CN103530704B - 一种终端空域空中交通动态容量预测系统及其方法 - Google Patents
一种终端空域空中交通动态容量预测系统及其方法 Download PDFInfo
- Publication number
- CN103530704B CN103530704B CN201310485738.7A CN201310485738A CN103530704B CN 103530704 B CN103530704 B CN 103530704B CN 201310485738 A CN201310485738 A CN 201310485738A CN 103530704 B CN103530704 B CN 103530704B
- Authority
- CN
- China
- Prior art keywords
- spatial domain
- capacity
- sector
- data
- terminal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000004891 communication Methods 0.000 claims description 38
- 238000012937 correction Methods 0.000 claims description 17
- 230000007935 neutral effect Effects 0.000 claims description 14
- 150000003839 salts Chemical class 0.000 claims description 13
- 239000003973 paint Substances 0.000 claims description 12
- 238000000926 separation method Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 230000001932 seasonal effect Effects 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 6
- 229910052739 hydrogen Inorganic materials 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 230000000630 rising effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 239000003595 mist Substances 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000013179 statistical model Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 2
- 230000010006 flight Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种获取终端空域基本运行容量的方法,该方法运用人类动力学模型及机器学习,对扇区容量进行修正,准确获取终端空域的基本运行容量;本发明还公开了一种终端空域空中交通动态容量的预测方法,增加了对具体终端空域的交通流信息,历史天气及预报天气的分析,使得获取的终端空域容量预测信息更准确;本发明还公开了一种终端空域空中交通容量预测系统,包括数据采集模块、数据处理模块、控制模块、显示模块;该系统用于实现获取终端空域基本运行容量的方法及实现终端空域空中交通动态容量的预测方法;本发明提高航空公司航班计划制定的有效性和准确性,并为空管单位根据动态容量分布确实预战术阶段的空中交通有效管制提供了依据。
Description
技术领域
本发明涉及一种终端空域空中交通动态容量预测系统及其方法,主要是针对现有天气影响下的终端空域容量变化的分析存在不足而设计,属于民航空中交通管制领域。
背景技术
空域容量是度量空域系统为满足空中交通需求所能提供服务能力的指标,进行科学、准确的空域容量预测是空域资源有效管理与合理配置的基础。终端空域作为空中交通的密集区域,飞行流量大,空域复杂度高,是整个空域容量提升的瓶颈。复杂天气下对终端空域容量的准确预测一直是空中交通管理的难题。该研究对高效使用空域资源、管制资源和科学实施终端空域的空中交通流量管理和减少航班延误,最终实现终端空域空中交通安全有序具有重要意义。
目前,对于根据管制工作负荷和天气信息预测终端空域容量的研究主要存在如下两个方面问题:
第一,通过管制工作负荷确定终端空域扇区容量是行业公认的容量预测方法,管制工作负荷的测量主要是通过管制通讯时间的客观度量实现,并采用DORATASK、MBB等方法确定空域容量,如张兆宁等研究了在进离港航线分离同时不考虑跑道影响条件下,提出了进离港分开考虑统计进近管制工作负荷;张明从人-机-环境三者关系提出了基于模糊综合评判的管制人员工作负荷评价模型;赵嶷飞等从工作负荷分类的角度分析,建立了综合考虑主客观因素的工作负荷评估模型。这些研究大多考虑了管制行为的客观通讯时间,由于各个地区管制行为习惯具有一定的差异性,同时这些研究没能从管制通讯行为和空域复杂性结合的角度确定管制工作负荷,因此难以获得规律性的管制通讯规律和较为准确的终端空域基本运行容量。
第二,目前对于天气影响下的容量评估方法,主要采用根据不确定的天气影响建立解析模型来获取容量的变化,或通过概率计算获取的概率容量预测结果,如余静等提出了航路容量的新定义,并引入实时天气状况和空域活动等动态因素的影响系数建立航路动态容量模型;张静等通过天气类型决策树将历史天气数据转换为每种天气类型的到达容量概率分布,根据天气类型的容量概率分布,用全概公式将概率天气预测转换为概率容量预测。这些模型方法根据不确定的天气影响建立解析模型来获取容量的变化,虽能确定时序下的容量结果却难以反映天气空间占有的变化,同时通过概率计算获取的概率容量预测结果,难以在实际中应用,因为运行单位最为关心的是不同时序下的基本运行容量准确预测结果和天气空间占有情况。
发明内容
本发明所要解决的技术问题是:提供一种获取终端空域基本运行容量的方法及一种终端空域空中交通动态容量的预测方法,根据空中交通管制通讯动力学统计模型确定基本运行容量;根据长期历史天气报文和短期天气雷达预报数据,确定终端空域空中交通动态容量。为了实现上述方法,本发明还提供了一种获取终端空域基本运行容量的系统及一种终端空域空中交通动态容量的预测系统,本发明解决了管制安全工作负荷准确评估、准确获取终端空域的基本运行容量的问题,并解决了天气不确定下终端空域动态容量准确预测的问题。
本发明的系统降低了空中交通管制的工作负荷,提高了管制自动化水平。
本发明为解决上述技术问题,采用如下技术方案:
一种获取终端空域基本运行容量的方法,包括如下步骤:
