CN105118332A - 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置 - Google Patents
一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置 Download PDFInfo
- Publication number
- CN105118332A CN105118332A CN201510642785.7A CN201510642785A CN105118332A CN 105118332 A CN105118332 A CN 105118332A CN 201510642785 A CN201510642785 A CN 201510642785A CN 105118332 A CN105118332 A CN 105118332A
- Authority
- CN
- China
- Prior art keywords
- parameter
- controller
- data
- class
- similarity
- 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.)
- Granted
Links
Abstract
本发明提供一种空中交通管制模拟仿真异常检测方法和装置,该方法包括:采集样本数据,通过雷达管制模拟机收集管制员在其上的输入参数,并将输入参数进行相似度计算,得到样本数据;采集模拟数据,管制员可以通过雷达管制模拟机进行模拟空中交通管制操作,并且通过雷达管制模拟机可以采集到管制员操作的实时模拟数据;模拟数据的相似度计算,将实时模拟数据进行相似度计算;阈值判断,当实时模拟数据超出样本数据预定范围时,提示管制员模拟操作异常;其中,相似度计算按照聚类处理算法得到相似度计算结果。因此,管制员在后续操作雷达管制模拟机的时候,就可以直接按照分好类的样本数据结合相似度阈值,提示管制员的模拟仿真操作是否异常。
Description
技术领域
本发明涉及一种空中交通管制的技术领域,尤其涉及一种空中交通管制模拟仿真异常检测方法和装置。
背景技术
为了保证各类飞行活动的安全和有序,空中交通管制服务显得相当重要。现代空中交通管制服务的主要内容是:空中交通管制员依托现代通信、导航、监视技术,对所辖航空器实施管理和控制,协调和指导其运动路径和模式,以防止空中航空器与航空器相撞、以及在机场机动区内航空器与障碍物相撞,维护和加快空中交通的有序流动。空中交通管制扇区是空中交通管制的基本空间单元,一般情况下,为航空器提供空中交通管制服务的空域被划设为若干管制扇区,每个管制扇区对应一个管制员工作席位。为了保证管制员能够高效、准确地控制空域中的航空器有序流动,现有技术中提供一些模拟空中交通管制控制的模拟仿真装置和方法。
例如,中国专利申请号为CN201410487083.1的专利申请中公开了一种基于虚拟管制员的空域仿真方法及其装置,该方法包括:获取预设的飞行计划和航迹冲突规则及风条件;若判断获知飞行计划和航迹冲突规则合法,则获取航空器性能数据;根据飞行计划、风条件及航空器性能数据获得航空器的第一轨迹信息,并检测是否接收到管制指令;若检测到管制指令,则根据航空器性能数据、航迹冲突规则以及管制指令,获得航迹冲突统计信息;若未检测到管制指令,则根据航空器性能数据、航迹冲突规则以及第一轨迹信息,获得航迹冲突统计信息;从而提高仿真的实时性。
但是实际的空域管制中,会出现很多意料不到的问题,仅仅靠现有技术中的模拟仿真装置和方法,很难满足对空中交通管制过程进行全面、综合仿真、检测的需求;而且发明人在实现本发明的过程中发现,现有技术中的模拟仿真方法和装置并不能提示提示管制员在仿真过程中的异常错误信息。
发明内容
为了解决现有技术中缺乏能够对空中交通管制过程进行全面、综合仿真、检测和异常信息提示的技术问题,本发明提供一种能够很好地仿真、检测管制人员操作过程的空中交通管制模拟仿真异常检测方法和装置。
为了实现上述目的,本发明提供的技术方案包括:
一方面,提供一种空中交通管制模拟仿真异常检测方法,其特征在于,包括:
步骤1:采集样本数据,通过雷达管制模拟机收集管制员输入参数样本数据;
步骤2:基于样本数据,利用聚类分析法构建管制员操作参数档案;
步骤3:采集模拟数据,通过雷达管制模拟机采集管制员输入参数的实时模拟数据;
步骤4,参照管制员操作参数档案,对所述管制员输入参数的实时模拟数据进行相似度计算,得到最小相似度值;
步骤5:若所述最小相似度值大于预定的阈值,提示管制员模拟操作异常。
进一步地,所述管制员输入参数类型包括管制通行性参数、管制复杂性参数、管制安全性参数、管制经济性参数、管制工作负荷参数。
