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！

龙图腾网恭喜南京航空航天大学申请的专利一种基于迁移学习的无人机实时轨迹集成预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114675672B 。

龙图腾网通过国家知识产权局官网在2025-04-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210350520.X，技术领域涉及：G05D1/46；该发明授权一种基于迁移学习的无人机实时轨迹集成预测方法是由羊钊;唐荣;李娜;朱仁伟;曾维理;包杰;丛玮设计研发完成，并于2022-04-02向国家知识产权局提交的专利申请。

本一种基于迁移学习的无人机实时轨迹集成预测方法在说明书摘要公布了：本发明公开了一种基于迁移学习的无人机实时轨迹集成预测方法，包括：采集多种型号的轻型旋翼无人机轨迹数据；将各型号无人机轨迹数据处理为时间序列切片数据集；划分样本集为预测目标的无人机轨迹时间序列切片数据集和除预测目标外的无人机轨迹时间序列切片数据集；进行轨迹切片降维；进行训练样本相似轨迹的筛选；得到基于样本筛选的D‑GRU预训练的轨迹预测模型；得到集成预测模型；基于集成预测模型对预测目标轨迹切片进行实时预测；评价无人机轨迹预测结果。本发明的方法提高了缺少历史轨迹信息的目标无人机基于数据驱动进行轨迹预测的精度，为飞行冲突探测和危险行为识别等任务奠定基础，为城市低空空域管理提供有效的决策支撑。

本发明授权一种基于迁移学习的无人机实时轨迹集成预测方法在权利要求书中公布了：1.一种基于迁移学习的无人机实时轨迹集成预测方法，其特征在于，步骤如下：1采集多种型号的轻型旋翼无人机轨迹数据，并统计各型号无人机的性能参数；2将上述步骤1中采集的各型号无人机轨迹数据处理为时间序列切片数据集；3依据各型号无人机的性能参数约束，更新步骤2中得到的各型号无人机轨迹的时间序列切片数据集，划分样本集为预测目标的无人机轨迹时间序列切片数据集和除预测目标外的无人机轨迹时间序列切片数据集；4针对预测目标的无人机轨迹时间序列切片数据集和除预测目标外的无人机轨迹时间序列切片数据集，分别进行基于统计度量的轨迹切片降维；5针对降维后的除预测目标外的无人机轨迹时间序列切片数据集，进行训练样本相似轨迹的筛选；6采用D-GRU轨迹预测模型进行模型预训练，得到基于样本筛选的D-GRU预训练的轨迹预测模型；7将基于样本筛选的D-GRU预训练的轨迹预测模型与基于粒子滤波的轨迹预测模型进行模型集成，得到集成预测模型；8基于集成预测模型对预测目标轨迹切片进行实时预测；9评价无人机轨迹预测结果；所述步骤3的具体过程如下：31确定速度约束条件；求解步骤2中得到的时间序列切片数据集中各轨迹点预估速度的垂直分量，以该垂直分量满足各型号无人机性能参数中的最大爬升最大下降率作为约束条件；第i个轨迹点的预估速度Vi表示为： 式中，Δt表示轨迹采样间隔，Pi+1和Pi-1分别为第i+1和第i-1个轨迹点相对于第一个轨迹点的相对坐标，将每条轨迹时间序列切片的第一个轨迹点设置为对应切片上的坐标原点；32筛选时间序列切片数据集；依据步骤31中各型号无人机的飞行速度限制，筛选出步骤2中满足该飞行速度限制的时间序列切片数据集；33划分两个不同种类的切片样本集，如下：331样本集1：步骤32中预测目标的无人机轨迹时间序列切片数据集；332样本集2：对步骤32中除预测目标型号之外的无人机轨迹时间序列切片数据集进行混合得到样本集2；所述步骤4的具体过程如下：41设定轨迹切片的坐标原点；将划分后每条轨迹时间序列切片的第一个轨迹点坐标记为0,0,0，即设置为对应切片上的坐标原点；42基于特征统计对样本集1和样本集2分别进行降维；分别求得每条轨迹切片中各轨迹点相对于步骤41中坐标原点的速度和航向改变量，进而求得每条轨迹切片的飞行速度方差Vvar和累积航向改变量Achg，将其作为低维空间下能够综合表达时间序列切片的潜在特征，从而使步骤33中的时间序列切片表达至低维空间；所述步骤5的具体过程如下：51分位点划分；针对潜在特征飞行速度方差Vvar和累积航向改变量Achg，从0分位点开始，分别额外设定m和n个等间隔分位点，将降维后除预测目标外的无人机混合轨迹时间序列切片数据集划分为m×n个子集；52求解时间序列切片样本坐标；针对步骤51中混合样本集中任意时间序列切片样本，基于该样本的飞行速度方差和累积航向改变量在潜在特征飞行速度方差Vvar和累积航向改变量Achg分位点的位置，得到该样本的坐标；53求解混合样本集坐标矩阵；结合步骤52得到步骤51中混合样本集中所有时间序列切片样本的坐标，得到降维后除预测目标外的无人机混合轨迹时间序列切片数据集的坐标矩阵，进而划分m×n个子集，其中，m和n数值大的子集将包含小的子集，基于飞行速度方差Vvar和累积航向改变量Achg数值的相似，衡量训练样本之间的距离，对降维后除预测目标外的无人机混合轨迹时间序列切片数据集进行子集筛选；所述步骤6的具体过程如下：61设定D-GRU轨迹预测模型参数；611设定模型输入层参数；确定单批次训练样本数量和每个样本的输入数据维度；初始化输入层权重和偏差；612设定模型网络层参数；确定隐含层层数、单层神经元数目和输入信息的时间步长；初始化网络层权重和偏差；激活函数初始选择elu；613设定模型输出层参数；确定输出数据维度；初始化输出层权重和偏差；激活函数初始选择elu；62构建D-GRU轨迹预测模型训练样本；将步骤332中的样本集2按照7:3的比例划分为分类集S和集成集U；依据步骤4和步骤53分别将S和U进行降维和求解坐标矩阵，进而将S划分成包含m×n个样本子集的集合Smn；63设置D-GRU轨迹预测模型损失函数；采用L2正则化方法作为均方误差的损失函数；64设置D-GRU轨迹预测模型优化器；选择Adam作为模型优化器，学习率为0.0001；65训练并保存D-GRU轨迹预测模型；以步骤62中集合Smn的每一个子集构建输入样本，训练D-GRU轨迹预测模型并保存，得到基于样本筛选的D-GRU预训练的轨迹预测模型；所述步骤7的具体过程如下：71求解集成集U各预测值；针对步骤62集成集U中的每个样本u，结合步骤65中基于样本筛选的D-GRU预训练的轨迹预测模型得到预测值pu,0，基于粒子滤波的轨迹预测模型得到预测值pu,1，得到集成集U的预测值pu,0和pu,1；72集成预测模型训练并保存；将步骤71中集成集U的两个预测值及其本身输入数据作为集成预测模型的输入，以集成集U真实输出作为集成预测模型的输出，训练得到步骤71中基于样本筛选的D-GRU预训练的轨迹预测模型和基于粒子滤波的轨迹预测模型的集成权重并保存集成预测模型，得到基于数据迁移的无人机轨迹集成预测模型；所述步骤8的具体过程如下：81加载预训练模型；加载步骤65中基于样本筛选的D-GRU预训练的轨迹预测模型和步骤72中的基于数据迁移的无人机轨迹集成预测模型；获取实时轨迹切片s；82实时轨迹切片降维；按照步骤4中的特征表达方法，将s降维为向量Vvar,s，Achg,s；83分别求解基于样本筛选的D-GRU预训练的轨迹预测模型和基于粒子滤波的轨迹预测模型的预测值；根据步骤81加载的基于样本筛选的D-GRU预训练的轨迹预测模型得到预测值ps,0，基于粒子滤波的轨迹预测模型得到预测值ps,1；84求解集成预测模型预测值；基于步骤81加载的基于数据迁移的无人机轨迹集成预测模型，得到轨迹切片s的最终预测值ps；所述步骤9的具体过程如下：91计算轨迹预测精度；根据步骤84中得到的各型号无人机的最终预测值，计算预测坐标与真实坐标在三维空间中的平均欧式误差Ee，将其作为评价指标评价无人机轨迹预测精度；92预测精度对比与耗时测量；921不同预测模型精度对比；模型A：基于预测目标轨迹数据的D-GRU轨迹预测模型，如下：针对降维后步骤331中的样本集1即预测目标轨迹的时间序列切片数据集，利用基于D-GRU的轨迹预测模型求得预测结果；模型B：基于不进行样本筛选的D-GRU预训练的轨迹预测模型，如下：在步骤62中构建D-GRU轨迹预测模型的训练样本时，不进行样本筛选即设定分类集S划分时m＝n＝1，按照步骤6得到基于不进行样本筛选的D-GRU预训练的轨迹预测模型，获取实时轨迹切片s，按照步骤4中的特征表达方法，将s降维为向量Vvar,s，Achg,s，根据基于不进行样本筛选的D-GRU预训练的轨迹预测模型得到预测值；模型C：基于样本筛选的D-GRU预训练的轨迹预测模型，如下：加载步骤65中得到的基于样本筛选的D-GRU预训练的轨迹预测模型，获取实时轨迹切片s，按照步骤4中的特征表达方法，将s降维为向量Vvar,s，Achg,s，根据加载的基于样本筛选的D-GRU预训练的轨迹预测模型得到预测值；模型D：基于粒子滤波的轨迹预测模型；模型E：基于数据迁移的无人机轨迹集成预测模型；选择模型A、B、C、D作为模型E的对比项；以步骤332中的样本集2作为训练阶段初始混合轨迹数据切片集，测试阶段的目标无人机轨迹切片源于步骤331中的样本集1，分别求得模型A、B、C、D的轨迹预测精度，与步骤84中通过模型E计算的无人机最终轨迹预测结果进行精度对比，评价无人机轨迹预测结果；922样本预测耗时测量；结合步骤4中使用的降维方法及进行无人机轨迹预测使用的实验平台，对样本进行预测耗时测量。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。