CN113435655B - 扇区动态管理决策方法、服务器及系统 - Google Patents

扇区动态管理决策方法、服务器及系统 Download PDF

Info

Publication number
CN113435655B
CN113435655B CN202110755522.2A CN202110755522A CN113435655B CN 113435655 B CN113435655 B CN 113435655B CN 202110755522 A CN202110755522 A CN 202110755522A CN 113435655 B CN113435655 B CN 113435655B
Authority
CN
China
Prior art keywords
sector
decision
feature
characteristic
indexes
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
Application number
CN202110755522.2A
Other languages
English (en)
Other versions
CN113435655A (zh
Inventor
袁立罡
吕晓文
陈海燕
谢华
毛继志
张颖
王兵
李�杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110755522.2A priority Critical patent/CN113435655B/zh
Publication of CN113435655A publication Critical patent/CN113435655A/zh
Application granted granted Critical
Publication of CN113435655B publication Critical patent/CN113435655B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明属于航空技术领域，具体涉及一种扇区动态管理决策方法、服务器及系统，其中扇区动态管理决策方法包括：构建区域扇区运行的特征指标；对特征指标进行筛选；根据筛选后的特征指标获取管制决策规则；以及根据筛选后的特征指标和管制决策规则获取扇区实际决策，构建可量化计算的区域扇区运行指标体系，采用mRMR有监督特征和SPEC无监督特征选择算法综合加权实现关键特征指标的筛选和降维，进一步选取决策树算法提取适应管制员认知与管制能力的扇区动态开合决策规则，并利用关键特征指标的可预测性，设计基于客观交通特性预测的战术/预战术扇区动态开合科学决策模式。

Description

扇区动态管理决策方法、服务器及系统
技术领域
本发明属于航空技术领域，具体涉及一种扇区动态管理决策方法、服务器及系统。
背景技术
空域动态管理是均衡飞行需求与管制负荷的有效方法，如何发掘有效的决策规则以避免经验粗放型管理是其关键内容之一。随着近些年来航空运输业迅猛发展，国内航班量按照8-10％的年增幅持续增加，空域资源日益紧张，而相对固化的空域结构与空域资源日益紧张在运行中缺乏应对交通扰动的弹性，而固定的航线及空域结构无法产生较大弹性，飞行空域流量的短时波动易造成扇区运行负荷时空分布不均衡，这给空中交通管理带来了一定的挑战。因此，科学合理有效的扇区动态管理划设对增加对于缓解空域灵活性压力、降低管制工作负荷具有重要作用。
因此，基于上述技术问题需要设计一种新的扇区动态管理决策方法、服务器及系统。
发明内容
本发明的目的是提供一种扇区动态管理决策方法、服务器及系统。
为了解决上述技术问题，本发明提供了一种基于客观交通特性的扇区动态管理决策方法，包括：
构建区域扇区运行的特征指标；
对特征指标进行筛选；
根据筛选后的特征指标获取管制决策规则；以及
根据筛选后的特征指标和管制决策规则获取扇区实际决策。
进一步，所述构建区域扇区运行的特征指标的方法包括：
根据扇区的历史运行数据，构建区域扇区运行的特征指标；
所述特征指标包括：密度类别、复杂性类别和特殊性类别；
所述密度类别的特征指标包括：扇区流量、扇区交通密度、飞行距离、飞行时间、进场流量和离场流量；
所述复杂性类别的特征指标包括：飞行动态次数、飞行动态时间、混合状态次数、混合状态时间、交通混合系数和进扇航向方差
所述特殊性类别的特征指标包括：落地中国香港流量。