进一步地,所述管制通行性参数包括管制员仿真测试的时长、扇区航行里程、扇区航行时间、扇区交通流密度,所述管制复杂性参数包括扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改行次数,所述管制安全性参数包括扇区短期冲突告警频率、扇区最低安全高度告警频率,所述管制经济性参数包括扇区内航空器排队长度、航空器延误架次率、航空器延误时间、航空器平均延误时间,所述管制工作负荷参数包括陆空通话信道占用率、陆空通话次数,总计16项参数。
进一步地,所述步骤1和步骤2之间还设有样本数据无量纲处理步骤,具体如下:
令第i个样本的第j项参数的实际值为xi,j,yi,j为无量纲化处理后的参数值,为第j项参数的均值,sj为第j项参数的标准差,则对于正向参数,对于逆向参数,先取其倒数或取负使其正向化,再使用上述公式对其进行无量纲化处理。
进一步地,所述步骤2具体包括如下步骤:
步骤2.1:初始化类
基于样本无量纲化参数值,制定聚类数目k,并确定每一类的初始类中心点;
步骤2.2:根据距离最近原则分类
计算每个样本到k个类中心点的之间的欧几里德距离,并按照距类中心点距离最短的原则将所有数据分类,形成k个类,依次计算各类中变量的均值,并以均值作为新的k个类的类中心点;
步骤2.3:聚类分析结果输出
计算新确定的类中心点距上个类中心点之间的偏移量,当最大偏移量大于设定值时,返回步骤2.2,否则聚类结束得到k个类,从而得到管制员操作参数档案。
进一步地,所述步骤4包括如下步骤:
步骤4.1实时数据输入与标准化:
获取雷达管制模拟机采集管制员输入参数的实时模拟数据,令第l个管制员第j项参数的实际值为rl,j,tl,j为无量纲化处理后的参数值,为第j项参数的均值,sj为第j项参数的标准差,则对于正向参数,对于逆向参数,先取其倒数或取负使其正向化,再使用上述公式对其进行无量纲化处理;其中均值和标准差从管制员操作参数档案中提取;
步骤4.2最大相似类寻找:
计算管制员l的模拟数据无量纲化参数值tl={tl,j,j=1,2,...,16}与管制员操作参数档案中各个类的中心点ck的相似度sim(tl,ck),并求得与管制员操作参数档案中k个类中心点的最大相似度simm(tl,ck)及其类Class(k),其中sim(tl,ck)可记为:
其中,tl,j为检测数据无量纲化后第j项参数值,ck,j为第k个类中心点的第j项无量纲化参数值。
进一步地,所述步骤5包括如下步骤:
计算tl与Class(k)中各样本无量纲化数据的相似度,得到最大相似类中的最小相似度minSim,若minSim超出设定的阈值范围,则输出异常操作报警信号。
另一方面,还提供一种空中交通管制模拟仿真异常检测装置,其特征在于,包括:
雷达管制模拟机,用于采集样本数据和管制员输入的实时模拟数据;
相似度计算单元,用于将所述样本数据和所述实时模拟数据进行相似度处理;其中,所述相似度计算单元设置有对数据分类的聚类处理子单元;
样本数据存储单元,用于存储经过所述相似度计算单元计算的样本数据;
阈值判断单元,当经过相似度处理后的所述实时模拟数据超出所述样样本数据存储单元中样本数据的预定范围时,提示管制员模拟操作异常。
进一步地,所述相似度计算单元还包括无量纲化处理子单元;所述聚类处理子单元包括对数据集进行类处理的欧几里德距离计算模块。
采用本发明提供的上述技术方案,至少有以下有益效果:
1、对数据集采用聚类处理相似度,可以很好地将雷达管制模拟机的数据进行分类,这样可以先将样本数据按照等级分好类;然后管制员在后续操作雷达管制模拟机的时候,就可以直接按照分好类的样本数据结合相似度阈值,提示管制员的模拟仿真操作是否异常。
2、采用聚类处理来对管制员模拟仿真机进行模拟仿真异常操作检测时,不仅可以对单组数据进行异常检测,还可以同时对多组数据进行异常检测,即可以实现对单一管制员进行异常检测,还可以对多个管制员同时进行异常检测。
3、在聚类处理相似度之前,先将数据进行无量纲化处理,可以更好地将数据集按照相似度进行分类;而且将数据无量纲化按照正向、逆向两类参数数据分别进行不同的处理,使得无量纲化后的数据更加能够反映模拟参数的表征含义。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书变得显而易见,或者通过实施本发明的技术方案而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构和/或流程来实现和获得。
附图说明
图1为本发明实施例一提供的一种空中交通管制模拟仿真异常检测方法的流程图;
图2为本发明实施例一提供的一种空中交通管制模拟仿真异常检测装置的框图;
图3为本发明实施例二提供的一种空中交通管制模拟仿真异常检测方法的流程图;
图4为本发明实施例二提供的一种空中交通管制模拟仿真异常检测装置的框图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,这些具体的说明只是让本领域普通技术人员更加容易、清晰理解本发明,而非对本发明的限定性解释;并且只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