步骤1:将所述终端空域划分为多个扇区,根据各扇区的管制通讯历史数据,确定各扇区的容量,其中第k个扇区容量用下式计算:CWSk=z1k+z2k+z3k,其中z1k,z2k,z3k分别为所述终端空域第k个扇区中航班进港架次、离港架次、飞越航班架次,k=1,2,...,NS,NS为终端空域所划分的扇区总数;
步骤2:构建各扇区基本空中交通要素矩阵U=[u1,u2,…u14]T;其中u1,u2,…u14分别为航空器数量、航空器速度、交通流量比率、巡航交通量、占用率、航路之间的交叉角、每小时的交通量、爬升/下降交通量、水平冲突量、上升冲突量、交叉点的数量、垂直间隔、水平纵向间隔、航空器侧向间隔的最小距离;
步骤3:构建各扇区历史管制工作负荷矩阵W=[wl1,wl2,…wl5]T,其中,wl1,wl2,…wl5分别为飞行数据管理及雷达显示操作的工作负荷、协调管制工作负荷、飞行冲突搜寻与解决工作负荷、例行工作的标准无线电通话的工作负荷、雷达监视工作负荷;
步骤4:以基本空中交通要素矩阵U=[u1,u2,…u14]T、历史管制工作负荷矩阵W=[wl1,wl2,…wl5]T作为输入,理想的管制工作负荷矩阵W′=[wl1′,wl′2,…wl5′]T作为输出,训练BP神经网络,其中wl1′,wl′2,…wl′5分别为理想的飞行数据管理及雷达显示操作的工作负荷、协调管制工作负荷、飞行冲突搜寻与解决工作负荷、例行工作的标准无线电通话的工作负荷、雷达监视工作负荷;
步骤5:利用训练好的BP神经网络,确定各扇区修正系数为其中应用该修正系数及终端空域的各扇区容量CWSk,计算修正后的各扇区基本运行容量CSK=E×CWSk,并根据终端空域划分的扇区数量NS,计算终端空域的基本运行容量
所述步骤1包括如下步骤:
(1)将终端空域划分为NS个扇区,采集该终端空域各扇区的管制通讯历史数据,构建空中交通管制通讯动力学统计模型:f(x)=Cx-α,其中f(x)表示管制通讯时间样本空间下管制事件的密度函数,C和α为待定系数,根据该模型绘制散点图,确定α的值;
(2)计算f(x)的数学期望E(X),该期望即为各扇区管制事件发生的平均间隔时间,某时段T内各扇区管制事件发生的次数为建立各扇区航空器数量和管制事件发生次数之间的回归模型:y=β1z1k+β2z2k+β3z3k+e,其中,β1,β2,β3,e为回归系数,令y等于第k个扇区的管制事件发生的次数,z1k,z2k,z3k分别等于终端空域第k个扇区空中交通流的历史进港架次、历史离港架次和历史飞越架次数据,进行回归分析后得到回归系数β1,β2,β3,e的值,将回归系数β1,β2,β3,e带入回归模型y=β1z1k+β2z2k+β3z3k+e得到具体的回归方程,采用DORATASK方法获取该终端空域第k个扇区所对应的管制事件发生的次数N,令y=N,计算z1k,z2k,z3k,得到第k个扇区容量公式CWSk=z1k+z2k+z3k。
一种终端空域空中交通动态容量的预测方法,包括如下步骤:
步骤3-1:应用权利要求1所述获取终端空域基本运行容量的方法获取终端空域基本运行容量,并在该终端空域基本运行容量的基础上,根据预测地区历史天气报文数据,确定该终端空域的季节性空域容量;
步骤3-2:根据所述季节性空域容量计算所述终端空域的交通流数据,构建交通流四维航迹矩阵QF(L,M,H,T);获取所述终端空域的雷达天气预报数据,构建四维天气矩阵QW(L′,M′,H′,T),其中,L,M,H分别为所述交通流空间范围的长、宽、高,L′,M′,H′分别为所述天气空间范围的长、宽、高,T为时间段,W和F分别表示天气和交通流;
根据交通流四维航迹矩阵QF(L,M,H,T)与四维天气矩阵QW(L′,M′,H′,T)判断是否存在交通流四维航迹与四维天气重叠的区域,若存在,构建该空间范围重叠区域的时空分布矩阵Q(L″,M″,H″,T),其中L″,M″,H″分别表示交通流与天气空间范围重叠区域的长、宽、高;
根据空间范围重叠区域的时空分布矩阵Q(L″,M″,H″,T)及预先设定的改航路径数据,确定所述终端空域的动态交通流数据;根据终端空域的动态交通流数据,确定终端空域的动态容量。
所述根据终端空域的动态交通流数据,确定终端空域的动态容量包括如下步骤:
步骤4-1:将所述终端空域划分为多个扇区,根据各扇区的动态交通流数据,确定第k个扇区的动态容量Ck,其中k=1,2,...NS,NS为所划分的扇区总数;
步骤4-2:构建各扇区的基本空中交通要素矩阵U=[u1,u2,…u14]T;其中u1,u2,…u14分别为航空器数量、航空器速度、交通流量比率、巡航交通量、占用率、航路之间的交叉角、每小时的交通量、爬升/下降交通量、水平冲突量、上升冲突量、交叉点的数量、垂直间隔、水平纵向间隔、航空器侧向间隔的最小距离;
步骤4-3:构建各扇区的历史管制工作负荷矩阵W=[wl1,wl2,…wl5]T,其中,wl1,wl2,…wl5分别为飞行数据管理及雷达显示操作的工作负荷、协调管制工作负荷、飞行冲突搜寻与解决工作负荷、例行工作的标准无线电通话的工作负荷、雷达监视工作负荷;
步骤4-4:将基本空中交通要素矩阵U=[u1,u2,…u14]T、历史管制工作负荷矩阵W=[wl1,wl2,…wl5]T作为输入,理想的管制工作负荷矩阵W′=[wl1′,wl′2,…wl5′]T作为输出训练BP神经网络,其中wl1′,wl′2,…wl′5分别为理想的飞行数据管理及雷达显示操作的工作负荷、协调管制工作负荷、飞行冲突搜寻与解决工作负荷、例行工作的标准无线电通话的工作负荷、雷达监视工作负荷;
步骤4-5:利用训练好的BP神经网络,确定各扇区修正系数为其中应用该修正系数及终端空域各扇区的动态扇区容量Ck,计算修正后的各扇区动态运行容量C'k=E×Ck,并根据终端空域划分的扇区数量NS,计算终端空域的动态运行容量
所述根据预测地区历史天气报文数据,确定该终端空域的季节性空域容量包括如下步骤:
(1)采集所述终端空域的历史天气数据,将历史天气数据分为标准天气类型及未知天气类型,所述标准天气类型包括云底高、能见度、降水、雾、风速,对标准天气类型构建情景树;
(2)将所述情景树的信息构造成数据库,结合终端空域的基本运行容量CT,确定该空域季节性空域容量,具体步骤如下:
Ⅰ、对于标准天气类型,首先计算标准天气类型航路间隔的放大系数
Rs=标准天气类型影响下的历史航路间隔÷标准航路间隔,其中s=1,2,…,5,然后根据标准天气类型航路间隔的放大系数Rs计算终端空域季节性空域容量为
Ⅱ、对于未知天气类型,首先采用小波神经网络辨识未知天气类型,然后计算该未知天气类型与标准天气类型的相似度S,相似度S用“取值相同的同位属性数/单个元素的属性位数”表示,最后计算该未知天气类型下的终端空域季节性空域容量为
为了进一步的实现获取终端空域基本运行容量的方法,本发明还公开了一种获取终端空域基本运行容量的系统,该系统用于实现权利要求1所述获取终端空域基本运行容量的方法,具体包括数据采集模块、数据处理模块、控制模块、显示模块;所述数据采集模块采集所述终端空域的管制通讯数据及基本空中交通事件,并将采集到的数据发送至数据处理模块进行存储;所述数据处理模块根据存储的管制通讯数据计算所述终端空域的扇区容量,并对基本空中交通事件及预先设定的管制工作负荷通讯数据进行处理,获取所述终端空域扇区容量的修正系数,对所述终端空域扇区容量进行修正,得到修正后的扇区基本运行容量,并根据终端空域划分的扇区数量,计算终端空域的基本运行容量;所述控制模块将管制工作负荷通讯数据输入至所述数据处理模块;所述显示模块显示所述终端空域的基本运行容量数据。