进一步，所述对特征指标进行筛选的方法包括：
Figure BDA0003147159560000021
其中，S为特征子集；c为类别标签；xi为特征子集中的第i个特征；D为特征子集和类别标签间的相关性；
根据最小冗余度剔除冗余特征：
Figure BDA0003147159560000022
maxΦ(D,R),Φ＝D-R；
其中，R为特征子集中特征之间的冗余度；xj为特征子集中的第j个特征；
已经选择得到特征子集Sm-1，在剩余特征集合中选择第m个特征：
Figure BDA0003147159560000023
获取最大相关最小冗余的最优特征子集以及特征指标重要性排序。
进一步，所述对特征指标进行筛选的方法还包括：根据特征指进行谱分解，构建邻接矩阵W以及度矩阵D，然后计算拉普拉斯矩阵L：
L＝D-W；
Figure BDA0003147159560000031
按照特征指标对样本分布的影响输出特征指标重要性排序；
根据两种方法获取的特征指标重要性排序进行加权确定最优特征子集，以获取筛选后的特征指标；
对特征子集分别设置权重：
Figure BDA0003147159560000032
Figure BDA0003147159560000033
将两种特征选择结果进行加权，按照权重值从高到低选取前五，从而得到最优特征子集；
Figure BDA0003147159560000034
进一步，所述根据筛选后的特征指标获取管制决策规则的方法包括：
构建决策树，即
有K个类，样本属于第k类的概率为pk，则概率分布的基尼指数为：
Figure BDA0003147159560000035
样本集合D的基尼指数为：
Figure BDA0003147159560000036
其中，Ck为样本集合D中属于第k类的样本子集；
样本集合D根据特征A在取值a上进行分割，得到D1、D2两部分后，那么在特征A下集合D的基尼系数为：
Figure BDA0003147159560000041
其中，Gini(D,A)表示经过特征A在取值a上进行分割后样本集合D的不确定性，基尼系数越小，样本纯度越高；
当样本集合D的基尼系数小于预定阈值时，结束对样本集合D的分割，完成决策树的构建；
将筛选后的特征指标输入决策树，提取管制决策规则。
进一步，所述根据筛选后的特征指标和管制决策规则获取扇区实际决策的方法包括：
将筛选后的特征指标输入决策树，提取管制决策规则，并根据现场运行的管制排班限制以及连续性时间约束获取扇区实际决策。
第二方面，本发明还提供一种基于客观交通特性的扇区动态管理决策服务器，包括：
特征指标构建模块，构建区域扇区运行的特征指标；
筛选模块，对特征指标进行筛选；
管制决策规则获取模块，根据筛选后的特征指标获取管制决策规则；以及
扇区实际决策获取模块，根据筛选后的特征指标和管制决策规则获取扇区实际决策。
第三方面，本发明还提供一种基于客观交通特性的扇区动态管理决策系统，包括：
上位机和服务器；
所述上位机适于获取扇区的运行数据；
所述服务器适于存储扇区的运行数据，并且所述服务器适于获取扇区实际决策。
本发明的有益效果是，本发明通过构建区域扇区运行的特征指标；对特征指标进行筛选；根据筛选后的特征指标获取管制决策规则；以及根据筛选后的特征指标和管制决策规则获取扇区实际决策，构建可量化计算的区域扇区运行指标体系，采用mRMR有监督特征和SPEC无监督特征选择算法综合加权实现关键特征指标的筛选和降维，进一步选取决策树算法提取适应管制员认知与管制能力的扇区动态开合决策规则，并利用关键特征指标的可预测性，设计基于客观交通特性预测的战术/预战术扇区动态开合科学决策模式。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所涉及的基于客观交通特性的扇区动态管理决策方法的流程图；
图2是本发明所涉及的特征选择依据示意图；
图3是本发明所涉及的决策规则示意图；
图4是本发明所涉及的不符合数据特征分布示意图；
图5是本发明所涉及的基于客观交通特性的扇区动态管理决策服务器的原理框图；
图6是本发明所涉及的基于客观交通特性的扇区动态管理决策系统的原理框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1是本发明所涉及的基于客观交通特性的扇区动态管理决策方法的流程图。
