航空轨迹数据分析技术可以从飞行器轨迹历史数据中获得许多有用信息,在空域管理、民航飞行调度、机场管理、航空企业燃油成本管理等方面有重要作用。目前主要采用数据挖掘技术对航空轨迹数据进行聚类分析。聚类方法的选择和样本数据特征抽取是影响聚类分析准确率的主要因素。但是,以往的研究主要集中于聚类分析的方法,对样本数据特征抽取方法的研究不足,制约了聚类分析的准确率和效率。近年来,随着人工智能技术的成熟和快速发展,如何将深度学习的方法用于航空轨迹分析,并与数据挖掘技术实现有效结合,以提高轨迹数据分析的准确率和效率成为一个重要的研究课题。首先,本文分析了轨迹分析中常用的聚类分析方法,针对航空轨迹数据的特点,为了克服传统样本数据特征提取方法不能充分反映航空轨迹数据的时间特性的问题,采用滑动窗口算法进行航空轨迹数据特征的提取,以改善数据特征的维度,从而有效提升聚类分析的准确率。其次,为了建立适用于航空轨迹数据分析的混合框架,对LSTM和GRU为代表的几种典型的深度学习算法进行了深入的研究,并将其应用于航空轨迹数据的特征抽取,设计了具体的实验方案,实现了单层和多层网络的学习算法,通过实验对比的方法讨论了算法的学习效果。最后借鉴船舶航行轨迹数据处理^[1]的分析框架,将深度学习方法和聚类分析方法相结合,提出了一个适用于航空轨迹数据分析的框架,设计了实验方案,验证了这种分析框架在提高航空轨迹数据分析方面的有效性。基于真实的航空轨迹数据的实验结果表明,利用滑动窗口算法进行航空轨迹数据特征的标注方法可以明显提高聚类分析的准确率。在聚类分析时,如果采用深度学习方法先对轨迹数据进行特征提取对后续聚类分析的准确率有明显影响,通过深度学习方法和聚类方法的优化组合,可以有效提升航空轨迹数据分析的准确率。