为了更进一步的实现终端空域空中交通动态容量的预测方法,本发明还公开了一种终端空域空中交通动态容量的预测系统,该系统用于实现权利要求3所述终端空域空中交通动态容量的预测方法,具体包括数据采集模块、数据处理模块、控制模块、显示模块;所述数据采集模块采集所述终端空域的管制通讯数据、基本空中交通事件、天气数据及终端空域的交通流信息,并将采集到的数据发送至数据处理模块进行存储;所述控制模块将管制工作负荷通讯数据存储至数据处理模块;所述数据处理模块对存储的数据进行处理,计算终端空域的交通流数据,并根据天气预报数据,获取对所述终端空域交通流改航数据;所述显示模块显示所述终端空域的交通流改航数据、天气对终端空域占有及其动态容量数据。
与现有技术相比,本发明具有如下有益效果:
1、本发明将管制规则约束下的管制行为动力学分析方法引入管制安全工作负荷评估中,并通过辨识管制通讯行为和空域交通特征的相关性,解决管制安全工作负荷准确评估的问题,从而实现准确获取终端空域的基本运行容量。
2、本发明通过引入情景树分析方法,并综合运用聚类分析和智能辨识技术,实现时空下对天气预报信息和交通流分布的位图直观表达,结合管制安全工作负荷确定终端空域的动态容量,解决天气不确定下终端空域动态容量准确预测的问题。
3、所述系统将季节性天气信息融入空域管理的决策中,提高航空公司航班计划制定的有效性和准确性,保证了空中交通安全。
4、所述系统将终端空域的短期雷达天气图像转化为终端空域交通事件和短期天气影响下的动态容量分布图像,实现根据天气预测数据配置空中交通改航方案和动态容量,减低了空中交通管制的工作负荷,提高了管制自动化水平。
附图说明
图1为本发明所述根据天气信息预测空域容量系统的结构示意图。
图2为本发明所述根据天气信息预测空域容量方法的工作流程图。
图3为通过管制工作负荷测量确定终端空域的基本运行容量流程图。
图4为基于天气信息确定终端空域短期容量分布预测方法流程图。
图5为基于天气信息确定终端空域短期容量分布预测系统结构图。
具体实施方式
下面结合附图对本发明的技术方案进行详细说明:
本发明所述系统的结构如图1所示,具体包括:数据采集模块、数据处理模块、控制模块、显示模块;以下通过具体实施例介绍本发明的系统工作过程:
实施例一,所述数据采集模块包括雷达数据天气采集模块、空中交通流量监控采集模块;数据处理模块包括服务器,控制模块包括至少一个计算机终端,显示模块包括绘图仪、投影仪,所述空中交通流量监控采集模块采集所述终端空域的管制通讯数据及基本空中交通事件,并将采集到的数据发送至服务器进行存储;所述服务器根据存储的管制通讯数据计算所述终端空域的扇区容量,并对基本空中交通事件及预先设定的管制工作负荷数据进行处理,获取所述终端空域扇区容量的修正系数,对所述终端空域扇区容量进行修正,得到修正后的扇区基本运行容量,并根据终端空域划分的扇区数量,计算终端空域的基本运行容量;所述计算机终端将管制工作负荷通讯数据输入至所述服务器;所述绘图仪将所述终端空域的基本运行容量数据绘制并进行打印显示,所述投影仪将所述终端空域的基本运行容量数据进行投影显示。
实施例二,所述数据采集模块包括雷达数据天气采集模块、空中交通流量监控采集模块;数据处理模块包括服务器,控制模块包括至少一个计算机终端,显示模块包括绘图仪、投影仪,所述空中交通流量监控采集模块采集所述终端空域的管制通讯数据、基本空中交通事件、终端空域的交通流信息,所述雷达数据天气采集模块采集天气数据,雷达数据天气采集模块、空中交通流量监控采集模块将采集到的数据发送至服务器进行存储;所述计算机终端将管制工作负荷通讯数据存储至数据处理模块;所述服务器对存储的数据进行处理,计算终端空域的交通流数据,并根据天气预报数据,获取对所述终端空域空中交通流的改航数据;所述绘图仪将所述终端空域的交通流改航数据绘图后进行打印,所述投影仪将所述终端空域的交通流改航数据、天气的空域占有数据和动态容量进行投影显示。
所述控制模块还包括PC机、平板电脑、手机等;所述显示模块还包括液晶屏、LED屏等,所述数据采集模块与数据处理模块之间采用无线网络连接。
本发明所述终端空域空中交通动态容量的预测方法流程如图2所示,具体包括如下三方面:
一、终端空域基本运行容量的确定
终端空域航班飞行是由地面管制员管制指挥实现,在不考虑天气因素其最大管制的航班架次体现了空域的容量水平,称为基本运行容量。因此,通过测度管制员的工作负荷水平(通讯时长)来获取空域容量,已经成为业界普遍接受的方法(如国际民航组织推荐的DORATASK方法和MBB方法)。
DORATASK方法对雷达管制员的工作负荷划分为看得见部分和看不见部分。所谓看得见部分是指管制员进行常规管制工作、解决冲突的通讯和填写进程单等能够被观察员记录和记时的工作;而看不见部分是指管制员监控雷达屏幕、对照进程单、思考计划等工作,这部分工作不便进行记录和记时。DORATASK方法认为必须为管制员留有一定的恢复时间,该恢复时间对扇区的安全运行极为重要,所以规定平均工作负荷强度必须小于80%,并且90%的工作负荷不得超过总(工作)时间的2.5%。
本发明采用的终端空域基本运行容量的确定方法如图3所示,主要分为两个部分实现:
第一部分:根据管制工作通讯统计,基于人类动力学中人的行为时间统计特性,确定基于管制工作负荷的扇区容量模型。
(1)将终端空域划分为NS个扇区,采集该终端空域各扇区的管制通讯历史数据,通过统计管制指令分布的时间间隔,对其进行指令时间间隔的频度分析,建立散点图,采用幂指数曲线进行拟合,发现其反映在时间间隔方面具有“阵发”特征,借鉴人类动力学模型,确定空中交通管制通讯动力学统计模型满足如下密度函数:f(x)=Cx-α,其中f(x)表示管制通讯时间样本空间下的管制事件的密度函数,C和α为待定系数,该式反应了管制员指令在时间序列发布的频度,通过绘制散点图并经采用最大似然估计法拟合出与之相对应的曲线,从而确定α的值。
(2)可由幂律函数的特性计算出f(x)的数学期望E(X),该期望即为各扇区管制事件发生的平均间隔时间,某时段T内各扇区管制事件发生的次数而管制事件的发生必定与当时空域内的航空器数量有关,无航空器在空域内出现时管制事件必定不会发生。那么,可以各扇区建立航空器数量和管制事件发生次数之间回归模型:y=β1z1k+β2z2k+β3z3k+e,其中,β1,β2,β3,e为回归系数,令y等于第k个扇区的管制事件发生的次数,z1k,z2k,z3k分别等于终端空域第k个扇区空中交通流的历史进港架次、历史离港架次和历史飞越架次数据,进行回归分析后得到回归系数β1,β2,β3,e的值,将回归系数β1,β2,β3,e带入回归模型y=β1z1k+β2z2k+β3z3k+e得到具体的回归方程,采用DORATASK方法获取该终端空域第k个扇区所对应的管制事件发生的次数N,对具体时段的空域扇区容量进行评估,以1h为例,管制员最大工作负荷为3600s的80%,为2880s。我们自然可以得到DORATASK方法允许下的极限容量所对应的管制事件发生的次数N,其中接着将y=N作为已知条件带入回归方程,计算z1k,z2k,z3k,得到第k个扇区容量公式CWSk=z1k+z2k+z3k。