如图1所示，本实施例1提供了一种基于客观交通特性的扇区动态管理决策方法，包括：构建区域扇区运行的特征指标；对特征指标进行筛选；根据筛选后的特征指标获取管制决策规则；以及根据筛选后的特征指标和管制决策规则获取扇区实际决策，构建可量化计算的区域扇区运行指标体系，采用mRMR 有监督特征和SPEC无监督特征选择算法综合加权实现关键特征指标(关键特征指标即为筛选后的特征指标)的筛选和降维，进一步选取决策树算法提取适应管制员认知与管制能力的扇区动态开合决策规则，并利用关键特征指标的可预测性，设计基于客观交通特性预测的战术/预战术扇区动态开合科学决策模式。
在本实施例中，所述构建区域扇区运行的特征指标的方法包括：根据扇区的历史运行数据，构建管制员便于理解的区域扇区运行的特征指标，具体如表1 所示：
表1区域扇区运行的特征指标
Figure 1
所述特征指标包括：密度类别、复杂性类别和特殊性类别；所述密度类别的特征指标包括：扇区流量、扇区交通密度、飞行距离、飞行时间、进场流量和离场流量；所述复杂性类别的特征指标包括：飞行动态次数、飞行动态时间、混合状态次数、混合状态时间、交通混合系数和进扇航向方差；所述特殊性类别的特征指标包括：落地中国香港流量；其中混合状态表示在一次统计中某个航班出现多个状态，混合状态平飞次数表示其中的平飞状态出现次数，而平飞次数一般表示在统计中只出现平飞状态的航班；交通混合系数是指：设统计时段内爬升、平飞、下降航班数量分别为u、l、d，则交通混合系数为：
Figure BDA0003147159560000072
基于历史数据计算得到以上特征指标值，经过数据预处理后进行下一步特征指标筛选和降维。
在本实施例中，所述对特征指标进行筛选的方法包括：特征指标选择是指在原始特征中选择一些最有效特征降低原数据集维度的过程，是提升机器学习算法性能的重要手段；根据有无类别标签，分为有监督特征选择、无监督特征选择和半监督特征选择，根据评价准则的不同又可分为距离度量、信息度量、谱图理论等方法。
有监督学习可以很好地挖掘数据特征与类别标签之间的关联性，但传统的特征选择方法如Person相关系数、F-Score等通过最大化特征与类别之间的相关性选择特征子集，没有考虑特征与特征间的相关性，导致结果中往往存在一定的噪声特征针对特征内部冗余性设计的mRMR(minimal-redundancy and maximal-relevance)算法则解决了这一问题；该算法是基于互信息的有监督特征选择方法，以最大化特征与标签之间的相关性和最小化特征之间的冗余性为目标，其中最大相关性是采用所有特征与分类标签之间的互信息的平均值来近似，设S为特征子集，c为类别标签，
Figure BDA0003147159560000081
其中，S为特征子集；c为类别标签；xi为特征子集中的第i个特征；D为特征子集和类别标签间的相关性；
根据最大相关性选择的特征间依赖性非常大，因此用最小冗余度来剔除冗余特征(冗余特征指标)：
Figure BDA0003147159560000082
二者结合得到近似最优解：
maxΦ(D,R),Φ＝D-R；
其中，R为特征子集中特征之间的冗余度；xj为特征子集中的第j个特征；
由于计算特征之间的互信息I(xi,xj)时间复杂度较高，因此采用增量搜索方法获得合适的特征子集；
假设已经选择得到特征子集Sm-1,在剩余特征集合中选择第m个特征：
Figure BDA0003147159560000091
获取最大相关最小冗余的最优特征子集以及特征指标重要性排序。
在本实施例中，所述对特征指标进行筛选的方法还包括：与有监督学习不同，无监督学习不需要数据标签，着重于数据本身的分布特点，其中基于图的谱理论成为近些年来学者的重要研究领域，SPEC(spectual feature selection)谱特征选择方法，该算法是基于谱图理论的无监督特征选择方法，主要思想是将对输入特征进行谱分解；根据特征指进行谱分解，构建邻接矩阵W以及度矩阵 D，然后计算拉普拉斯矩阵L：
L＝D-W；
Figure BDA0003147159560000092
其特征向量反映了样本的类别属性，按照特征对样本分布的影响输出特征指标重要性排序；基于谱图理论的无监督特征选择方法由于不加入特征标签信息，通过建立图的拓扑结构，尤其是通过图的各种不变量和图矩阵表示的置换相似不变量之间的联系，具有很强的客观性；对区域扇区利用特征选择筛除不相关特征指标，一是可以有效实现数据降维，降低过拟合风险，提升算法学习性能；二是便于管制员的理解，利用管制知识和机器学习共同支持管制决策；考虑到有监督学习可以挖掘实际管制经验和管制员决策偏好，而无监督学习可以从客观角度分析扇区交通数据的分布特点，主客观结合对科学管制决策更具有指导意义，将mRMR算法和SPEC算法二者特征选择结果进行加权，根据特征排序结果和分类性能确定最优特征子集，以获取筛选后的特征指标；对mRMR算法和SPEC得到的特征子集分别设置权重：
