CN106710316B - 一种基于恶劣气象条件的空域容量确定方法及装置 - Google Patents
一种基于恶劣气象条件的空域容量确定方法及装置 Download PDFInfo
- Publication number
- CN106710316B CN106710316B CN201710113474.0A CN201710113474A CN106710316B CN 106710316 B CN106710316 B CN 106710316B CN 201710113474 A CN201710113474 A CN 201710113474A CN 106710316 B CN106710316 B CN 106710316B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- meteorological
- spatial domain
- analyzed
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0073—Surveillance aids
- G08G5/0091—Surveillance aids for monitoring atmospheric conditions
Abstract
本发明提供了一种基于恶劣气象条件的空域容量确定方法及装置，该方法包括：首先，获取待分析空域的预测时段内气象数据，该气象数据用于表征恶劣气象条件；然后，根据气象数据对待分析空域的恶劣气象影响范围进行划设，并利用最小割最大流算法对恶劣气象条件下空域容量问题进行建模，构建得到待分析空域的圆形空域约束模型；利用迪杰斯特拉算法根据圆形空域约束模型确定待分析空域的最大空域容量。本发明实施例提供的空域容量确定方法能够快速、准确地确定出某个空域范围内确保飞机安全飞行的最大容量，尤其在气象条件不确定的情况下，有效地指导空中交通空管人员对相应的空域飞行飞机数量进行管控，从而保证空域内飞机安全、顺畅的飞行。
Description
技术领域
本发明涉及空中交通流量管理技术领域，具体而言，涉及一种基于恶劣气象条件的空域容量确定方法及装置。
背景技术
随着空中交通的不断发展，航班越来越多，航线覆盖范围也越来越大，导致空中飞行在多变气候下遭遇危险天气的概率也变大，2016年，国内航空公司计划航班的正点率只有77.2％，因延误原因收到的旅客有效投诉案件比2015年增加41.15％，在导致航班延误的因素中，天气原因所占的比例高达20％。如何科学评估恶劣气象条件下空域容量问题已经成为解决航班大面积延误的关键问题之一。
在民航系统中，恶劣天气是指对飞行安全有所影响的天气现象，主要为：雷暴、湍流、风切变、视程障碍和大风等。恶劣天气通过影响飞行安全对扇区动态容量产生影响，恶劣天气对扇区动态容量的影响主要分为四个方面：恶劣天气的等级、恶劣天气的位置、恶劣天气的大小和管制员的工作负荷。目前主要四种容量评估方法，分别是基于计算机仿真模型的评估方法、基于管制员工作负荷的评估方法、基于历史统计数据分析的评估方法和基于数学计算模型的评估方法，这四种方法各有自己的优缺点和适用性。
在实现本发明的过程中，发明人发现相关技术中至少存在以下问题：目前国内外对恶劣气象条件下空域容量问题的研究还处于初步阶段，无法对恶劣气象的位置、范围进行建模描述，并且缺乏相应算法来快速、准确地确定出某个空域范围内确保飞机安全飞行的最大容量，使得恶劣气象条件下空中交通管制员的管控难度增大。
发明内容
有鉴于此，本发明实施例的目的在于提供一种基于恶劣气象条件的空域容量确定方法及装置，以快速、准确地确定出某个空域范围内确保飞机安全飞行的最大容量。
第一方面，本发明实施例提供了一种基于恶劣气象条件的空域容量确定方法及装置，该方法包括获取待分析空域的预测时段内气象数据，所述气象数据用于表征恶劣气象条件；
根据所述气象数据对所述待分析空域的恶劣气象影响范围进行划设，并利用最小割最大流算法对恶劣气象条件下空域容量问题进行建模，构建得到所述待分析空域的圆形空域约束模型；
利用迪杰斯特拉算法根据所述圆形空域约束模型确定所述待分析空域的最大空域容量；
输出所述待分析空域的所述最大空域容量，其中，所述最大空域容量为所述待分析空域内可最多容纳的预期飞机数量。
优选的，所述获取待分析空域的预测时段内气象数据，包括：
获取所述待分析空域内当前时刻的当前气象数据和气象变化趋势；
选择与所述气象变化趋势对应的气象预测模型，所述气象预测模型包括：确定气象预测模型或随机气象预测模型；
利用选择的所述气象预测模型根据所述当前气象数据和所述气象变化趋势确定所述待分析空域的预测时段内气象数据。
优选的，所述根据所述气象数据对所述待分析空域的恶劣气象影响范围进行划设，并利用最小割最大流算法对恶劣气象条件下空域容量问题进行建模，构建得到所述待分析空域的圆形空域约束模型，包括：
根据所述气象数据确定所述待分析空域内的多个危险气象单元的分布情况；
将待分析空域抽象为一个平面多边形，将半径大小为r的圆形作为所述危险气象单元，如果所述多边形为矩形，则将所述矩形的上边界和下边界作为约束边界，并设定交通流由左向右或由右向左穿越所述待分析空域；
根据公式确定所述空域内的飞行路径，所述飞行路径为从π开始、在距离内的点的轨迹且为与航班π关联的班机航线；
根据所述多边形、各个所述危险气象单元的分布情况、所述危险气象单元对应的圆形和所述飞行路径构建圆形空域约束模型，所述危险气象单元为飞机无法安全飞行的区域，所述危险气象单元组成气象约束条件集；
其中，Π表示飞行路径，w表示班机航线宽度，C(c，r)表示以c点为中心、r为危险气象单元的半径，x表示航迹点，表示航线半径，π表示航迹点集。
优选的，所述利用迪杰斯特拉算法根据所述圆形空域约束模型确定所述待分析空域的最大空域容量，包括：
利用迪杰斯特拉算法确定圆形空域约束模型中上边界与下边界之间多条可行路径中一条最小割代价路径；
根据所述最小割代价路径确定所述最短路径；
根据所述最短路径确定所述待分析空域的所述最大空域容量。
优选的，所述根据所述最小割代价路径确定所述最短路径，包括：
如果所述最小割代价路径由多个长度为非整数的子线段组成，则根据公式确定所述最小割代价路径上包含的两两危险气象单元之间的距离，将各个所述两两危险气象单元之间的距离之和作为所述最短路径；
如果所述最小割代价路径由多个长度为整数的子线段组成，则根据公式确定所述最小割代价路径上包含的两两危险气象单元之间的班机航线数量，将各个所述两两危险气象单元之间的班机航线数量之和作为所述最短路径；
