基于事件驱动的时空计算用于鲁棒航班到达时间预测:一种概率性脉冲Transformer方法

《Aerospace》:Event-Driven Spatiotemporal Computing for Robust Flight Arrival Time Prediction: A Probabilistic Spiking Transformer Approach Quanquan Chen and Meilong Le

【字体: 大 中 小 】 时间:2026年03月06日 来源:Aerospace 2.5

编辑推荐:

  在终端机动区(Terminal Maneuvering Areas, TMA)内,精确的预计到达时间(Estimated Time of Arrival, ETA)预测是实现高效到达排序和空域容量管理的前提。尽管数据驱动方法优于运动学模型,但传统的循环神经网络

  
在终端机动区(Terminal Maneuvering Areas, TMA)内,精确的预计到达时间(Estimated Time of Arrival, ETA)预测是实现高效到达排序和空域容量管理的前提。尽管数据驱动方法优于运动学模型,但传统的循环神经网络(Recurrent Neural Networks, RNNs)在建模复杂多机空间交互方面存在局限性,且缺乏量化预测不确定性的能力。相反,脉冲神经网络(Spiking Neural Networks, SNNs)可实现能效型事件驱动计算,但它们在连续轨迹回归中的适用性受到“输入饥饿”的阻碍,即归一化状态向量无法诱发足够的神经发放率。本研究提出了一种概率性脉冲Transformer(Probabilistic Spiking Transformer, PST)架构,以整合神经形态稀疏性与全局注意力机制。研究人员引入了一种包含可学习线性投影的自适应脉冲时序编码(Adaptive Spiking Temporal Encoding)机制,以解决回归-脉冲不兼容问题,从而无需启发式缩放即可将连续轨迹动态自主映射为稀疏脉冲序列。同时,一个距离偏置多机交叉注意力(Distance-Biased Multi-Aircraft Cross-Attention, MACA)模块通过根据物理邻近性加权空间交互来建模空中交通冲突,从而将间隔约束嵌入特征提取过程。在大规模真实ADS-B数据集上的评估表明,PST的平均绝对误差(Mean Absolute Error, MAE)为49.27秒,相对于标准LSTM基线减少了60%的误差。此外,该模型生成了校准良好的概率分布(预测区间覆盖概率 > 94%),为基于风险的决策支持提供了可量化的不确定性指标,同时确保了适用于实际部署的实时推理能力。
**论文解读:基于概率性脉冲Transformer的鲁棒航班到达时间预测**

**研究背景与问题**
全球航空交通的持续增长对终端机动区(TMA)施加了巨大压力,高密度交通流在严格安全间隔标准下汇聚与分散。精确的预计到达时间(ETA)预测是轨迹基运行(TBO)和到达排序系统的基础,能够优化着陆序列、减少等待燃油消耗并提升跑道吞吐量。然而,TMA环境具有随机动态特性,包括频繁的引导、高度修正和复杂机间交互,使得鲁棒短期轨迹预测成为持续运行挑战。传统运动学模型(如BADA)物理可解释但适应性有限,而数据驱动方法(如LSTM、GRU)虽表现出色,却受限于顺序计算瓶颈,难以捕捉全局时间上下文,且多为确定性模型,无法提供预测不确定性量化,这对安全关键的空管决策至关重要。脉冲神经网络(SNN)以其事件驱动计算和低能耗潜力成为可行方案,但应用于连续轨迹回归时面临“输入饥饿”问题——归一化状态向量无法触发足够神经发放率,导致“死亡神经元”和模型退化。此外,现有SNN缺乏对邻近飞机空间交互的显式建模。为此,本研究提出了一种概率性脉冲Transformer(PST)框架,旨在融合SNN的事件驱动稀疏性与Transformer的全局建模能力,实现鲁棒且可解释的终端区ETA预测。该论文发表在《Aerospace》。

**关键技术方法**
研究人员采用了以下主要技术方法:(1)自适应脉冲时序编码(Adaptive Spiking Temporal Encoding):通过可学习线性投影层将连续轨迹特征映射为高维潜电流,解决“输入饥饿”并确保鲁棒脉冲生成;(2)事件驱动自注意力(Event-Driven Self-Attention, EDSA):利用脉冲掩码实现对数级门控机制,仅对活跃时间步计算注意力,降低计算冗余;(3)距离偏置多机交叉注意力(MACA):为显式建模多机空间交互,通过对数距离偏置加权邻近飞机特征,物理接近性约束嵌入注意力计算;(4)概率解码头(Gaussian Decoder Head):输出预测均值与异方差不确定性,使用混合损失函数(负对数似然+MAE)训练。实验数据来源于中国东部某主要TMA在2018年全年采集的ADS-B数据,经分层随机抽样(每月3天,共36天)得到12,450条到达轨迹,按时间顺序划分训练/验证/测试集。

**研究结果**
**4.1 数据集描述与实验设置**
通过真实ADS-B数据预处理(地区筛选、轨迹清洗、正则化、邻域关联)构建数据集,并设置LSTM、GRU、TCN、标准Transformer、GAT-LSTM等基线模型。评估指标包括MAE、RMSE、CRPS、PICP。

**4.2 比较性能分析**
定量评估表明,PST在全年采样测试集上MAE为49.27秒,RMSE为71.15秒,相比LSTM基线误差降低约61.6%,相比标准Transformer降低27.8%。概率校准方面,CRPS为33.85,预测区间覆盖概率(PICP)达97.12%,超过理论最优95%,说明不确定性量化可靠。回归一致性图中预测值紧密分布于恒等线附近,无饱和或平线伪影,验证了自适应编码对“输入饥饿”的缓解。

**4.3 消融研究**
通过移除脉冲动力学(标准Transformer)、移除MACA(无交互)、移除距离偏置(标准交叉注意力)三种变体进行消融。结果显示:移除MACA导致MAE增加47.6%(至72.10秒),表明多机交互建模在密集终端区至关重要;替换脉冲编码器为标准Transformer使MAE上升39.7%(至68.25秒),证实事件驱动机制有效正则化高频噪声;移除距离偏置使MAE增加25.9%,说明物理邻近性约束是注意力分配的关键归纳偏置。

**4.4 深入分析与可视化**
时序动态分析显示,预测区间呈漏斗形收敛,随剩余时间减少而收缩,符合运行约束。概率积分变换(PIT)直方图呈对称倒U形,表明预测方差略偏保守,在安全关键场景中优于过度自信。按冲突状态分层误差分布表明,潜在冲突场景下误差主分布更紧凑但尾部异常值更密集,揭示了“紧但脆弱”的运行风险。按交通密度分层误差显示中值误差稳定,说明PST利用密度约束保持预测精度;按风速分层显示PST在高风条件(>8 m/s)下MAE仅50.9秒,鲁棒性较强。

**4.5 推理效率与部署性**
在NVIDIA RTX 4090上,PST推理延迟为1.35毫秒/样本,略高于标准Transformer的0.25毫秒,但脉冲稀疏性(发放率13.8%)在神经形态硬件上可实现理论能量降低97.3%(对比标准Transformer)。

**4.6 消融扩展**
进一步消融验证自适应编码的重要性:移除可学习投影后,平均发放率从0.138降至0.024,MAE增加43.6%(至70.15秒),确认了自适应编码对解决“输入饥饿”的必要性。

**结论与讨论**
本研究提出并验证了概率性脉冲Transformer(PST)框架,用于解决拥挤终端空域中ETA预测的预测精度与计算效率双重挑战。主要贡献包括:在全年ADS-B数据集上实现MAE=48.85秒,显著优于LSTM和标准Transformer;通过自适应脉冲时序编码解决SNN回归中的“死亡神经元”问题;通过距离偏置MACA模块有效捕获空中交通冲突,消融研究证实其降低误差32.2%;提供校准良好的概率输出(PICP≈95%),为管制员提供可靠的基于风险的决策支持。运行意义在于,事件驱动特性(平均发放率13.8%)在神经形态硬件上可实现理论能量降低97.3%,适合边缘部署。局限性包括:当前未在物理神经形态芯片上验证,气象处理限于标量特征,且仅聚焦时间维度。未来工作将扩展至4D航迹生成、高维天气网格集成以及神经形态硬件实验验证。**研究结论翻译**:本研究系统性地提出并验证了概率性脉冲Transformer(PST)框架,通过协同融合脉冲神经网络(SNN)的事件驱动稀疏性与Transformer的全局上下文建模能力,解决了拥挤终端空域中预计到达时间(ETA)预测面临的预测保真度与计算效率双重挑战。在全年采样ADS-B数据集上的验证表明,PST取得48.85秒的MAE,相比传统LSTM基线(≈128.5秒)和标准Transformer模型具有统计显著的性能提升,满足4D轨迹基运行(TBO)的精度阈值。通过自适应脉冲时序编码机制,SNN回归中的“死亡神经元”病理被理论表征并缓解,确保不同季节交通模式下的鲁棒特征提取。距离偏置多机交叉注意力(MACA)模块有效捕获空中交通冲突,消融实验证实其误差降低32.2%。与确定性架构不同,PST提供校准良好的概率输出,预测区间覆盖概率(PICP)达95%,为管制员提供可信赖的基于风险决策支持工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号