《Chinese Journal of Electronics》：An Intention-Aware Aircraft Trajectory Prediction Approach with Dynamic Caching Long- and Short-Term Flight State Representations
编辑推荐：
飞机航迹预测旨在根据动态代理（agent）的当前和历史飞行状态，预测其在三维空域中的未来状态。直观上，这些代理的历史飞行状态揭示了飞行员的意图，而意图直接影响其未来航迹。然而，现有方法难以处理飞行状态中的长程依赖（long-term dependencies）
飞机航迹预测旨在根据动态代理（agent）的当前和历史飞行状态，预测其在三维空域中的未来状态。直观上，这些代理的历史飞行状态揭示了飞行员的意图，而意图直接影响其未来航迹。然而，现有方法难以处理飞行状态中的长程依赖（long-term dependencies），并忽略了代理行为意图与其航迹之间的基本联系。为应对这些挑战，研究人员提出了一种混合缓存注意力编码器-解码器（cached attention encoder-decoder, CAED）框架用于飞机航迹预测，并将行为意图识别作为辅助任务。具体而言，CAED在编码器-解码器结构中引入了一个动态缓存（dynamic cache），以捕获目标历史与当前飞行状态表示之间的长程依赖。在训练过程中，研究人员提出了一种加性选择机制（additive selection mechanism），用于从每个记忆槽中选出对预测未来航迹贡献最大的相关历史状态。最后，研究人员设计了一个评分函数，并通过多任务学习（multi-task learning）联合训练模型。在两个飞机航迹预测数据集上的大量实验明确验证了所提出的CAED相比多种现有基线方法的优越性。
**论文解读：基于动态缓存长短时飞行状态表示的意图感知飞机航迹预测方法**
### 研究背景与问题
在空域交通管理中，安全始终是首要任务。随着航迹数据的指数级增长，空域管理和控制日益依赖数据驱动，这需要巨大的计算资源。在此背景下，准确的航迹预测不仅能帮助空域管理者做出明智的航路规划决策，还能提高空域利用效率并减少空中交通管制员的工作负荷。飞机航迹预测的目标是根据物体当前和历史的飞行状态（包括物理位置、欧拉角（Euler angles）和速度）预测其未来路径或运动。本质上，这可以表述为一个时间序列预测问题。传统方法如卡尔曼滤波（Kalman filter）、贝叶斯理论（Bayesian theory）和支持向量机（support vector machine, SVM）已被广泛使用，但如今正被更强大的深度学习模型所取代。然而，现有方法存在两个关键局限：第一，大多数方法使用固定长度或窗口大小处理航迹序列，可能导致被截断序列中的重要历史信息被丢弃，这对于通常预规划且很长的飞机航路尤其成问题；第二，以往工作主要关注运动特征建模，而忽略了行为意图与航迹之间的关键联系——历史状态能揭示行为意图，进而显著影响未来航迹。因此，研究人员受此内在耦合启发，开发了一个统一框架进行联合预测。
### 研究内容与结论
研究人员提出了一种混合缓存注意力编码器-解码器（CAED）框架。该框架受操作系统缓存结构启发，在编码器-解码器结构中引入精心设计的动态缓存，以捕获目标历史与当前飞行状态表示之间的长程依赖。缓存遵循键-值结构（key-value architecture），并设计了一个加性选择机制，从每个记忆槽中选出对预测未来航迹贡献最大的相关历史状态进行融合。融合后的上下文特征分别输入分类器和解码器，以预测目标的行为意图概率和未来航迹。同时，缓存根据预定义规则动态更新。最后，通过硬参数共享（hard parameter sharing）的多任务学习策略联合训练整个模型。实验在两个数据集（数字战斗模拟器DCS和指挥现代作战CMO）上进行，结果表明CAED在航迹预测和意图识别任务上均优于多种基线方法，包括传统方法（卡尔曼滤波、隐马尔可夫模型）和深度学习方法（LSTM、Mogrifier-BiGRU、Attention-LSTM、Transformer、扩散模型等）。消融研究验证了缓存模块和多任务学习策略的有效性。鲁棒性分析表明，在有限训练数据或信号丢失情况下，CAED仍保持稳定性能。