Figure BDA0003147159560000101
Figure BDA0003147159560000102
其中，ωmRMR为mRMR算法得到的特征子集的权重；
Figure BDA0003147159560000103
为ωmRMR中第m个权重；ωSPEC为SPEC算法得到的特征子集的权重；
Figure BDA0003147159560000104
为ωSPEC中第m个权重；
将两种特征选择结果进行加权，按照权重值从高到低选取前五，从而得到最优特征子集；
Figure BDA0003147159560000105
其中，
Figure BDA0003147159560000106
为ωmRMR中第i个权重与ωSPEC中第i个权重的和。
在本实施例中，所述根据筛选后的特征指标获取管制决策规则的方法包括： CART(Classification And Regression Tree)算法是一种决策树分类、回归算法，既可用于分类，也可用于回归，CART算法采用二分递归分割的技术，生成模型是结构简洁的二叉树，由于该模型可以很好的可视化，十分易于管制人员理解决策过程；CART算法有两步：一是决策树的生成，即将训练样本递归地划分自变量空间进行建树，二是决策树剪枝，用验证数据集对已生成的树进行剪枝并选择最优子树，将损失函数最小作为剪枝标准；对于分类变量，CART分类树是根据基尼系数衡量特征的不纯度，选择最优特征的最优切分点；
构建决策树，即
假设有K个类(K个类为原数据样本的标签类别包含几类，决策树会按照原有标签类别对测试样本进行分类)，样本属于第k类的概率为pk，则概率分布的基尼指数为：
Figure BDA0003147159560000111
样本集合D的基尼指数为：
Figure BDA0003147159560000112
其中，Ck为样本集合D中属于第k类的样本子集；
样本集合D根据特征A(特征A为筛选后的特征指标中的一个)在取值a 上进行分割，得到D1、D2两部分后，那么在特征A下集合D的基尼系数为：
Figure BDA0003147159560000113
其中，Gini(D,A)表示经过特征A在取值a上进行分割后样本集合D的不确定性，基尼系数越小，样本纯度越高；
当样本集合D的基尼系数小于预定阈值时，算法停止结束对样本集合D的分割，完成决策树的构建；
性能度量指的是对学习器的泛化性能进行评估，在分类任务中，最常用的性能度量是准确率、精确率和召回率；准确率是指分类正确的样本占样本总数的比例，针对于所有样本；精确率是指分类正确的正样本个数占分类器判定为正样本的样本个数的比例，针对于部分样本，侧重对分类器判定为正类的数据的统计；召回率则是指分类正确的正样本个数占真正的正样本个数的比例；针对部分样本，侧重对真实的正类样本的统计；由于精确率和召回率是一对矛盾的度量，通常使用F1-Score来平衡模型对精确率和召回率的偏好；将筛选后的特征指标输入决策树，提取管制决策规则。
在本实施例中，所述根据筛选后的特征指标和管制决策规则获取扇区实际决策的方法包括：将筛选后的特征指标输入决策树，提取管制决策规则(将筛选后的特征指标输入决策树，将原始数据集划分为训练集和测试集，对模型十折交叉验证确定最优，并对决策过程进行可视化，可视化模型的决策步骤及分枝依据即为管制决策规则)，并根据现场运行的管制排班限制以及连续性时间约束获取扇区实际决策。
图2是本发明所涉及的特征选择依据示意图；
图3是本发明所涉及的决策规则示意图；
图4是本发明所涉及的不符合数据特征分布示意图。
在本实施例中，以中南扇区为例进行具体说明：基于中南扇区ADS-B数据、航班计划数据以及管制员值班数据，选取2018年10月1日00:00至2018年12 月31日24:00五号扇区实际开合情况作为研究对象，去除缺失值较多的10月 18日、11月5日、11月14日、11月26日、12月4日、12月12日、12月18 日数据，以15分钟时间片作为统计粒度，经过数据清洗和校验后共得到8160 条数据，其开合比例为7:3；
首先利用Person相关系数对原始特征进行相关性分析，特征(特征指标) 之间相对独立但存在一定的冗余性，为提升算法学习性能，需要利用特征选择筛除不必要的特征指标，在不明显降低分类精度的前提下筛选出最优特征子集；
