علوم رایانشی

علوم رایانشی

پیش‌‌بینی موقعیت‌های آتی هواپیما با استفاده از شبکه عصبی حافظه کوتاه مدت پرتوالیِ دوسویه، مبدّل، هم‌آمیخت گرافی و شبکه‌ عصبی بیزی

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانشجوی کارشناسی ارشد مهندسی نرم‌افزار کامپیوتر، دانشگاه علم و فرهنگ، تهران، ایران
2 استادیار دانشکده هوش مصنوعی وکامپیوتر، دانشگاه علم و فرهنگ، تهران، ایران
10.22034/csj.2026.566062.1144
چکیده
مدیریت ترافیک هوایی برای افزایش ایمنی و بهره‌وری عملیات پروازی، به پیش‌بینی دقیق و قابل ‌اعتماد مسیر آتی هواپیماها وابسته است. پیش‌بینی مسیر چهاربعدی، به‌عنوان یکی از قابلیت‌های کلیدی سامانه‌های ناوبری نسل آینده، مستلزم مدل‌سازی هم‌زمان وابستگی‌های زمانی، تعاملات مکانی میان هواپیماها و عدم‌قطعیت ذاتی حرکت آنها است. با وجود پیشرفت‌های اخیر، بیشتر روش‌های موجود تنها بخشی از این الزامات را پوشش می‌دهند؛ ازاین‌رو، توسعه روشی که بتواند این سه عامل را به‌صورت یکپارچه مدل‌سازی کند، همچنان یک چالش پژوهشی محسوب می‌شود. در این پژوهش، یک معماری یکپارچه برای پیش‌بینی مسیر ارائه شده است که از ترکیب شبکه عصبی مصنوعی حافظة کوتاه مدت پرتوالیِ دوسویه همراه با سازوکار توجه، شبکه هم‌آمیخت گرافی مبتنی بر مبدّل و یک رمزگشای بیزی بهره می‌گیرد. شبکه حافظة کوتاه مدت پرتوالیِ دوسویه و سازوکار توجه به‌منظور استخراج وابستگی‌های زمانی، شبکه هم‌آمیخت گرافی برای درک تعاملات مکانی و رمزگشای بیزی برای برآورد عدم‌قطعیت به‌کار گرفته شده‌اند. برای آموزش و ارزیابی، از داده‌های واقعی پرواز در مجموعه‌داده‌ی تارتان اوییشن استفاده می‌شود. نتایج تجربی حاکی از برتری عملکرد معماری پیشنهادی در مقایسه با روش پایه است؛ به‌گونه‌ای که خطای میانگین مسیر از 3069/0 به 2837/0 و خطای نهایی مسیر از 5218/0 به 4927/0 رسیده‌اند که به‌ترتیب نشان‌دهنده ۷ و ۴ درصد بهبود است. همچنین، رمزگشای بیزی با ارائه برآوردی از میزان عدم‌قطعیت، اطلاعاتی درباره میزان اطمینانِ پیش‌بینی‌ها در اختیار سامانه‌های تصمیم‌یار قرار می‌دهد. یافته‌های پژوهش نشان می‌شود، معماری پیشنهادی قابلیت کاربرد در پشتیبانی از تصمیم‌گیری در محیط‌های عملیاتی مدیریت ترافیک هوایی را داراست.
کلیدواژه‌ها
موضوعات

