CN102855778B - 一种基于复杂度评估的空域扇区分类方法 - Google Patents

Abstract

本发明公开了一种基于复杂度评估的空域扇区分类方法。通过建立空域扇区点链式结构模型，利用雷达航迹数据和仿真航班流数据，以滑动时间窗的模式，对扇区的复杂度进行评估，计算出扇区的临界复杂度、当前复杂度、稳健度指标，并根据相关指标进行动态聚类分析，实现对空域扇区的分类。本发明利用扇区复杂度特性，能更客观、真实、整体地反映空中交通态势，通过k-Means动态聚类分析方法实现扇区的横向比较分类，为管理扇区和制定相关决策提供指导和依据。

Description

一种基于复杂度评估的空域扇区分类方法

技术领域

本发明涉及用于空域扇区分类的一种方法，具体涉及一种基于复杂度评估的空域扇区分类方法。

背景技术

随着我国航空运输的快速发展，飞行需求日益增加，空域环境越发复杂，空域使用方式呈现多样化、复杂化、灵活化。现有扇区分类基本是基于空域固有结构和功能上的分类，分成区域扇区、进近扇区等，该分类方法是根据航空器的飞行过程进行的物理分类，只是适用于管制过程的基本扇区分类，缺乏对扇区结构特征和交通流特性的综合考虑，不能满足流量管理、空域管理的需求。

2006年，万莉莉等人在《交通运输工程与信息学报》上发表《管制员工作负荷及扇区容量评估问题研究》，文中提出了管制员工作负荷的分类方法，并以此为基础建立了管制员工作负荷评估的理论模型，研究探讨了基于管制员工作负荷的扇区容量评估方法；2009年，刘欢等人在《交通运输系统工程与信息》中发表《程序管制条件下基于管制员工作负荷的扇区容量评估》，文中建立了基于航路流量统计的管制员工作负荷模型，并研究了扇区容量评估方法；2010年，程朋与耿睿在中国申请了专利《空中交通管制扇区动态调整系统及方法》，专利号201010250619.X，是以管制工作负荷以及航班流量预测为依据来完成扇区组合。

可以看出，在扇区特征属性相关研究中，以往侧重的是扇区容量以及针对某扇区的管制员工作负荷的评估，扇区容量是指单位时间内扇区服务的航空器数量，单纯使用基于航空器架次的交通负载评估方法缺乏坚实可靠的科学依据，难以适应日益复杂的空域环境；对管制员工作负荷的评估是一种主观评估，有很多难以准确度量的因素，缺乏对空域结构和交通流分配的准确度量。现需要采用一种更为合理的多维度指标来表征空域系统的服务能力，作为流量管理、空域管理的依据。

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，提供一种基于复杂度评估的空域扇区分类方法。本方法根据扇区结构和雷达航迹数据，通过生成仿真航班流以及复现航空器轨迹，结合空域结构和交通流时空分布特性，综合反映空域扇区的运行状况，评估扇区的临界复杂度、当前复杂度以及稳健度指标，根据多维度指标反映空域的服务能力，采用k-means动态聚类方法，实现扇区分类，为流量管理、空域管理提供更实用、可靠的依据。