分别使用mRMR特征选择算法和SPEC特征选择算法对原始数据集进行特征筛选，其中30％样本作为测试集，取十折交叉验证结果的平均值作为选择依据；
如图2所示，在特征指标个数为5的时候准确率和F1-Score表现都较为优秀，可以近似代表整个特征集合，因此分别将两种特征选择算法中特征重要性排序为前五的特征输出，并加权集成，选取排序前五名的特征，得到新的特征子集；将输出特征子集分别输入决策树算法，十折交叉验证计算准确率，由表2 可以看出将两种特征选择算法进行加权集成后的分类精度更高；
表2特征选择结果
Figure 2
将加权集成得到的最优特征子集输入决策树算法，提取管制决策规则，如图3所示；为了避免决策树过于庞大产生过拟合现象，且给管制员理解带来一定的难度，因此将决策树深度设为3层；可以看出，该算法以扇区流量、扇区平飞次数和落地中国香港流量来共同指导扇区开合，以扇区流量等于15架次/15分钟作为开合扇的首要标准，当扇区流量小于11架次/15分钟时扇区合扇；当扇区流量大于15架次/15分钟且平飞次数大于5次时扇区开扇运行；当扇区流量大于11架次/15分钟落地中国香港流量小于等于1架次/15分钟时扇区合扇，当扇区流量大于15架次/15分钟、平飞次数小于5、落地中国香港流量小于4架次/15分钟时扇区合扇，这与现场管制经验具有较大的一致性，说明通过该算法提取的管制规则具有一定合理性。
决策树未能分类正确的数据包含两类：一类是实际为开扇，预测为合扇，一类是实际为合扇，预测为开扇，比例约为1：3，模型偏好于开扇。通过对这两部分数据进行时段分布统计分析，如图4所示，发现该类数据主要集中在早上七点至九点和晚上十一点至凌晨一点的早晚高峰进离港时段，该时段开合扇具有一定的历史规律性，为了适应未来一小时内的进离港高峰时段，管制员往往采用提前开扇或延后合扇的策略，同时这与管制员的管制排班具有很大的相关性。
基于试验结果，由于特征选择的量化指标都具有可预测性，且决策规则具有较好的可释性，因此可针对实时运行建立基于客观运行特性预测与规则的决策支持模式；根据航班计划信息、基于ADS-B数据的实时扇区动态信息以及航迹预测数据对扇区特征(特征指标)进行预判计算，获取短时未来的扇区运行状态，再根据模型得出的管制规则判断初始开合状态得到预决策，再加以现场运行考虑的管制排班限制以及连续性时间约束，从而得出扇区实际决策，同时将决策库中不断产生的新样本加入模型训练过程，通过学习不同能力管制员的管制偏好，为其提供相应水平的决策，既考虑了扇区客观运行状态，又加入了管制人员的现场管制经验，对于辅助管制员科学决策、提高扇区管制水平以及空域利用率具有重要意义。
在本实施例中，原始数据为ADS-B数据、航班计划数据以及管制员值班数据，两类数据的关联、清洗；两类数据关联、清洗后得到样本数据，其中特征数据根据ADS-B数据和航班计划数据计算得到，开合扇数据则依据管制排班信息，即扇区席位状态和管制员在岗时间计算得出；开合扇数据为管制排班，依据扇区席位状态和管制员在岗时间等。
实施例2
图5是本发明所涉及的基于客观交通特性的扇区动态管理决策服务器的原理框图。
如图5所示，在实施例1的基础上，本实施例2还提供一种基于客观交通特性的扇区动态管理决策服务器，包括：特征指标构建模块，构建区域扇区运行的特征指标；筛选模块，对特征指标进行筛选；管制决策规则获取模块，根据筛选后的特征指标获取管制决策规则；以及扇区实际决策获取模块，根据筛选后的特征指标和管制决策规则获取扇区实际决策；各模块的具体功能方法在实施例1中已经详细描述在本实施例中不在赘述。
实施例3
图6是本发明所涉及的基于客观交通特性的扇区动态管理决策系统的原理框图。
如图6所示，在实施例2的基础上，本实施例3还提供一种基于客观交通特性的扇区动态管理决策系统，包括：上位机和服务器；所述上位机适于获取扇区的运行数据，将扇区的运行数据存储在服务器中以形成历史运行数据；所述服务器适于存储扇区的运行数据，并且所述服务器适于获取扇区实际决策；所述服务器适于采用实施例2中的服务器。
综上所述，本发明通过构建区域扇区运行的特征指标；对特征指标进行筛选；根据筛选后的特征指标获取管制决策规则；以及根据筛选后的特征指标和管制决策规则获取扇区实际决策，构建可量化计算的区域扇区运行指标体系，采用mRMR有监督特征和SPEC无监督特征选择算法综合加权实现关键特征指标的筛选和降维，进一步选取决策树算法提取适应管制员认知与管制能力的扇区动态开合决策规则，并利用关键特征指标的可预测性，设计基于客观交通特性预测的战术/预战术扇区动态开合科学决策模式。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (5)