### 研究意义
该研究打破了固定输入长度的限制，通过预定义缓存规则手动控制模型需要记忆的上下文信息，使模型在不同场景下更鲁棒；同时建立了目标行为意图与航迹之间的关系，实现了两个紧密相关任务的联合建模。实验结果证明了CAED的优越性，为空中交通管理中的精确决策提供了支持。该论文发表在《Chinese Journal of Electronics》。
### 主要关键技术方法（不超过250字）
研究人员主要采用了以下关键技术方法：
1. **动态缓存机制**：在编码器-解码器结构中引入键-值架构的动态缓存，通过加性注意力（additive attention）从缓存中获取相关历史特征，并基于意图分类得分和衰减系数进行缓存更新。
2. **多任务学习框架**：采用硬参数共享策略，将意图识别作为辅助任务，与主任务航迹预测联合训练，总损失为均方误差（MSE）损失与交叉熵（CE）损失的加权和。
3. **加性选择机制**：用于在缓存取操作中计算当前编码器输出与缓存历史特征的注意力矩阵，加权融合得到上下文敏感嵌入。
4. **评分函数与缓存更新规则**：从意图分类器输出中选取最大概率作为缓存得分，引入得分衰减机制，并基于比较得分决定是否替换缓存中的特征。
数据集来源于DCS和CMO两个高保真模拟平台，包含7种预定义意图标签（如打击、佯攻、侦察等），由领域专家标注。
### 研究结果
#### 1. 主要航迹预测结果
在DCS和CMO数据集上，CAED在所有评估指标（MSE、RMSE、MAE、ADE、FDE）上均优于传统方法和多种深度学习基线。例如，在DCS数据集上，CAED的ADE和FDE显著低于Transformer、Attention-LSTM等模型。消融研究表明，移除缓存模块导致性能下降最明显，验证了缓存的关键作用。
#### 2. 主要意图识别结果
在意图识别任务上，CAED在DCS和CMO数据集上的微F1分数（micro-F1 score）均优于SVM、朴素贝叶斯、XGBoost、Bi-LSTM、Attention-BiGRU和Transformer等模型。在DCS数据集的开发集和测试集上分别达到0.915和0.797的F1分数。
#### 3. 参数分析
- **超参数α**：控制当前输入与历史信息的融合比例，α=0.85时航迹预测性能最佳；意图识别在α=0.80时F1分数最高。
- **缓存大小**：航迹预测在缓存大小为16时最优；意图识别随缓存增大而改善，最大32时F1最高。
- **缓存更新方法**：基于得分的更新方法在航迹预测和意图识别上均优于先进先出（FIFO）、先进后出（FILO）和随机方法。
#### 4. 鲁棒性分析
- **有限训练数据**：仅用25%训练数据时，CAED的ADE和FDE远低于所有基线模型（如LSTM、Mogrifier-BiGRU等），且意图识别F1分数稳定优于其他方法。
- **信号丢失**：当输入序列中连续10个或20个时间步被替换为零时，CAED仍保持较低误差（如10步丢失时开发集ADE=0.0744），而基线模型性能大幅恶化（如Mogrifier-BiGRU的ADE=0.5095）。
#### 5. 缓存可视化
可视化显示，缓存机制选择性捕获具有显著状态变化（特别是高度变化）的航迹片段，且缓存特征更集中于输入序列附近，验证了得分衰减机制的有效性。
### 讨论与结论
讨论部分指出，当前的CAED方法在计算复杂度和缓存大小优化方面存在局限。未来工作可探索自适应缓存管理策略，并扩展模型处理更复杂的多飞机场景。研究人员认为CAED将在各种空中交通应用中具有实际意义，能在关键情况下支持更准确和明智的决策。
**结论翻译**：本文提出了飞机航迹预测和意图识别的一种新解决方案，强调了飞机战术意图与其航迹之间的联系。所提出的CAED模型引入了缓存机制，有效捕获了历史飞行特征与当前输入特征之间的相互依赖关系。大量实验表明，CAED模型在意图识别和飞行航迹预测方面优于其他模型。围绕缓存机制和注意力机制进行的消融研究进一步验证了这些模块在所提出模型中的有效性。尽管取得了这些有前景的结果，当前方法在计算复杂度和缓存大小优化方面仍存在局限性。未来研究可探索自适应缓存管理策略，并将模型扩展到处理更复杂的多飞机场景。研究人员设想CAED模型将在各种空中交通应用中具有实际意义，能够在关键情况下实现更准确和明智的决策。
