Föreställ dig att kunna förutsäga en oerfaren pilots oregelbundna flygbana i realtid.

QUT-forskare har utnyttjat dataanalys för att bygga en algoritm som kan förutsäga banan för alla objekt snabbare och mer exakt än befintliga tillvägagångssätt.

"Om det har en bana, vi kan förutsäga det, sa professor Clinton Fookes, som leder QUT:s forskningsdisciplin Vision och Signalbehandling vid Naturvetenskapliga fakulteten. "I en försvarsmiljö, detta verktyg kan hjälpa till att ge större situationsmedvetenhet om både ägda och fientliga tillgångar och luftrum.

"Det kan tillämpas på luftrummet, militärbaser, kollektivtrafik eller köpcentrum – var som helst du vill analysera rörelser."

Den unika algoritmen kombinerar två maskininlärningstekniker för att analysera och förutsäga banor i realtid – djupa neurala nätverk och minnesnätverk.

"I huvudsak, den är byggd för att mäta en bana in och förutsäga en bana ut, " sa professor Fookes.

"Men när den tar in målobjektets bana, den tar också in banorna för närliggande objekt för att skapa en medvetenhet om vad som finns runt målet och hur dessa objekt rör sig”.

"Dessutom, den bygger på minnesnätverk av lagrade historiska banor för samma plats – dessa försöker efterlikna hur det mänskliga minnet fungerar”.

"Dessa två uppsättningar data analyseras sedan av ett annat undernätverk som bestämmer vart målet kommer att gå härnäst."

För att säkerställa robusthet, forskare tränade algoritmen med hjälp av olika stora datamängder, inklusive flygtrafikledningsdata från Brisbanes flygplats, radar- och kameradata från fotgängartrafiken vid QUT och databaser för fotgängares banor från Edinburgh och New York.

"Det kan knäppa omkring 1000 förutsägelser på ett par sekunder, " sa Dr Simon Denman, en annan projektchef.

"Att använda Brisbane Airport-data från en 2015 svår väderhändelse, vi kunde testa hur väl vår algoritm klarade sig i en sådan dynamisk situation".

"Dess förutsägelser var mycket exakta eftersom de tog hänsyn till hur tidigare piloter betedde sig under liknande förhållanden för att förutsäga vad målpiloten sannolikt kommer att göra härnäst".

"I det civila luftrummet, den här algoritmen kan hjälpa till att hantera drönare, där vi kunde se, potentiellt, ett alltmer trångt och begränsat luftrum."

Teamet hoppas kunna utöka projektet i framtiden för att undersöka hur algoritmen kan användas för att optimera flygvägar och resvägar.