使用长短期记忆网络预测鸟类运动以防止低空飞行器鸟击

过去十年来，由于鸟类数量增加、空中交通量增长以及更安静飞行器的使用，飞行器与鸟类在空域中的碰撞数量正以惊人的速度增长。当新兴的先进空中机动飞行器开始在鸟击概率最高的低空空域运行时，飞行器鸟击事件预计将急剧增加。此类鸟击不仅会导致人类和鸟类死亡，每年还会给航空业造成数百万美元的飞行器损坏损失。为了更好地了解鸟击的原因和影响，迄今为止的研究主要集中在分析增加鸟击概率的因素、识别不同地点的高风险鸟类、预测未来的鸟击事件数量以及估算鸟击损坏成本。然而，关于将鸟类运动预测用于飞行规划算法以最小化鸟击概率的研究非常有限。为了填补这一研究空白，我们实现了四种不同类型的长短期记忆（LSTM）模型来预测鸟类运动的经纬度。利用公开可用的鸽子运动数据集来训练模型并评估其性能。利用鸟类飞行轨迹预测，模拟将克利夫兰霍普金斯机场的飞行器起飞延迟不同时间，以避免起飞期间飞行器与鸟类的潜在鸟击。结果表明，LSTM 模型能够高精度地预测鸟类运动，平均绝对误差小于 100 米，优于线性和非线性回归模型。我们的研究结果表明，将鸟类运动预测纳入飞行规划具有很高的益处。