CN106357461B - 一种空中交通显示复杂性的测度方法 - Google Patents
一种空中交通显示复杂性的测度方法 Download PDFInfo
- Publication number
- CN106357461B CN106357461B CN201610962655.6A CN201610962655A CN106357461B CN 106357461 B CN106357461 B CN 106357461B CN 201610962655 A CN201610962655 A CN 201610962655A CN 106357461 B CN106357461 B CN 106357461B
- Authority
- CN
- China
- Prior art keywords
- network
- node
- aircraft
- edges
- air traffic
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0043—Traffic management of multiple aircrafts from the ground
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0073—Surveillance aids
- G08G5/0082—Surveillance aids for monitoring traffic from a ground station
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种空中交通显示复杂性的测度方法,该方法共有五个步骤:首先建立空中交通显示复杂性评价的指标体系;其次从空中交通管制系统实时接入雷达航迹,提取每一时刻的航空器位置信息;然后基于航空器位置及相互间距离关系建立当前时刻对应的网络模型;接下来依据建立的指标体系计算各个网络指标值;最后形成复杂性向量。采用本方法可以客观的从多个维度评价雷达显示屏上的显示复杂性,不受人为因素影响,且占用资金较少,评估方法简单易用,评估结果易于理解。
Description
技术领域
本发明涉及空中交通管理领域,特别涉及一种基于网络模型的空中交通显示复杂性测度方法。
背景技术
在空中交通运行中,管制员一般是尽可能维持较大的水平间隔,以避免飞机扎堆的情形出现。因为如果某一交通态势在雷达显示屏上出现了雷达信号重复或过度拥挤,则会使得管制员难以快速识别不同的雷达信号并辨认飞行冲突点,从而增加管制工作负荷,最终降低空中交通系统的通行能力。但随着航空运输的快速发展,空中交通态势的复杂程度也在急剧增加,而目前国内外研究中都尚未有空中交通显示复杂性研究的报道。因此,基于网络模型映射空中交通态势结构,并通过网络拓扑指标描述态势的显示复杂性将有助于理解空中交通复杂性的本质特征,从而弥补当前研究的不足,最终为新一代空中交通系统建设提供理论依据。
发明内容
本发明针对当前缺乏空中交通显示复杂性描述方法的现状,提出一种基于网络模型的空中交通显示复杂性测度方法,从多个维度对空中交通显示复杂性进行客观刻画。
该方法共有五个步骤:首先建立空中交通显示复杂性评价的指标体系;其次从空中交通管制系统实时接入雷达航迹,提取每一时刻的航空器位置信息;然后基于航空器位置及相互间距离关系建立当前时刻对应的网络模型;接下来依据建立的指标体系计算各个网络指标值;最后形成复杂性向量。
本发明采取的技术方案是:一种空中交通显示复杂性的测度方法,其特征在于,所述方法包括如下步骤:
步骤1、从网络角度建立多维指标体系:包括节点度、边数、连接率、边增长率、聚集系数、网络结构熵;
步骤2、引接并处理雷达数据:每4秒引接1次雷达数据,提取航空器目标及其坐标信息;每1分钟进行1次粗粒化处理,将所有航空器目标在1分钟内的坐标信息平均后作为当前分钟的坐标;
步骤3、根据步骤2的结果建立网络模型:网络中的节点为航空器,如果在t时刻第i架航空器与第j架航空器之间的水平距离小于设定的阈值,就认为节点i和节点j之间有1条边相连;
步骤4、计算网络指标:节点度,即某一节点的邻居数量;网络平均度,即网络中所有节点度的均值,表示为边数,即网络中边的数量,表示为El;连接率,即网络中边数占可能边数的比例,表示为ρ;边增长率,即单位时间内网络边数的增长值,设El(t)为网络在t时刻的边数,则边增长率计算公式为:ρg=(El(t)-El(t-1))/El(t-1);节点的聚集系数,即节点的邻居节点间存在的边数占所有可能边数的比例;网络聚集系数,即网络中所有节点聚集系数的均值,表示为C;网络结构熵,网络中航空器节点重要度间的差异,设Er为空中交通网络结构熵,N为网络中航空器节点总数,Ii为第i架航空器的重要度,则网络结构熵的计算公式为:其中,某一航空器的重要度Ii根据该航空器的节点度占用所有航空器节点度之和的比例计算,设ki为与第i架航空器相邻的航空器数目,即航空器的节点度,则航空器的重要度计算公式为:
步骤5、基于计算出的指标形成复杂性向量,表示为:
本发明产生的有益效果是:采用基于网络模型的空中交通显示复杂性方法,可以客观的从多个维度评价空中交通展现在雷达显示屏上的显示复杂性,该方法不受人为因素影响,且占用资金较少,评估方法简单易用,评估结果易于理解。
附图说明
图1为本发明的基本步骤流程图;
图2为空中交通显示复杂性的网络模型示意图。
具体实施方式
以下结合附图及实施例对本发明做进一步说明。
基于网络模型的空中交通显示复杂性测度方法共包括以下具体步骤,如图1所示:
步骤1、从网络角度建立多维指标体系:根据空中交通运行的基本特征,从比较通用的网络拓扑结构特征描述指标中选取节点度、边数、连接率、边增长率、聚集系数、网络结构熵,作为空中交通显示复杂性评估的指标体系。
