[论文解读] 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 51

一句话总结

论文提出一个深度生成 CNN-RNN 模型，通过将轨迹点建模为条件高斯混合分布，利用天气派生的图像特征和一个 LSTM 编码器–MDL 解码器，在推理阶段使用束搜索和基于卡尔曼的平滑。

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.

研究动机与目标

• 开发一个通用的管线，将高保真气象数据转换为用于轨迹预测的图像样特征。
• 将轨迹点建模为条件高斯混合分布，由端到端神经网络学习。
• 利用 LSTM 编码器摄取飞行计划信息，使用混合密度 LSTM 解码器捕捉时空相关性。
• 在高维气象特征中加入卷积层以提取表示。
• 通过束搜索、自适应卡尔曼滤波和鲁夏-桑特-斯特里尔平滑优化推断，改进轨迹方差。

提出的方法

• 使用树状匹配算法将风、温度和对流天气构造成图像样特征图。
• 使用端到端卷积递归网络，包含一个 LSTM 编码器和一个混合密度 LSTM 解码器。
• 解码器输出轨迹点的高斯混合参数。
• 编码器将最后 filed 的飞行计划信息嵌入固定大小的隐藏状态中。
• 卷积层从高维气象特征中学习表示。
• 在推理阶段应用束搜索、自适应卡尔曼滤波和 RTS 平滑器以裁剪轨迹方差。

实验结果

研究问题

• RQ1 图像样气象特征图是否能被有效用于 4D 轨迹预测？
• RQ2 一个深度生成模型能否学习出对飞行计划和天气条件条件下的轨迹点的可靠高斯混合输出？
• RQ3 将卷积气象表示与基于 LSTM 的解码器结合，是否能提升轨迹精度和不确定性估计？
• RQ4 推理阶段的技术（束搜索、卡尔曼滤波、RTS 平滑）如何影响轨迹质量和方差下降？

主要发现

• 提出将天气数据转换为用于轨迹建模的图像样特征的通用管线。
• 将轨迹点建模为条件高斯混合分布，其参数由深度生成模型学习。
• 证明了使用一个 LSTM 编码器和一个混合密度 LSTM 解码器的端到端学习。
• 加入卷积层以捕捉高维天气特征表示。
• 在推理阶段使用束搜索、自适应卡尔曼滤波和 RTS 平滑来裁剪方差。