其中，l(i,j)表示危险气象单元i和j之间的距离，i和j分别表示不同的危险气象单元，ci表示序号为i危险气象单元的中心到标准点之间的距离，cj表示序号为j的危险气象单元的中心到标准点之间的距离，ri表示序号为i的危险气象单元的半径，rj表示序号为j的危险气象单元的半径，||·||表示欧几里得长度，l'(i,j)表示危险气象单元i和j之间的班机航线数量，w表示班机航线宽度，表示对·取整，为小于等于·的最大整数。
优选的，所述根据所述最短路径确定所述待分析空域的所述最大空域容量，包括：
如果所述气象数据满足确定气象预测模型，则将所述最短路径作为所述待分析空域的所述最大空域容量；
如果所述气象数据满足随机气象预测模型，则根据方程组
分别计算所述待分析空域的最大空域容量的期望值、方差和概率分布函数；
其中，k表示随机气象预测模型中某一气象子模型，xk表示圆形空域约束模型为第k个气象子模型时对应的空域容量，pk表示圆形空域约束模型为第k个气象子模型的出现置信概率，X表示最大空域容量，E(X)表示最大空域容量的期望值，var(X)表示最大空域容量的方差，FX(X)表示最大空域容量的概率分布函数，fX(x)表示空域容量的概率密度函数，ri-1表示序号为i-1的危险气象单元的半径，ri表示序号为i的危险气象单元的半径，ri+1表示序号为i+1的危险气象单元的半径。
优选的，所述方法还包括：
将以下至少一个约束条件作为所述利用迪杰斯特拉算法根据所述圆形空域约束模型确定所述待分析空域的最大空域容量步骤的约束条件：
根据最大空域容量与气象覆盖率之间的关联关系确定第一约束条件，所述第一约束条件为最大空域容量随气象覆盖率增加而减小，且当最大空域容量为0时气象覆盖率小于100％；
根据最大空域容量的方差与气象覆盖率之间的关联关系确定第二约束条件，所述第二约束条件为最大空域容量的方差随气象覆盖率增加而减小；
如果所述圆形空域约束模型中的多个危险气象单元呈爆米花对流分布且所述待分析空域的形状为正方形，则将公式作为第三约束条件，其中，X表示最大空域容量，L表示待分析空域的边长，k表示待分析空域内危险气象单元个数，Wx_coverage表示气象覆盖率；
如果所述圆形空域约束模型中的多个危险气象单元呈飑线对流分布，则将不等式Wx_coverage≤30％作为第四约束条件；
将最大空域容量的下降速率与最大空域容量的方差的下降速率之差小于预设阈值作为第五约束条件。
本发明实施例还提供了一种基于恶劣气象条件的空域容量确定装置，该装置包括：
气象数据获取模块，用于获取待分析空域的预测时段内气象数据，所述气象数据用于表征恶劣气象条件；
约束模型构建模块，用于根据所述气象数据对所述待分析空域的恶劣气象影响范围进行划设，并利用最小割最大流算法对恶劣气象条件下空域容量问题进行建模，构建得到所述待分析空域的圆形空域约束模型；
空域容量确定模块，用于利用迪杰斯特拉算法根据所述圆形空域约束模型确定所述待分析空域的最大空域容量；
空域容量输出模块，用于输出所述待分析空域的所述最大空域容量，其中，所述最大空域容量为所述待分析空域内可最多容纳的预期飞机数量。
优选的，所述气象数据获取模块包括：
当前数据获取子模块，用于获取所述待分析空域内当前时刻的当前气象数据和气象变化趋势；
气象预测模型选择子模块，用于选择与所述气象变化趋势对应的气象预测模型，所述气象预测模型包括：确定气象预测模型或随机气象预测模型；
气象数据确定子模块，用于利用选择的所述气象预测模型根据所述当前气象数据和所述气象变化趋势确定所述待分析空域的预测时段内气象数据。
优选的，所述约束模型构建模块包括：
危险单元分布确定子模块，用于根据所述气象数据确定所述待分析空域内的多个危险气象单元的分布情况；
形状确定子模块，用于将待分析空域抽象为一个平面多边形，将半径大小为r的圆形作为所述危险气象单元，如果所述多边形为矩形，则将所述矩形的上边界和下边界作为约束边界，并设定交通流由左向右或由右向左穿越所述待分析空域；
飞行路径确定子模块，用于根据公式确定所述空域内的飞行路径，所述飞行路径为从π开始、在距离内的点的轨迹且为与航班π关联的班机航线；
圆形约束模块构建子模块，用于根据所述多边形、各个所述危险气象单元的分布情况、所述危险气象单元对应的圆形和所述飞行路径构建圆形空域约束模型，所述危险气象单元为飞机无法安全飞行的区域，所述危险气象单元组成气象约束条件集；
其中，Π表示飞行路径，w表示班机航线宽度，C(c，r)表示以c点为中心、r为危险气象单元的半径，x表示航迹点，表示航线半径，π表示航迹点集。
在本发明实施例提供的基于恶劣气象条件的空域容量确定方法及装置中，该方法包括：首先，获取待分析空域的预测时段内气象数据，该气象数据用于表征恶劣气象条件；然后，根据气象数据对待分析空域的恶劣气象影响范围进行划设，并利用最小割最大流算法对恶劣气象条件下空域容量问题进行建模，构建得到待分析空域的圆形空域约束模型；利用迪杰斯特拉算法根据圆形空域约束模型确定待分析空域的最大空域容量；该最大空域容量为上述待分析空域内可最多容纳的预期飞机数量。本发明实施例提供的空域容量确定方法能够快速、准确地确定出某个空域范围内确保飞机安全飞行的最大容量，尤其在气象条件不确定的情况下，有效地指导空中交通空管人员对相应的空域飞行飞机数量进行管控，从而保证空域内飞机安全、顺畅的飞行。
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实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本发明实施例所提供的一种基于恶劣气象条件的空域容量确定方法的流程示意图；
图2a示出了本发明实施例所提供的待分析空域的气象数据；
图2b示出了本发明实施例所提供的图2a中待分析空域的气象数据对应的圆形空域约束模型；
图3a示出了本发明实施例所提供的低方差预测的危险气象单元分布示意图；
图3b示出了本发明实施例所提供的平均方差预测的危险气象单元分布示意图；
图3c示出了本发明实施例所提供的高方差预测的危险气象单元分布示意图；
图4a示出了本发明实施例所提供的多边形空域边界内的特定危险气象约束条件的基础分布示意图；
图4b示出了本发明实施例所提供的多边形空域边界内的特定危险气象约束条件的标识最小割代价路径和最大空域容量的示意图；
图4c示出了本发明实施例所提供的多边形空域边界内的特定危险气象约束条件的关键图节点示意图；
图4d示出了本发明实施例所提供的多边形空域边界内的特定危险气象约束条件的关键图中最短路径数示意图；
图5示出了本发明实施例所提供的平面内的段绘制的一维情况示意图；
图6a示出了本发明实施例所提供的危险气象单元呈爆米花对流分布的示意图；
图6b示出了本发明实施例所提供的危险气象单元呈飑线对流分布的示意图；
图7a示出了本发明实施例所提供的危险气象单元呈爆米花对流分布下平均空域容量与气象覆盖率之间的关联关系的示意图；
图7b示出了本发明实施例所提供的危险气象单元呈飑线对流分布下平均空域容量与气象覆盖率之间的关联关系的示意图；
图8a示出了本发明实施例所提供的危险气象单元呈爆米花对流分布下长远气象分布的示意图；
图8b示出了本发明实施例所提供的危险气象单元呈飑线对流分布下长远气象分布的示意图；
图9示出了本发明实施例所提供的一种基于恶劣气象条件的空域容量确定装置的结构示意图。
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，下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
考虑到目前国内外对恶劣气象条件下空域容量问题的研究还处于初步阶段，无法对恶劣气象的位置、范围进行建模描述，并且缺乏相应算法来快速、准确地确定出某个空域范围内确保飞机安全飞行的最大容量，使得恶劣气象条件下空中交通管制员的管控难度增大。基于此，本发明实施例提供了一种基于恶劣气象条件的空域容量确定方法及装置，下面通过实施例进行描述。
如图1所示，本发明实施例提供了一种基于恶劣气象条件的空域容量确定方法，该方法包括步骤S102-S108，具体如下：
步骤S102：获取待分析空域的预测时段内气象数据，所述气象数据用于表征恶劣气象条件；
步骤S104：根据上述气象数据对待分析空域的恶劣气象影响范围进行划设，并利用最小割最大流算法对恶劣气象条件下空域容量问题进行建模，构建得到待分析空域的圆形空域约束模型；
步骤S106：利用迪杰斯特拉算法根据所述圆形空域约束模型确定所述待分析空域的最大空域容量；
步骤S108：输出所述待分析空域的所述最大空域容量，其中，所述最大空域容量为所述待分析空域内可最多容纳的预期飞机数量。
其中，如果气象条件发生变化(如，出现雷雨、雷电等异常天气)时，需要及时对空域内可飞行的飞机数量进行调整，空域内部分区域飞机无法飞行，空域可容纳最大飞机数量减少，首先就需要准确地确定出在该气象条件下，待分析空域的最大空域容量，进而指导空中交通空管人员对所负责的空域的飞行计划(航班)进行分配，在空域的处于恶劣气象环境的情况下，防止空域实际飞行飞机数量超出空域预测流量可接受水平。
在本发明提供的实施例中，给出的空域容量确定方法能够快速、准确地确定出某个空域范围内确保飞机安全飞行的最大容量，尤其在气象条件不确定的情况下，有效地指导空中交通空管人员对相应的空域飞行飞机数量进行管控，从而保证空域内飞机安全、顺畅的飞行。
具体的，考虑到当前获取的当前气象数据和未来气象变化趋势的全面性、准确性直接影响预测的未来气象数据的准确性，为了提高预测出的未来气象数据的准确性，基于此，所述获取待分析空域的预测时段内气象数据，具体包括：
获取所述待分析空域内当前时刻的当前气象数据和气象变化趋势；
选择与所述气象变化趋势对应的气象预测模型，所述气象预测模型包括：确定气象预测模型或随机气象预测模型；
利用选择的所述气象预测模型根据所述当前气象数据和所述气象变化趋势确定所述待分析空域的预测时段内气象数据。
其中，选择与所述气象变化趋势对应的气象预测模型，具体包括：
确定所述气象变化趋势中的气象变化方差是否为一已知参数；
如果是，则选择确定气象预测模型作为与所述气象变化趋势对应的气象预测模型；
如果不是，则选择随机气象预测模型作为与所述气象变化趋势对应的气象预测模型。
具体的，上述确定气象预测模型确定出的预测时段内的气象数据为确定气象条件，各个危险气象单元的大小和位置为已知参数；上述随机气象预测模型确定出的预测时段内的气象数据为随机气象条件，各个危险气象单元的大小和位置为未知参数，但服从一定的分布函数，此时危险气象单元的半径为随机变量，危险气象单元的半径的方差反映气象预测的不确定性(随着气象恶劣程度增加，预测不准确性增加，预测误差增大)。
另外，也可以根据气象预测的前瞻时间来选择气象预测模型，基于此，上述选择与所述气象变化趋势对应的气象预测模型，具体包括：
确定气象预测的前瞻时间是否小于预设阈值；
如果是，则选择确定气象预测模型作为与所述气象变化趋势对应的气象预测模型；
如果不是，则选择随机气象预测模型作为与所述气象变化趋势对应的气象预测模型。
例如，如果气象预测的前瞻时间较短，如30分钟或更少，则选择确定气象预测模型作为与所述气象变化趋势对应的气象预测模型；对应的，如果气象预测的前瞻时间很长，如1-6小时，则选择随机气象预测模型作为与所述气象变化趋势对应的气象预测模型。
其中，气象预测的误差会带来每个危险气象单元位置及其大小的不确定性。气象预测期越长，预测的方差就越大。前瞻时间延长会增加预测的不确定性，因而过滤区域会随之扩大。
在本发明提供的实施例中，给出了两种气象预测模型，在获取的当前气象信息比较全面且未来气象变化趋势确定的情况下，可以选择确定气象预测模型来预测待分析空域的预测时段内气象数据，而在获取的当前气象信息不全面且未来气象变化趋势不确定的情况下，可以选择随机气象预测模型来预测待分析空域的预测时段内气象数据，从而提高确定出的预测时段内未来气象数据的准确性，进而提高确定出的最大空域容量的准确性。
具体的，所述根据所述气象数据对所述待分析空域的恶劣气象影响范围进行划设，并利用最小割最大流算法对恶劣气象条件下空域容量问题进行建模，构建得到所述待分析空域的圆形空域约束模型，具体包括：
根据所述气象数据确定所述待分析空域内的多个危险气象单元的分布；
将待分析空域抽象为一个平面多边形，将半径大小为r的圆形作为所述危险气象单元，如果所述多边形为矩形，则将所述矩形的上边界和下边界作为约束边界，并设定交通流由左向右或由由右向左穿越所述待分析空域；
根据公式确定所述空域内的飞行路径，所述飞行路径为从π开始、在距离内的点的轨迹且为与航班π关联的班机航线；
根据所述多边形、各个所述危险气象单元的分布情况、所述危险气象单元对应的圆形和所述飞行路径构建圆形空域约束模型，所述危险气象单元为飞机无法安全飞行的区域，所述危险气象单元组成气象约束条件集；
其中，Π表示飞行路径，w表示班机航线宽度，C(c，r)表示以c点为中心、r为危险气象单元的半径，x表示航迹点，表示航线半径，π表示航迹点集。