另外,在附图的流程图示出的步骤可以在诸如一组控制器可执行指令的控制系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
为了便于理解,下文的描述中:空中交通管制员简称为“管制员”,空中交通管制简称为“管制”,空中交通管制扇区简称为“扇区”。
下面通过附图和具体实施例,对本发明的技术方案进行详细描述。
实施例一
如图1所示,本实施例提供一种空中交通管制模拟仿真异常检测方法,包括:
S101、采集样本数据:
通过雷达管制模拟机收集管制员在其上的输入参数,该步骤输入的参数是能够反映管制员在模拟机操作中不同类的参数,例如包括模拟操作优秀类输入参数、模拟操作一般类输入参数、模拟操作良好输入参数;这样可以便于将样本数据更好地进行分类。
S102、采集实时模拟数据:
管制员可以通过雷达管制模拟机进行模拟空中交通管制操作,并且本实施例中的空中交通管制用模拟仿真装置(下文有详细描述)可以通过雷达管制模拟机采集到管制员操作的实时模拟数据。
S103、样本数据聚类处理:
将上述输入参数按照聚类处理算法进行相似度计算,得到样本数据。
S104、模拟数据的相似度计算:
将实时模拟数据按照聚类处理算法进行相似度计算。
S105、阈值判断:
当实时模拟数据超出样本数据预定范围时,提示管制员模拟操作异常;否则,就表示管制员操作该雷达管制模拟机输入参数符合要求。
优选地,管制员输入参数类型包括管制通行性参数、管制复杂性参数、管制安全性参数、管制经济性参数、管制工作负荷参数。
优选地,管制通行性参数包括管制员仿真测试的时长、扇区航行里程、扇区航行时间、扇区交通流密度,管制复杂性参数包括扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改行次数,管制安全性参数包括扇区短期冲突告警频率、扇区最低安全高度告警频率,管制经济性参数包括扇区内航空器排队长度、航空器延误架次率、航空器延误时间、航空器平均延误时间,管制工作负荷参数包括陆空通话信道占用率、陆空通话次数。
其中,管制员仿真测试时长是指管制员完成仿真测试所花费的时间;扇区航行里程是指管制员在仿真测试中所指挥的航空器航行里程的总和;扇区航行时间是指管制员在仿真测试中所指挥的航空器航行时间的总和;扇区交通流密度是对管制员在仿真测试中所指挥的航空器架次密集程度的测度;扇区航空器爬升次数是指管制员在仿真测试中所指挥的航空器爬升次数的总和;扇区航空器下降次数是指管制员在仿真测试中所指挥的航空器下降次数的总和;扇区航空器改速次数是指管制员在仿真测试中所指挥的航空器速度改变次数的总和;扇区航空器改航次数是指管制员在仿真测试中所指挥的航空器航向改变次数的总和;扇区短期冲突告警频率是指管制员在仿真测试中产生航空器短期冲突告警的次数;扇区最低安全高度告警频率是指管制员在仿真测试中产生航空器最低安全高度告警的次数;如果航空器进入扇区时出现盘旋等待等排队状况,则定义其为排队航空器,定义排队长度为排队航空器的数量;航空器延误架次率为航空器的延误架次除以仿真测试中飞行计划的总共航空器数量;航空器延误时间为每个航空器延误时间的共和;航空器平均延误时间为航空器延误时间除以总共延误的航班次数;陆空通话信道占用率指管制员在仿真测试时长内陆空通话时长占比;陆空通话次数是指管制员仿真测试中陆空通话的次数。
另一方面,如图2所示,本实施例还提供一种空中交通管制模拟仿真异常检测装置,该模拟仿真装置100包括:
雷达管制模拟机101,用于采集样本数据和管制员输入的实时模拟数据;
相似度计算单元102,用于将样本数据和实时模拟数据进行相似度处理;其中,相似度计算单元102设置有对数据分类的聚类处理子单元103;
样本数据存储单元104,用于存储经过相似度计算单元计算的样本数据;
阈值判断单元105,当经过相似度处理后的实时模拟数据超出样样本数据存储单元中样本数据的预定范围时,通过提示单元106提示管制员模拟操作异常。
其中,雷达管制模拟机具有高精确度和逼真度的航空器运动仿真模型;模拟真实管制系统的人机界面,提供模拟真实系统的雷达管制和飞行情报显示人机界面并可选,实现了终端管制显示和操作与真实系统的最大程度仿真;具有以下特点:
能够建立全国或局部空域背景图集、标准飞行过程、飞行计划等,能够设置训练所涉及的雷达类型和参数、地面和天气杂波以及风、云等气象参数等。
雷达管制训练功能,系统可仿真单/综合雷达航迹、一/二次雷达点迹和航迹、飞行情报、气象情报、航空情报等各种信号,并能够提供符合我国民航相关规定的各种训练科目;还能够与塔台模拟机无缝集成,实现大规模、大范围、全面的综合训练。
提供数字话音通信和集成的自动语音识别合成系统,系统实现了全数字式仿真话音通讯系统,并通过集成语音识别及合成引擎实现了管制话音指令的自动识别和应答话音的自动合成功能。
