CN102243816A - 一种机场空域最大纵向飞行冲突风险计算方法 - Google Patents

Abstract

本发明公开了一种机场空域最大纵向飞行冲突风险计算方法，属于机场空域航空器飞行安全分析领域。该方法首先构建待评估机场终端区空域与地面的联合仿真平台，获取机场年起降架次数据，然后预测待评估时间年的机场空域年起降架次的飞行流量，通过分析机场空域交通流时空分布特点，得到平均日高峰最大小时流量，最后根据违反终端区空域纵向飞行安全间隔标准的概率，计算出发生最大纵向飞行冲突的风险概率。本发明为机场空域安全运行分析提供了数据支持，促进了机场终端区空域的建设。

Description

一种机场空域最大纵向飞行冲突风险计算方法

技术领域

本发明涉及一种机场终端区空域最大纵向飞行冲突的风险概率计算方法，属于机场空域航空器飞行安全分析领域。

背景技术

繁忙机场是指年旅客吞吐量30,000,000以上和年飞行架次240,000的大型机场；飞行冲突是指航空器在空中飞行的过程中，在某一特定时间，两架航空器在三个方向上的间隔都小于了间隔标准。繁忙机场终端区飞机流均严格按照进、离场航线及程序飞行，不需要考虑水平及垂直方向上的冲突风险，因此国际民航组织给出了终端区纵向最低间隔标准3nm，即1.5分钟。基于安全考虑，各机场终端区空域在实施管制活动的过程中均增加了不同的安全欲度，使得实际使用的终端区空域纵向飞行安全间隔标准大于最低间隔标准。

以往的航空器飞行冲突风险分析方法主要关注于航路、自由飞或跑道条件，目前还没有针对大型繁忙机场终端区空域进行飞行冲突风险分析的方法。

发明内容

本发明要解决的技术问题是：提出一种针对大型繁忙机场终端区空域的飞行冲突风险计算方法。

该方法包括如下步骤：

步骤1：在GIS平台上采用Delphi软件构建出机场终端区空域与地面的联合仿真平台，GIS即地理信息系统；

步骤2：获取机场近M年的年起降架次数据，M∈[7，10]，M为自然数；

步骤3：根据步骤2获得的年起降架次数据，采用灰组合预测模型预测出待评估时间年的机场终端区空域年起降架次的飞行流量；

步骤4：利用步骤1构建的联合仿真平台，绘制出机场终端区空域交通流的空间分布柱状图和时间分布柱状图；

根据上述空间分布柱状图和时间分布柱状图，得到该机场终端区空域交通流的时空分布图，从而确定该机场终端区空域的最繁忙管制移交点和最繁忙时段；

步骤5：利用SPSS数据统计处理软件，统计确定该机场终端区空域的平均日高峰小时流量与年起降架次的比例系数，并且根据航空器进、离场的分流情况，确定具有最大流量的管制移交点的进场或离场流量占相应进场或离场总流量的比例；

步骤6：根据步骤3预测出的飞行流量以及步骤5得到的比例数据，确定该机场终端区空域的平均日高峰最大小时流量；

步骤7：计算出违反机场终端区空域纵向飞行安全间隔标准的概率；

步骤8：根据步骤7计算出的概率，计算出该机场终端区空域发生最大纵向飞行冲突的风险概率。

本发明具有如下技术效果：

1、为大型机场终端区空域安全运行分析提供了数据支持；

2、给实际安全标准与国际民航安全标准进行比较提供了数据；

3、在即将实施的空域分类改革中，为待评估机场终端区空域确定空域类型提供了安全分析数据，促进了终端区空域的建设。

附图说明

图1为本发明的方法流程图。

图2为起降架次的飞行流量预测流程图。

具体实施方式

下面对本发明方法作进一步说明。

本发明主要是针对大型民航繁忙机场终端区空域进行纵向飞行冲突风险分析，具体步骤如下：

步骤1：构建待评估机场终端区空域与地面的联合仿真平台。

利用《国内航空资料汇编》手册，走访负责该机场空域管制活动的区域管制中心、进近管制室、塔台管制室收集材料，在GIS(Geographic Information System，地理信息系统)的平台上采用Delphi软件开发出机场终端区空域与地面的联合仿真平台，构建机场终端区空域结构、进离场航路航线、设置进离港点等，并提供终端区空域与地面的二维或三维视图，形成一个实时的空中交通仿真监视工具。

