(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210998249.0 (22)申请日 2022.08.19 (71)申请人 中国民航大 学 地址 300000 天津市东 丽区津北公路2898 号 (72)发明人 陈万通　吴多　刁天茹　任诗雨　 (74)专利代理 机构 天津心知意达知识产权代理 事务所(普通 合伙) 12260 专利代理师 赵雪红 (51)Int.Cl. G08G 5/00(2006.01) H04H 60/58(2008.01) H04H 60/70(2008.01) H04H 60/71(2008.01) H04H 20/53(2008.01)G06F 30/27(2020.01) G06F 30/25(2020.01) G01D 21/02(2006.01) (54)发明名称 一种基于ADS-B的风场重建与预测系统 (57)摘要 本发明提供了一种基于ADS ‑B的风场重建与 预测系统， 包括ADS ‑B数据处理模块、 气象粒子模 型风场重构模块和深度学习算法的风场预测模 块。 本发明把实时、 高并发的加装ADS ‑B机载端的 民航飞机视作传感器， 利用ADS ‑B的广播功能， 向 地面设备和其他航空器广播飞机的位置、 高度、 速度、 识别号等信息， 实现全空域范围内、 无距离 限制的数据传输， 为构建空域风场信息重构和预 测平台提供重要的技术手段。 此外， 实时发送功 能提高了气象重构和预测的效率， 降低了空中交 通事故发生的概 率。 权利要求书2页 说明书8页 附图2页 CN 115359685 A 2022.11.18 CN 115359685 A 1.一种基于ADS ‑B的风场重建与预测系统， 其特征在于： 包括ADS ‑B数据处理模块、 气象 粒子模型的风场重构模块和深度学习算法的风场预测模块； 所述ADS‑B数据处理模块， 用于将地面站提取的ADS ‑B数据进行解析， 获得飞机飞行的 信息,通过解析后的信息识别飞机飞行状态、 提取飞行数据， 最后通过反演算法获得风矢量 数据， 并将该 数据作为气象粒子模型的风场重构模块中的观测风； 所述气象粒子模型的风场重构模块， 模拟自然界中的气体粒子， 当获得观测风时生成 粒子并对粒子进行建模， 粒子在空域内传播遵循随机过程， 通过组合所有相邻粒子的加权 状态构建风场， 并将结果用于深度学习算法的风场预测模块； 所述深度学习算法的风场预测模块， 采用机器学习的方法预测 空域风场信息， 根据气 象粒子模型重构得到风场数据， 包括速度、 方向、 位置、 高度， 将所得的数据分为三组， 70％ 作为训练集， 20％作为验证集， 10％作为测试集， 采用Encoder ‑Decoder形式的 transorformer序列模型， 通过序列模型挖掘输入序列中的信息， 再通过Decoder进行预测， 预测标签包 含风速与风向。 2.根据权利要求1所述的一种基于ADS ‑B的风场重建与预测系统， 其特征在于： 所述 ADS‑B数据处理模块包括解析ADS ‑B数据模块、 飞机状态识别模块、 飞行数据提取模块和风 矢量反演模块。 3.根据权利要求2所述的一种基于AD S‑B的风场重建与预测系统， 其特 征在于： 所述解析ADS ‑B数据模块， 用于获取飞机飞行的数据， 包括经度、 纬度、 航班号、 地速、 几 何高度信息； 所述飞机状态识别模块， 采用基于密度的聚类算法， 从海量分散的数据中识别连续飞 行航迹， 使用分段线性插值的方法对漏点数据进 行填补， 然后对飞行状态进行识别， 提取平 稳飞行阶段的数据， 存 储到数据库中； 所述飞行数据提取模块， 通过提取一架飞机完整的飞行轨迹， 作为风矢量反演模块的 原始数据； 所述风矢量反演模块， 对飞行数据提取模块所提取的飞行轨迹数据和风矢量的关系 进 行建模， 接着利用相关算法进行反演， 获得航线区域 风矢量。 4.根据权利要求1所述的一种基于ADS ‑B的风场重建与预测系统， 其特征在于： 所述气 象粒子模 型的风场重构模块， 包括观测风取值模块、 概率拒绝机制模块、 产生风矢量粒子模 块、 粒子运动模型、 粒子 重构模型和风场置信模型。 5.根据权利要求 4所述的一种基于AD S‑B的风场重建与预测系统， 其特 征在于： 所述观测风取值模块， 观测风取值 来自ADS‑B数据处理模块的风矢量反演值； 所述概率拒绝机制模块， 为减少ADS ‑B解码的突发错误对风矢量反演值的影响， 对于新 的观测风将根据当前观测风的均值和方差构造概率密度函数， 任何新的观测风都将依概率 被接受； 所述产生风矢量粒子模块， 模拟自然界中的气体粒子， 对粒子进行建模， 使粒子状态包 括反演得到的观测风， 当获得新的观测 风时首先生成粒子， 并根据设定的参数化核函数随 时间衰减； 所述粒子运动模型， 粒子运动遵循实际风矢量的高斯随机游走模型， 在每一步更新中， 粒子年龄均会增 加；权　利　要　求　书 1/2 页 2 CN 115359685 A 2所述粒子重构模型， 建立粒子运动模型后， 在任何位置均利用周围的粒子来重构风信 息， 使用相邻粒子的加权状态组合 来构造航线外周围区域的风信息； 所述风场置信模型， 重建风场后， 考虑目标位置相邻的粒子因素， 建立置信模型， 评估 置信水平。 6.根据权利要求1所述的一种基于ADS ‑B的风场重建与预测系统， 其特征在于： 所述深 度学习算法的风场预测模块包括Transformer序列模型 预测风。 7.根据权利要求6所述的一种基于ADS ‑B的风场重建与预测系统， 其特征在于： 所述 Transformer序列模 型预测风， 将气象粒子模 型重构得到风场数据分为三组， 70％作为训练 集， 20％作为验证集， 10％作为测试集， 采用Encoder ‑Decoder形式的tran sorformer序列模 型， 通过序列模型挖掘输入序列中的信息， 再通过Decoder进行 预测。 8.根据权利要求1所述的一种基于ADS ‑B的风场重建与预测系统， 其特征在于： 所述系 统实现过程如下： 步骤1、 从地 面接收站获取AD S‑B数据， 经处 理获得风矢量反演值； 步骤2、 以步骤1的风矢量反演值作为观测风， 根据气象粒子模型重构风场； 步骤3、 将空域划 分成三维网格空间， 采用机器学习方法中的Transformer序列模型预 测空域风场信息 。权　利　要　求　书 2/2 页 3 CN 115359685 A 3