第二部分:基于基本空中交通事件特征建立基于交通复杂性的容量修正系数,对第一部分空域运行容量计算值修正,进而确定终端空域的基本运行容量,具体步骤如下:
(1)对各扇区基本空中交通事件进行分类,建立基于空中交通复杂性的交通事件分类标准。根据影响管制工作负荷的终端空域各扇区空中交通现状进行分类,确定基本交通要素,构建各扇区基本空中交通要素矩阵为U=[u1,u2,…u14]T,其中,u1,u2,…u14分别为航空器数量、航空器速度、交通流量比率、巡航交通量、占用率、航路之间的交叉角、每小时的交通量、爬升/下降交通量、水平冲突量、上升冲突量、交叉点的数量、垂直间隔、水平纵向间隔、航空器侧向间隔的最小距离共14种。
(2)建立基本管制单元的管制工作负荷分类,构建各扇区历史管制工作负荷矩阵W=[wl1,wl2,…wl5]T,其中,wl1,wl2,…wl5分别为:飞行数据管理及雷达显示操作的工作负荷、协调管制工作负荷、飞行冲突搜寻与解决工作负荷、例行工作的标准无线电通话的工作负荷、雷达监视工作负荷。
(3)以基本空中交通要素矩阵U=[u1,u2,…u14]T、历史管制工作负荷矩阵W=[wl1,wl2,…wl5]T作为输入,理想的管制工作负荷矩阵W′=[wl1′,wl′2,…wl5′]T作为输出,训练BP神经网络,其中wl1′,wl′2,…wl′5分别为理想的飞行数据管理及雷达显示操作的工作负荷、协调管制工作负荷、飞行冲突搜寻与解决工作负荷、例行工作的标准无线电通话的工作负荷、雷达监视工作负荷;具体训练过程如下:神经网络采用三层,输入层(2个节点),隐层(8个节点)和输出层(1个节点),学习率采用自适应学习率,选择的样本数为940个,其中900个作为训练样本,后40个样本用于验证网络模型,从而获取管制行为和交通事件的非线性关系。
利用训练好的BP神经网络,将基本空中交通要素矩阵U=[u1,u2,…u14]T、历史管制工作负荷矩阵W=[wl1,wl2,…wl5]T作为输入,BP神经网络的输出量为理想的管制工作负荷矩阵W′=[wl1′,wl′2,…wl5′]T,将理想的管制工作负荷矩阵W′=[wl1′,wl′2,…wl5′]T与历史管制工作负荷矩阵W=[wl1,wl2,…wl5]T进行比照,得到比照参数进而确定各扇区修正系数为
(4)应用该修正系数及终端空域的各扇区容量CWSk,计算修正后的各扇区基本运行容量CSK=E×CWSk,并根据终端空域划分的扇区数量NS,计算终端空域的基本运行容量
二、地区长期天气情景树分类方法
本发明采用的地区长期天气情景树分类方法如图4所示,采集最近10年该地区天气数据,对云底高、能见度、降水、雾、风速五类常见天气类型,采用K-Means聚类算法对数据进行分类,并构建情景树,从而得到具体天气类型的判别规则。
(1)采用聚类分析技术对天气数据分类。从含有n个样本的样本集中随机选取k个样本作为初始聚类中心,然后计算各个样本到聚类中心的距离,把各样本归到离它最近的那个聚类中心所在的类Sj(j=1,2…,k)中;接着对调整后的新类进行计算,得出新的聚类中心。如果相邻两次的聚类中心一致,说明样本调整结束,聚类准则函数J已经收敛,输出结果;若相邻两次的聚类中心不一致,则继续调整样本,直到各聚类中心不发生任何变化为止。即:
通过求对应某一初始聚类中心向量X={x1,x2,…,xk}T的最优分类,从而使得评价指标J值最小。算法常采用误差平方和准则函数作为聚类准则函数,误差平方和准则函数定义为:
其中cj是Sj的聚类中心。
利用前文分析的天气特征,将样本数据进行离散化处理,采用0和1来表示各种天气特征,从而对样本数据进行简化,使之转化为一系列只包含0、1的多维向量,处理方式见下表:
表1天气特征的离散处理
运用K-Means算法将离散化后的样本数据分为K类,则每一类代表的是一种天气类型。为获取具有准则性质的天气规则,借鉴Rough集理论中的启发式约值算法对每一类的数据进行分析(将类别1~K作为决策属性,其他天气特征作为条件属性),从而总结得出每类天气类型发生的必要条件。
(2)构建天气情景树。每种情景都以一定的概率出现,它表示了终端空域容量的时间序列,假设将所有情景组成一棵树,树的分支代表一组情景的集合,而分叉点代表某一特定时间,这样的树称为情景树。在每个分叉口节点处,即某个特定时间总可以删除一些情景,因为在节点之前相同的情景分支后变得不同,而且彼时可能获得可靠的天气预报信息。因此随着时间推移,将会获得更多容量情景信息。“树叶”即为容量构型,定义为一个终端空域一段时间内容量值的时间序列,它由飞行流量统计计算得到。“树枝”即为容量情景代表一组容量构型,它与这一组容量构型中的任何一个相似却不相同,如果容量情景表示种群,容量构型则代表种群中的个体。最后一系列容量情景通过出现的概率关联在一起组成了情景树,情景树的分支点代表相同情景演变成不同情景的时间点。
对不同类型天气的容量构型的情景识别。具体空域的地域性决定了不同终端空域的天气类型是有差别的。这些差别体现在恶劣天气出现的类型,季节,持续时间,影响程度和范围等方面上。根据常识可知出现两天容量构型相同的情况不常见,因此要构造可用的情景就必须对若干组相似但不相同的情景进行识别。采集最近10年内终端空域的历史天气数据,统计出终端空域出现的天气特征,将天气数据通过聚类分析手段,实现对若干组相似但不相同的情景进行分类识别。将上述情景识别得到的时序下的容量构型,和多组情景构造形成概率树,即情景树。
(3)确定具体终端空域的季节性空域容量:
首先,采集所述终端空域的历史天气数据,将历史天气数据分为标准天气类型及未知天气类型,所述标准天气类型包括云底高、能见度、降水、雾、风速,对标准天气类型构建情景树;
然后,将所述情景树的信息构造成数据库,结合终端空域的基本运行容量CT,确定该终端空域季节性空域容量,具体步骤如下:
Ⅰ、对于标准天气类型,首先计算标准天气类型航路间隔的放大系数
Rs=标准天气类型影响下的历史航路间隔÷标准航路间隔,其中s=1,2,…,5,然后根据标准天气类型航路间隔的放大系数Rs计算终端空域季节性空域容量为
Ⅱ、对于未知天气类型,首先采用小波神经网络辨识未知天气类型,然后计算该未知天气类型与标准天气类型的相似度S,相似度S用“取值相同的同位属性数/单个元素的属性位数”表示,最后计算该未知天气类型下的终端空域季节性空域容量为
三、终端空域动态容量分布的确定和计算机实现
根据上述时空条件下天气对空域占有,借助终端空域地理信息系统,建立终端空域的天气分布位图,并结合管制员安全工作负荷评估模型确定的扇区运行容量,根据交通流分布,获取终端空域动态容量。本发明采用的终端空域短期容量分布的计算机实现,如图5所示。