图形化的训练全过程监视、控制和记录,雷达管制模拟机提供了从开机、启动训练、修改训练参数、结束训练到关闭整个系统的全过程图形化监视和控制,并能够对训练全过程进行记录,对训练进行在线回滚和事后回放。
雷达管制模拟机还提供真实信号的接入与处理,以及基于真实信号的训练模式,系统能接收和处理国内各种航管雷达数据,实时呈现当前的真实空情,能够将实时或历史记录的雷达和飞行情报数据自动提取并转换为模拟训练科目。
优选地,本实施例中的雷达管制模拟机101还设置有语音模块,该语音模块101可以采集或者记录管制员在操作雷达管制模拟机101的过程中的时间消耗,这样就可以采集到管制工作负荷参数中的陆空通话信道占用率、陆空通话次数等模拟仿真参数。需要注意的是语音模块还可以是外置于雷达管制模拟机101中的单独设备,并且能够与雷达管制模拟机101进行通信。
下面对聚类处理进行详细解释说明:
聚类分析(ClusterAnalysis)是数据挖掘方法的一种,它通过建立评价函数,根据数据库中的数据之间的相似程度将其进行分类,使得同一类中的数据具有较高的相似度,而不同类间的相似度较小。通过对大量管制员仿真测试数据进行聚类分析,能提取管制操作参数特征,通过建立管制员操作参数档案,实现管制员操作参数综合检测及异常告警。
在数据空间A里,数据集X中的n个数据点可以使用矩阵形式进行表述,称为数据矩阵,如下所示:
其中数据点xi=(xi,1,xi,2,…,xi,m)由m个维度组成,xi,j为第i个数据点的第j个维度。聚类分析的最终目的是把数据集X划分为k个分割Ck,这些分割被称为类。
聚类分析中使用相似度来判断数据之间的差异程度。通常采用多种形式距离的倒数来度量相似度,距离越小表明数据相似度越大,反之相似度越小。常用的距离统计量包括欧几里德(Euclidean)距离和曼哈顿(Manhattan)距离等。由于在计算距离的公式中没有确定上限,因此不同量纲下数据大小的差异程度会直接影响相似度计算,从而影响聚类结果,所以需要对数据进行无量纲化处理。无量纲化处理是指将原始参数值通过数学变化以消除各参数量纲影响的方法,常用的无量纲化方法主要包括极差化和Z分数法(标准差法)。本例中,每个样本数据点有16个维度,xi={xi,j,j=1,2,...,16};ck表示各个类中的中心节点,ck={ck,j,j=1,2,...,16},ck,j表示第k类中所有样本数据点第j项指标数据的均值;采用欧几里德距离算法度量相似度:
k-平均聚类方法是聚类分析中最主要使用的一种方法,它具有良好的可扩展性,对于大规模数据集具有较高的计算效率。该方法设定聚类数为k,并根据类中数据点的参数平均值(即类的中心节点)来计算类之间的相似度,将数据点分配到最近的类并更新中心节点位置,直至满足收敛条件。
采用本实施例提供的上述技术方案,至少有以下有益效果:
1、对数据集采用聚类处理相似度,可以很好地将雷达管制模拟机的数据进行分类,这样可以先将样本数据按照等级分好类;然后管制员在后续操作雷达管制模拟机的时候,就可以直接按照分好类的样本数据结合相似度阈值,提示管制员的模拟仿真操作是否异常。
2、不仅可以对单组数据进行异常检测,还可以同时对多组数据进行异常检测,即可以实现对单一管制员进行异常检测,还可以对多个管制员同时进行异常检测。
实施例二
本实施例在实施例一的基础上对空中交通管制模拟仿真异常检测方法和装置进一步地进行优化:
优选地,聚类处理算法包括初始化聚类的数目k和k个类中心节点,计算每个样本数据到k个类中心节点之间的欧几里德距离,然后按照距离中心节点距离最短的方法,将所有样本数据进行分类,形成k个类,并计算k个类中每个类的中心节点。
优选地,聚类处理包括对数据集中的多个数据进行多种距离算法的倒数来相似度测量。
优选地,将实时模拟数据与样本数据进行相似度比对,相似度对比方法为计算与样本数据中各个类中的中心节点ck的相似度sim(tl,ck),
其中,每个实时模拟数据点tl有16个维度,tl={tl,j,j=1,2,...,16}。
进一步地,相似度计算还包括将数据进行无量纲化的步骤,无量纲化包括两种不同的数据转换方法:第一类针对正向参数的数据,无量纲化转化方法为将正向参数的数据值减去样本数据集中正向参数数据平均值,然后除以正向参数数据集中正向参数数据的标准差,得到正向参数数据的无量纲化参数;第二类针对逆向参数的数据,无量纲化转化方法为先取倒数或者取负数,然后按照第一类正向参数数据的无量纲化转化方法,计算出数据的无量纲化参数。
具体地,如图3所示,本实施例提供的空中交通管制模拟仿真异常检测方法包括:
S301、采集样本数据:
选取管制员仿真操作测试的16项参数进行聚类分析,则每个数据点有16个维度,可记为:
xi={xi,j,j=1,2,...,16}(式3.1)