步骤2：获取机场年起降架次数据。

获取机场近M年的年起降架次数据，M∈[7，10]，M为自然数，这里M取7。

获取途径有以下四种：

1)通过构建的机场终端区空域与地面的联合仿真软件获取；

2)通过机场空管中心信息系统的航班运行数据获取；

3)通过中国民用航空局官方网站获取(http://www.caac.gov.cn/i1/K3)；

4)通过中国民航出版社《从统计看民航》资料中获取；

通过上述任意一种途径获取到机场近7年的年起降架次数据。

步骤3：用灰组合模型预测待评估时间年的机场空域年起降架次的飞行流量。

用步骤2获得的7个初始数据的前5个数据建立GM(1，1)预测模型；然后增加第6个初始数据，同时去掉最老的一个数据(第1个数据)，用得到的5个数据建立GM(1，1)模型；最后用同理得到的最后5个数据再建立GM(1，1)模型。对建立的三个GM(1，1)模型组合进行预测，组合模型中的权重值采用最小二乘法估计取得。

该模型的预测具体过程如下：

Step1.对原始序列x(k)进行弱化，形成初始序列x⁽⁰⁾：

$x^{\left(0\right)}=x\left(k\right)d=\frac{1}{n-k+1}[x\left(k\right)+x(k+1)+...+x\left(n\right)],$ k＝1，2，...，n    (1)

其中n为步骤3中建立GM(1，1)预测模型采用的数据个数，即n＝5。

Step2.利用前5个初始数据{x⁽⁰⁾(1)，x⁽⁰⁾(2)，x⁽⁰⁾(3)，x⁽⁰⁾(4)，x⁽⁰⁾(5)}序列、次5个初始数据{x⁽⁰⁾(2)，x⁽⁰⁾(3)，x⁽⁰⁾(4)，x⁽⁰⁾(5)，x⁽⁰⁾(6)}序列、后5个初始数据{x⁽⁰⁾(3)，x⁽⁰⁾(4)，x⁽⁰⁾(5)，x⁽⁰⁾(6)，x⁽⁰⁾(7)}序列分别建立GM(1，1)预测模型，设结果为：

${\hat{x}}_1^0\left(k\right)=(1-e^{a_1})[x^{\left(0\right)}\left(1\right)-\frac{b_1}{a_1}]e^{-a_1(k-1)},$ k＝1，2，...    (2)

${\hat{x}}_2^0\left(k\right)=(1-e^{a_2})[x^{\left(0\right)}\left(2\right)-\frac{b_2}{a_2}]e^{-a_2(k-2)},$ k＝2，3，...    (3)

${\hat{x}}_3^0\left(k\right)=(1-e^{a_3})[x^{\left(0\right)}\left(3\right)-\frac{b_3}{a_3}]e^{-a_3(k-3)},$ k＝3，4，...    (4)

式(2)～(4)中的a₁、b₁、a₂、b₂、a₃、b₃分别为GM(1，1)模型中的待识别参数。

令： ${\hat{x}}_3^0\left(1\right)={\hat{x}}_2^0\left(1\right)={\hat{x}}_1^0\left(1\right)=x^{\left(0\right)}\left(1\right),$ ${\hat{x}}_3^0\left(2\right)={\hat{x}}_2^0\left(2\right)=x^{\left(0\right)}\left(2\right),$ ${\hat{x}}_3^0\left(3\right)=x^{\left(0\right)}\left(3\right)$

Step3.建立组合预测模型：

${\hat{x}}^{\left(0\right)}\left(k\right)=w_1{\hat{x}}_1^{\left(0\right)}\left(k\right)+w_2{\hat{x}}_2^{\left(0\right)}\left(k\right)+w_3{\hat{x}}_3^{\left(0\right)}\left(k\right)$ k＝1，2，...    (5)

式(5)中的权重值w采用最小二乘法来确定。假设w_i的估计值为则可得到组合预测模型：

${\hat{x}}^{\left(0\right)}\left(k\right)=w_1{\hat{x}}_1^{\left(0\right)}\left(k\right)+w_2{\hat{x}}_2^{\left(0\right)}\left(k\right)+w_3{\hat{x}}_3^{\left(0\right)}\left(k\right)$ k＝1，2，...    (6)

Step4.精度检验。若精度不符合要求，需要重新进行预测。

步骤4：确定待评估机场终端区空域最繁忙管制移交点和最繁忙时段。

利用步骤1构建的联合仿真平台，根据周边城市对的交通流分布以及管制单位或扇区移交协议，采用Excel绘制出该空域交通流空间分布柱状图；根据季节、每月、每日、每小时的交通流情况，采用Excel绘制出该空域交通流时间分布柱状图。通过空间分布柱状图和时间分布柱状图，得到该空域交通流的时空分布图，从而可以确定该空域的最繁忙管制移交点和最繁忙时段。

步骤5：确定待评估机场终端区空域的平均日高峰最大小时流量。

利用SPSS数据统计处理软件，统计确定该机场终端区空域的平均日高峰小时流量与年起降架次的比例系数p，并且根据航空器进、离场分流情况，确定具有最大流量的管制移交点的进场或离场流量占相应进场或离场总流量的比例q，进场或离场流量选取两者的较大值。再根据步骤3预测出的年起降架次数据n′，确定该空域平均日高峰最大小时流量f。因为进场流量与离场流量几乎相等，即起飞航班等于落地航班，所以计算平均日高峰最大小时流量时需要在起降架次的基础上除以2，即：

f＝0.5×n′×p×q

步骤6：建立违反机场终端区空域纵向飞行安全间隔标准的概率模型。

机场空域的飞机到达流服从泊松分布，违反机场终端区空域纵向飞行安全间隔的概率模型如下：

$P(h<t)=1-e^{-\frac{t-T_{\min }}{\mathrm{\&lambda;}-T_{\min }}},$ t≥T_min

其中，P表示违反终端区空域纵向飞行安全间隔的概率；e即自然对数；T_min表示ICAO规定的终端区雷达管制的最小纵向安全间隔1.5分钟；t表示机场终端区空域实际使用的两架航空器之间的雷达管制间隔(单位：分钟)；h表示终端区两架航空器之间的实际运行时间间隔(单位：分钟)；λ表示航空器到达机场空域的平均时间间隔(单位：分钟)，λ＝60/f，f即步骤5中得到的平均日高峰最大小时流量。

步骤7：建立机场终端区空域飞行冲突风险的概率模型。

此步骤基于两个假设条件：1.飞行冲突是发生在两架临近的航空器之间，不考虑三架甚至更多架航空器飞行冲突的情况；2.航空器之间的位置彼此相互独立。

基于事件的纵向飞行冲突风险模型，违反最小安全间隔的纵向飞行冲突风险概率N为：

$N=2\&CenterDot;P\&CenterDot;P_y\left(0\right)\&CenterDot;P_z\left(0\right)\&CenterDot;\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}}\underset{-S_{\min }}{\overset{+S_{\min }}{\&Integral;}}{e}^{-\frac{{(x-\mathrm{\&mu;})}^2}{{2\mathrm{\&sigma;}}^2}}\mathrm{dx}$

其中，P为步骤6得到的违反终端区空域纵向飞行安全间隔概率；μ表示机场终端区空域实际使用的两架航空器之间的雷达管制间隔(单位：海里)；S_min表示ICAO规定的终端区雷达管制的最小纵向安全间隔3nm；e即自然对数；x表示终端区两架航空器之间的实际运行纵向间隔(单位：海里)；P_y(0)、P_z(0)及σ根据以往研究分别为0.043、0.45及0.5102。

步骤8：确定最大纵向飞行冲突风险。

通过走访机场管制人员并查找相关机场细则，确定步骤6和步骤7中的t、h、μ、x值，再根据步骤6和步骤7中的计算模型确定最大纵向飞行冲突风险，方法结束。

Claims (4)

1.一种机场空域最大纵向飞行冲突风险计算方法，其特征在于：

该方法包括如下步骤：

步骤1：在GIS平台上采用Delphi软件构建出机场终端区空域与地面的联合仿真平台，GIS即地理信息系统；

步骤2：获取机场近M年的年起降架次数据，M∈[7，10]，M为自然数；

步骤3：根据步骤2获得的年起降架次数据，采用灰组合预测模型预测出待评估时间年的机场终端区空域年起降架次的飞行流量；

步骤4：利用步骤1构建的联合仿真平台，绘制出机场终端区空域交通流的空间分布柱状图和时间分布柱状图；

根据上述空间分布柱状图和时间分布柱状图，得到该机场终端区空域交通流的时空分布图，从而确定该机场终端区空域的最繁忙管制移交点和最繁忙时段；

步骤5：利用SPSS数据统计处理软件，统计确定该机场终端区空域的平均日高峰小时流量与年起降架次的比例系数，并且根据航空器进、离场的分流情况，确定具有最大流量的管制移交点的进场或离场流量占相应进场或离场总流量的比例；

步骤6：根据步骤3预测出的飞行流量以及步骤5得到的比例数据，确定该机场终端区空域的平均日高峰最大小时流量；

步骤7：计算出违反机场终端区空域纵向飞行安全间隔标准的概率；

步骤8：根据步骤7计算出的概率，计算出该机场终端区空域发生最大纵向飞行冲突的风险概率。

2.根据权利要求1所述的机场空域最大纵向飞行冲突风险计算方法，其特征在于：所述步骤4中的空间分布柱状图是根据周边城市对的交通流分布以及管制单位或扇区移交协议进行绘制的。

3.根据权利要求1所述的机场空域最大纵向飞行冲突风险计算方法，其特征在于：所述步骤4中的时间分布柱状图是根据季节、每月、每日、每小时的交通流情况进行绘制的。

4.根据权利要求1所述的机场空域最大纵向飞行冲突风险计算方法，其特征在于：所述步骤5中的进场或离场流量是选取两者中的较大值。

Images