(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110255038.3 (22)申请日 2021.03.09 (65)同一申请的已公布的文献号 申请公布号 CN 112948161 A (43)申请公布日 2021.06.11 (73)专利权人 四川大学 地址 610065 四川省成 都市一环路南 一段 24号 (72)发明人 刘宇　刘健波　胡术　闫震　 管宇杰　 (74)专利代理 机构 四川力久律师事务所 512 21 专利代理师 韩洋 (51)Int.Cl. G06F 11/07(2006.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06Q 10/04(2012.01) G06Q 50/30(2012.01)(56)对比文件 CN 110619049 A,2019.12.27 CN 108958217 A,2018.12.07 US 2020063665 A1,2020.02.27 US 2019180175 A1,2019.0 6.13 CN 108416 086 A,2018.08.17 US 2013091578 A1,2013.04.1 1 US 2018182 250 A1,2018.0 6.28 US 20202089 98 A1,2020.07.02 CN 106779214 A,2017.0 5.31 US 2019042391 A1,2019.02.07 王帅.“我国民航 航路航线的优化和设计问 题探讨”. 《科技创新与应用》 .2016,(第21期),第 67页. 刘宇.“雷达数据处 理中的航迹相关 ”. 《中国 优秀博硕士学位 论文全文数据库 (硕士) 信息 科技辑》 .2004,(第01期),第1-48页. (续) 审查员 王超 (54)发明名称 一种基于深度学习的航空报文纠错修正方 法及系统 (57)摘要 本发明公开了一种基于深度学习的航空报 文纠错修正方法及系统， 包括： 接收领航计划报， 对所述领航计划报进行解析， 得到待验证航路信 息； 利用预先建立的航路 ‑频次字典以及预先训 练好的检错深度模型判断所述待验证航路信息 是否存在错误， 再利用预先训练好的纠错深度模 型与修正模 型对错误航路信息进行纠错修正。 本 方法通过频次字典、 检错模型、 纠错模型、 修正模 型的多重验证、 修正机制， 确保输出的FPL报文中 包含正确的航路信息， 本方法能够实现对FPL报 文(领航计划报)的自动解析， 包括对航路编组的 检错和纠错， 确保输出的FPL报文的准确度， 减少 航空管制压力。 [转续页] 权利要求书2页 说明书7页 附图4页 CN 112948161 B 2022.06.03 CN 112948161 B (56)对比文件 Guan Gui. “Flight delay predicti on based on aviati on big data and mac hine learning”. 《IEEE Transacti ons on Vehicular Technology》 .2019,第69卷(第1期),第140 -150 页. 张蕾.“民航空管自动化系统中飞行电报自 动化处理研究”. 《信息通信》 .2019,(第07期),第269-270页. 魏东宇.“飞行电报信息异常处 理方法的研 究与实现 ”. 《中国优秀硕士学位 论文全文数据库 工程科技 Ⅱ辑》 .2016,(第0 3期),第1-89页. 杜冬.“基于正则表达式的飞行电报处 理算 法”. 《中国民航飞行 学院学报》 .2013,第24卷(第 1期),第21-23页.2/2 页 2[接上页] CN 112948161 B1.一种基于深度学习的航空报文纠错 修正方法， 其特 征在于， 所述方法包括： 步骤1： 接收领航计划报， 提取 所述领航计划报中的待验证航路信息； 步骤2， 在预先建立的航路 ‑频次字典中查找所述待验证航路信息， 判断所述待验证航 路信息中的每个航路点的频次是否大于阈值， 若是， 则直接输出所述领航计划报， 若否， 则 进入步骤3； 步骤3： 将所述待验证航路信息输入至预先训练的检错深度模型中， 利用所述预先训练 的检错深度模 型判断所述待验证航路信息是否存在错误， 若 是， 则进入步骤4； 若否， 则直接 输出所述领航计划报； 步骤4， 将所述待验证航路信息输入至预先训练好的纠错深度模型， 利用所述预先训练 好的纠错深度模型根据所述待验证航路信息生成一个预测航路信息， 并将所述预测航路信 息输出至修 正模型； 以及， 将所述待验证航路信息输入至所述修正模型中， 利用所述修正模型对所述预测 航路信息与所述待验证航路信息进行评 分， 当所述预测航路信息得分高于所述待验证航路 信息时， 利用所述预测航路信息替换所述领航计划报中的待验证航路信息， 并输出替换后 的领航计划报。 2.如权利要求1所述的基于深度 学习的航空报文纠错修正方法， 其特征在于， 所述修正 模型通过以下步骤 对所述预测航路信息与所述待验证航路信息进行评分： 在所述预先建立的航路 ‑频次字典中查找所述预测航路信 息与所述待验证航路信 息中 每个航路点出现的频次， 并根据频次查找结果对所述预测航路信息与所述待验证航路信息 进行评分。 3.如权利要求1所述的基于深度 学习的航空报文纠错修正方法， 其特征在于， 所述步骤 1包括： 步骤101， 接收领航计划报， 利用正则表达式提取 所属领航计划报中的多个编组信息； 步骤102， 提取多个所述编组信息中的航路信息， 并对所述航路信息进行数据清洗， 得 到所述待验证航路信息 。 4.如权利要求1所述的基于深度 学习的航空报文纠错修正方法， 其特征在于， 所述预先 训练的检错深度模型的算法复杂度小于所述预 先训练好的纠错深度模型。 5.如权利要求4所述的基于深度 学习的航空报文纠错修正方法， 其特征在于， 所述预先 训练的检错深度模型由以下步骤得到： 基于NNLM语义模型建立初始检错深度模型， 采用梯度下降算法利用标注好的第一训练 数据集对所述初始检错深度模型进行训练， 直到所述初始检错深度模型性能趋于稳定， 得 到所述预先训练的检错深度模型， 以及， 在利用标注好的第一训练数据集对所述初始检错 深度模型进行训练的过程中， 采用负采样算法提高模型训练速度。 6.如权利要求4或5所述的基于深度学习的航空报文纠 错修正方法， 其特征在于， 所述 预先训练好的纠错深度模型由以下步骤得到： 基于Transformer模型建立初始纠错深度模型， 采用Adam算法利用标注好的第二训练 数据集对所述初始纠错深度模型进行训练， 直到所述初始纠错深度模型性能趋于稳定， 得 到所述预 先训练好的纠错深度模型。 7.如权利要求6所述的基于深度 学习的航空报文纠错修正方法， 其特征在于， 在利用标权　利　要　求　书 1/2 页 2 CN 112948161 B 3