《Electronics》：Flight Data-Driven LSTM-Family Models for Resource-Aware Edge Deployment in Aerial Systems: A Review and Methodological Evaluation
飞行数据驱动建模已成为无人机及其他空中系统轨迹预测、异常检测和风险评估的重要方法。此类数据通常具有高维、非线性、多速率和非平稳特性，尤其是在机动飞行、环境扰动和任务阶段转换期间。传统的基于物理的方法和浅层机器学习模型在这些条件下通常适应性有限，而长短期记忆（LSTM）网络及其变体在学习复杂飞行序列的时间依赖性方面显示出巨大潜力。本文综述了LSTM系列模型在飞行数据分析中的发展和应用，同时关注方法性能和资源感知部署。所综述的模型包括基本LSTM、双向LSTM（BiLSTM）、卷积神经网络-LSTM（CNN-LSTM）、卷积LSTM（ConvLSTM）、LSTM自编码器（LSTM-AE）、注意力增强LSTM、基于图的LSTM和不确定性感知LSTM。它们的应用在三个主要领域进行了讨论：飞行轨迹预测、异常检测和风险评估。除了预测精度，本综述还考察了对分布偏移的鲁棒性、物理一致性、异常的可解释性、不确定性估计和机载实现。提出了一个四层十维评估框架，涵盖数据特征、模型性能、物理机制一致性和系统工程约束。证据表明，模型大小、运行时内存、计算成本、推理延迟、能耗和目标硬件通常报告不足，而直接的定量机载验证仍然很少。这一差距凸显了标准化部署报告的必要性。
**1. 引言 (Introduction)**
**1.1. 背景与动机 (Background and Motivation)**
飞行数据驱动建模对于无人机（UAV）等空中系统的轨迹预测、异常检测和风险评估至关重要。飞行数据通常具有高维、非线性、非平稳和多速率特性，传统方法适应性有限。长短期记忆（LSTM）网络及其变体通过缓解递归神经网络（RNN）的长期依赖和梯度消失问题，在捕获飞行状态动态演变方面表现出色。研究已从基本LSTM扩展到多维异常类型和复杂时空相关性，包括混合架构（如CNN-LSTM、ConvLSTM）、LSTM自编码器（LSTM-AE）、注意力机制、图神经网络、物理约束、不确定性估计和轻量级模型压缩技术。然而，现有文献缺乏同时涵盖架构演进、应用范式和工程部署的综合综述。本文提出一个四层十维评估框架，综合考虑预测和检测精度、分布偏移鲁棒性、物理一致性、异常可解释性、不确定性量化和计算资源约束，并针对轨迹预测、异常检测和风险评估三个互补应用领域展开分析。
**1.2. 综述方法 (Review Methodology)**
文献检索覆盖IEEE Xplore、Scopus、Web of Science和ScienceDirect，时间范围为2018年至2026年第一季度，结合四组关键词（LSTM系列、空中系统领域、飞行数据应用、资源感知部署）。通过两阶段筛选（标题/摘要和全文），从120余篇候选记录中选取约60篇核心研究进行详细评述。由于研究在数据源、飞机平台、飞行阶段、预测视界、异常定义等方面存在显著异质性，采用叙事综合而非形式化元分析，并基于问题清晰度、数据集描述、基线比较和报告完整性进行定性质量评估。
**2. 飞行数据特征与安全状态评估基础 (Flight Data Characteristics and Fundamentals of Safety-State Assessment)**
**2.1. 飞行数据来源、类型与关键参数 (Sources, Types, and Key Parameters of Flight Data)**
飞行数据主要来源于机载快速存取记录器（QAR）、广播式自动相关监视（ADS-B）系统、专用数据库和地面辅助信息源。数据类型包括空间位置数据、运动状态数据、环境数据、系统数据和运行数据，关键参数涵盖三维/四维坐标、飞行速度、姿态角、爬升率、航迹角等。开放研究基础设施如OpenSky Network、TrajAir和TartanAviation提高了飞行数据建模的可重复性。
**2.2. 飞行数据的时间特征与分析挑战 (Temporal Characteristics and Analysis Challenges of Flight Data)**
飞行数据构成高维、高度非线性、非平稳且多速率耦合的复杂时间序列，具有强时间依赖性、剧烈动态变化和多维交织特性。采样率不一致导致多速率多变量时间序列（Multirate Multivariate Time Series）。分析困难主要体现在长期时间依赖性建模、非线性耦合关系复杂性以及动态扰动和过拟合风险。