1.一种基于客观交通特性的扇区动态管理决策方法，其特征在于，包括：
构建区域扇区运行的特征指标；
对特征指标进行筛选；
根据筛选后的特征指标获取管制决策规则；以及
根据筛选后的特征指标和管制决策规则获取扇区实际决策；
所述对特征指标进行筛选的方法包括：
Figure FDA0003523310840000011
其中，S为特征子集；c为类别标签；xi为特征子集中的第i个特征；D为特征子集和类别标签间的相关性；
根据最小冗余度剔除冗余特征：
Figure FDA0003523310840000012
maxΦ(D,R),Φ＝D-R；
其中，R为特征子集中特征之间的冗余度；xj为特征子集中的第j个特征；
已经选择得到特征子集Sm-1,在剩余特征集合中选择第m个特征：
Figure FDA0003523310840000013
获取最大相关最小冗余的最优特征子集以及特征指标重要性排序；
根据特征指标进行谱分解，构建邻接矩阵W以及度矩阵D，然后计算拉普拉斯矩阵L：
L＝D-W；
Figure FDA0003523310840000014
按照特征指标对样本分布的影响输出特征指标重要性排序；
根据两种方法获取的特征指标重要性排序进行加权确定最优特征子集，以获取筛选后的特征指标；
对特征子集分别设置权重：
Figure FDA0003523310840000021
Figure FDA0003523310840000022
将两种特征选择结果进行加权，按照权重值从高到低选取前五，从而得到最优特征子集；
Figure FDA0003523310840000023
所述根据筛选后的特征指标获取管制决策规则的方法包括：
构建决策树，即
有K个类，样本属于第k类的概率为pk，则概率分布的基尼指数为：
Figure FDA0003523310840000024
样本集合D的基尼指数为：
Figure FDA0003523310840000025
其中，Ck为样本集合D中属于第k类的样本子集；
样本集合D根据特征A在取值a上进行分割，得到D1、D2两部分后，那么在特征A下集合D的基尼系数为：
Figure FDA0003523310840000026
其中，Gini(D,A)表示经过特征A在取值a上进行分割后样本集合D的不确定性，基尼系数越小，样本纯度越高；
当样本集合D的基尼系数小于预定阈值时，结束对样本集合D的分割，完成决策树的构建；
将筛选后的特征指标输入决策树，提取管制决策规则。
2.如权利要求1所述的基于客观交通特性的扇区动态管理决策方法，其特征在于，
所述构建区域扇区运行的特征指标的方法包括：
根据扇区的历史运行数据，构建区域扇区运行的特征指标；
所述特征指标包括：密度类别、复杂性类别和特殊性类别；
所述密度类别的特征指标包括：扇区流量、扇区交通密度、飞行距离、飞行时间、进场流量和离场流量；
所述复杂性类别的特征指标包括：飞行动态次数、飞行动态时间、混合状态次数、混合状态时间、交通混合系数和进扇航向方差
所述特殊性类别的特征指标包括：落地中国 香港流量。
3.如权利要求2所述的基于客观交通特性的扇区动态管理决策方法，其特征在于，
所述根据筛选后的特征指标和管制决策规则获取扇区实际决策的方法包括：
将筛选后的特征指标输入决策树，提取管制决策规则，并根据现场运行的管制排班限制以及连续性时间约束获取扇区实际决策。
4.一种采用如权利要求1所述基于客观交通特性的扇区动态管理决策方法的基于客观交通特性的扇区动态管理决策服务器，其特征在于，包括：
特征指标构建模块，构建区域扇区运行的特征指标；
筛选模块，对特征指标进行筛选；
管制决策规则获取模块，根据筛选后的特征指标获取管制决策规则；以及
扇区实际决策获取模块，根据筛选后的特征指标和管制决策规则获取扇区实际决策。
5.一种采用如权利要求1所述基于客观交通特性的扇区动态管理决策方法的基于客观交通特性的扇区动态管理决策系统，其特征在于，包括：
上位机和服务器；
所述上位机适于获取扇区的运行数据；
所述服务器适于存储扇区的运行数据，并且所述服务器适于获取扇区实际决策。
