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！

龙图腾网获悉中电普信(长沙)科技发展有限公司申请的专利一种航空航天设备长期运动轨迹预测方法和装置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：CN118211699B 。

龙图腾网通过国家知识产权局官网在2025-08-05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：202410229150.3，技术领域涉及：G06Q10/04；该发明授权一种航空航天设备长期运动轨迹预测方法和装置是由曾梦祺;瞿继双设计研发完成，并于2024-02-29向国家知识产权局提交的专利申请。

本一种航空航天设备长期运动轨迹预测方法和装置在说明书摘要公布了：本发明公开一种航空航天设备长期运动轨迹预测方法和装置，包括：步骤S1、确定长期运动轨迹预测任务的输入特征与输出特征类型；步骤S2、获取同种或同类型设备在同类型任务中的长期运动轨迹数据；步骤S3、根据长期运动轨迹数据训练深度学习模型；步骤S4、将待处理的运动轨迹预测任务输入到训练好的深度学习模型进行长期运动轨迹预测。采用本发明的技术方案，提高预测准确率，鲁棒性强，且训练过程稳定高效。

本发明授权一种航空航天设备长期运动轨迹预测方法和装置在权利要求书中公布了：1.一种航空航天设备长期运动轨迹预测方法，其特征在于，包括： 步骤S1、确定长期运动轨迹预测任务的输入特征与输出特征类型； 步骤S2、获取同种或同类型设备在同类型任务中的长期运动轨迹数据； 步骤S3、根据长期运动轨迹数据训练深度学习模型； 步骤S4、将待处理的运动轨迹预测任务输入到训练好的深度学习模型进行长期运动轨迹预测； 步骤S1中，所述输入特征与输出特征类型由侦察设备性能和实际作战任务需求所确定； 步骤S3中，所述深度学习模型为基于Informer模型的深度学习模型； 步骤S3中，采用基于梯度下降的优化器训练基于Informer模型的深度学习模型； 步骤S2中，在[0,1]×[0,1]的区域内随机生成由l+1条直线段和l条圆弧交替连接所构成的轨道，l＝0,1,2,3的概率分别设定为0.1,0.2,0.5,0.2；轨道模式包含pass模式和return模式两种，pass模式下单元到达轨道终点后终止，轨道总长度不低于0.6，return模式下单元到达轨道终点后原路返回，保持速度大小不变，轨道总长度不低于0.2，概率分别设定为0.7,0.3；侦察单元速度服从[0.002,0.005]上的均匀分布，采样时间间隔为1s；由以上条件采样得到100000条长度为120的轨迹，每条轨迹每一时刻包含位置和速度共计4个维度的特征； 对每条轨迹的每个时刻以概率p施加遮挡，以模拟实战中观测缺失的情形，对每条轨迹中未加遮挡的位置i，设置掩码mask[i]＝1，否则设置掩码mask[i]＝0，并将轨迹数据中对应的x[i]的4个维度特征清零；为了涵盖不同侦察能力下的轨迹数据，将每条轨迹遮挡概率取p＝0.0,0.15,0.5,0.8的概率分别设定为0.2,0.3,0.4,0.1，由上述条件采样，得到100000条带有遮挡的轨迹x以及对应的100000个掩码序列mask，将其随机分为训练集64000条、验证集16000条和测试集20000条轨迹，用于轨道预测的深度学习模型训练与选择； 预测任务的历史轨迹m和预测轨迹长度n由训练任务确定；对每条轨迹采样得到长度为m+n的连续序列，序列起始时刻服从[1,121-m-n]上的均匀分布； 深度学习模型结构分为编码器和解码器，编码器以历史轨迹为输入，交替通过k个自注意力层和k-1个一维卷积层对其进行编码，得到历史轨迹的特征表示；解码器以历史轨迹和与预测轨迹长度相同的占位符为输入，交替通过l个互注意力层和l-1个一维卷积层，同时，编码器输出的FeatureMap还会作为输入通入每个互注意力层，由解码器对其进行解码，最后通过一个全连接层得到长度与占位符相同的预测轨迹； 取自注意力层数k＝3，互注意力层数l＝2，历史轨迹长度Lh＝30，预测轨迹长度Lp＝60或Lp＝1，模型输入及编码、解码过程中的特征维度Dmodel＝256，学习率lr＝0.0001； 自注意力层与互注意力层对历史轨迹整体进行编码和解码；对输入张量X＝{x1,…xn}B×n×4，以xi B×4表示一条轨迹中第i个时刻的特征表示，自注意力层与互注意力层的计算方式如下： 通过三个线性层Linearq,Lineark,Linearv分别对X进行变换，得到输入X的查询特征键特征和值特征 对每个位置i，计算查询特征qi与各个键特征kj的内积，并做Softmax归一化变换，得到注意力权值aqi,kj，以此对各个值特征vj加权求和，并引入残差机制，得到输出张量中位置i上的特征表示： zi＝∑jaqi,kj·vj+xi 上式以张量形式可表示为： Z＝AQ,K·V+X 该式中的Q,K,V分别表示LinearqX,LinearkX,LinearvX，注意力张量A的计算方式为： AQ,K＝SoftmaxQ·K 将Attention输出通入层归一化层LN1，然后依次通过两个一维卷积层Conv1,Conv2进行变换，再引入残差机制通过层归一化层LN2，得到自注意力层的最终输出： 在互注意力层中，对Attention输出Z的计算则要同时考虑自注意力和互注意力；自注意力通入层归一化层LN；互注意力的部分则是将中的键特征K和值特征V替换为Lineark,Linearv对历史轨迹特征表示Feature的变换，再按自注意力的计算方式进行计算，最后对上述两项引入残差机制： 其中，分别表示LinearkFeature和LinearvFeature； 各个线性层Linear的输入输出维度均为256，各个一维卷积层Conv的输入输出维度均为256，卷积核大小为1，激活函数Activate为ELU； 轨迹序列原始数据的特征维度为4，对其先进行编码，将其变换为高维特征序列Dmodel维； 原始数据编码包含特征编码与位置编码两部分；特征编码通过一个一维卷积层Conv将4维的原始数据变换为Dmodel维的特征表示，该层的输入输出维度分别为4和Dmodel： EmbtokenX＝ConvX 位置编码采用Transformer中的编码方式，是一个仅和时刻位置与维度位置有关的时间戳： 其中，pos表示序列中的时刻位置，2j和2j+1表示特征表示的维度位置，Lx是常数；对于固定的偏移步数o，PEpos+o可由PEpos和PEpos+1或PEpos-1以定常系数线性表示； 完整的原始数据编码表示为： EmbX＝EmbtokenX+PE。

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中电普信(长沙)科技发展有限公司，其通讯地址为：410000 湖南省长沙市开福区伍家岭街道栖凤路486号凯乐微谷商务中心2420-2427、2434号房；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”。