**2.3. 飞行安全状态评估的典型任务 (Typical Tasks in Flight Safety-State Assessment)**
飞行安全状态评估涵盖轨迹合规性评估、异常机动识别、时间异常检测、动态风险预测和安全等级分类。本文将这些任务整合为三个更高层次的应用类别：轨迹预测、异常检测和风险评估，分别对应预测、诊断和决策支持。
**3. 面向飞行数据建模的LSTM系列架构演进 (Evolution of LSTM-Family Architectures for Flight-Data Modeling)**
**3.1. 时间依赖性建模 (Temporal Dependency Modeling)**
LSTM通过选择性保留历史信息提供基础时间表征能力，适用于因果机载预测和低延迟监控。双向LSTM（BiLSTM）通过前向和后向处理增强离线分析性能，但需完整输入窗口，不适合严格因果流式推理。EC-Bessel-BiLSTM模型结合PID误差补偿，实现亚米级预测精度和亚0.1秒响应时间。
**3.2. 局部时空表征 (Local Spatiotemporal Representation)**
**3.2.1. 一维卷积与轨迹流形映射 (1D Convolution and Trajectory Manifold Mapping)**
一维卷积神经网络（1D-CNN）在时间窗口内进行局部加权扫描，提取局部趋势和几何形态特征。CNN-LSTM模型结合注意力机制和社会池化模块，在空战机动场景中平均位移误差（ADE）和最终位移误差（FDE）分别改善32%和34%。
**3.2.2. 嵌套架构与深度特征嵌入 (Nested Architecture and Deep Feature Embedding)**
卷积增强LSTM架构分为CNN-LSTM和ConvLSTM。CNN-LSTM将卷积层作为前端模块，适用于一维多变量序列；ConvLSTM将卷积操作融入递归状态更新，适合网格状时空输入（如气象场）。两者在飞行轨迹预测和天气扰动建模中均有应用。
**3.2.3. 统计平稳性、优化稳定性、平滑性与归一化的区分 (Distinguishing Statistical Stationarity, Optimization Stability, Smoothness, and Normalization)**
统计平稳性是随机过程属性，弱平稳性仅在足够短的操作均匀窗口内近似成立。数值稳定性、时间平滑性和特征归一化是不同的概念，不应混淆。信号分解方法（如CEEMDAN）可简化非平稳信号但不保证平稳性。
**3.3. 非欧几里得图空间中的拓扑扩展 (Topological Extension in Non-Euclidean Graph Spaces)**
**3.3.1. 航空网络图构建 (Graph Construction for Aviation Networks)**
空中交通网络可抽象为加权有向图G=(V, E)，节点V代表机场、航路交叉点或扇区，边E表示物理连接或逻辑关联。图卷积网络（GCN）处理邻接矩阵，捕获动态时空交互。图注意力网络（Graph Attention Networks）赋予相邻节点自适应权重。
**3.3.2. 图-时间融合架构 (Graph–Temporal Fusion Architectures)**
AGC-LSTM架构通过GCN层处理空间拓扑关系，结合注意力机制动态分配扇区流量影响权重，在复杂扇区流量预测中表现优于纯时间模型。机场系统延误预测中，图神经网络聚合多属性机场节点信息，有效建模延误传播机制。
**3.3.3. 动态图建模中的稳定性与正则化 (Stability and Regularization in Dynamic Graph Modeling)**
自适应邻接学习、多尺度图-时间融合和图正则化（如拉普拉斯正则化）可提高训练稳定性，但不保证统计平稳性或数值稳定性。
**3.4. 全局、概率与资源感知扩展 (Global, Probabilistic, and Resource-Aware Extensions)**
**3.4.1. 注意力增强LSTM (Attention-Enhanced LSTM)**
注意力机制自适应强调关键时间步或属性，实现从局部递归到全局特征捕获的范式转换。属性控制门动态调整不同参数的贡献权重。
**3.4.2. 重建感知LSTM (Reconstruction-Aware LSTM)**
LSTM自编码器（LSTM-AE）和VAE-LSTM通过重建残差识别异常，减少对标记故障样本的依赖，但性能强烈依赖于重建阈值选择和训练数据纯度。
**3.4.3. 不确定性感知LSTM (Uncertainty-Aware LSTM)**
不确定性感知LSTM模型估计置信区间或预测分布，对风险评估尤其重要，但需跨飞行阶段和运行环境进行校准。
**3.4.4. 特征降维、模型压缩与硬件感知部署 (Feature Reduction, Model Compression, and Hardware-Aware Deployment)**
资源感知部署需在输入空间降维、模型级压缩和硬件加速三个层面考虑。输入降维方法包括最大相关最小冗余（mRMR）、核主成分分析（KPCA）等；模型压缩包括剪枝、低秩分解、量化和知识蒸馏；硬件加速利用现场可编程门阵列（FPGA）、数字信号处理器（DSP）和嵌入式图形处理器（GPU）。算法-硬件协同设计需考虑表示能力、安全性能和计算成本。
**3.5. 比较总结与模型选择指导 (Comparative Summary and Model-Selection Guidance)**
标准LSTM适用于因果时间建模，BiLSTM适合离线分析，CNN-LSTM/ConvLSTM改善局部时空表征，图LSTM适合系统级网络，注意力增强模型提高关键特征识别，不确定性感知模型适用于概率风险评估。轻量级压缩需平衡压缩比与精度、故障敏感性和不确定性校准。图2总结了飞行数据结构、LSTM系列架构、应用任务和部署约束之间的对应关系。
**4. 飞行应用驱动的LSTM变体演进与应用范式 (Evolution and Application Paradigms of LSTM Variants Driven by Flight Applications)**
**4.1. 轨迹与状态预测 (Trajectory and State Prediction)**
**4.1.1. 时空特征融合机制：从局部递归到全局建模 (Spatiotemporal Feature Fusion Mechanism: From Local Recurrence to Global Modeling)**
Att-Conv-LSTM模型通过混合卷积LSTM架构融合气象空间特征与航班延误时间序列特征，在京津冀地区四个机场的实验中，均方根误差（RMSE）从17.52分钟降至10.31分钟。
**4.1.2. 物理约束的嵌入 (Embedding of Physical Constraints)**
受物理约束的LSTM网络将飞行阶段动力学特性转化为损失函数正则化项，使用DBSCAN算法自动识别飞行阶段，在爬升、巡航和进近阶段中平均高度误差降至9.96米，比标准LSTM降低82%。
**4.1.3. 自适应在线增量学习与突变轨迹变化跟踪 (Adaptive Online Incremental Learning and Abrupt Trajectory Change Tracking)**
增量RLSTM在无人机机动飞行场景中实现三维预测误差6.25米，优于LSTM和BiLSTM基线。
**4.1.4. 效率优化范式：计算复杂度与预测精度的权衡 (Efficiency Optimization Paradigm: Trade-Off Between Computational Complexity and Prediction Accuracy)**
Sta_POS NARX模型通过相关性特征分析选择强相关变量，训练效率提升3-5倍，预测R2为0.99，表明深层架构并非总是最优。
**4.2. 异常状态检测 (Abnormal State Detection)**
**4.2.1. 基于LSTM-AE的无监督异常检测 (Unsupervised Anomaly Detection Based on LSTM-AE)**
LSTM-AE框架通过重建误差进行异常判别。模式注意力递归自编码器捕获时间数据块，增强异常可解释性。Savitzky-Golay滤波和最大信息系数（MIC）参数选择在Thor Flight 69数据集上实现100%真阳性率。多任务学习框架在无人机高度数据集上达到95.47%准确率。
**4.2.2. 基于时空相关性的回归检测方法 (Regression-Based Detection Method Driven by Spatiotemporal Correlations)**
基于神经网络相关分析的方法捕获非线性时空相关性，在Clouds固定翼无人机数据集上对偏置异常、静止异常和点异常实现100%检测精度，异常恢复均方误差（MSE）比支持向量回归（SVR）等基线降低92.1%。1D CNN与LSTM结合提取局部特征和长期时间依赖性，结合指数加权移动平均滤波抑制虚警。
**4.3. 风险概率预测 (Risk Probability Prediction)**
**4.3.1. 关键风险的概率预测与评估 (Probabilistic Prediction and Assessment of Key Risks)**
针对起飞轮胎超速风险，结合分位数分析、Bootstrap置信区间和双层LSTM构建五级概率风险分级系统。不稳定进近预测在89个欧洲机场实现30-60秒预警提前量和98.94%检测率。物理信息多模态架构用于同轴无人机涡环状态风险预警。
**4.3.2. 无人机传感器与执行器的鲁棒故障监测范式 (Robust Fault Monitoring Paradigm for UAV Sensors and Actuators)**
基于LSTM的预测-残差检测框架通过99%置信区间实现无监督点异常识别。双阈值联合策略在BASIC数据集上实现陀螺仪故障检测精度超过94%。不确定性感知LSTM（UA-LSTM）通过双向相空间重构和高斯混合模型（GMM）聚类自适应阈值，对小幅执行器偏置故障检测精度达83.58%。
**4.4. 高级融合应用 (Advanced Fusion Applications)**
**4.4.1. 基于感知-控制协调的闭环优化范式 (Closed-Loop Optimization Paradigm Based on Perception–Control Coordination)**
DeFRA框架利用LSTM提取时间特征，通过深度确定性策略梯度控制器联合优化无人机航向、速度和通信资源分配，在连续动作空间中使丢包率降低15%以上。条件LSTM自编码器（C-LSTM-AE）与残差故障检测与隔离（FDI）相结合，实现闭环容错控制。
**4.4.2. 基于多源集成的跨域知识迁移范式 (Cross-Domain Knowledge Transfer Paradigm Based on Multi-Source Integration)**
MSETL-AD框架利用动态时间规整（DTW）量化源域与目标域相似性，结合注意力机制增强关键时间特征提取，在真实飞行测试数据中偏置和漂移异常检测准确率分别达91.90%和93.02%。
**4.4.3. 基于多模态感知的复杂环境导航增强范式 (Complex-Environment Navigation Enhancement Paradigm Based on Multimodal Perception)**
LSTM增强多传感器融合导航系统集成单目视觉里程计、调频连续波（FMCW）雷达高度估计和扩展卡尔曼滤波，在113秒全球导航卫星系统（GNSS）中断期间横向速度误差降低54.33%。
**5. 飞行数据驱动LSTM系列模型的多维度评估框架 (A Multidimensional Evaluation Framework for Flight-Data-Driven LSTM-Family Models)**
**5.1. 航空工程四层综合评估基础 (A Four-Layer Comprehensive Evaluation Foundation for Aeronautical Engineering)**
评估框架包含四个互补层：数据算法层（时空表征、非平稳输入鲁棒性、属性感知）、模型性能层（任务精度、累积空间漂移、泛化与分布外鲁棒性、不确定性量化）、物理机制层（航空动力学与运动学一致性、异常可追溯性）和系统工程层（机载尺寸、重量、功率、计算资源需求、端到端实时性能）。包含十维可测量指标，定义在表6中。
**5.2. 三大核心应用评估导向 (Evaluation Orientation for Three Core Applications)**
**5.2.1. 预测导向应用 (Prediction-Oriented Applications)**
需联合考虑逐点预测精度、累积空间漂移、未见运行条件鲁棒性、物理一致性和部署延迟。指标包括RMSE、平均绝对误差（MAE）、R2、ADE、FDE，以及因果结构、输入窗口缓冲和端到端延迟。
**5.2.2. 异常检测导向应用 (Anomaly Detection-Oriented Applications)**
重点评估F1分数、曲线下面积（AUC）、虚警率、漏检率、最小可检测故障幅度和轨迹变化鲁棒性，需提供故障通道定位和计算成本。
**5.2.3. 风险评估导向应用 (Risk Assessment-Oriented Applications)**
强调分布偏移鲁棒性、不确定性校准、预警提前量、预警连续性和决策可解释性。指标包括预测区间覆盖概率（PICP）、归一化平均预测区间宽度（MPIW）、校准误差、Brier分数等。
**5.3. 报告部署证据与报告差距 (Reported Deployment Evidence and Reporting Gaps)**
表5总结代表性研究的部署相关证据，显示87.5%的LSTM系列研究未报告任何定量部署指标，仅12.5%报告至少一项执行时间、计算复杂度、模型规模或硬件配置，仅6.25%提供直接定量机载验证。大多数研究忽略序列化模型大小、运行时内存、数值精度、浮点运算次数（FLOPs）或乘累加运算次数（MACs）、功耗和目标硬件配置。
**5.4. 评估框架的操作化与示例证据分析 (Operationalization and Illustrative Evidence Profiling of the Evaluation Framework)**
**5.4.1. 归一化与聚合规则 (Normalization and Aggregation Rules)**
仅在预定义可比组内进行定量评分，指标归一化至[0,1]区间并转换为0-100分，等权重加权平均计算总分。当证据覆盖率低于70%时仅呈现多维证据轮廓。
**5.4.2. 缺失与不适用信息的处理 (Treatment of Missing and Non-Applicable Information)**
不适用指标标记为“NA”并排除，适用但未报告标记为“NR”且不赋分，计算证据覆盖率。
**5.4.3. 强制性可行性要求 (Mandatory Feasibility Requirements)**
物理一致性、机载资源可行性和实时性作为非补偿性要求，违反则模型被归类为不可行。实时性要求端到端延迟小于采样或控制回路周期。
**6. 讨论与局限性 (Discussion and Limitations)**
**6.1. 证据综合与跨研究可比性 (Evidence Synthesis and Cross-Study Comparability)**
所综述证据支持条件性结论而非普遍性优越性。卷积增强LSTM在局部时空模式明确时有用，图架构在存在显式关系网络时更相关，物理约束模型可减少不合理输出，但证据依赖任务和设置。资源感知机载部署证据远不完整，术语“轻量级”“实时”“在线”需谨慎解读。
**6.2. 本综述的局限性 (Limitations of This Review)**
研究在数据源、飞机平台、飞行阶段、预测视界、异常定义等方面存在显著异质性，妨碍直接定量比较。许多研究未完整报告实验和部署条件，限制可重复性。多维度评估框架主要为结构化方法学综合，而非统计验证评分系统。公开航空数据集在空域类型、感知模态、地理覆盖和标注粒度上存在差异，未构成统一基准。
**7. 结论与未来方向 (Conclusions and Future Directions)**
基于特定研究证据，三个主要观察：LSTM系列架构的价值取决于数据结构和目标应用；轨迹预测、异常检测和风险评估需要差异化评估标准；特征降维、模型压缩和硬件加速为缩小算法验证与机载实现差距提供潜在途径，但部署证据仍不完整。未来应发展因果流式LSTM系列模型，加强跨飞机、跨航路、跨机场泛化，建立可迁移动态图构建机制，系统校准不确定性估计，集成物理信息约束和因果可解释性，并推动模型-硬件协同设计、标准化飞行数据集和统一基准协议。未来研究应透明报告可训练参数、序列化模型大小、峰值运行时内存、FLOPs或MACs、数值精度、目标硬件、输入窗口长度、批量大小、端到端延迟、运行速率、平均功耗和单次推理能耗。