实现此方法的技术方案如下：

基于复杂度评估的空域扇区分类方法，首先要对需分类扇区进行复杂度评估。

(1)建立所需分类扇区的结构模型，扇区个数为g，具体步骤如下：

步骤A：获取扇区边界点以及扇区内的导航台、报告点、位置点等经纬度信息；

步骤B：根据扇区边界和扇区内航路航线以及高度层数据，构建扇区横向边界和扇区内航路网络结构模型；

步骤C：根据扇区高度层设置，确定扇区上下边界；

(2)选取包含所需分类扇区时间段PT内航班信息的雷达航迹数据，并对雷达航迹数据进行分析，具体步骤如下：

步骤A：根据扇区上下边界和横向边界以及航班雷达航迹信息，确定航班在各扇区内的飞行轨迹；

步骤B：分析扇区内各航路不同高度层航班的比例、机型配比以及扇区小时航班量分布；

(3)建立扇区复杂度评估模型，具体步骤如下：

步骤A：根据扇区结构和雷达航迹数据，以滑动时间窗的方式，时间窗为T，将第t个时间窗内航空器i的位置、速度、航向信息的航班状态定义为真实情况S_t(P_i，t为t时间窗内航空器i实际空间位置，v_t为t时间窗航空器的速度)，将根据S_t-T航班状态，利用等角航迹推测获得的t时间窗内航班状态定义为推测情况S′_t(P_i,t′为t时间窗内航空器i推测空间位置)，其中P_i，t′＝P_i，t-T+v_t·T。同时记录t时间窗内航空器i是否还在该扇区内。

步骤B：根据航空器i在t时间窗是否还处于j扇区内的记录，计算t时间窗扇区复杂度。如果航空器i在t时间窗还处于j扇区内，则将所有航空器的实际位置与推测位置之差记为t时间窗的复杂度，即ΔP_i，t＝|P′_i，t-P_i，t|；如果航空器i在t时间窗已不在j扇区内，则管制员已完成移交，t时间窗复杂度为0，不需再考虑。

步骤C：统计t时间窗仍在扇区内航空器个数N_in，则该时间窗内扇区复杂度为：

${\mathrm{SI}}_t=\underset{i=0}{\overset{N_{\mathrm{in}}}{\mathrm{\Σ}}}\mathrm{\Δ}{P}_{i,t}.$

步骤D：权重确定，时间段PT以时间窗T将其分成N个时段，根据雷达航迹数据分析情况，将时间窗T内航班数量以及发生的频率作为计算权重的参数，假设统计出的架次数有m种情况，第s种情况发生的次数为q，发生的概率为且

步骤E：将每个时间窗所对应的复杂度进行加权赋值则可以获得扇区的空域复杂度，计算公式如下：

$\mathrm{Airspace\; Complexity}=\underset{s=1}{\overset{m}{\mathrm{\Σ}}}(f_s\·\underset{t=1}{\overset{N_{\mathrm{in}}}{\mathrm{\Σ}}}{\mathrm{SI}}_{s,t})=\underset{s=1}{\overset{m}{\mathrm{\Σ}}}(\frac{q}{N}\·\underset{t=1}{\overset{N_{\mathrm{in}}}{\mathrm{\Σ}}}{\mathrm{SI}}_{s,t})$

(4)根据雷达航迹数据，复现航班运行态势，欧洲猫空管自动化系统雷达数据每6秒刷新一次，以6秒为一时间窗，计算各时间窗内的扇区复杂度，通过加权累加，获得时间段PT内扇区复杂度，作为扇区当前复杂度C_current。

(5)根据雷达航迹数据以及扇区内小时航班分布，向扇区内按小时航班分布比例不断增加航空器，按照扇区的移交间隔以及管制间隔，进行冲突判断与解脱，对经过冲突解脱的航班流，进行扇区的复杂度计算，直至单位时间内扇区流量趋于稳定，计算时间段PT内扇区复杂度将此值作为扇区的临界复杂度C_peak。

(6)稳健度R计算，稳健度R是衡量当前系统距离临界状态的距离，在临界状态处，当前扇区各参数之间的关系被完全破坏，系统趋于混沌和不可控状态。计算公式如下：

R＝C_peak-C_current。

(7)对所有扇区进行扇区复杂度指标计算，包括当前复杂度、临界复杂度、稳健度，构建所有扇区的状态向量X_i＝(C_peak，C_current，R)(i＝1，2，...，g)