其中,管制通行性参数为{xi,1,xi,2,xi,3,xi,4},分别表示管制员仿真测试时长、扇区航行里程、扇区航行时间和扇区交通流密度;管制复杂性参数为{xi,5,xi,6,xi,7,xi,8},分别表示扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数和扇区航空器改航次数;管制安全性参数为{xi,9,xi,10},分别表示扇区短期冲突告警频率和扇区最低安全高度告警频率;管制经济性参数为{xi,11,xi,12,xi,13,xi,14},分别表示扇区内航空器排队长度、航空器延误架次率、航空器延误时间和航空器平均延误时间;管制员工作负荷参数为{xi,15,xi,16},分别表示陆空通话信道占用率和陆空通话次数。
针对每种仿真测试环境,选定不同等级的管制员参加雷达模拟机仿真测试(获取多类样本数据),针对每名管制员的测试过程采样,得到各样本上述16个参数的输入值。同时,建立针对不同仿真测试剧本的管制员样本数据,样本数据示例如下所示:
表3.1针对某仿真测试环境的某管制员样本参数
S302、样本数据的无量纲化
考虑到不同参数间存在量纲不同及数量级的差异,为消除这些差异对相似度计算的影响,需要对参数数据进行标准化转换。管制员操作参数可以分为两类,第一类为正向参数,即值越大越好的参数,包括部分管制通行性参数(扇区航行里程、扇区航行时间、扇区交通流密度)和管制员工作负荷参数(陆空通话信道占用率、陆空通话次数);第二类为逆向参数,即值越小越好的参数,包括部分管制通行性参数(管制员仿真测试时长)、管制复杂性参数(扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改航次数)、管制安全性参数(扇区短期冲突告警频率和扇区最低安全高度告警频率)和管制经济性参数(扇区航空器排队长度、扇区航空器延误架次率、扇区航空器延误时间和扇区航空器平均延误时间)。令第i个数据的第j项参数的实际值为xi,j,yi,j为无量纲化处理后的参数值,为第j项参数数据的均值,sj为第j项参数数据的标准差。则对于正向参数,对于逆向参数,先取其倒数或取负使其正向化,再使用公式将其无量纲化处理。
S303、样本数据相似度计算
1、初始化类:设定聚类数目,并确定每一类的初始类中心节点。
2、根据距离最近原则分类:计算每个样本数据点到各类中心节点之间的欧几里德距离,并按照距类中心节点距离最短的原则将所有数据分类,形成k个类。依次计算各类中所有样本数据点各项指标数据的均值,并以均值集合作为新的k个类的中心节点。:
3、聚类分析结果输出
计算新确定的类中心节点距上个类中心节点之间的偏移量,当最大偏移量大于设定值时,返回步骤2,否则根据聚类结束后得到k个类,得到针对不同仿真测试剧本的管制员操作参数档案。
S304、聚类处理后的样本数据存储。
S305、采集实时模拟数据。
S306、实时模拟数据无量纲化,其中S306中数据无量纲化的方法和步骤S302中采用的方法相同。
S307、实施模拟数据相似度计算:采用与样本数据类似的聚类分析算法。
即,先获取管制员l在仿真测试中的模拟数据,采取与管制员样本数据存储库中相同的无量纲化方法得到实时模拟标准化数据点tl,其中模拟数据的均值和标准差从管制员操作参数档案中提取。
S308、最大相似类寻找
计算tl与管制员操作参数档案中各个类中的中心节点ck的相似度sim(tl,ck),并求得与管制员操作参数档案中k个类中心节点的最大相似度simm(tl,ck)及其类Class(k),其中simm(tl,ck)可记为:
S309、最小相似值的计算
计算ti与Class(k)中各样本数据的相似度,得到最小相似值minSim(k)。
S310、判断最小相似值是否超过阈值
参照提前设置的管制员操作告警阈值,若minSim(k)超出设定的阈值范围,则表示管制员操作出现异常,执行步骤S312,输出报警信号;否则表示管制员针对该仿真测试剧本的操作表现为正常,执行步骤S311。
S311、结束:直接结束此次仿真。
S312、异常警告:提示管制员在此次模拟仿真过程中有操作异常。
采用本实施例提供的上述技术方案,至少有以下有益效果:
在聚类处理相似度之前,先将数据进行无量纲化处理,可以更好地将数据集按照相似度进行分类;而且将数据无量纲化按照正向、逆向两类参数数据分别进行不同的处理,使得无量纲化后的数据更加能够反映模拟参数的表征含义。
最后需要说明的是,上述说明仅是本发明的最佳实施例而已,并非对本发明做任何形式上的限制。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围内,都可利用上述揭示的做法和技术内容对本发明技术方案做出许多可能的变动和简单的替换等,这些都属于本发明技术方案保护的范围。
Claims (9)
1.一种空中交通管制模拟仿真异常检测方法,其特征在于,包括:
步骤1:采集样本数据,通过雷达管制模拟机收集管制员输入参数样本数据;
步骤2:基于样本数据,利用聚类分析法构建管制员操作参数档案;
步骤3:采集模拟数据,通过雷达管制模拟机采集管制员输入参数的实时模拟数据;
