双尺度多维时序分类模型及其在飞行轨迹识别上的应用研究

作     者：屈鑫 

作者单位：吉林大学 

学位级别：硕士

导师姓名：姚志林

授予年度：2024年

学科分类：12[管理学] 02[经济学] 07[理学] 08[工学] 070103[理学-概率论与数理统计] 0202[经济学-应用经济学] 020208[经济学-统计学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 0714[理学-统计学（可授理学、经济学学位）] 0835[工学-软件工程] 0825[工学-航空宇航科学与技术] 0701[理学-数学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：多维时序分类 时序特征提取 双尺度模型 ADS-B数据集 飞行轨迹识别 

摘      要：随着科技的不断进步,多维时序数据在各个领域的应用日益广泛。多维时序数据的分类任务涉及到从多个维度和时序序列中提取信息,这类任务要求模型能够从多个维度和不断演化的时序序列中提取关键信息,以进行准确的分类。例如,飞行轨迹识别任务需要从飞机的位置、高度、速度等多维数据中判断其飞行状态,这种信息的动态变化又对时序处理工作提出了更高的要求。 然而现有的分类模型在特征关联性提取方面存在一定不足,限制了其在实际应用中的性能。例如,大部分多维时序分类模型在处理不同维度数据时,通常将各维度视为相互独立的特征。这样的处理方式忽略了不同维度之间的潜在关系和相互影响,导致模型难以捕捉到这些重要的信息交互。同时,时序数据中常常存在长期的依赖关系,即当前时刻的状态可能与过去若干时刻的状态相关。现有模型在处理这种长期依赖关系时往往面临难以捕捉长序列依赖性的挑战。这导致在实际应用中模型可能无法全面理解时序数据中的演变规律即时序特征。而且许多模型在处理多维时序数据时,倾向于独立地处理维度特征和时序特征,这种处理方式限制了模型对整体时序模式的准确把握。且传统模型对维度特征和时序特征的关联性关注不足可能导致模型在任务中对重要特征的弱化。在某些场景下,维度特征和时序特征的关系可能包含了重要的任务信息,而忽略了这些关系将导致模型性能的下降。 本文旨在解决上述问题,提出了一个通过双尺度进行特征提取的多维时序分类模型,即DSNet(Dual-Scaled Network Combining Temporal-Dimensional Features for Multivariate Time Series Classification),并将其应用于飞行轨迹识别领域。DSNet模型的主要目标是通过引入双尺度特征提取机制,学习多维时间序列的时序-维度特征表示,从而更全面地挖掘多维时序数据的潜在特征信息。 本文所做的主要工作如下: (1)提出了DSNet模型,该模型以双尺度特征提取为核心,通过门控机制融合多维时序数据的时序特征和维度特征,以求保留时间序列的原始信息。本文对原生Transformer模型的编码器encoder结构进行了微调,并弃用了解码器decoder结构,以此学习时序特征的表示。Transformer模型能综合考虑时间序列的长期依赖和周期性信息,其多头注意力机制可处理不同的特征空间。关于维度特征学习方面,本文结合残差神经网络和卷积神经网络的优势提出了残差-卷积模块(Res Block),并提出成比例特征选择模块以加强模型挖掘不同维度相关性的能力。此外,本文还引入了压缩-激活(Squeeze-And-Excite,SE)模块以提升维度特征的提取能力。最后通过门控机制学习时序特征和维度特征的权重,从而生成更接近原始时间序列的时序-维度特征信息。本文将DSNet模型应用在了20个UEA公开数据集上,在其中的12个数据集中取得了比其他基线方法更优异的成绩,证明了其在多维时序分类任务中的优越性。 (2)为了验证DSNet模型在实际领域的应用可行性,本文将其应用于飞行轨迹识别任务。在通过Open Sky Network和ADS-B Exchange两大公开渠道获取了原始飞行轨迹数据之后,本文进行了一系列预处理工作,包括填充缺失值、处理异常值、轨迹标注、序列对齐等。随后,本文将DSNet模型与领域内其他四种方法进行了对比。实验结果显示,DSNet模型在飞行轨迹识别任务中展现出更高的分类准确率,相较于其他领域内方法具有更强的识别性能。