论文阅读-Data-driven trajectory prediction with weather uncertainties:A Bayesian deep learning approach

摘要：提出了一个采用经典深度学习方法的确定性轨迹预测模型，利用嵌套卷积神经网络、递归神经网络和完全连接的神经网络处理空间和时间信息。之后，确定性神经网络模型被扩展为贝叶斯深度学习模型，以考虑不确定性，其中参数的后验分布是用变分推理来估计的，以提高效率。根据该地区最后的飞行计划和天气数据，获得平均预测和置信区间。

一、简介

        贝叶斯技术被称为是解决过拟合和不确定性量化问题的补救措施。更具体地说，包含贝叶斯变异推理的DL模型，被称为贝叶斯深度学习（BDL），被证明对过拟合问题具有鲁棒性（Lauret等人，2008）。此外，贝叶斯方法不是使用经典DL中模型参数的单一点估计，而是产生每个参数的分布，这提供了预测不确定性的内在估计。因此，我们提出了一种基于贝叶斯深度学习的天气影响下的飞机轨迹概率预测方法。我们构建了多个卷积层、递归层和全连接层，以从历史数据中发现复杂的空间-时间关系。然后应用贝叶斯理论来形成一个概率学习框架。

二、略

三、3.1   详细介绍了FCNN和LSTM

        3.2. Probabilistic TP: Bayesian deep learning

         对于一个回归问题，模型的训练过程是给出输入序列X={x1,x2,.....},找出使得输出序列Y={y1,y2,.....}和真是结果最接近的模型网络参数值。这个过程，数学化来说，就是求p(w|X,Y)，即求在给定输入X的条件下（w在X条件下的条件概