(1)根据所述季节性空域容量计算所述终端空域的交通流数据,构建交通流四维航迹矩阵QF(L,M,H,T);确定短期(0.5-1h)交通流预测数据,通过机场的短期雷达天气预报数据,构建四维天气矩阵QW(L′,M′,H′,T),其中,L,M,H分别为所述交通流空间范围的长、宽、高,L′,M′,H′分别为所述天气空间范围的长、宽、高,T为时间段,W和F分别表示天气和交通流;两个矩阵都按照0.1km间隔形成离散点集,矩阵元素q∈(0,1),q=0表示天气或者交通不占用,q=1表示天气或者交通占用,根据交通流四维航迹矩阵QF(L,M,H,T)与四维天气矩阵QW(L′,M′,H′,T)判断是否存在交通流四维航迹与四维天气重叠的区域,若存在某个时空分布矩阵表示交通流和天气存在时空重合。构建该空间范围重叠区域的时空分布矩阵Q(L″,M″,H″,T),其中L″,M″,H″分别表示交通流与天气空间范围重叠区域的长、宽、高;
(2)若表示在时间和空间上不存在交通流和短期天气冲突,终端空域交通可正常运行;若根据该时空分布矩阵Q(L″,M″,H″,T)和飞行计划的备选改航路径集,选择改航航段,如果找不到合适改航路径,则选择终端空域外围实施高空等待,该部分航班不计入该区域飞行流量。
(3)根据调整好的区域航班量,确定终端空域的动态容量水平,具体步骤如下:
步骤1.将所述终端空域划分为多个扇区,根据调整好的各扇区动态交通流数据,确定第k个扇区的动态容量Ck,其中k=1,2,...NS,NS为所划分的扇区总数;
步骤2.构建各扇区的基本空中交通要素矩阵U=[u1,u2,…u14]T;其中u1,u2,…u14分别为航空器数量、航空器速度、交通流量比率、巡航交通量、占用率、航路之间的交叉角、每小时的交通量、爬升/下降交通量、水平冲突量、上升冲突量、交叉点的数量、垂直间隔、水平纵向间隔、航空器侧向间隔的最小距离;
步骤3.构建各扇区的历史管制工作负荷矩阵W=[wl1,wl2,…wl5]T,其中,wl1,wl2,…wl5分别为飞行数据管理及雷达显示操作的工作负荷、协调管制工作负荷、飞行冲突搜寻与解决工作负荷、例行工作的标准无线电通话的工作负荷、雷达监视工作负荷;
步骤4将基本空中交通要素矩阵U=[u1,u2,…u14]T、历史管制工作负荷矩阵W=[wl1,wl2,…wl5]T作为输入,理想的管制工作负荷矩阵W′=[wl1′,wl′2,…wl5′]T作为输出训练BP神经网络,其中wl1′,wl′2,…wl′5分别为理想的飞行数据管理及雷达显示操作的工作负荷、协调管制工作负荷、飞行冲突搜寻与解决工作负荷、例行工作的标准无线电通话的工作负荷、雷达监视工作负荷;
步骤5:利用训练好的BP神经网络,确定各扇区修正系数为其中应用该修正系数及终端空域各扇区的动态扇区容量Ck,计算修正后的各扇区动态运行容量C'k=E×Ck,并根据终端空域划分的扇区数量NS,计算终端空域的动态运行容量
(4)通过现有的空中交通仿真系统,显示终端空域的短期飞行动态,以及得出的受到天气影响下的空域动态容量(包括各个扇区的动态容量),通过动态容量预测系统的显示模块进行显示。
以上,仅为本发明的较佳实施例,但本发明的保护范围并不局限于此,任何熟悉本领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求所界定的保护范围为准。
Claims (7)
1.一种获取终端空域基本运行容量的方法,其特征在于:包括如下步骤:
步骤1:将所述终端空域划分为多个扇区,根据各扇区的管制通讯历史数据,确定各扇区的容量,其中第k个扇区容量用下式计算:CWSk=z1k+z2k+z3k,其中z1k,z2k,z3k分别为所述终端空域第k个扇区中航班进港架次、离港架次、飞越航班架次,k=1,2,...,NS,NS为终端空域所划分的扇区总数;
步骤2:构建各扇区基本空中交通要素矩阵U=[u1,u2,…u14]T;其中u1,u2,…u14分别为航空器数量、航空器速度、交通流量比率、巡航交通量、占用率、航路之间的交叉角、每小时的交通量、爬升/下降交通量、水平冲突量、上升冲突量、交叉点的数量、垂直间隔、水平纵向间隔、航空器侧向间隔的最小距离;
步骤3:构建各扇区历史管制工作负荷矩阵W=[wl1,wl2,…wl5]T,其中,wl1,wl2,…wl5分别为飞行数据管理及雷达显示操作的工作负荷、协调管制工作负荷、飞行冲突搜寻与解决工作负荷、例行工作的标准无线电通话的工作负荷、雷达监视工作负荷;
步骤4:以基本空中交通要素矩阵U=[u1,u2,…u14]T、历史管制工作负荷矩阵W=[wl1,wl2,…wl5]T作为输入,理想的管制工作负荷矩阵W′=[wl′1,wl′2,…wl′5]T作为输出,训练BP神经网络,其中wl′1,wl′2,…wl′5分别为理想的飞行数据管理及雷达显示操作的工作负荷、协调管制工作负荷、飞行冲突搜寻与解决工作负荷、例行工作的标准无线电通话的工作负荷、雷达监视工作负荷;
步骤5:利用训练好的BP神经网络,确定各扇区修正系数为其中应用该修正系数及终端空域的各扇区容量CWSk,计算修正后的各扇区基本运行容量CSK=E×CWSk,并根据终端空域划分的扇区数量NS,计算终端空域的基本运行容量
2.根据权利要求1所述获取终端空域基本运行容量的方法,其特征在于:所述步骤1包括如下步骤:
(1)将终端空域划分为NS个扇区,采集该终端空域各扇区的管制通讯历史数据,构建空中交通管制通讯动力学统计模型:f(x)=Cx-α,其中f(x)表示管制通讯时间样本空间下管制事件的密度函数,C和α为待定系数,根据该模型绘制散点图,确定α的值;
(2)计算f(x)的数学期望E(X),该期望即为各扇区管制事件发生的平均间隔时间,某时段T内各扇区管制事件发生的次数为建立各扇区航空器数量和管制事件发生次数之间的回归模型:y=β1z1k+β2z2k+β3z3k+e,其中,β1,β2,β3,e为回归系数,令y等于第k个扇区的管制事件发生的次数,z1k,z2k,z3k分别等于终端空域第k个扇区空中交通流的历史进港架次、历史离港架次和历史飞越架次数据,进行回归分析后得到回归系数β1,β2,β3,e的值,将回归系数β1,β2,β3,e带入回归模型y=β1z1k+β2z2k+β3z3k+e得到具体的回归方程,采用DORATASK方法获取该终端空域第k个扇区所对应的管制事件发生的次数N,令y=N,计算z1k,z2k,z3k,得到第k个扇区容量公式CWSk=z1k+z2k+z3k。
3.一种终端空域空中交通动态容量的预测方法,其特征在于:包括如下步骤:
步骤3-1:应用权利要求1所述获取终端空域基本运行容量的方法获取终端空域基本运行容量,并在该终端空域基本运行容量的基础上,根据预测地区历史天气报文数据,确定该终端空域的季节性空域容量;
步骤3-2:根据所述季节性空域容量计算所述终端空域的交通流数据,构建交通流四维航迹矩阵QF(L,M,H,T);获取所述终端空域的雷达天气预报数据,构建四维天气矩阵QW(L′,M′,H′,T),其中,L,M,H分别为所述交通流空间范围的长、宽、高,L′,M′,H′分别为所述天气空间范围的长、宽、高,T为时间段,W和F分别表示天气和交通流;
根据交通流四维航迹矩阵QF(L,M,H,T)与四维天气矩阵QW(L′,M′,H′,T)判断是否存在交通流四维航迹与四维天气重叠的区域,若存在,构建该空间范围重叠区域的时空分布矩阵Q(L″,M″,H″,T),其中L″,M″,H″分别表示交通流与天气空间范围重叠区域的长、宽、高;