步骤4,参照管制员操作参数档案,对所述管制员输入参数的实时模拟数据进行相似度计算,得到最小相似度值;
步骤5:若所述最小相似度值大于预定的阈值,提示管制员模拟操作异常。
2.根据权利要求1所述的方法,其特征在于,所述步骤1中的管制员输入参数类型包括管制通行性参数、管制复杂性参数、管制安全性参数、管制经济性参数、管制工作负荷参数。
3.根据权利要求2所述的方法,其特征在于,所述管制通行性参数包括管制员仿真测试的时长、扇区航行里程、扇区航行时间、扇区交通流密度,所述管制复杂性参数包括扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改行次数,所述管制安全性参数包括扇区短期冲突告警频率、扇区最低安全高度告警频率,所述管制经济性参数包括扇区内航空器排队长度、航空器延误架次率、航空器延误时间、航空器平均延误时间,所述管制工作负荷参数包括陆空通话信道占用率、陆空通话次数。
4.根据权利要求1所述的方法,其特征在于,所述步骤1和步骤2之间还设有样本数据无量纲处理步骤,具体如下:
令第i个样本的第j项参数的实际值为xi,j,yi,j为无量纲化处理后的参数值,为第j项参数的均值,sj为第j项参数的标准差,则对于正向参数,对于逆向参数,先取其倒数或取负使其正向化,再使用上述公式对其进行无量纲化处理。
5.根据权利要求4所述的方法,其特征在于,所述步骤2具体包括如下步骤:
步骤2.1:初始化类
基于样本无量纲化参数值,制定聚类数目k,并确定每一类的初始类中心点;
步骤2.2:根据距离最近原则分类
计算每个样本到k个类中心点的之间的欧几里德距离,并按照距类中心点距离最短的原则将所有数据分类,形成k个类,依次计算各类中变量的均值,并以均值作为新的k个类的类中心点;
步骤2.3:聚类分析结果输出
计算新确定的类中心点距上个类中心点之间的偏移量,当最大偏移量大于设定值时,返回步骤2.2,否则聚类结束得到k个类,从而得到管制员操作参数档案。
6.根据权利要求5所述的方法,其特征在于,所述步骤4包括如下步骤:步骤4.1实时数据输入与标准化:
获取雷达管制模拟机采集管制员输入参数的实时模拟数据,令第l个管制员的第j项参数的实际值为rl,j,tl,j为无量纲化处理后的参数值,为第j项参数的均值,sj为第j项参数的标准差,则对于正向参数,对于逆向参数,先取其倒数或取负使其正向化,再使用上述公式对其进行无量纲化处理;其中均值和标准差从管制员操作参数档案中提取;
步骤4.2最大相似类寻找:
计算管制员l的模拟数据无量纲化参数值tl={tl,j,j=1,2,...,16}与管制员操作参数档案中各个类的中心点ck的相似度sim(tl,ck),并求得与管制员操作参数档案中k个类中心点的最大相似度simm(tl,ck)及其类Class(k),其中sim(tl,ck)可记为:
其中,tl,j为检测数据无量纲化后第j项参数值,ck,j为第k个类中心点的第j项无量纲化参数值。
7.根据权利要求6所述的方法,其特征在于,所述步骤5包括如下步骤:
计算tl与Class(k)中各样本无量纲化数据的相似度,得到最大相似类中的最小相似度minSim,若minSim超出设定的阈值范围,则输出异常操作报警信号。
8.一种空中交通管制模拟仿真异常检测装置,其特征在于,包括:
雷达管制模拟机,用于采集样本数据和管制员输入的实时模拟数据;
相似度计算单元,用于将所述样本数据和所述实时模拟数据进行相似度处理;其中,所述相似度计算单元设置有对数据分类的聚类处理子单元;
样本数据存储单元,用于存储经过所述相似度计算单元计算的样本数据;
阈值判断单元,当经过相似度处理后的所述实时模拟数据超出所述样样本数据存储单元中样本数据的预定范围时,提示管制员模拟操作异常。
9.根据权利要求8所述的装置,其特征在于,所述相似度计算单元还包括无量纲化处理子单元;所述聚类处理子单元包括对数据集进行类处理的欧几里德距离计算模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510642785.7A CN105118332B (zh) | 2015-09-30 | 2015-09-30 | 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510642785.7A CN105118332B (zh) | 2015-09-30 | 2015-09-30 | 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105118332A true CN105118332A (zh) | 2015-12-02 |
CN105118332B CN105118332B (zh) | 2018-01-23 |
Family
ID=54666298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510642785.7A Active CN105118332B (zh) | 2015-09-30 | 2015-09-30 | 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105118332B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034140A (zh) * | 2018-09-13 | 2018-12-18 | 哈尔滨工业大学 | 基于深度学习结构的工业控制网络信号异常检测方法 |
CN109064019A (zh) * | 2018-08-01 | 2018-12-21 | 中国民航大学 | 一种用于管制员模拟训练效果自动测评的系统及方法 |
CN109343344A (zh) * | 2018-09-21 | 2019-02-15 | 北京天工智造科技有限公司 | 卷烟设备操控参数寻优方法 |
CN117094206A (zh) * | 2023-06-19 | 2023-11-21 | 安徽云图信息技术有限公司 | 一种仿真数据生成系统和生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101242316A (zh) * | 2008-02-03 | 2008-08-13 | 西安交大捷普网络科技有限公司 | 基于快速聚类算法的网络异常检测方法 |
CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
US20120134532A1 (en) * | 2010-06-08 | 2012-05-31 | Gorilla Technology Inc. | Abnormal behavior detection system and method using automatic classification of multiple features |
CN103679190A (zh) * | 2012-09-20 | 2014-03-26 | 富士通株式会社 | 分类装置、分类方法以及电子设备 |
CN103744962A (zh) * | 2014-01-06 | 2014-04-23 | 浪潮(北京)电子信息产业有限公司 | 一种实现K-means聚类的方法及装置 |
-
2015
- 2015-09-30 CN CN201510642785.7A patent/CN105118332B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101242316A (zh) * | 2008-02-03 | 2008-08-13 | 西安交大捷普网络科技有限公司 | 基于快速聚类算法的网络异常检测方法 |
CN101719216A (zh) * | 2009-12-21 | 2010-06-02 | 西安电子科技大学 | 基于模板匹配的运动人体异常行为识别方法 |
US20120134532A1 (en) * | 2010-06-08 | 2012-05-31 | Gorilla Technology Inc. | Abnormal behavior detection system and method using automatic classification of multiple features |
CN103679190A (zh) * | 2012-09-20 | 2014-03-26 | 富士通株式会社 | 分类装置、分类方法以及电子设备 |
CN103744962A (zh) * | 2014-01-06 | 2014-04-23 | 浪潮(北京)电子信息产业有限公司 | 一种实现K-means聚类的方法及装置 |
Non-Patent Citations (6)
Title |
---|
何元清等: "《大学计算机基础》", 31 August 2013, 中国铁道出版社 * |
刘家峰等: "《模式识别》", 31 August 2014, 哈尔滨工业大学出版社 * |
张建平: "空中交通管制运行品质聚类分析", 《空中交通管制》 * |
张建平等: "基于BP网络的空中交通管制运行品质评价", 《西南交通大学学报》 * |
张建平等: "终端区空中交通管制运行品质综合评价", 《西南交通大学学报》 * |
李宗冀等: "《空中交通管制中人的因素》", 28 February 2009 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064019A (zh) * | 2018-08-01 | 2018-12-21 | 中国民航大学 | 一种用于管制员模拟训练效果自动测评的系统及方法 |
CN109064019B (zh) * | 2018-08-01 | 2021-08-17 | 中国民航大学 | 一种用于管制员模拟训练效果自动测评的系统及方法 |
CN109034140A (zh) * | 2018-09-13 | 2018-12-18 | 哈尔滨工业大学 | 基于深度学习结构的工业控制网络信号异常检测方法 |
CN109034140B (zh) * | 2018-09-13 | 2021-05-04 | 哈尔滨工业大学 | 基于深度学习结构的工业控制网络信号异常检测方法 |
CN109343344A (zh) * | 2018-09-21 | 2019-02-15 | 北京天工智造科技有限公司 | 卷烟设备操控参数寻优方法 |
CN117094206A (zh) * | 2023-06-19 | 2023-11-21 | 安徽云图信息技术有限公司 | 一种仿真数据生成系统和生成方法 |
CN117094206B (zh) * | 2023-06-19 | 2024-01-26 | 安徽云图信息技术有限公司 | 一种仿真数据生成系统和生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105118332B (zh) | 2018-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
US11501039B2 (en) | Optimizing aircraft flows at airports using data driven predicted capabilities | |
CN113486938B (zh) | 基于多分支时间卷积网络的重着陆的分析方法和装置 | |
Herrema et al. | A machine learning model to predict runway exit at Vienna airport | |
CN105118332A (zh) | 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置 | |
CN106601033A (zh) | 一种空中交通管制中期冲突的检测方法及装置 | |
CN110060513A (zh) | 基于历史轨迹数据的空中交通管制员工作负荷评估方法 | |
CN105261240A (zh) | 一种基于聚类分析的扇区运行性能综合检测方法及系统 | |
CN115064009B (zh) | 一种终端区无人机与有人机冲突风险等级划分方法 | |
CN105225541A (zh) | 基于空管历史数据挖掘的短时航迹预测方法 | |
CN101465066B (zh) | 飞机垂直占有率的获取方法 | |
CN105118333A (zh) | 一种基于多重回归模型的空中交通管制模拟仿真异常检测方法和装置 | |
CN115752708A (zh) | 一种基于深度时间卷积网络的机场单点噪声预测方法 | |
CN106127407B (zh) | 基于多传感器信息融合的飞机行程打分方法及打分系统 | |
CN103020733A (zh) | 一种基于权重的机场单航班噪声预测方法及其系统 | |
CN107909106A (zh) | 一种飞机飞行过程环境的检测方法 | |
Hrastovec et al. | Machine learning model for aircraft performances | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
Wang et al. | Airspace risk management using surveillance track data: Stabilized approaches | |
CN111175852B (zh) | 一种基于长短时记忆算法的机场大雾预报预警方法 | |
CN105303898B (zh) | 一种基于主成分分析的空中交通管制模拟仿真异常检测方法和装置 | |
CN110533241B (zh) | 终端区起降容量预测系统 | |
CN105261241B (zh) | 基于霍普菲尔德神经网络的空中交通管制模拟仿真异常检测方法和装置 | |
Arts et al. | Trajectory Based Flight Phase Identification with Machine Learning for Digital Twins | |
Lowe | Predicting pilot intent and aircraft trajectory in uncontrolled airspace |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |