Flyradar ML

基於 ADS-B 資料的 LSTM 飛機位置預測模型，為 AEROSTRAT 雷達系統 的 Dead Reckoning 模組提供資料支援。

---

模型架構

Sequence-to-One LSTM

• 輸入：過去 10 筆位置序列（lat, lng, altitude, velocity, heading, vertical_rate）
• 輸出：預測下一筆位置（lat, lng, altitude）
• v2 改進：hidden=256, layers=3 + Attention + Haversine Loss + 航向 sin/cos 編碼

---

腳本說明

腳本	說明
collect_training_data.py	從 OpenSky Network 收集台灣區域 ADS-B 歷史資料
prepare_training_data.py	從 aerostrat.db 匯出並前處理成 LSTM 訓練格式（v1）
prepare_training_data_v2.py	前處理 v2：sin/cos 航向編碼、嚴格過濾、8:1:1 切分
train_lstm.py	LSTM 訓練腳本 v1
train_lstm_v2.py	LSTM 訓練腳本 v2（Attention + Haversine Loss）
predict.py	推論腳本，載入訓練好的模型預測下一個位置

---

使用流程

1. 收集資料

python3 collect_training_data.py --days 7 --output ./training_data
# 可選：加上 OpenSky 帳號提高 API 頻率限制
python3 collect_training_data.py --username your_email --password your_pass

2. 前處理

從 aerostrat.db 匯出（推薦 v2）：

python3 prepare_training_data_v2.py --db /path/to/aerostrat.db --output ./training_data

3. 訓練

python3 train_lstm_v2.py --data ./training_data/prepared_v2/training.npz --epochs 50

訓練完成後模型儲存至 training_data/model/best_model.pt。

4. 推論

python3 predict.py --model ./training_data/model/best_model.pt

或在程式中呼叫：

from predict import predict_next_position

next_pos = predict_next_position(last_10_points, model_path="./model/best_model.pt")
# 回傳 {"lat": 25.123, "lng": 121.456, "altitude": 10000}

---

資料格式

每筆輸入點包含 6 個欄位：

欄位	說明
lat	緯度（WGS84）
lng	經度（WGS84）
altitude	氣壓高度（公尺）
velocity	地速（m/s）
heading	航向（0-360°）
vertical_rate	垂直速率（m/s）

---

環境需求

pip install numpy torch requests

• Python 3.9+
• PyTorch 2.0+
• 訓練資料來源：OpenSky Network / aerostrat.db

---

資料集

訓練資料（training_data/）不包含在此 repo，需自行執行 collect_training_data.py 或從 aerostrat.db 匯出。