FlightPatchNet: Multi-Scale Patch Network with Differential Coding for Flight Trajectory Prediction

准确的多步飞行轨迹预测在空中交通管制中起着重要作用，可以确保空中交通的安全。现有方法的飞行轨迹预测性能存在两个主要问题。第一个问题是数据范围差异导致预测准确度降低。第二个问题是现实世界中的飞行轨迹涉及潜在的时间依赖性，现有方法无法揭示隐藏的复杂时间变化，并且只从单个时间尺度提取特征。为了解决上述问题，我们提出了FlightPatchNet，这是一个多尺度补丁网络，具有飞行轨迹预测的差分编码。具体而言，FlightPatchNet首先利用差分编码将经度和纬度的原始值编码为一阶差分，并在每个时间步生成所有变量的嵌入。然后，引入全局时间注意力来探索不同时间步之间的依赖关系。为了充分探索飞行轨迹中不同的时间模式，我们精心设计了一个多尺度补丁网络作为骨干。多尺度补丁网络利用堆叠的补丁混合器块来捕捉不同时间尺度下的补丁内和补丁间依赖关系，并进一步整合不同尺度和变量之间的多尺度时间特征。最后，FlightPatchNet集成多个预测器进行直接的多步预测。在ADS-B数据集上的广泛实验表明，我们的模型优于竞争基线。代码可在https://github.com/FlightTrajectoryResearch/FlightPatchNet获得。

该论文旨在解决现有方法在航空交通控制中的飞行轨迹预测表现不佳的问题，主要涉及数据范围和时间依赖性的挑战。

该论文提出了FlightPatchNet模型，使用差分编码将经度和纬度的原始值编码为一阶差分，并在每个时间步生成所有变量的嵌入。然后引入全局时间注意力来探索不同时间步之间的依赖关系。为了充分探索飞行轨迹中的不同时间模式，该模型采用了多尺度补丁网络作为骨干网络，并利用堆叠的补丁混合器块来捕获不同时间尺度下的补丁间和补丁内的依赖关系，并进一步整合不同尺度和变量之间的多尺度时间特征。最后，FlightPatchNet集成多个预测器进行直接多步预测。

该论文在ADS-B数据集上进行了广泛的实验，证明了该模型优于竞争基线。此外，该论文还公开了代码。

在该领域的相关研究包括：1）基于深度学习的飞行轨迹预测方法，如基于LSTM的方法；2）使用注意力机制来探索时间依赖性的方法，如Transformer模型；3）利用图神经网络来建模飞行轨迹的方法，如GAT和GCN。