步骤2、引接并处理雷达数据:每4秒引接1次雷达数据,提取航空器目标编号及航空器坐标、速度、航向等关键航行信息;以每1分钟为例对原始数据进行粗粒化处理,将所有航空器目标在1分钟内的关键航行信息平均后作为当前分钟的信息。
步骤3、以每分钟为间隔建立网络模型:以空中交通中存在的航空器为网络中的节点,判断每一时刻任意两架航空器间的水平距离,如果在t时刻第i架航空器与第j架航空器之间的水平距离小于设定的阈值(比如60公里),就认为节点i和节点j之间有边相连。对于t时刻空中所有航空器间的两两距离都判断结束后,就形成了该时刻空中交通对应的网络模型。网络建模示意图如图2所示。
步骤4、计算网络指标:
节点度,即某一节点的邻居数量,设某时刻,某空域扇区中有7架航空器,分别是P1、P2、P3、P4、P5、P6、P7。设航空器P2与航空器P1、P3、P4的水平距离都小于设定的阈值,而离航空器P5、P6、P7的距离则大于阈值,则航空器P2的节点度k(P2)为3。如果航空器P7与其他6架航空器的两两距离都大于阈值,则航空器P7的节点度k(P7)为0。网络平均度,即网络中所有节点度的均值,记为
边数,即网络中边的数量,记为E1;连接率,即网络中边数占可能边数的比例,由公式(1)计算可得;边增长率,单位时间内网络边数的增长值ρg,由公式(2)计算可得。
上式中,E1为网络中的边数,N为网络中节点总数,即航空器数量。
上式中,E1(t)为网络在t时刻的边数。
节点的聚集系数,即节点的邻居节点间存在的边数占所有可能边数的比例,假设节点i通过ki条边与其他ki个节点相连接,在这ki个节点之间最多可能有ki(ki-1)/2条,而这ki个节点之间实际存在的边数Ei和总的可能的边数之比就定义为节点i的聚集系数Ci,由公式(3)计算可得;网络聚集系数,即网络中所有节点聚集系数的均值C,由公式(4)计算可得。
网络结构熵,即网络中节点重要度间的差异,是对网络拓扑结构特性度量的宏观指标,刻画了网络节点度的均匀性,由公式(5)计算可得。
上式中,Er为空中交通网络结构熵,Ii为第i架航空器的重要度,由公式(6)计算。
上式中,ki为与第i架航空器相邻的航空器数目。
步骤5、基于计算出的网络结构指标形成空中交通态势复杂性向量M,见公式(7),该指标从多个维度刻画了空中交通在雷达显示屏上展现的显示复杂性。
通过将航空器映射为节点、航空器间的接近关系映射为边,即可用网络结构表示空中交通态势在雷达显示屏上的景象。
Claims (1)
1.一种空中交通显示复杂性的测度方法,其特征在于,所述方法包括如下步骤:
步骤1、从网络角度建立多维指标体系:包括节点度、边数、连接率、边增长率、聚集系数、网络结构熵;
步骤2、引接并处理雷达数据:每4秒引接1次雷达数据,提取航空器目标及其坐标信息;每1分钟进行1次粗粒化处理,将所有航空器目标在1分钟内的坐标信息平均后作为当前分钟的坐标;
步骤3、根据步骤2的结果建立网络模型:网络中的节点为航空器,如果在t时刻第i架航空器与第j架航空器之间的水平距离小于设定的阈值,就认为节点i和节点j之间有1条边相连;
步骤4、计算网络指标:节点度,即某一节点的一定阈值下的邻居数量;网络平均度,即网络中所有节点度的均值,表示为边数,即网络中边的数量,表示为El;连接率,即网络中边数占网络中所有节点间可能存在的最多边数的比例,表示为ρ;边增长率,即单位时间内网络边数的增长值,设El(t)为网络在t时刻的边数,则边增长率计算公式为:ρg=(El(t)-El(t-1))/El(t-1);节点的聚集系数,即节点邻居节点间存在的边数占节点的ki个邻居节点间可能存在的最多边数的比例;网络聚集系数,即网络中所有节点聚集系数的均值,表示为C;网络结构熵,网络中航空器节点重要度间的差异,设Er为空中交通网络结构熵,N为网络中航空器节点总数,Ii为第i架航空器的重要度,则网络结构熵的计算公式为:其中,某一航空器的重要度Ii根据该航空器的节点度占用所有航空器节点度之和的比例计算,设ki为与第i架航空器相邻的航空器数目,即航空器的节点度,则航空器的重要度计算公式为:
步骤5、基于计算出的指标形成复杂性向量,表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610962655.6A CN106357461B (zh) | 2016-11-04 | 2016-11-04 | 一种空中交通显示复杂性的测度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610962655.6A CN106357461B (zh) | 2016-11-04 | 2016-11-04 | 一种空中交通显示复杂性的测度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106357461A CN106357461A (zh) | 2017-01-25 |
CN106357461B true CN106357461B (zh) | 2019-03-08 |
Family
ID=57865266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610962655.6A Active CN106357461B (zh) | 2016-11-04 | 2016-11-04 | 一种空中交通显示复杂性的测度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106357461B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796901A (zh) * | 2019-11-04 | 2020-02-14 | 中国民航大学 | 一种空中交通态势风险热点识别方法 |
HRP20210018B1 (hr) * | 2020-05-25 | 2022-06-24 | Sveučilište u Zagrebu FAKULTET PROMETNIH ZNANOSTI | Postupak rada sustava za kontrolu zračnog prometa |
CN112489497B (zh) * | 2020-11-18 | 2022-03-11 | 南京航空航天大学 | 基于深度卷积神经网络的空域运行复杂度评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222412A (zh) * | 2011-05-26 | 2011-10-19 | 北京航空航天大学 | 一种引入空域容量的航路汇聚点布局优化方法 |
CN103473955A (zh) * | 2013-09-17 | 2013-12-25 | 中国民航大学 | 一种基于图论和谱聚类算法的终端扇区划分方法 |
CN106023655A (zh) * | 2016-06-30 | 2016-10-12 | 南京航空航天大学 | 一种扇区空中交通拥堵状态监测方法 |
-
2016
- 2016-11-04 CN CN201610962655.6A patent/CN106357461B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102222412A (zh) * | 2011-05-26 | 2011-10-19 | 北京航空航天大学 | 一种引入空域容量的航路汇聚点布局优化方法 |
CN103473955A (zh) * | 2013-09-17 | 2013-12-25 | 中国民航大学 | 一种基于图论和谱聚类算法的终端扇区划分方法 |
CN106023655A (zh) * | 2016-06-30 | 2016-10-12 | 南京航空航天大学 | 一种扇区空中交通拥堵状态监测方法 |
Non-Patent Citations (2)
Title |
---|
Analysis of AirTraffic Network of China;Wang Hongyong;《2012 24th Chinese Control and Design Conference(CCDC)》;20120525;第2400-2403页 |
基于复杂网络的空中交通复杂性度量方法;王红勇 等;《系统工程》;20140331;第32卷(第3期);第112-118页 |
Also Published As
Publication number | Publication date |
---|---|
CN106357461A (zh) | 2017-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106357461B (zh) | 一种空中交通显示复杂性的测度方法 | |
CN104156984B (zh) | 一种不均匀杂波环境下多目标跟踪的概率假设密度方法 | |
CN106778856A (zh) | 一种物体识别方法及装置 | |
CN105635963B (zh) | 多智能体分布式协同定位方法 | |
CN107247938A (zh) | 一种高分辨率遥感影像城市建筑物功能分类的方法 | |
CN108521670A (zh) | 面向多机紧密编队飞行基于uwb通信与定位方法及一体化系统 | |
CN105072681B (zh) | 一种基于室内空间位置的定位系统的部署装置及方法 | |
Xiao et al. | Joint affinity propagation for multiple view segmentation | |
CN103648164B (zh) | 一种基于到达时间差和Gossip算法的无线传感器网络分布式定位方法 | |
CN107392875A (zh) | 一种基于k近邻域划分的点云数据去噪方法 | |
CN105139379B (zh) | 基于分类分层的机载Lidar点云建筑物顶面渐进提取方法 | |
CN103237155B (zh) | 一种单视角被遮挡的目标的跟踪和定位方法 | |
CN107657659A (zh) | 基于长方体拟合扫描三维点云的曼哈顿结构建筑物自动建模方法 | |
CN103150559A (zh) | 基于Kinect三维深度图像的头部识别与跟踪方法 | |
CN107229084B (zh) | 一种自动识别,跟踪并预测对流系统目标的方法 | |
CN103941233A (zh) | 一种多平台主被动传感器协同跟踪的雷达间歇交替辐射控制方法 | |
CN110187336A (zh) | 一种基于分布式phd的多站雷达站址定位和联合跟踪方法 | |
CN108882172A (zh) | 一种基于hmm模型的室内移动轨迹数据的预测方法 | |
CN105843829A (zh) | 一种基于分层模型的大数据可信性度量方法 | |
CN106125037B (zh) | 基于WiFi信号强度和Micro-Model的室内无线热点回溯定位方法 | |
CN106777875A (zh) | 一种基于双层多级网络模型的空中交通复杂性测度方法 | |
CN111489392B (zh) | 多人环境下单个目标人体运动姿态捕捉方法及系统 | |
CN105022101A (zh) | 强对流云团追踪方法 | |
CN104050641B (zh) | 基于形状方位描述符的集中式多传感器编队目标粒子滤波算法 | |
Li et al. | Tourism information data processing method based on multi-source data fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |