基于噪声协方差矩阵实时估计和 LSTM-IMM 的 4D 航迹预测方法研究

本文首先介绍了 TBO 思想的发展，分析了 4D 航迹预测的重要性以及研究背景，总结了 4D 航迹预测方法的分类并介绍了国内外研究进展，随后给出了基于噪声协方差矩阵实时估计的 IMM 短期航迹预测方法和基于 LSTM-IMM 的短期 4D 航迹预测方法，具体如下：

(1) 为提高 IMM 算法的航迹预测性能，本文在传统 IMM 算法基础上，提出了基于噪声协方差矩阵实时估计的 IMM 短期航迹预测方法。首先建立基于新息的噪声协方差矩阵实时估计 CV 和 CA 卡尔曼滤波航迹预测模型，然后利用模型匹配似然函数修正模型概率实现 CV 和 CA 卡尔曼滤波的交互，构建基于噪声协方差矩阵实时估计的 IMM 短期航迹预测方法，利用真实航迹数据对算法预测性能进行了验证，实验结果表明此方法有较好的预测精度。

(2) 为了对时间维度进行预测并进一步提高经度、纬度、高度的预测精度，本文提出了基于 LSTM-IMM 的短期 4D 航迹预测方法, 将改进 IMM 算法的估计能力和 LSTM 神经网络的学习能力结合。在时间维度方面，以相邻航迹点之间的时间间隔为特征，构建 LSTM 神经网络模型。在经度、纬度、高度方面，构建 LSTM-IMM 神经网络模型，网络输入为历史航迹数据和改进 IMM 算法的参数信息，网络输出为改进 IMM 算法预测值和真实航迹数据的误差值。并将航班的真实飞行数据作为实验数据，对算法的有效性进行检验，结果表明此方法明显提升了爬升和下降阶段的预测精确度，并对航迹突变值有更快的响应速度，且可以很好地预测时间。

该论文介绍了 4D 航迹预测方法的分类以及基于噪声协方差矩阵实时估计的 IMM 短期航迹预测方法和基于 LSTM-IMM 的短期 4D 航迹预测方法。总体而言，该论文提出了两种方法来改进航迹预测的精度和准确性。

在第一种方法中，作者通过建立基于噪声协方差矩阵实时估计的 CV 和 CA 卡尔曼滤波航迹预测模型，实现了 CV 和 CA 卡尔曼滤波的交互，从而提高了 IMM 算法的航迹预测性能。通过实验证明，该方法具有较好的预测精度。

在第二种方法中，作者将改进的 IMM 算法的估计能力和 LSTM 神经网络的学习能力结合起来，提出了基于 LSTM-IMM 的短期 4D 航迹预测方法。该方法在时间维度上利用相邻航迹点之间的时间间隔构建 LSTM 神经网络模型，在经度、纬度、高度方面构建 LSTM-IMM 神经网络模型，从而提高了预测精度。实验结果表明，该方法对爬升和下降阶段的预测精确度有显著提升，并对航迹突变值有更快的响应速度，同时还可以很好地预测时间。

综上所述，该论文提出了两种改进航迹预测方法，并通过实验证明了它们的有效性和预测精度。这些方法对于航空交通管理和飞行安全具有重要意义。然而，评审人员建议在论文中进一步详细介绍方法的原理和实验设计，并对实验结果进行更全面的分析和讨论，以提高论文的完整性和可读性。