根据空间范围重叠区域的时空分布矩阵Q(L″,M″,H″,T)及预先设定的改航路径数据,确定所述终端空域的动态交通流数据;根据终端空域的动态交通流数据,确定终端空域的动态容量。
4.根据权利要求3所述终端空域空中交通动态容量的预测方法,其特征在于:所述根据终端空域的动态交通流数据,确定终端空域的动态容量包括如下步骤:
步骤4-1:将所述终端空域划分为多个扇区,根据各扇区的动态交通流数据,确定第k个扇区的动态容量Ck,其中k=1,2,...NS,NS为所划分的扇区总数;
步骤4-2:构建各扇区的基本空中交通要素矩阵U=[u1,u2,…u14]T;其中u1,u2,…u14分别为航空器数量、航空器速度、交通流量比率、巡航交通量、占用率、航路之间的交叉角、每小时的交通量、爬升/下降交通量、水平冲突量、上升冲突量、交叉点的数量、垂直间隔、水平纵向间隔、航空器侧向间隔的最小距离;
步骤4-3:构建各扇区的历史管制工作负荷矩阵W=[wl1,wl2,…wl5]T,其中,wl1,wl2,…wl5分别为飞行数据管理及雷达显示操作的工作负荷、协调管制工作负荷、飞行冲突搜寻与解决工作负荷、例行工作的标准无线电通话的工作负荷、雷达监视工作负荷;
步骤4-4:将基本空中交通要素矩阵U=[u1,u2,…u14]T、历史管制工作负荷矩阵W=[wl1,wl2,…wl5]T作为输入,理想的管制工作负荷矩阵W′=[wl′1,wl′2,…wl′5]T作为输出训练BP神经网络,其中wl′1,wl′2,…wl′5分别为理想的飞行数据管理及雷达显示操作的工作负荷、协调管制工作负荷、飞行冲突搜寻与解决工作负荷、例行工作的标准无线电通话的工作负荷、雷达监视工作负荷;
步骤4-5:利用训练好的BP神经网络,确定各扇区修正系数为其中应用该修正系数及终端空域各扇区的动态扇区容量Ck,计算修正后的各扇区动态运行容量C′k=E×Ck,并根据终端空域划分的扇区数量NS,计算终端空域的动态运行容量
5.根据权利要求3所述终端空域空中交通动态容量的预测方法,其特征在于:所述根据预测地区历史天气报文数据,确定该终端空域的季节性空域容量包括如下步骤:
(1)采集所述终端空域的历史天气数据,将历史天气数据分为标准天气类型及未知天气类型,所述标准天气类型包括云底高、能见度、降水、雾、风速,对标准天气类型构建情景树;
(2)将所述情景树的信息构造成数据库,结合终端空域的基本运行容量CT,确定该空域季节性空域容量,具体步骤如下:
Ⅰ、对于标准天气类型,首先计算标准天气类型航路间隔的放大系数
Rs=标准天气类型影响下的历史航路间隔÷标准航路间隔,其中s=1,2,…,5,然后根据标准天气类型航路间隔的放大系数Rs计算终端空域季节性空域容量为
Ⅱ、对于未知天气类型,首先采用小波神经网络辨识未知天气类型,然后计算该未知天气类型与标准天气类型的相似度S,相似度S用“取值相同的同位属性数/单个元素的属性位数”表示,最后计算该未知天气类型下的终端空域季节性空域容量为
6.一种获取终端空域基本运行容量的系统,其特征在于:该系统用于实现权利要求1所述获取终端空域基本运行容量的方法,具体包括数据采集模块、数据处理模块、控制模块、显示模块;所述数据采集模块采集所述终端空域的管制通讯数据及基本空中交通事件,并将采集到的数据发送至数据处理模块进行存储;所述数据处理模块根据存储的管制通讯数据计算所述终端空域的扇区容量,并对基本空中交通事件及预先设定的管制工作负荷通讯数据进行处理,获取所述终端空域扇区容量的修正系数,对所述终端空域扇区容量进行修正,得到修正后的扇区基本运行容量,并根据终端空域划分的扇区数量,计算终端空域的基本运行容量;所述控制模块将管制工作负荷通讯数据输入至所述数据处理模块;所述显示模块显示所述终端空域的基本运行容量数据。
7.一种终端空域空中交通动态容量的预测系统,其特征在于:该系统用于实现权利要求3所述终端空域空中交通动态容量的预测方法,具体包括数据采集模块、数据处理模块、控制模块、显示模块;所述数据采集模块采集所述终端空域的管制通讯数据、基本空中交通事件、天气数据及终端空域的交通流信息,并将采集到的数据发送至数据处理模块进行存储;所述控制模块将管制工作负荷通讯数据存储至数据处理模块;所述数据处理模块对存储的数据进行处理,计算终端空域的交通流数据,并根据天气预报数据,获取对所述终端空域交通流改航数据;所述显示模块显示所述终端空域的交通流改航数据、天气对终端空域占有及其动态容量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310485738.7A CN103530704B (zh) | 2013-10-16 | 2013-10-16 | 一种终端空域空中交通动态容量预测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310485738.7A CN103530704B (zh) | 2013-10-16 | 2013-10-16 | 一种终端空域空中交通动态容量预测系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530704A CN103530704A (zh) | 2014-01-22 |
CN103530704B true CN103530704B (zh) | 2016-06-29 |
Family
ID=49932697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310485738.7A Active CN103530704B (zh) | 2013-10-16 | 2013-10-16 | 一种终端空域空中交通动态容量预测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530704B (zh) |
Families Citing this family (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105022742A (zh) * | 2014-04-24 | 2015-11-04 | 深圳市赛格导航科技股份有限公司 | 一种基于位置及天气的数据管理方法及数据管理系统 |
CN104050506A (zh) * | 2014-06-24 | 2014-09-17 | 电子科技大学 | 一种基于Spiking神经网络的飞机冲突检测方法 |
CN104574137A (zh) * | 2014-12-12 | 2015-04-29 | 深圳祥云信息科技有限公司 | 业务数据的预期概率分布数据生成方法 |
CN105513431B (zh) * | 2015-11-30 | 2017-12-26 | 中国民用航空厦门空中交通管理站 | 空中交通流量管理实操标准的动态定值方法及系统 |
CN106297415B (zh) * | 2016-08-16 | 2018-12-07 | 南京航空航天大学 | 飞行区运行态势评估方法 |
CN106710316B (zh) * | 2017-02-28 | 2018-05-08 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 一种基于恶劣气象条件的空域容量确定方法及装置 |
CN107194493B (zh) * | 2017-04-14 | 2020-07-07 | 南京航空航天大学 | 一种短期天气影响下终端空域空中交通延误预测方法 |
CN107622699B (zh) * | 2017-09-26 | 2019-07-09 | 中国电子科技集团公司第二十八研究所 | 基于时序的全时段空域冲突探测与解脱方法 |
CN107679667B (zh) * | 2017-10-13 | 2021-03-30 | 南京航空航天大学 | 一种终端区航线规划优先级分类方法 |
CN108152866B (zh) * | 2017-11-06 | 2020-07-07 | 南京航空航天大学 | 基于天气影响航班量的航空气象预报质量评估方法 |
CN108172027A (zh) * | 2018-01-26 | 2018-06-15 | 南京航空航天大学 | 概率性航路扇区交通需求预测方法 |
CN110626517B (zh) * | 2018-06-21 | 2023-10-27 | 北京联信通达科技发展股份有限公司 | 航空器轮挡智能装置、智能系统及自动数据获取方法 |
CN109102061A (zh) * | 2018-08-10 | 2018-12-28 | 哈尔滨工业大学(威海) | 一种符合人类动力学规律的群体用户行为产生系统,设备及存储介质 |
CN109034654B (zh) * | 2018-08-20 | 2021-11-16 | 中国民航大学 | 空中交通相依网络脆弱性的度量方法 |
CN109658741A (zh) * | 2018-12-12 | 2019-04-19 | 中国船舶重工集团公司第七0九研究所 | 一种扇区短时流量预测方法及系统 |
CN109686127B (zh) * | 2019-02-11 | 2021-02-26 | 姜志刚 | 一种判断航空器在航段内拥堵位置和拥堵程度的方法 |
CN110084414B (zh) * | 2019-04-18 | 2020-03-06 | 成都蓉奥科技有限公司 | 一种基于k次控制深度强化学习的空管防冲突方法 |
CN110363333A (zh) * | 2019-06-21 | 2019-10-22 | 南京航空航天大学 | 一种基于渐进梯度回归树的天气影响下空中通行能力的预测方法 |
CN110555552B (zh) * | 2019-08-26 | 2022-05-03 | 南京航空航天大学 | 基于天气危险指数的终端区起降容量预测方法 |
CN110610142B (zh) * | 2019-08-27 | 2023-04-28 | 南京航空航天大学 | 基于趋势距离和谱聚类的机场航班波形相似性度量方法 |
CN110765597A (zh) * | 2019-10-11 | 2020-02-07 | 南京航空航天大学 | 扇区数量估算系统 |
CN110837923A (zh) * | 2019-11-04 | 2020-02-25 | 上海眼控科技股份有限公司 | 通航量预测方法、装置、计算机设备和存储介质 |
CN111009155B (zh) * | 2019-12-06 | 2022-01-25 | 南京莱斯信息技术股份有限公司 | 基于空域结构和航班流的空中交通流复杂性量化分析方法 |
CN111047182B (zh) * | 2019-12-10 | 2021-12-28 | 北京航空航天大学 | 一种基于深度无监督学习的空域复杂度评估方法 |
CN111508279B (zh) * | 2020-03-18 | 2022-02-11 | 南京航空航天大学 | 一种天气避让场划设的方法 |
CN111598148B (zh) * | 2020-04-29 | 2022-09-16 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
CN112071123B (zh) * | 2020-07-29 | 2022-01-04 | 南京航空航天大学 | 一种计算航路阻塞度的方法 |
CN112258898B (zh) * | 2020-10-16 | 2021-08-24 | 中国民用航空华东地区空中交通管理局 | 基于数字孪生技术的空中交通管制方法、系统、电子设备及存储介质 |
CN112562419B (zh) * | 2020-11-03 | 2022-04-08 | 南京航空航天大学 | 一种基于离线多目标跟踪的天气规避区划设方法 |
CN112951004B (zh) * | 2021-03-09 | 2022-04-08 | 东部机场集团有限公司 | 一种多目标多时段航班保障资源动态优化分配方法 |
CN113191541A (zh) * | 2021-04-26 | 2021-07-30 | 万航宇宙智能工程有限公司 | 一种基于利用低空空域开展高效货物运输活动的方法 |
CN113326568B (zh) * | 2021-05-31 | 2023-03-24 | 中国民用航空飞行学院 | 一种基于时间间隔标准改善机场跑道容量的方法 |
CN113361948B (zh) * | 2021-06-24 | 2023-06-16 | 中国电子科技集团公司第二十八研究所 | 一种基于矩阵运算的空域对流天气信息量化方法 |
CN113627742A (zh) * | 2021-07-21 | 2021-11-09 | 齐鲁空天信息研究院 | 航空器空域容量评估方法 |
CN114724414B (zh) * | 2022-03-14 | 2023-06-09 | 中国科学院地理科学与资源研究所 | 城市空中交通分担率的确定方法、装置、电子设备及介质 |
CN115796391A (zh) * | 2023-01-31 | 2023-03-14 | 北京航空航天大学 | 一种基于多源时变特征融合的机场容量预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074126A (zh) * | 2011-01-19 | 2011-05-25 | 清华大学 | 基于历史雷达数据的空中交通流量分析系统与方法 |
CN102147982A (zh) * | 2011-04-13 | 2011-08-10 | 中国民航大学 | 一种扇区动态容量预测的方法 |
CN102842075A (zh) * | 2012-09-10 | 2012-12-26 | 南京航空航天大学 | 通过管制员工作负荷的时空分布特征确定扇区容量的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2009314392B2 (en) * | 2008-10-29 | 2015-09-24 | Lockheed Martin Corporation | Air traffic complexity reduction system utilizing multivariable models |