在建立了包含扇区临界复杂度、当前复杂度和稳健度特征指标的状态向量的基础上，利用k-Means动态聚类法对所有扇区进行分类，其特征在于，包括以下几个步骤：

(1)利用启发式算法，确定扇区分类数K，首先令K＝1，并对k进行累加迭代，直至K＝g。

(2)初始分类中，利用随机选点法，在所有扇区g组成的扇区集合X＝{x₁，x₂，…，x_g}中，随机选择K个扇区，作为初始抽选样本聚点；

(3)初始聚点选取后，将余下的所有扇区样本逐个输入，计算该样本点到所有聚点的欧氏距离，将该样本点归入距离最小的聚点所在的类，k-means方法将所有扇区划分成K类，C＝(C_h，h＝1，2，...，K)，每一个划分代表一个类C_h，每一个类C_h有一个重心D_h。选取欧氏距离作为相似性和距离判断准则，计算该类内各点到重心D_h的距离平方和，D_h为类别C_h类中各样本的数据的平均值，将该扇区划入距离最小的类中。

(4)利用迭代重定位技术，重新计算扇区划入某类侯初始聚类的各类重心D_h，并以此重心为新的聚点，对剩下的所有扇区，按(3)进行计算。

(5)扇区簇K＝g聚类结束时，判定最佳分类数。当分类数为k时，计算类间距离，类间距离定义为所有聚类中心(簇内样本的均值)到全域中心(全体样本的均值)的距离之和，式中Len为类间距离；D为全部样本的均值；D_i为簇C_i所含样本的均值；k为所要聚类的个数；计算类内距离，定义类内距离为所有聚类簇内部距离的总和(其中，每个簇的内部距离为该簇内所有样本到其中心的距离之和)：式中，len为类内距离；x为任一扇区。

(6)构建聚类距离函数TL_k为聚类距离函数。

(7)聚类距离函数达到最小值时，空间聚类结果为最优，min(TL_k)(k＝1，2，...，g)，取最小值时的簇数为扇区最佳分类。

本发明采用上述技术方案，具有以下有益效果：

(1)本发明通过建立空域扇区模型，利用雷达航迹数据，从扇区实际运行角度出发，给出了能够客观反映扇区运行复杂程度的评估指标和评价方法，复杂度指标较容量、流量以及管制员工作负荷指标能更全面的反映扇区的运行状态。

(2)计算扇区的临界复杂度、当前复杂度、稳健度特征指标，构建了扇区特征状态向量，使用多维度的指标体系，全面反映扇区的服务能力以及潜力。

(3)根据扇区复杂度特性指标，利用k-Means动态聚类方法，实现了扇区的分类，复杂度特性综合了系统不确定性和系统结构两方面的信息，更客观、真实、整体地反映空中交通态势，较之以往的基于管制流程的扇区物理划分，能在空域管理和流量管理等方面提供依据。

附图说明

图1为基于扇区复杂度评估的空域扇区分类方法流程图。

图2为基于k-Means算法的动态聚类流程图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

如图1所示的流程图，基于复杂度评估的空域扇区分类方法，包括如下步骤：

第一步：建立所需分类扇区的空域结构模型。

选择所要分类的扇区，根据每一个扇区的具体情况(如扇区的自然特性、航路结构、扇区边界、移交点、高度层，扇区内导航台、定位点、位置报告点)建立扇区结构模型，扇区结构模型是一个点链式模型，对扇区的移交点进行特殊标注。

第二步：选取包含所有需分类扇区的某天的时间段PT内雷达航迹数据。

根据扇区边界信息，选取各扇区对应的某天的雷达航迹数据，雷达航迹数据具体包括以下信息：航空器每6秒滑动式时间窗对应的该航空器的位置点信息(经纬度、高度)、航向、速度以及过该点的时间。将航空器过点信息与扇区的移交点进行对比，判断航空器进入各扇区的时间以及离开扇区的时间，以自然小时为单位，对每个扇区的雷达航迹数据进行统计分析，包括扇区内各航路不同高度层航班的比例、机型配比以及扇区小时航班量分布。

第三步：选取某一扇区，对扇区当前复杂度特征指标进行评估计算。

(1)复现时间段PT内的雷达航迹，并以6秒为一时间窗，记录第t个时间窗内航空器i实际空间位置P_i，t以及t时间窗的航空器i推测空间位置P_i，t′，P_i，t′＝P_i，t-T+v_t·T，P_i，t′航班位置是利用等角航迹由P_i，t-T推测得到的。同时记录t时间窗航空器i是否还在该扇区内。

(2)根据航空器i在t时间窗是否还处于j扇区内的记录，计算t时间窗扇区复杂度。如果航空器i在t时间窗还处于j扇区内，则将所有航空器的实际位置与推测位置之差记为t时间窗内的复杂度，即ΔP_i，t＝|P′_i，t-P_i，t|；如果航空器i在t时间窗已不在j扇区内，则管制员已完成移交，t时刻复杂度为0，不需再考虑。

(3)统计t时间窗仍在扇区内航空器个数N_in，包括已进入扇区和未移交出去的航空器，对N_in航空器的复杂度进行累加，则该时间窗内扇区复杂度为：

(4)权重确定，时间段PT以时间窗T将其分成N个时段，根据雷达航迹数据分析情况，将时间窗T内航班数量以及发生的频率作为计算权重的参数，假设统计出的架次数有m种情况，第s种情况发生的次数为q，发生的概率为且

(5)利用扇区复杂度计算模型 $\mathrm{Airspace\; Complexity}=\underset{s=1}{\overset{m}{\mathrm{\Σ}}}(f_s\·\underset{t=1}{\overset{N_{\mathrm{in}}}{\mathrm{\Σ}}}{\mathrm{SI}}_{s,t})=\underset{s=1}{\overset{m}{\mathrm{\Σ}}}(\frac{q}{N}\·\underset{t=1}{\overset{N_{\mathrm{in}}}{\mathrm{\Σ}}}{\mathrm{SI}}_{s,t}),$ 计算扇区当前复杂度C_current。

第四步：计算扇区临界复杂度。

在现有流量管理系统平台上，根据雷达航迹数据以及扇区内小时航班分布，模拟产生航空器，赋予其初始时间，以初始时间为基础，不断进入扇区，按照扇区的移交间隔以及管制间隔，对移交点和航路汇聚点进行冲突判断与解脱，保证航班满足管制间隔和移交间隔，对冲突解脱后的航班流，进行扇区的复杂度计算，直至单位时间内扇区流量趋于稳定，依据第三步的方法，计算扇区的复杂度，将此值作为扇区的临界复杂度C_peak。

第五步：计算扇区稳健度R，扇区稳健度指临界复杂度与当前复杂度之差，即R＝C_Peak-C_current。

第六步：构建扇区的复杂度状态向量，复杂度状态向量是由临界复杂度、当前复杂度和稳健度三个指标组成的三维向量，即X＝(C_peak，C_current，R)。

第七步：选取其他扇区，按照第三至六步对扇区复杂度特征指标进行评估计算，直至所有扇区完成复杂度相关指标评估计算为止，并构建所有扇区的复杂度状态向量。

第八步：在建立了包含扇区临界复杂度、当前复杂度和稳健度特征指标的状态向量的基础上，按照图2所示的流程图，利用k-Means动态聚类法对所有扇区进行分类：

(1)利用启发式算法，确定扇区分类数K，首先令K＝1，并对K进行累加迭代，直至K＝g。

(2)初始分类中，利用随机选点法，在所有扇区g组成的扇区集合X＝{x₁，x₂，…，x_g}中，随机选择K个扇区，作为初始抽选样本聚点；

(3)初始聚点选取后，将余下的所有扇区样本逐个输入，计算该样本点到所有聚点的欧氏距离，将该样本点归入距离最小的聚点所在的类，k-means方法将所有扇区划分成K类，C＝(C_h，h＝1，2，..，K)，每一个划分代表一个类C_h，每一个类C_h有一个重心D_h。选取欧氏距离作为相似性和距离判断准则，计算该类内各点到重心D_h的距离平方和，D_h为类别C_h类中各样本的数据的平均值，将该扇区划入距离最小的类中。

(4)利用迭代重定位技术，重新计算扇区划入某类侯初始聚类的各类重心D_h，并以此重心为新的聚点，对剩下的所有扇区，按(3)进行计算。

(5)扇区簇K＝g聚类结束时，判定最佳分类数。当分类数为k时，计算类间距离，类间距离定义为所有聚类中心(簇内样本的均值)到全域中心(全体样本的均值)的距离之和，式中Len为类间距离；D为全部样本的均值；D_i为簇C_i所含样本的均值；k为所要聚类的个数；计算类内距离，定义类内距离为所有聚类簇内部距离的总和(其中，每个簇的内部距离为该簇内所有样本到其中心的距离之和)：式中，len为类内距离；x为任一扇区。

(6)构建聚类距离函数TL_k为聚类距离函数。

(7)聚类距离函数达到最小值时，空间聚类结果为最优，min(TL_k)(k＝1，2，...，g)，取最小值时的簇数为扇区最佳分类。

Claims (1)

1.一种基于复杂度评估的空域扇区分类方法，其特征在于，建立点链式扇区结构模型，使用雷达航迹数据和仿真航班流数据，利用滑动时间窗计算扇区复杂度相关指标，构建扇区复杂度状态向量，并利用k-Means动态聚类法对所有扇区进行分类，具体包括以下几个步骤：

(1)建立所需分类扇区的结构模型，扇区个数为g，具体步骤如下：

步骤1.1：获取包含扇区边界点以及扇区内的导航台、报告点、位置点在内的经纬度信息；

步骤1.2：根据扇区边界和扇区内航路航线以及高度层数据，构建扇区横向边界和扇区内航路网络结构模型；

步骤1.3：根据扇区高度层设置，确定扇区上下边界；

(2)选取包含所需分类扇区时间段PT内航班信息的雷达航迹数据，并对雷达航迹数据进行分析，具体步骤如下：

步骤2.1：根据扇区上下边界和横向边界以及航班雷达航迹信息，确定航班在各扇区内的飞行轨迹；

步骤2.2：分析扇区内各航路不同高度层航班的比例、机型配比、以及扇区小时航班量分布；

(3)建立扇区复杂度评估模型，具体步骤如下：

步骤3.1：根据扇区结构和雷达航迹数据，以滑动时间窗的方式，时间窗为T，将第t个时间窗内航空器i的位置、速度、航向信息的航班状态定义为真实情况S_t，P_i，t为t时间窗内航空器i实际空间位置，v_t为t时间窗航空器的速度，将根据S_t-T航班状态，利用等角航迹推测获得的t时间窗内航班状态定义为推测情况S′_t，P′_i，t为t时间窗内航空器i推测空间位置，其中P′_i，t＝P_i，t-T+v_t.T；同时记录t时间窗内航空器i是否还在该扇区内；

步骤3.2：根据航空器i在t时间窗是否还处于j扇区内的记录，计算t时间窗扇区复杂度；如果航空器i在t时间窗还处于j扇区内，则将所有航空器的实际位置与推测位置之差记为t时间窗的复杂度，即ΔP_i，t＝|P′_i，t-P_i，t|；如果航空器i在t时间窗已不在j扇区内，则管制员已完成移交，t时间窗复杂度为0，不需再考虑；

步骤3.3：统计t时间窗仍在扇区内航空器个数N_in，则该时间窗内扇区复杂度为： ${\mathrm{SI}}_t=\underset{i=0}{\overset{N_{\mathrm{in}}}{\mathrm{\Σ}}}\mathrm{\Δ}{P}_{i,t};$

步骤3.4：权重确定，时间段PT以时间窗T将其分成N个时段，根据雷达航迹数据分析情况，将时间窗T内航班数量以及发生的频率作为计算权重的参数，假设统计出的架次数有m种情况，第s种情况发生的次数为q，发生的概率为且

步骤3.5：将每个时间窗所对应的复杂度进行加权赋值则可以获得扇区的空域复杂度，计算公式如下：

$\mathrm{Airspace\; Complexity}=\underset{s=1}{\overset{m}{\mathrm{\Σ}}}(f_s\·\underset{t=1}{\overset{N_{\mathrm{in}}}{\mathrm{\Σ}}}{\mathrm{SI}}_{s,t})=\underset{s=1}{\overset{m}{\mathrm{\Σ}}}(\frac{q}{N}\·\underset{t=1}{\overset{N_{\mathrm{in}}}{\mathrm{\Σ}}}{\mathrm{SI}}_{s,t});$

(4)根据雷达航迹数据，复现航班运行态势，欧洲猫空管自动化系统雷达数据每6秒刷新一次，以6秒为一时间窗，计算各时间窗内的扇区复杂度，通过加权累加，获得时间段PT内扇区复杂度，作为扇区当前复杂度C_current；

(5)根据雷达航迹数据以及扇区内小时航班分布，向扇区内按小时航班分布比例不断增加航空器，按照扇区的移交间隔以及管制间隔，进行冲突判断与解脱，对经过冲突解脱的航班流，进行扇区的复杂度计算，直至单位时间内扇区流量趋于稳定，计算时间段PT内扇区复杂度将此值作为扇区的临界复杂度C_peak；

(6)稳健度R计算，稳健度R是衡量当前系统距离临界状态的距离，在临界状态处，

当前扇区各参数之间的关系被完全破坏，系统趋于混沌和不可控状态；计算公式如下：

R＝C_peak-C_current；

(7)对所有扇区进行扇区复杂度指标计算，包括当前复杂度、临界复杂度、稳健度，构建所有扇区的状态向量X_t＝(C_peak，C_current，R)，i∈{1，2，…，g}；

(8)在建立了包含扇区临界复杂度、当前复杂度和稳健度特征指标的状态向量的基础上，利用k-Means动态聚类法对所有扇区进行分类：

步骤8.1：利用启发式算法，确定扇区分类数K，首先令K＝1，并对K进行累加迭代，直至K＝g；

步骤8.2：初始分类中，利用随机选点法，在所有扇区g组成的扇区集合X＝{X₁，X₂，…，X_g}中，随机选择K个扇区，作为初始抽选样本聚点；

步骤8.3：初始聚点选取后，将余下的所有扇区样本逐个输入，计算该样本点到所有聚点的欧氏距离，将该样本点归入距离最小的聚点所在的类，k-Means方法将所有扇区划分成K类，C＝(Ch，h＝1，2，...，K)，每一个划分代表一个类C_h，每一个类C_h有一个重心D_h；选取欧氏距离作为相似性和距离判断准则，计算第h类内各点到重心D_h的距离平方和，D_h为类别C_h类中各样本的数据的平均值，将该扇区划入距离最小的类中；

步骤8.4：利用迭代重定位技术，重新计算扇区划入距离最小的类后初始聚类的各类重心D_h，并以此重心为新的聚点，对剩下的所有扇区，按步骤8.3进行计算；

步骤8.5：扇区簇K＝g聚类结束时，判定最佳分类数；当分类数为k时，计算类间距离，类间距离定义为所有聚类中心到全域中心的距离之和，式中Len为类间距离；D为全部样本的均值；D_i为簇C_i所含样本的均值；k为所要聚类的个数；计算类内距离，定义类内距离为所有聚类簇内部距离的总和：式中，len为类内距离；x为任一扇区；

步骤8.6：构建聚类距离函数TL_k为聚类距离函数；

步骤8.7：聚类距离函数达到最小值时，空间聚类结果为最优，Min(TK_k)，k∈{1，2，…，g}，取最小值时的簇数为扇区最佳分类。