[1]   Shi, Z., Xu, M., Pan, Q., Yan, B., & Zhang, H. 2018. LSTM-based Flight Trajectory Prediction, in 2018 International Joint Conference on Neural Networks (IJCNN), Jul. 2018, pp. 1–8. doi: 10.1109/IJCNN.2018.8489734.
[2]   Zhang, Z., Yang, R., & Fang, Y. 2018. LSTM Network Based on on Antlion Optimization and its Application in Flight Trajectory Prediction, in 2018 2nd IEEE Advanced Information Management,Communicates, Electronic and Automation Control Conference (IMCEC), May 2018, pp. 1658–1662. doi: 10.1109/IMCEC.2018.8469476.
[3]   Ma, L., & Tian, S. 2020. A Hybrid CNN-LSTM Model for Aircraft 4D Trajectory Prediction, IEEE Access, vol. 8, pp. 134668–134680, 2020, doi: 10.1109/ACCESS.2020.3010963.
[4]   Xu, Z., Zeng, W., Chu, X., & Cao, P. 2021. Multi-Aircraft Trajectory Collaborative Prediction Based on Social Long Short-Term Memory Network, Aerospace, vol. 8, no. 4, Art. no. 4, Apr. 2021, doi: 10.3390/aerospace8040115.
[5]   Short-term 4D trajectory prediction based on LSTM neural network. Accessed: Jun. 04, 2022. [Online]. Available: https://www.spiedigitallibrary.org/conference-proceedings-of-spie/11427/ 114270M/Short-term-4D-trajectory-prediction-based-on-LSTM-neural-network/10.1117/12. 2550425.short?SSO=1
[6]   Jia, P., Chen, H., Zhang, L., & Han, D. 2022. Attention-LSTM based prediction model for aircraft 4-D trajectory, Sci Rep, vol. 12, no. 1, p. 15533, Sep. 2022, doi: 10.1038/s41598-022-19794-1.
[7]   Dong, X., Tian, Y., Dai, L., Li, J., & Wan, L. 2024. A New Accurate Aircraft Trajectory Prediction in Terminal Airspace Based on Spatio-Temporal Attention Mechanism, Aerospace, vol. 11, no. 9, Art. no. 9, Sep. 2024, doi: 10.3390/aerospace11090718.
[8]   Pang, Y., Zhao, X., Hu, J., Yan, H. & Liu, Y. 2022. Bayesian Spatio-Temporal grAph tRansformer network (B-STAR) for multi-aircraft trajectory prediction, Knowledge-Based Systems, vol. 249, p. 108998, Aug. 2022, doi: 10.1016/j.knosys.2022.108998.
[9]   Yan, S.; Xiong, Y., & Lin, D. 2018. Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition, Proceedings of the AAAI Conference on Artificial Intelligence, vol. 32, no. 1, Art. no. 1, Apr. 2018, doi: 10.1609/aaai.v32i1.12328.
[10] Mohamed, A., Qian, K., Elhoseiny, M., & Claudel, C. 2020. Social-STGCNN: A Social Spatio-Temporal Graph Convolutional Neural Network for Human Trajectory Prediction, presented at the Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020, pp. 14424–14432. Accessed: Jan. 02, 2024. [Online]. Available: https://openaccess.thecvf.com/ content_CVPR_2020/html/Mohamed_Social-STGCNN_A_Social_Spatio-Temporal_Graph_Convolutional_Neural_Network_for_Human_CVPR_2020_paper.html
[11] Xu, Z., Liu, Y., Chu, X., Tan, X., & Zeng, W. 2023. Aircraft Trajectory Prediction for Terminal Airspace Employing Social Spatiotemporal Graph Convolutional Network, Journal of Aerospace Information Systems, vol. 20, no. 6, pp. 319–333, 2023, doi: 10.2514/1.I011181.
[12] Fan, Y., Tan, Y., Wu, L., Ye, H., & Lyu, Z. 2024. Global and Local Interattribute Relationships-Based Graph Convolutional Network for Flight Trajectory Prediction, IEEE Transactions on Aerospace and Electronic Systems, vol. 60, no. 3, pp. 2642–2657, Jun. 2024, doi: 10.1109/TAES.2024.3357668.
[13] Zhang, X., & Mahadevan, S. 2020. Bayesian neural networks for flight trajectory prediction and safety assessment, Decision Support Systems, vol. 131, p. 113246, Apr. 2020, doi: 10.1016/j.dss.2020. 113246.
[14] Pang, Y., Zhao, X., Yan, H., & Liu, Y. 2021. Data-driven trajectory prediction with weather uncertainties: A Bayesian deep learning approach, Transportation Research Part C: Emerging Technologies, vol. 130, p. 103326, Sep. 2021, doi: 10.1016/j.trc.2021.103326.
[15] Shafienya, H. & Regan, A. C. 2022. 4D flight trajectory prediction using a hybrid Deep Learning prediction method based on ADS-B technology: A case study of Hartsfield–Jackson Atlanta International Airport (ATL), Transportation Research Part C: Emerging Technologies, vol. 144, p. 103878, Nov. 2022, doi: 10.1016/j.trc.2022.103878.
[16] Blundell, C., Cornebise, J., Kavukcuoglu, K. & Wierstra, D. 2015. Weight Uncertainty in Neural Networks, May 21, 2015, arXiv: arXiv:1505.05424. doi: 10.48550/arXiv.1505.05424.
[17] Patrikar, J. et al., 2024. TartanAviation: Image, Speech, and ADS-B Trajectory Datasets for Terminal Airspace Operations, Mar. 05, 2024. doi: 10.1038/s41597-025-04775-6.