-
2013
- 2013-10-16 CN CN201310485738.7A patent/CN103530704B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102074126A (zh) * | 2011-01-19 | 2011-05-25 | 清华大学 | 基于历史雷达数据的空中交通流量分析系统与方法 |
CN102147982A (zh) * | 2011-04-13 | 2011-08-10 | 中国民航大学 | 一种扇区动态容量预测的方法 |
CN102842075A (zh) * | 2012-09-10 | 2012-12-26 | 南京航空航天大学 | 通过管制员工作负荷的时空分布特征确定扇区容量的方法 |
Non-Patent Citations (3)
Title |
---|
基于灰色重力模型的终端区空域流量分布预测;张慧等;《哈尔滨商业大学学报(自然科学版)》;20100228;第26卷(第1期);第38-41页 * |
基于空域灵活使用的终端空域规划设计方法;张明等;《交通信息安全》;20130531;第31卷(第179期);第5-9页 * |
管制扇区的最优划分方法研究;张明;《南京航空航天大学学报》;20040630;第36卷(第3期);第308-312页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103530704A (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103530704B (zh) | 一种终端空域空中交通动态容量预测系统及其方法 | |
Tang et al. | Taxi trips distribution modeling based on Entropy-Maximizing theory: A case study in Harbin city—China | |
US10850731B2 (en) | Apparatus and method for automated traffic and driving pattern recognition and location-dependent measurement of absolute and/or relative risk probabilities for car accidents | |
US10558936B2 (en) | Systems and methods for dynamically generating patrol schedules based on historic demand data | |
US11869110B2 (en) | Early warning method and system for regional public security management in smart city based on the internet of things | |
CN106205156B (zh) | 一种针对部分车道车流突变的交叉口自愈合控制方法 | |
Herrema et al. | A machine learning model to predict runway exit at Vienna airport | |
Choi et al. | Artificial neural network models for airport capacity prediction | |
WO2021115320A1 (zh) | 交通评估方法和系统 | |
CN110716935A (zh) | 基于网约车出行的轨迹数据分析与可视化方法及系统 | |
CN105225541A (zh) | 基于空管历史数据挖掘的短时航迹预测方法 | |
CN108171998A (zh) | 一种基于电警数据的交叉口自适应交通信号控制系统及其工作方法 | |
CN112215416B (zh) | 智能规划巡检航线系统及方法 | |
CN111009155A (zh) | 基于空域结构和航班流的空中交通流复杂性量化分析方法 | |
Kang et al. | Improving airline fuel efficiency via fuel burn prediction and uncertainty estimation | |
CN105205565A (zh) | 一种基于多重回归模型的管制员工作负荷预测方法和系统 | |
Sridhar | Applications of machine learning techniques to aviation operations: Promises and challenges | |
Liu et al. | Causal analysis of flight en route inefficiency | |
Klüver et al. | A self-enforcing neural network as decision support system for air traffic control based on probabilistic weather forecasts | |
Li | General aviation demand forecasting models and a microscopic North Atlantic air traffic simulation model | |
Vandal et al. | Prediction and uncertainty quantification of daily airport flight delays | |
Tian et al. | RETRACTED ARTICLE: Research on emergency vehicle routing planning based on short-term traffic flow prediction | |
Kurte et al. | Regional-scale spatio-temporal analysis of impacts of weather on traffic speed in Chicago using probe data | |
CN111160747B (zh) | 无人驾驶机器人出租车的调度方法、装置及电子设备 | |
Romano et al. | A static algorithm to solve the air traffic sequencing problem |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |