CN106650764B - 机场进离场航空器滑行态势因子分类与识别方法 - Google Patents
机场进离场航空器滑行态势因子分类与识别方法 Download PDFInfo
- Publication number
- CN106650764B CN106650764B CN201610689135.2A CN201610689135A CN106650764B CN 106650764 B CN106650764 B CN 106650764B CN 201610689135 A CN201610689135 A CN 201610689135A CN 106650764 B CN106650764 B CN 106650764B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- theatre
- leaving
- arena
- scene
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种机场进离场航空器滑行态势因子分类与识别方法。通过分析机场进离场航空器滑行时空环境,从宏观层面对滑行时空分布网络进行拓扑,对进离场航空器滑行态势要素进行分类提炼,构建进离场航空器滑行态势因子集合,对各类航空器滑行态势因子进行准确识别,对于系统化、综合化和定量化分析机场进离场航空器滑行态势要素,从宏观层面快速分析航空器滑行态势因子等具有重要意义。本发明有效解决了机场进离场航空器滑行态势要素的系统化提炼难题,以及航空器滑行态势要素的定量化分析难题,填补了国内外在航空器滑行态势要素分类量化分析方面的技术空白。
Description
技术领域
本发明涉及一种航空器运行态势分析方法,尤其涉及一种机场进离场航空器滑行态势因子分类与识别方法,属于机场飞行区运行管控领域。
背景技术
随着我国经济和社会发展水平不断提高,航空运输市场需求强劲。在此背景之下,机场新改扩建进程不断加快,空中交通流量急剧增长,机场物理结构、交通运行和管制规则等的复杂程度不断增加,航空器场面滑行活动正面临着复杂多变的运行趋势。在高度动态的机场滑行环境内,如何对进离场航空器滑行态势要素进行分类提炼与量化分析,实现航空器滑行状态的系统化、综合化和定量化分析,已成为航空运输领域的关键技术难题。
当前针对机场进离场航空器滑行态势因子分析的相关工作主要集中于场面滑行时间统计分析方面,而关于其它态势要素的分析则主要集中在定性角度,缺乏相应的定量分析辅助手段,且已有定量指标较为散乱,缺乏一定的系统性和科学性,导致航空运输管理人员无法对机场进离场航空器滑行态势因子进行全面的精细化管理。
目前,国内外在机场进离场航空器滑行态势因子分析方面的技术成果非常少,仍存在一定的领域空白。因此,亟需采用一种科学和系统的机场进离场航空器滑行态势因子分类与识别方法,对机场进离场航空器滑行态势要素进行科学提炼,对各类航空器滑行态势因子进行准确识别,这必将在精细化管理机场飞行区运行活动中产生重要的技术价值和应用前景。
发明内容
发明目的:本发明所要解决的技术问题在于克服现有技术的不足,提供一种机场进离场航空器滑行态势因子分类与识别方法,以提升复杂机场系统飞行区运行活动的精细化管理水平。
技术方案:为实现上述目的,本发明采用以下技术方案:
一种机场进离场航空器滑行态势因子分类与识别方法,包括以下步骤:
步骤一,分析机场进离场航空器滑行时空环境,提取机场进离场航空器在飞行区内的关键活动事件,统计分析各类关键活动事件对应的时间点信息;
步骤二,构建机场进离场航空器滑行活动时空分布拓扑网络,从宏观层面对每架进离场航空器的时空资源使用和时间节点关系进行分析;
步骤三:分类提炼机场进离场航空器滑行态势要素,构建进离场航空器滑行态势因子集合;
步骤四:对机场进离场航空器各类滑行态势因子进行具体识别;
步骤五:推导分析各类航空器滑行态势因子之间的相互关系,论证进离场航空器滑行态势因子建模过程的完备性。
进一步的,步骤一的具体步骤为:
(1.1)对于机场内任意一架进场航空器,其飞行区进场过程中需提取的关键活动事件包括跑道着陆和滑入机位两类;
(1.2)对于机场内任意一架离场航空器,其飞行区离场过程中需提取的关键活动事件包括推出机位和滑跑起飞两类;
(1.3)统计分析飞机通信寻址与报告系统ACARS自动记录的航空器起落架和舱门的开关传感器的输出数据,对进离场航空器所涉及的跑道着陆、滑入机位、推出机位和滑跑起飞四类关键活动事件的时间点信息进行存储,形成航空器OOOI时间库。
进一步的,步骤二的具体步骤为:
(2.1)以机场时间资源为横轴,以机场空间资源为纵轴,构建航空器滑行活动时空分布拓扑网络,基于步骤一得到的各类关键活动事件对应的时间点信息从宏观层面分析进离场航空器之间的时空交互特性;
(2.2)对于待预测滑行态势的目标进场航空器a0,其它所有进场航空器与参照物a0之间的时空约束关系共包括“先降落、先轮档”,“先降落、后轮档”,“后降落、先轮档”,“后降落、后轮档”四种情形,分别用a1~a4进行标记;
(2.3)对于待预测滑行态势的目标离场航空器d0,其它所有离场航空器与参照物d0之间的时空约束关系共包括“先推出、先起飞”,“先推出、后起飞”,“后推出、先起飞”,“后推出、后起飞”四种情形,分别用d1~d4进行标记。
进一步的,步骤三的具体步骤为:
(3.1)将航空器滑行态势因子分为场面瞬时流量因子集合、场面累计流量因子集合、起降队列长度因子集合、时隙资源需求因子集合和场面滑行时间因子集合5类,每一类滑行态势因子集合包括了若干小类滑行态势因子;
(3.2)构建涵盖5大类及其包含的若干小类滑行态势因子的进场航空器滑行态势因子集合,以及涵盖5大类及其包含的若干小类滑行态势因子的离场航空器滑行态势因子集合,最终形成机场进离场航空器滑行态势因子集合。
进一步的,步骤四的具体步骤为:
(4.1)识别场面瞬时流量因子集合:它是指航空器在推出或降落时刻正在场面滑行的进场、离场、进离场航空器数量,量化表征形式记为;
对于进场航空器而言,场面瞬时流量因子集合包括三个态势因子,分别为降落时刻正在场面滑行的进场航空器数量降落时刻正在场面滑行的离场航空器数量降落时刻正在场面滑行的进离场航空器数量
对于离场航空器而言,场面瞬时流量因子集合包括三个态势因子,分别为推出时刻正在场面滑行的进场航空器数量推出时刻正在场面滑行的离场航空器数量推出时刻正在场面滑行的进离场航空器数量
在场面瞬时流量因子识别过程中,航空器的统计范围包括已经降落且尚未轮档的进场航空器、已经推出且尚未起飞的离场航空器;
(4.2)识别场面累计流量因子集合:它是指航空器在整个滑行过程中场面上曾经或正在处于滑行状态的进场、离场、进离场航空器数量,量化表征形式为σ;
对于进场航空器而言,场面累计流量因子集合包括三个态势因子,分别为整个进场滑行过程中场面上的进场航空器数量整个进场滑行过程中场面上的离场航空器数量整个进场滑行过程中场面上的进离场航空器数量
对于离场航空器而言,场面累计流量因子集合包括三个态势因子,分别为整个离场滑行过程中场面上的进场航空器数量整个离场滑行过程中场面上的离场航空器数量整个离场滑行过程中场面上的进离场航空器数量
在场面累计流量因子识别过程中,航空器的统计范围包括滑行过程与待预测航空器滑行过程存在时间交集的进场航空器或离场航空器;
(4.3)识别起降队列长度因子集合:它是指航空器在整个滑行过程中起飞、降落、起降的航空器数量,量化表征形式记为
对于进场航空器而言,起降队列长度因子集合包括三个态势因子,分别为整个进场滑行过程中降落的进场航空器数量整个进场滑行过中起飞的离场航空器数量整个进场滑行过程中起飞和降落的进离场航空器数量
对于离场航空器而言,起降队列长度因子集合包括三个态势因子,分别为整个离场滑行过程中降落的进场航空器数量整个离场滑行过程中起飞的离场航空器数量整个离场滑行过程中起降的进离场航空器数量
在起降队列长度因子识别过程中,航空器的统计范围包括降落时刻处于待预测航空器滑行过程的进场航空器、起飞时刻处于待预测航空器滑行过程的离场航空器;
(4.4)识别时隙资源需求因子集合:它是指在以航空器推出或降落时刻为中心确定的某一特定范围±δ内,处于推出或降落状态的进场、离场、进离场航空器数量,量化表征形式记为进场航空器时隙以跑道时间来衡量,离场航空器时隙以停机位时间来衡量,进离场时隙阈值系数δa和δd的取值范围根据决策需求进行动态设置,一般参考单架航空器滑行时间将其限定在10~30分钟范围之内。
对于进场航空器而言,时隙资源需求因子集合包括三个态势因子,分别为当前进场时隙内处于降落状态的进场航空器数量当前进场时隙内处于推出状态的离场航空器数量当前进场时隙内处于推出或降落状态的进离场航空器数量
对于离场航空器而言,时隙资源需求因子集合包括三个态势因子,分别为当前离场时隙内处于降落状态的进场航空器数量当前离场时隙内处于推出状态的离场航空器数量当前离场时隙内处于推出或降落状态的进离场航空器数量
在时隙资源需求因子识别过程中,航空器的统计范围包括降落时刻处于待预测航空器时隙内的进场航空器、推出时刻处于待预测航空器时隙内的离场航空器;
(4.5)识别场面滑行时间因子集合:它是指航空器在跑道与停机位之间的总运行时间,量化表征形式记为τ;
对于进场航空器而言,场面滑行时间因子集合包括一个态势因子,即为进场滑行时间τa;
对于离场航空器而言,场面滑行时间因子集合包括一个态势因子,即为离场滑行时间τd;
在场面滑行时间因子识别过程中,航空器的统计范围包括待预测滑行态势的目标进场航空器和目标离场航空器。
进一步的,所述步骤(4.4)中,进离场时隙阈值系数δa和δd的取值范围参考单架航空器滑行时间将其限定在10~30分钟范围之内。
进一步的,所述步骤五中,若机场进离场航空器滑行态势因子的建模过程具备完备性,则输出航空器滑行态势因子分析结果;否则,返回步骤二进行重新建模,直至滑行态势因子建模过程具备完备性为止。
有益效果:本发明通过分析机场进离场航空器滑行时空环境,从宏观层面对滑行时空分布网络进行拓扑,对进离场航空器滑行态势要素进行分类提炼,构建进离场航空器滑行态势因子集合,对各类航空器滑行态势因子进行识别。本发明原理简单,可操作性强,有效解决了机场进离场航空器滑行态势要素的系统化提炼难题,以及航空器滑行态势要素的定量化分析难题,填补了国内外在航空器滑行态势要素分类量化分析方面的技术空白。
附图说明
图1为机场进离场航空器滑行态势因子分类与识别方法的核心原理图;
图2为机场进离场航空器滑行活动时空分布拓扑网络。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚,以下结合附图与实施例,对本发明进行进一步的详细说明,应当理解,此处所描述的实例仅用于解释本发明的核心原理,但是并不用于限定本发明。
实施例
图1为机场进离场航空器滑行态势因子分类与识别方法的核心原理,对滑行态势因子的计算流程进行了总体描述。
选取某一航空运输机场,执行航空器滑行态势因子分析过程,计算实例如下:
步骤一:选取任意的航空运输机场系统,提取进场航空器跑道着陆和滑入机位两类关键活动事件,以及离场航空器推出机位和滑跑起飞两类关键活动事件,并从飞机通信寻址与报告系统ACARS中匹配每一架进离场航空器在不同关键活动事件下对应的时间点信息,进场航空器主要包括跑道着陆时刻ton与滑入机位时刻tin两类时间点信息,离场航空器主要包括推出机位时刻tout与跑道起飞时刻toff两类时间点信息。
步骤二:以机场时间资源为横轴,以机场空间资源为纵轴,构建图2所示的机场进离场航空器滑行活动时空分布拓扑网络,从宏观层面对进场航空器a0~a6和离场航空器d0~d6的时空资源使用和时间节点关系进行抽象描绘,分别以航空器a0和航空器d0为待预测滑行态势的目标进场航空器和目标离场航空器。
对于待预测滑行态势的目标进场航空器a0,其它所有进场航空器与参照物a0之间的时空约束关系共包括“先降落、先轮档”,“先降落、后轮档”,“后降落、先轮档”,“后降落、后轮档”四种情形,分别用a1~a4进行标记;应当理解,为了充分考虑机场进场航空器之间的各类时空约束关系,图2中还标记了航空器a5和航空器a6,这两类进场航空器相比航空器a0虽亦可分别代表“先降落、先轮档”和“后降落、后轮档”两种情形,但是其滑行过程与航空器a0的滑行过程不存在任何交集,对航空器a0的滑行态势不会产生任何影响,因此航空器a5和航空器a6将不在进场航空器滑行态势因子的统计范围之内。
对于待预测滑行态势的目标离场航空器d0,其它所有离场航空器与参照物d0之间的时空约束关系共包括“先推出、先起飞”,“先推出、后起飞”,“后推出、先起飞”,“后推出、后起飞”四种情形,分别用d1~d4进行标记;应当理解,为了充分考虑机场离场航空器之间的各类时空约束关系,图2中还标记了航空器d5和航空器d6,这两类离场航空器相比航空器d0虽亦可分别代表“先推出、先起飞”和“后推出、后起飞”两种情形,但是其滑行过程与航空器d0的滑行过程不存在任何交集,对航空器d0的滑行态势不会产生任何影响,因此航空器d5和航空器d6将不在离场航空器滑行态势因子的统计范围之内。
步骤三:构建涵盖5大类、13个因子的进场航空器滑行态势因子集合,以及涵盖5大类、13个因子的离场航空器滑行态势因子集合,具体包括场面瞬时流量因子集合、场面累计流量因子集合、起降队列长度因子集合、时隙资源需求因子集合和场面滑行时间因子集合5类,最终形成涵盖5大类、26个因子的机场进离场航空器滑行态势因子集合。其中,对于26个因子的具体概念在下述步骤四中进行详细描述。
步骤四:分别以航空器a0和航空器d0为待预测滑行态势的目标进场航空器和目标离场航空器,对机场进离场航空器各类滑行态势因子进行具体识别,计算结果如表1所示。
(4.1)场面瞬时流量因子集合:对进场航空器a0的场面瞬时流量因子进行识别,在航空器a0降落时刻,正在场面滑行的进场航空器集合为{a1,a2},即场面瞬时流量因子正在场面滑行的离场航空器集合为{d0,d1,d2},即场面瞬时流量因子正在场面滑行的进离场航空器集合为{a1,a2,d0,d1,d2},即场面瞬时流量因子对离场航空器d0的场面瞬时流量因子进行识别,在航空器d0推出时刻,正在场面滑行的进场航空器集合为{a1},即场面瞬时流量因子正在场面滑行的离场航空器集合为{d1,d2},即场面瞬时流量因子正在场面滑行的进离场航空器集合为{a1,d1,d2},即场面瞬时流量因子
(4.2)场面累计流量因子集合:对进场航空器a0的场面累计流量因子进行识别,在航空器a0滑行过程中,场面上曾经或正在处于滑行状态的进场航空器集合为{a1,a2,a3,a4},即场面累计流量因子场面上曾经或正在处于滑行状态的离场航空器集合为{d0,d1,d2,d3,d4},即场面瞬时流量因子场面上曾经或正在处于滑行状态的进离场航空器集合为{a1,a2,a3,a4,d0,d1,d2,d3,d4},即场面瞬时流量因子对离场航空器d0的场面累计流量因子进行识别,在航空器d0滑行过程中,场面上曾经或正在处于滑行状态的进场航空器集合为{a0,a1,a2,a3,a4},即场面累计流量因子场面上曾经或正在处于滑行状态的离场航空器集合为{d1,d2,d3,d4},即场面瞬时流量因子场面上曾经或正在处于滑行状态的进离场航空器集合为{d0,a1,a2,a3,a4,d1,d2,d3,d4},即场面瞬时流量因子
(4.3)起降队列长度因子集合:对进场航空器a0的起降队列长度因子进行识别,在航空器a0滑行过程中,降落的进场航空器集合为{a3,a4},即起降队列长度因子起飞的离场航空器集合为{d1,d3},即起降队列长度因子起飞和降落的进离场航空器集合为{a3,a4,d1,d3},即起降队列长度因子对离场航空器d0的起降队列长度因子进行识别,在航空器d0滑行过程中,降落的进场航空器集合为{a0,a2,a3,a4},即起降队列长度因子起飞的离场航空器集合为{d1,d3},即起降队列长度因子起飞和降落的进离场航空器集合为{a0,a2,a3,a4,d1,d3},即起降队列长度因子
(4.4)时隙资源需求因子集合:对进场航空器a0的时隙资源需求因子进行识别,在航空器a0的进场时隙内,处于降落状态的进场航空器集合为{a2,a3},即时隙资源需求因子处于推出状态的离场航空器集合为{d0},即时隙资源需求因子处于推出或降落状态的进离场航空器集合为{a2,a3,d0},即时隙资源需求因子对离场航空器d0的时隙资源需求因子进行识别,在航空器d0的离场时隙内,处于降落状态的进场航空器集合为{a0,a2},即时隙资源需求因子处于推出状态的离场航空器集合为{d2},即时隙资源需求因子处于推出或降落状态的进离场航空器集合为{a0,a2,d2},即时隙资源需求因子
(4.5)场面滑行时间因子集合:对进场航空器a0的场面滑行时间因子进行识别,航空器a0的进场滑行时间τa等于航空器跑道着陆时刻ton与滑入机位时刻tin之间的时间间隔,即场面滑行时间因子τa=tin-ton。对离场航空器d0的场面滑行时间因子进行识别,航空器d0的离场滑行时间τd等于航空器推出机位时刻tout与跑道起飞时刻toff之间的时间间隔,即场面滑行时间因子τd=toff-tout。
表1机场进离场航空器滑行态势因子计算结果
步骤五:推导分析各类航空器滑行态势因子之间的相互关系,论证进离场航空器滑行态势因子建模过程的完备性。若机场进离场航空器滑行态势因子的建模过程具备完备性,则输出航空器滑行态势因子分析结果;否则,返回步骤二进行重新建模,直至滑行态势因子建模过程具备完备性为止。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种机场进离场航空器滑行态势因子分类与识别方法,其特征在于:包括以下步骤:
步骤一,分析机场进离场航空器滑行时空环境,提取机场进离场航空器在飞行区内的关键活动事件,统计分析各类关键活动事件对应的时间点信息;
步骤二,构建机场进离场航空器滑行活动时空分布拓扑网络,从宏观层面对每架进离场航空器的时空资源使用和时间节点关系进行分析;
步骤三,分类提炼机场进离场航空器滑行态势要素,构建进离场航空器滑行态势因子集合;具体步骤为:
(3.1)将航空器滑行态势因子分为场面瞬时流量因子集合、场面累计流量因子集合、起降队列长度因子集合、时隙资源需求因子集合和场面滑行时间因子集合5类,每一类滑行态势因子集合包括了若干小类滑行态势因子;
(3.2)构建涵盖5大类及其包含的若干小类滑行态势因子的进场航空器滑行态势因子集合,以及涵盖5大类及其包含的若干小类滑行态势因子的离场航空器滑行态势因子集合,最终形成机场进离场航空器滑行态势因子集合;
步骤四,对机场进离场航空器各类滑行态势因子进行具体识别;具体步骤为:
(4.1)识别场面瞬时流量因子集合:它是指航空器在推出或降落时刻正在场面滑行的进场、离场、进离场航空器数量,量化表征形式记为
对于进场航空器而言,场面瞬时流量因子集合包括三个态势因子,分别为降落时刻正在场面滑行的进场航空器数量降落时刻正在场面滑行的离场航空器数量降落时刻正在场面滑行的进离场航空器数量
对于离场航空器而言,场面瞬时流量因子集合包括三个态势因子,分别为推出时刻正在场面滑行的进场航空器数量推出时刻正在场面滑行的离场航空器数量推出时刻正在场面滑行的进离场航空器数量
在场面瞬时流量因子识别过程中,航空器的统计范围包括已经降落且尚未轮档的进场航空器、已经推出且尚未起飞的离场航空器;
(4.2)识别场面累计流量因子集合:它是指航空器在整个滑行过程中场面上曾经或正在处于滑行状态的进场、离场、进离场航空器数量,量化表征形式为σ;
对于进场航空器而言,场面累计流量因子集合包括三个态势因子,分别为整个进场滑行过程中场面上的进场航空器数量整个进场滑行过程中场面上的离场航空器数量整个进场滑行过程中场面上的进离场航空器数量
对于离场航空器而言,场面累计流量因子集合包括三个态势因子,分别为整个离场滑行过程中场面上的进场航空器数量整个离场滑行过程中场面上的离场航空器数量整个离场滑行过程中场面上的进离场航空器数量
在场面累计流量因子识别过程中,航空器的统计范围包括滑行过程与待预测航空器滑行过程存在时间交集的进场航空器或离场航空器;
(4.3)识别起降队列长度因子集合:它是指航空器在整个滑行过程中起飞、降落、起降的航空器数量,量化表征形式记为
对于进场航空器而言,起降队列长度因子集合包括三个态势因子,分别为整个进场滑行过程中降落的进场航空器数量整个进场滑行过中起飞的离场航空器数量整个进场滑行过程中起飞和降落的进离场航空器数量
对于离场航空器而言,起降队列长度因子集合包括三个态势因子,分别为整个离场滑行过程中降落的进场航空器数量整个离场滑行过程中起飞的离场航空器数量整个离场滑行过程中起降的进离场航空器数量
在起降队列长度因子识别过程中,航空器的统计范围包括降落时刻处于待预测航空器滑行过程的进场航空器、起飞时刻处于待预测航空器滑行过程的离场航空器;
(4.4)识别时隙资源需求因子集合:它是指在以航空器推出或降落时刻为中心确定的某一特定范围±δ内,处于推出或降落状态的进场、离场、进离场航空器数量,量化表征形式记为进场航空器时隙以跑道时间来衡量,离场航空器时隙以停机位时间来衡量,进离场时隙阈值系数δa和δd的取值范围根据决策需求进行动态设置;
对于进场航空器而言,时隙资源需求因子集合包括三个态势因子,分别为当前进场时隙内处于降落状态的进场航空器数量当前进场时隙内处于推出状态的离场航空器数量当前进场时隙内处于推出或降落状态的进离场航空器数量
对于离场航空器而言,时隙资源需求因子集合包括三个态势因子,分别为当前离场时隙内处于降落状态的进场航空器数量当前离场时隙内处于推出状态的离场航空器数量当前离场时隙内处于推出或降落状态的进离场航空器数量
在时隙资源需求因子识别过程中,航空器的统计范围包括降落时刻处于待预测航空器时隙内的进场航空器、推出时刻处于待预测航空器时隙内的离场航空器;
(4.5)识别场面滑行时间因子集合:它是指航空器在跑道与停机位之间的总运行时间,量化表征形式记为τ;
对于进场航空器而言,场面滑行时间因子集合包括一个态势因子,即为进场滑行时间τa;
对于离场航空器而言,场面滑行时间因子集合包括一个态势因子,即为离场滑行时间τd;
在场面滑行时间因子识别过程中,航空器的统计范围包括待预测滑行态势的目标进场航空器和目标离场航空器;
步骤五,推导分析各类航空器滑行态势因子之间的相互关系,论证进离场航空器滑行态势因子建模过程的完备性。
2.如权利要求1所述的机场进离场航空器滑行态势因子分类与识别方法,其特征在于:步骤一的具体步骤为:
(1.1)对于机场内任意一架进场航空器,其飞行区进场过程中需提取的关键活动事件包括跑道着陆和滑入机位两类;
(1.2)对于机场内任意一架离场航空器,其飞行区离场过程中需提取的关键活动事件包括推出机位和滑跑起飞两类;
(1.3)统计分析飞机通信寻址与报告系统ACARS自动记录的航空器起落架和舱门的开关传感器的输出数据,对进离场航空器所涉及的跑道着陆、滑入机位、推出机位和滑跑起飞四类关键活动事件的时间点信息进行存储,形成航空器OOOI时间库。
3.如权利要求1所述的机场进离场航空器滑行态势因子分类与识别方法,其特征在于:步骤二的具体步骤为:
(2.1)以机场时间资源为横轴,以机场空间资源为纵轴,构建航空器滑行活动时空分布拓扑网络,基于步骤一得到的各类关键活动事件对应的时间点信息从宏观层面分析进离场航空器之间的时空交互特性;
(2.2)对于待预测滑行态势的目标进场航空器a0,其它所有进场航空器与参照物a0之间的时空约束关系共包括“先降落、先轮档”,“先降落、后轮档”,“后降落、先轮档”,“后降落、后轮档”四种情形,分别用a1~a4进行标记;
(2.3)对于待预测滑行态势的目标离场航空器d0,其它所有离场航空器与参照物d0之间的时空约束关系共包括“先推出、先起飞”,“先推出、后起飞”,“后推出、先起飞”,“后推出、后起飞”四种情形,分别用d1~d4进行标记。
4.如权利要求1所述的机场进离场航空器滑行态势因子分类与识别方法,其特征在于,所述步骤(4.4)中,进离场时隙阈值系数δa和δd的取值范围参考单架航空器滑行时间将其限定在10~30分钟范围之内。
5.如权利要求1所述的机场进离场航空器滑行态势因子分类与识别方法,其特征在于,所述步骤五中,若机场进离场航空器滑行态势因子的建模过程具备完备性,则输出航空器滑行态势因子分析结果;否则,返回步骤二进行重新建模,直至滑行态势因子建模过程具备完备性为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610689135.2A CN106650764B (zh) | 2016-08-16 | 2016-08-16 | 机场进离场航空器滑行态势因子分类与识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610689135.2A CN106650764B (zh) | 2016-08-16 | 2016-08-16 | 机场进离场航空器滑行态势因子分类与识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106650764A CN106650764A (zh) | 2017-05-10 |
CN106650764B true CN106650764B (zh) | 2019-08-02 |
Family
ID=58851505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610689135.2A Active CN106650764B (zh) | 2016-08-16 | 2016-08-16 | 机场进离场航空器滑行态势因子分类与识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106650764B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10796508B2 (en) | 2017-05-18 | 2020-10-06 | The Boeing Company | Automated logging of aircraft OOOI times using mobile device |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243816A (zh) * | 2011-04-27 | 2011-11-16 | 南京航空航天大学 | 一种机场空域最大纵向飞行冲突风险计算方法 |
-
2016
- 2016-08-16 CN CN201610689135.2A patent/CN106650764B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102243816A (zh) * | 2011-04-27 | 2011-11-16 | 南京航空航天大学 | 一种机场空域最大纵向飞行冲突风险计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106650764A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schultz et al. | Managing passenger handling at airport terminals | |
CN106157700B (zh) | 基于4d航迹运行的空中交通管制方法 | |
Liang et al. | Integrated sequencing and merging aircraft to parallel runways with automated conflict resolution and advanced avionics capabilities | |
CN106340208B (zh) | 基于4d航迹运行的空中交通管制系统的工作方法 | |
CN104751683B (zh) | 机场航班滑行调度指挥系统及方法 | |
Lee et al. | Taxi-out time prediction for departures at Charlotte airport using machine learning techniques | |
CN106251709B (zh) | 航空器轨迹预测方法 | |
Wang et al. | Study on evolution characteristics of air traffic situation complexity based on complex network theory | |
CN104751681A (zh) | 一种基于统计学习模型的停机位分配方法 | |
CN109542876A (zh) | 基于Hadoop数据挖掘航空器经验轨迹模型关键因子的提取方法 | |
CN106846925A (zh) | 用于飞行冲突预警的空中交通管制系统 | |
WO2022199722A1 (zh) | 一种基于航班正常性目标的空域网络优化方法 | |
CN106297420A (zh) | 基于4d的航空器轨迹预测方法 | |
CN106650764B (zh) | 机场进离场航空器滑行态势因子分类与识别方法 | |
CN106816044A (zh) | 一种基于4d航迹运行的飞行冲突预警方法 | |
CN106157699A (zh) | 高密度机场飞行区航空器滑行态势感知方法 | |
Mirmohammadsadeghi et al. | Enhancements to the runway capacity simulation model using the asde-x data for estimating airports throughput under various wake separation systems | |
CN114299762A (zh) | 一种基于一致性监测的航班时隙自动优化方法及系统 | |
CN113610410B (zh) | 一种用于机场空侧区管制运行效能的评价方法 | |
Dai et al. | Real-Time Prediction of Runway Occupancy Buffers | |
CN106297415B (zh) | 飞行区运行态势评估方法 | |
Tian et al. | Probabilistic demand prediction model for en-route sector | |
Zhuang et al. | The realization of flow management technology in solving the air traffic congestion pre-perception and intelligent guidance in North China | |
Esmaeili et al. | Simulation of Air traffic control system using Petri nets | |
Hu et al. | Research on flight arrival delay prediction based on support vector machine |
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 |