基于QAR2Vec模型的QAR数据特征提取

针对传统特征提取方法难以从海量、高维的快速存取记录器(QAR)数据中提取有效特征,且QAR数据缺乏足够的标记等问题,提出一种以Transformer网络为核心的QAR2Vec模型,将QAR数据与位置信息、飞行阶段信息共同编码,作为QAR2Vec模型的输入;通过构建自回归预测的预训练任务以自监督的方式来学习海量QAR数据中的深层特征;保存预训练好的QAR2Vec模型权重,并在飞行状态预测和着陆异常天气识别任务上,微调预训练模型,使模型适应不同的下游任务;将QAR2Vec模型与2种没有预训练步骤的深度学习算法CNN-LSTM、MTL-LSTM进行对比。结果表明:QAR2Vec模型能够更有效地从QAR数据中提取特征,在飞行状态预测和着陆异常天气识别任务上的预测误差更低、识别准确度更高。