CN202110755522.2A 2021-07-05 2021-07-05 扇区动态管理决策方法、服务器及系统 Active CN113435655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110755522.2A CN113435655B (zh) 2021-07-05 2021-07-05 扇区动态管理决策方法、服务器及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110755522.2A CN113435655B (zh) 2021-07-05 2021-07-05 扇区动态管理决策方法、服务器及系统

Publications (2)

Publication Number Publication Date
CN113435655A CN113435655A (zh) 2021-09-24
CN113435655B true CN113435655B (zh) 2022-04-12

Family

ID=77759091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110755522.2A Active CN113435655B (zh) 2021-07-05 2021-07-05 扇区动态管理决策方法、服务器及系统

Country Status (1)

Country Link
CN (1) CN113435655B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855778A (zh) * 2012-09-10 2013-01-02 南京航空航天大学 一种基于复杂度评估的空域扇区分类方法
CN103473469A (zh) * 2013-09-25 2013-12-25 南京航空航天大学 一种基于客观指标的扇区交通态势多层次模糊评价方法
CN104835354A (zh) * 2015-05-20 2015-08-12 青岛民航空管实业发展有限公司 一种管制负荷管理系统及其管制员工作负荷的评估方法
CN111626366A (zh) * 2020-05-28 2020-09-04 南京航空航天大学 基于运行特征的区域扇区场景相似识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105206115B (zh) * 2015-09-30 2017-11-17 中国民用航空总局第二研究所 一种基于主成分分析的空中交通管制扇区通行能力检测方法
CN108090613A (zh) * 2017-12-18 2018-05-29 南京航空航天大学 一种进近管制扇区管制员工作负荷预测方法
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
CN112183605B (zh) * 2020-09-23 2024-04-16 南京航空航天大学 一种基于运行特征的民航管制扇区分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855778A (zh) * 2012-09-10 2013-01-02 南京航空航天大学 一种基于复杂度评估的空域扇区分类方法
CN103473469A (zh) * 2013-09-25 2013-12-25 南京航空航天大学 一种基于客观指标的扇区交通态势多层次模糊评价方法
CN104835354A (zh) * 2015-05-20 2015-08-12 青岛民航空管实业发展有限公司 一种管制负荷管理系统及其管制员工作负荷的评估方法
CN111626366A (zh) * 2020-05-28 2020-09-04 南京航空航天大学 基于运行特征的区域扇区场景相似识别方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Synchronization of Traffic Flow and Sector Opening for Collaborative Demand and Capacity Balancing;Yan Xu;《IEEE》;20181210;全文 *
基于复杂空域的多机场终端区扇区优化研究;胡青云;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20201015;全文 *
基于管制负荷的西安终端区扇区动态优化;令璐璐;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20181115;全文 *
基于航行系统体系结构的动态空域规划;代建勋等;《中国民用航空》;20120930(第9期);全文 *
基于贝叶斯估计的短时空域扇区交通流量预测;陈丹等;《西南交通大学学报》;20160831;第51卷(第4期);全文 *
空域扇区动态规划与优化研究;王毅鹏;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210115;全文 *
空域扇区的动态规划方法研究;胡婧;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170315;全文 *
管制扇区评定与管理;呙常冠;《民航管理》;20161031(第10期);全文 *

Also Published As

Publication number Publication date
CN113435655A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN105589806B (zh) 一种基于SMOTE+Boosting算法的软件缺陷倾向预测方法
CN107766929B (zh) 模型分析方法及装置
CN110866819A (zh) 一种基于元学习的自动化信贷评分卡生成方法
Sobolewski et al. Concept Drift Detection and Model Selection with Simulated Recurrence and Ensembles of Statistical Detectors.
AU2019100362A4 (en) Personal Credit Rating System Based on The Logistic Regression
WO2023279696A1 (zh) 业务风险客群的识别方法、装置、设备及存储介质
Utari et al. Implementation of data mining for drop-out prediction using random forest method
CN112270546A (zh) 基于stacking算法的风险预测方法、装置和电子设备
CN111079937A (zh) 一种快速建模的方法
CN111738331A (zh) 用户分类方法及装置、计算机可读存储介质、电子设备
CN111986027A (zh) 基于人工智能的异常交易处理方法、装置
Hamim et al. Student profile modeling using boosting algorithms
KR101625124B1 (ko) 특허 정량분석을 이용한 기술평가 방법
CN114519508A (zh) 基于时序深度学习和法律文书信息的信用风险评估方法
Tiruneh et al. Feature selection for construction organizational competencies impacting performance
Ackermann et al. Black-box learning of parametric dependencies for performance models
CN111666748B (zh) 一种自动化分类器的构造方法以及识别决策的方法
CN113743453A (zh) 一种基于随机森林的人口数量预测方法
CN111309577B (zh) 一种面向Spark的批处理应用执行时间预测模型构建方法
US20060179021A1 (en) Using supervised classifiers with unsupervised data
CN116091206B (zh) 信用评价方法、装置、电子设备及存储介质
CN113435655B (zh) 扇区动态管理决策方法、服务器及系统
Yazdani et al. Fuzzy classification method in credit risk
CN113837266B (zh) 一种基于特征提取和Stacking集成学习的软件缺陷预测方法
CN109977030A (zh) 一种深度随机森林程序的测试方法及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant