한다.
• 합성곱 계층을 도입하여 고차원 기상 특징 표현을 포착한다.
• 추론 중에 빔 검색, 적응형 칼만 필터링, 및 RTS 스무딩을 사용하여 분산을 줄인다.