Flight Trajectory Prediction Using an Enhanced CNN-LSTM Network

本文针对战斗机高速、战术机动多样、近距空战态势变化瞬息万变等原因导致的飞行轨迹预测精度低的问题，提出了一种增强的CNN-LSTM网络作为战斗机飞行轨迹预测方法。首先，我们使用CNN从战斗机轨迹数据中提取空间特征，使用社交池化模块聚合多个战斗机的空间特征，以捕捉轨迹中的地理信息和位置关系，使用注意力机制捕捉空战中变异的轨迹特征；接着，我们使用LSTM的记忆性质提取时间特征，以捕捉轨迹中的长期时间依赖关系；最后，我们将时间和空间特征合并，预测敌机的飞行轨迹。广泛的仿真实验验证了本文提出的方法相对于原始的CNN-LSTM方法在ADE和FDE指标上的预测精度提高了32%和34%。

本文旨在解决战斗机高速飞行、战术机动多样、战斗中情况瞬息万变等因素导致的飞行轨迹预测精度低的问题。

本文提出了一种增强的CNN-LSTM网络作为战斗机飞行轨迹预测方法，通过CNN提取空间特征，使用social-pooling模块汇总多个战机的空间特征，使用注意力机制捕捉空战中的变异轨迹特征，然后使用LSTM提取时间特征，最后将时间和空间特征合并以预测敌机的飞行轨迹。

本文的实验表明，与原始的CNN-LSTM方法相比，所提出的方法在ADE和FDE指标上的准确性提高了32％和34％。值得关注的是，本文使用了真实的战斗机飞行数据集进行实验，并且开源了代码。

近期的相关研究包括：1）基于深度学习的飞行轨迹预测方法；2）使用卷积神经网络（CNN）和长短期记忆网络（LSTM）的飞行轨迹预测方法；3）使用注意力机制的飞行轨迹预测方法。