具体的，将空域建模为平面上的一个简单多边形、将待分析空域的上边界和下边界作为约束条件；将气象约束条件(危险气象单元)建模为圆形(或方形)并集(可能重叠)，危险气象范元可能呈现任意的形状和大小。在本发明提供的实施例中，将危险气象单元集建模为圆形并集，这些圆形在危险气象单元(NWS第3级或以上)，这些圆形指定了飞机无法安全飞行的点，充当了约束条件(“圆形约束”)，围绕每个圆形约束的安全边际包含在圆形半径内。
如图2a和2b所示，以一个简单的矩形扇区例子，并在其中安排由西向东或由东向西的航线，因为该矩形扇区的宽度约为30nmi，标准RNP约为5nmi，所以如果按“头尾相接”排列飞机，估计每条班机航线的容量将约为6架飞机。在实际情况中，一个扇区的某个新MAP值受到与交通模式有关的参数个数的影响，例如进入点和离开点的数量、每条班机航线上的飞机数等。图2b中矩形的边被分别称为扇区底部B和扇区顶部T并被作为约束条件，因此，交通流可能只能由左向右或由右向左穿越该扇区，该矩形的左边和右边(西边和东边)将充当起点s和终点t。
其中，所述利用迪杰斯特拉算法根据所述圆形空域约束模型确定所述待分析空域的最大空域容量，具体包括：
利用迪杰斯特拉算法确定圆形空域约束模型中上边界与下边界之间多条可行路径中一条最小割代价路径；
根据所述最小割代价路径确定所述最短路径；
根据所述最短路径确定所述待分析空域的所述最大空域容量。
具体的，根据连续最大流最小割理论，要找到最大流值，只需计算最小割长度。可通过计算从B到T的最短路径长度(用0/1公制表示)来评价，计算最小割等价于在该空域的关键图G＝(V，E)中寻找一条从B到T的最短路径。关键图G＝(V，E)有对应于约束集C中每个圆形约束(危险气象单元)的顶点集V＝{B，T}∪C，一个节点对应于B，一个节点对应于，边E连接每个节点对。
其中，考虑到可以将确定出的最小割代价路径中的各个子线段视为两种形式，一种是视为长度为非整数的子线段组成，另一种是视为长度整数的子线段组成，对应的，两种形式下确定出的最短路径也有所不同，基于此，所述根据所述最小割代价路径确定所述最短路径，包括：
(1)如果所述最小割代价路径由多个长度为非整数的子线段组成，则根据公式确定所述最小割代价路径上包含的两两危险气象单元之间的距离，将各个所述两两危险气象单元之间的距离之和作为所述最短路径；
具体的，可以认为最小割代价路径由多个长度为非整数的子线段组成时，为一个连续最小割模型，对应于危险气象单元i和j的边e＝(i，j)的代价l(i,j)(长度)被定义为欧几里得距离，
其中，B或T与某个危险气象单元之间的某条边的代价是指该危险气象单元与分段B或T之间的距离。。关键图G＝(V，E)的某条边对应于一个线性段，将一个约束的最邻近点与另一个约束连接起来。如果该线性段横穿其它约束，那么易见对应边将不会出现在从B到T的任何最短路径上(因为它可能被代价之和更小的两条边取代)。
(2)如果所述最小割代价路径由多个长度为整数的子线段组成，则根据公式确定所述最小割代价路径上包含的两两危险气象单元之间的班机航线数量，将各个所述两两危险气象单元之间的班机航线数量之和作为所述最短路径；
具体的，可以认为最小割代价路径由多个长度为整数的子线段组成时，为一个离散最小割模型，对应于危险气象单元i和j的边e＝(i，j)的代价l'(i,j)(长度)被定义为在长度l(i,j)范围内的班机航线数量。
其中，l(i,j)表示危险气象单元i和j之间的距离，i和j分别表示不同的危险气象单元，ci表示序号为i危险气象单元的中心到标准点之间的距离，cj表示序号为j的危险气象单元的中心到标准点之间的距离，ri表示序号为i的危险气象单元的半径，rj表示序号为j的危险气象单元的半径，||·||表示欧几里得长度，l'(i,j)表示危险气象单元i和j之间的班机航线数量，w表示班机航线宽度，表示对·取整，为小于等于·的最大整数。
在本发明提供的实施例中，分别给出了将确定出的最小割代价路径中的各个子线段视为两种形式下，对应的确定待分析空域的最短路径的方式，从而扩大了空域容量确定方法的应用场景。
进一步的，考虑到通过随机气象预测模型确定出的未来气象数据存在一定的不确定性，为了减少确定出的最大空域容量的误差，提高确定出的最大空域容量的准确度，基于此，所述根据所述最短路径确定所述待分析空域的所述最大空域容量，包括：
第一种情况，如果所述气象数据满足确定气象预测模型，则将所述最短路径作为所述待分析空域的所述最大空域容量；
如图3a至3c所示，首先考虑了存在单独约束集C(假设该约束集完全已知)的情况。从C中构建了关键图G，为找到一条最短路径，在该空域上对该图进行了搜索。
第二种情况，如果气象数据满足随机气象预测模型，则根据方程组
分别计算所述待分析空域的最大空域容量的期望值、方差和概率分布函数；
具体的，如果给定一系列气象地图(即气象子模型，每一个都有相关概率)，可以计算最大空域容量的概率分布。这种基于场景的随机气象预测模型允许使用与多个气象预测相关的先验信任概率来获取期望容量及容量的一个概率分布。通过将最大空域容量算法简单地应用于每个气象场景(即气象子模型)能实现这一点，从而可基于信任概率获取空域容量的一个离散概率分布。考虑其中存在一个与一系列气象子模型(气象场景)有关的离散概率分布模型，这些气象子模型(气象场景)中的每一个都有与之相关的约束集Ck。假设气象子模型k有一个与之相关的先验概率pk，且∑kpk＝1，即pk代表了气象子模型k准确的信任概率，然后，该空域的最大空域容量是一个随机变量X，并计算最大空域容量的期望值E(X)、方差var(X)和概率分布函数FX(X)，FX(X)＝P(X≤x)。
其中，k表示随机气象预测模型中某一气象子模型，xk表示圆形空域约束模型为第k个气象子模型时对应的空域容量，pk表示圆形空域约束模型为第k个气象子模型的出现置信概率，X表示最大空域容量，E(X)表示最大空域容量的期望值，var(X)表示最大空域容量的方差，FX(X)表示最大空域容量的概率分布函数，fX(x)表示空域容量的概率密度函数，ri-1表示序号为i-1的危险气象单元的半径，ri表示序号为i的危险气象单元的半径，ri+1表示序号为i+1的危险气象单元的半径。
具体的，如图4a至4d所示，给出了多边形空域边界内的特定危险气象约束条件，在该空域边界内为从左到右(从右到左)的空中交通计算最大空域容量，其中，在图4a中，实线表示连接与最邻近的危险气象单元有关的点，虚线边贯穿约束条件并被排除在搜索图之外；在图4b中，利用迪杰斯特拉算法确定圆形空域约束模型中上边界与下边界之间的一条最小割代价路径，图中连接危险气象单元的连线表示最小割代价路径，用来找出10条班机航线(左右方向线段)的最大容量；在图4c中，使用7种气象约束条件及边界B与T定义关键图节点；在图4d中，给出了图4c对应的关键图中的最短路径树(B、T之间的连接各个气象约束条件的粗线段)。
具体的，考虑以下气象子模型(气象场景)，如图5所示，某个待分析空域内存在按i＝0，...,n索引的n+1个气象单元，每个气象单元i均是位于某条公共线l下的一条线段。第i段长度为2ri并以l上的某一点Ti为中心，这些段沿l重叠，认为位置Ti是一个定义了更新过程的随机变量，其中，T0＝0，Ti-Ti-1＝Xi，i＝1，...,n，Xis-独立同分布，Xi～FX。
其中，需要在一维气象约束条件下，确定最大班机航线数量，并避免班机航线与任一危险气象单元之间存在交叉，因此，一维最小割或容量值为间隔[0，Tn]上没有被段落占用的总长度其中，Δi＝[Xi-(ri+ri-1)]+，表示x的正向部分，例如，x≥0时，[x]+＝x，x＜0时，[x]+＝0，fX(x)＝F'X(x)表示X的概率密度函数，由此得到以下计算容量的期望值和容量的方差的方程组：
具体的，以Xi服从参数为λ的泊松分布为例，上述容量的期望值和容量的方差的方程组转化为：
为了简单起见，假设所有危险气象单元具有相同的安全边际半径R，其中，容量的标准偏差被其期望标准化，随R的增加而增加。实际上，R越大，对气象的了解就越少，因此，需要假设某个危险气象单元周围更多的空间为“不适航”区域，
假设所有危险气象单元的半径ri均为随机变量，并假设ri是连续独立同分布的随机变量，fr是它们的共同密度函数，上述容量的期望值给出了一个“窗口”长度的期望值和r0，...,rn决定的容量。
其中，根据条件期望表达式
和
类似地，
和Var(X)＝nVar(Δi)。
在本发明提供的实施例中，在通过随机气象预测模型来确定未来气象数据时，给出了待分析空域内最大空域容量的概率分布函数、期望值和方差值，从而减少确定出的最大空域容量的误差，提高确定出的最大空域容量的准确度。
进一步的，考虑到待分析空域的气象覆盖率、最大空域容量的方差、危险气象单元的分布方式与最大空域容量之间存在一定的关联性，基于此，所述方法还包括：
将以下至少一个约束条件作为所述利用迪杰斯特拉算法根据所述圆形空域约束模型确定所述待分析空域的最大空域容量步骤的约束条件：
根据最大空域容量与气象覆盖率之间的关联关系确定第一约束条件，所述第一约束条件为最大空域容量随气象覆盖率增加而减小，且当最大空域容量为0时气象覆盖率小于100％；
根据最大空域容量的方差与气象覆盖率之间的关联关系确定第二约束条件，所述第二约束条件为最大空域容量的方差随气象覆盖率增加而减小；
如图6a所示，如果所述圆形空域约束模型中的多个危险气象单元呈爆米花对流分布且所述待分析空域的形状为正方形，即圆形中心在所述待分析空域上服从均匀分布，则将公式作为第三约束条件，其中，X表示最大空域容量，L表示待分析空域的边长，k表示待分析空域内危险气象单元个数，Wx_coverage表示气象覆盖率；其中，在爆米花对流中，雷暴等危险气象单元是分散形成的，很少或没有明显的系统性(通常是在下午对昼夜高温做出的反应)。用半径随机同分布的圆形建模了该空域内的单独气象系统。这些圆形的中心其横坐标和纵坐标都服从0到L之间的均匀分布，因此，圆形中心在整个方形上服从均匀分布，如图7a所示，给出了危险气象单元呈爆米花对流分布下平均空域容量与气象覆盖率之间的关联关系；
如图6b所示，如果所述圆形空域约束模型中的多个危险气象单元呈飑线对流分布，即圆形中心在所述待分析空域中纵向矩形上服从均匀分布，则将不等式Wx_coverage≤30％作为第四约束条件；其中，在飑线对流中，一根实线或准实线或活跃雷暴带，用一个长度为60的正方形建模了带有一根飑线的某扇区。还用半径随机同分布的圆形建模了该扇区内的这种单独气象系统。这些圆形的中心服从不同分布：中心横坐标服从21到39之间的均匀分布，纵坐标服从0到60之间的均匀分布；因此，圆形中心在集中于方形的竖向矩形上服从均匀分布，如图7b所示，给出了危险气象单元呈飑线对流分布下平均空域容量与气象覆盖率之间的关联关系；
将最大空域容量的下降速率与最大空域容量的方差的下降速率之差小于预设阈值作为第五约束条件。
其中，上述气象覆盖率Wx_coverage，是指危险气象单元集合在待分析空域中的占比，圆形半径方差var(R)，是指危险气象单元的半径ri的方差，该圆形半径方差为随机参数，反映了气象预测的不确定性。
如图8a所述，对爆米花对流来说，空域容量随气象覆盖率上升而下降的速率要比线性下降慢。实际上，从长远来看，可认为危险气象单元的圆形中心分布于该方形内的一个正方形网格上；
如图8b所述，在飑线对流中，危险气象单元的圆形中心仅位于占据该空域30％面积的某个矩形内。因此，气象覆盖率不会达到高于30％的水平(除非出现无法控制的情况或存在一个非常大的圆形)。
在本发明实施例提供的基于恶劣气象条件的空域容量方法中，首先，获取待分析空域的预测时段内气象数据，该气象数据用于表征恶劣气象条件；然后，根据气象数据对待分析空域的恶劣气象影响范围进行划设，并利用最小割最大流算法对恶劣气象条件下空域容量问题进行建模，构建得到待分析空域的圆形空域约束模型；利用迪杰斯特拉算法根据圆形空域约束模型确定待分析空域的最大空域容量；该最大空域容量为上述待分析空域内可最多容纳的预期飞机数量。本发明实施例提供的空域容量确定方法能够快速、准确地确定出某个空域范围内确保飞机安全飞行的最大容量，尤其在气象条件不确定的情况下，有效地指导空中交通空管人员对相应的空域飞行飞机数量进行管控，从而保证空域内飞机安全、顺畅的飞行。
本发明提供的实施例还提供了一种基于恶劣气象条件的空域容量确定装置，如图9所示，该装置包括：
气象数据获取模块802，用于获取待分析空域的预测时段内气象数据，所述气象数据用于表征恶劣气象条件；
约束模型构建模块804，用于根据气象数据对待分析空域的恶劣气象影响范围进行划设，并利用最小割最大流算法对恶劣气象条件下空域容量问题进行建模，构建得到所述待分析空域的圆形空域约束模型；
空域容量确定模块806，用于利用迪杰斯特拉算法根据所述圆形空域约束模型确定所述待分析空域的最大空域容量；
空域容量输出模块808，用于输出所述待分析空域的所述最大空域容量，其中，所述最大空域容量为所述待分析空域内可最多容纳的预期飞机数量。
在本发明提供的实施例中，在气象条件不确定的情况下，有效地指导空中交通空管人员对相应的空域飞行飞机数量进行管控，从而保证空域内飞机安全、顺畅的飞行。
进一步的，所述气象数据获取模块802包括：
当前数据获取子模块，用于获取所述待分析空域内当前时刻的当前气象数据和气象变化趋势；
气象预测模型选择子模块，用于选择与所述气象变化趋势对应的气象预测模型，所述气象预测模型包括：确定气象预测模型或随机气象预测模型；
气象数据确定子模块，用于利用选择的所述气象预测模型根据所述当前气象数据和所述气象变化趋势确定所述待分析空域的预测时段内气象数据。
进一步的，所述约束模型构建模块804包括：
危险单元分布确定子模块，用于根据所述气象数据确定所述待分析空域内的多个危险气象单元的分布情况；
形状确定子模块，用于待分析空域抽象为一个平面多边形，将半径大小为r的圆形作为所述危险气象单元，如果所述多边形为矩形，则将所述矩形的上边界和下边界作为约束边界，交通流由左向右或由右向左穿越所述待分析空域；
飞行路径确定子模块，用于根据公式确定所述空域内的飞行路径，所述飞行路径为从π开始、在距离内的点的轨迹且为与航班π关联的班机航线；
圆形约束模块构建子模块，用于根据所述多边形、各个所述危险气象单元的分布情况、所述危险气象单元对应的圆形和所述飞行路径构建圆形空域约束模型，所述危险气象单元为飞机无法安全飞行的区域，所述危险气象单元组成气象约束条件集；
其中，Π表示飞行路径，w表示班机航线宽度，C(c，r)表示以c点为中心、r为危险气象单元的半径，x表示航迹点，表示航线半径，π表示航迹点集。
在本发明提供的基于恶劣气象条件的空域容量确定装置中，首先，通过气象数据获取模块802获取待分析空域的预测时段内气象数据，该气象数据用于表征恶劣气象条件；然后，通过约束模型构建模块804根据气象数据对待分析空域的恶劣气象影响范围进行划设，并利用最小割最大流算法对恶劣气象条件下空域容量问题进行建模，构建得到待分析空域的圆形空域约束模型，并通过空域容量确定模块806利用迪杰斯特拉算法根据所述圆形空域约束模型确定所述待分析空域的最大空域容量；最后，通过空域容量输出模块806输出上述待分析空域的最大空域容量，其中，该最大空域容量为上述待分析空域内可最多容纳的预期飞机数量。本发明实施例提供的空域容量确定方法能够快速、准确地确定出某个空域范围内确保飞机安全飞行的最大容量，尤其在气象条件不确定的情况下，有效地指导空中交通空管人员对相应的空域飞行飞机数量进行管控，从而保证空域内飞机安全、顺畅的飞行。
本发明实施例所提供的基于恶劣气象条件的空域容量确定装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露装置和方法，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，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (7)
1.一种基于恶劣气象条件的空域容量确定方法，其特征在于，所述方法包括：
获取待分析空域的预测时段内气象数据，所述气象数据用于表征恶劣气象条件；
根据所述气象数据对所述待分析空域的恶劣气象影响范围进行划设，并利用最小割最大流算法对恶劣气象条件下空域容量问题进行建模，构建得到所述待分析空域的圆形空域约束模型；
利用迪杰斯特拉算法确定圆形空域约束模型中上边界与下边界之间多条可行路径中一条最小割代价路径；
如果所述最小割代价路径由多个长度为非整数的子线段组成，则根据公式确定所述最小割代价路径上包含的两两危险气象单元之间的距离，将各个所述两两危险气象单元之间的距离之和作为最短路径；
如果所述最小割代价路径由多个长度为整数的子线段组成，则根据公式确定所述最小割代价路径上包含的两两危险气象单元之间的班机航线数量，将各个所述两两危险气象单元之间的班机航线数量之和作为所述最短路径；
其中，l(i,j)表示危险气象单元i和j之间的距离，i和j分别表示不同的危险气象单元，ci表示序号为i危险气象单元的中心到标准点之间的距离，cj表示序号为j的危险气象单元的中心到标准点之间的距离，ri表示序号为i的危险气象单元的半径，rj表示序号为j的危险气象单元的半径，||·||表示欧几里得长度，l'(i,j)表示危险气象单元i和j之间的班机航线数量，w表示班机航线宽度，表示对·取整，为小于等于·的最大整数；
如果所述气象数据满足确定气象预测模型，则将所述最短路径作为所述待分析空域的所述最大空域容量；
如果所述气象数据满足随机气象预测模型，则根据方程组
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Sigma;</mi>
<mi>K</mi>
</msub>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Integral;</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mi>&infin;</mi>
</munderover>
<msub>
<mi>f</mi>
<mi>X</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>var</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Sigma;</mi>
<mi>K</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Integral;</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mi>&infin;</mi>
</munderover>
<msub>
<mi>f</mi>
<mi>X</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>x</mi>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<munderover>
<mo>&Integral;</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mi>&infin;</mi>
</munderover>
<msub>
<mi>f</mi>
<mi>X</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>F</mi>
<mi>X</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>:</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>&le;</mo>
<mi>x</mi>
</mrow>
</msub>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
分别计算所述待分析空域的最大空域容量的期望值、方差和概率分布函数；
其中，k表示随机气象预测模型中某一气象子模型，xk表示圆形空域约束模型为第k个气象子模型时对应的空域容量，pk表示圆形空域约束模型为第k个气象子模型的出现置信概率，X表示最大空域容量，E(X)表示最大空域容量的期望值，var(X)表示最大空域容量的方差，FX(X)表示最大空域容量的概率分布函数，fX(x)表示空域容量的概率密度函数，ri-1表示序号为i-1的危险气象单元的半径，ri表示序号为i的危险气象单元的半径，ri+1表示序号为i+1的危险气象单元的半径；
输出所述待分析空域的所述最大空域容量，其中，所述最大空域容量为所述待分析空域内可最多容纳的预期飞机数量。
2.根据权利要求1所述的方法，其特征在于，所述获取待分析空域的预测时段内气象数据，包括：
获取所述待分析空域内当前时刻的当前气象数据和气象变化趋势；
选择与所述气象变化趋势对应的气象预测模型，所述气象预测模型包括：确定气象预测模型或随机气象预测模型；
利用选择的所述气象预测模型根据所述当前气象数据和所述气象变化趋势确定所述待分析空域的预测时段内气象数据。
3.根据权利要求1所述的方法，其特征在于，所述根据所述气象数据对所述待分析空域的恶劣气象影响范围进行划设，并利用最小割最大流算法对恶劣气象条件下空域容量问题进行建模，构建得到所述待分析空域的圆形空域约束模型，包括：
根据所述气象数据确定所述待分析空域内的多个危险气象单元的分布情况；
将待分析空域抽象为一个平面多边形，将半径大小为r的圆形作为所述危险气象单元，如果所述多边形为矩形，则将所述矩形的上边界和下边界作为约束边界，并设定交通流由左向右或由右向左穿越所述待分析空域；
根据公式确定所述空域内的飞行路径，所述飞行路径为从π开始、在距离内的点的轨迹且为与航班π关联的班机航线；
根据所述多边形、各个所述危险气象单元的分布情况、所述危险气象单元对应的圆形和所述飞行路径构建圆形空域约束模型，所述危险气象单元为飞机无法安全飞行的区域，所述危险气象单元组成气象约束条件集；
其中，Π表示飞行路径，w表示班机航线宽度，C(c，r)表示以c点为中心、r为危险气象单元的半径，x表示航迹点，表示航线半径，π表示航迹点集。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
将以下至少一个约束条件作为所述利用迪杰斯特拉算法根据所述圆形空域约束模型确定所述待分析空域的最大空域容量步骤的约束条件：
根据最大空域容量与气象覆盖率之间的关联关系确定第一约束条件，所述第一约束条件为最大空域容量随气象覆盖率增加而减小，且当最大空域容量为0时气象覆盖率小于100％；
根据最大空域容量的方差与气象覆盖率之间的关联关系确定第二约束条件，所述第二约束条件为最大空域容量的方差随气象覆盖率增加而减小；
如果所述圆形空域约束模型中的多个危险气象单元呈爆米花对流分布且所述待分析空域的形状为正方形，则将公式作为第三约束条件，其中，X表示最大空域容量，L表示待分析空域的边长，k表示待分析空域内危险气象单元个数，Wx_coverage表示气象覆盖率；
如果所述圆形空域约束模型中的多个危险气象单元呈飑线对流分布，则将不等式Wx_coverage≤30％作为第四约束条件；
将最大空域容量的下降速率与最大空域容量的方差的下降速率之差小于预设阈值作为第五约束条件。
5.一种基于恶劣气象条件的空域容量确定装置，其特征在于，所述装置包括：
气象数据获取模块，用于获取待分析空域的预测时段内气象数据，所述气象数据用于表征恶劣气象条件；
约束模型构建模块，用于根据所述气象数据对所述待分析空域的恶劣气象影响范围进行划设，并利用最小割最大流算法对恶劣气象条件下空域容量问题进行建模，构建得到所述待分析空域的圆形空域约束模型；
空域容量确定模块，用于利用迪杰斯特拉算法确定圆形空域约束模型中上边界与下边界之间多条可行路径中一条最小割代价路径，如果所述最小割代价路径由多个长度为非整数的子线段组成，则根据公式确定所述最小割代价路径上包含的两两危险气象单元之间的距离，将各个所述两两危险气象单元之间的距离之和作为最短路径；
如果所述最小割代价路径由多个长度为整数的子线段组成，则根据公式确定所述最小割代价路径上包含的两两危险气象单元之间的班机航线数量，将各个所述两两危险气象单元之间的班机航线数量之和作为所述最短路径；
其中，l(i,j)表示危险气象单元i和j之间的距离，i和j分别表示不同的危险气象单元，ci表示序号为i危险气象单元的中心到标准点之间的距离，cj表示序号为j的危险气象单元的中心到标准点之间的距离，ri表示序号为i的危险气象单元的半径，rj表示序号为j的危险气象单元的半径，||·||表示欧几里得长度，l'(i,j)表示危险气象单元i和j之间的班机航线数量，w表示班机航线宽度，表示对·取整，为小于等于·的最大整数；
如果所述气象数据满足确定气象预测模型，则将所述最短路径作为所述待分析空域的所述最大空域容量；
如果所述气象数据满足随机气象预测模型，则根据方程组
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Sigma;</mi>
<mi>K</mi>
</msub>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Integral;</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mi>&infin;</mi>
</munderover>
<msub>
<mi>f</mi>
<mi>X</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mo>(</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>var</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Sigma;</mi>
<mi>K</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Integral;</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mi>&infin;</mi>
</munderover>
<msub>
<mi>f</mi>
<mi>X</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>x</mi>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<munderover>
<mo>&Integral;</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mi>&infin;</mi>
</munderover>
<msub>
<mi>f</mi>
<mi>X</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>r</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>F</mi>
<mi>X</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>:</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>&le;</mo>
<mi>x</mi>
</mrow>
</msub>
<msub>
<mi>p</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
分别计算所述待分析空域的最大空域容量的期望值、方差和概率分布函数；
其中，k表示随机气象预测模型中某一气象子模型，xk表示圆形空域约束模型为第k个气象子模型时对应的空域容量，pk表示圆形空域约束模型为第k个气象子模型的出现置信概率，X表示最大空域容量，E(X)表示最大空域容量的期望值，var(X)表示最大空域容量的方差，FX(X)表示最大空域容量的概率分布函数，fX(x)表示空域容量的概率密度函数，ri-1表示序号为i-1的危险气象单元的半径，ri表示序号为i的危险气象单元的半径，ri+1表示序号为i+1的危险气象单元的半径；
空域容量输出模块，用于输出所述待分析空域的所述最大空域容量，其中，所述最大空域容量为所述待分析空域内可最多容纳的预期飞机数量。
6.根据权利要求5所述的装置，其特征在于，所述气象数据获取模块包括：
当前数据获取子模块，用于获取所述待分析空域内当前时刻的当前气象数据和气象变化趋势；
气象预测模型选择子模块，用于选择与所述气象变化趋势对应的气象预测模型，所述气象预测模型包括：确定气象预测模型或随机气象预测模型；
气象数据确定子模块，用于利用选择的所述气象预测模型根据所述当前气象数据和所述气象变化趋势确定所述待分析空域的预测时段内气象数据。
7.根据权利要求5所述的装置，其特征在于，所述约束模型构建模块包括：
危险单元分布确定子模块，用于根据所述气象数据确定所述待分析空域内的多个危险气象单元的分布情况；
形状确定子模块，用于将待分析空域抽象为一个平面多边形，将半径大小为r的圆形作为所述危险气象单元，如果所述多边形为矩形，则将所述矩形的上边界和下边界作为约束边界，并设定交通流由左向右或由右向左穿越所述待分析空域；
飞行路径确定子模块，用于根据公式确定所述空域内的飞行路径，所述飞行路径为从π开始、在距离内的点的轨迹且为与航班π关联的班机航线；
圆形约束模块构建子模块，用于根据所述多边形、各个所述危险气象单元的分布情况、所述危险气象单元对应的圆形和所述飞行路径构建圆形空域约束模型，所述危险气象单元为飞机无法安全飞行的区域，所述危险气象单元组成气象约束条件集；
其中，Π表示飞行路径，w表示班机航线宽度，C(c，r)表示以c点为中心、r为危险气象单元的半径，x表示航迹点，表示航线半径，π表示航迹点集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710113474.0A CN106710316B (zh) | 2017-02-28 | 2017-02-28 | 一种基于恶劣气象条件的空域容量确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710113474.0A CN106710316B (zh) | 2017-02-28 | 2017-02-28 | 一种基于恶劣气象条件的空域容量确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106710316A CN106710316A (zh) | 2017-05-24 |
| CN106710316B true CN106710316B (zh) | 2018-05-08 |
Family
ID=58917274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710113474.0A Active CN106710316B (zh) | 2017-02-28 | 2017-02-28 | 一种基于恶劣气象条件的空域容量确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106710316B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020206798A1 (zh) * | 2019-04-08 | 2020-10-15 | 中国电子科技集团公司第二十八研究所 | 对流天气条件下基于最优穿越路径的航路阻塞度评估方法 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109859531B (zh) * | 2018-12-04 | 2021-12-03 | 中国航空无线电电子研究所 | 一种面向飞行员不完整输入计算预测点预报风的方法 |
| CN109902924B (zh) * | 2019-01-22 | 2023-04-14 | 中国人民解放军空军工程大学 | 一种军用机场单跑道训练容量评估方法 |
| CN113012478B (zh) * | 2021-02-23 | 2022-02-11 | 中国民用航空华东地区空中交通管理局 | 一种快速简捷的雷暴危险天气下改航方法 |
| CN112734346B (zh) * | 2021-04-02 | 2021-09-28 | 北京三快在线科技有限公司 | 航线覆盖范围的确定方法、装置、设备及可读存储介质 |
| CN113627742A (zh) * | 2021-07-21 | 2021-11-09 | 齐鲁空天信息研究院 | 航空器空域容量评估方法 |
| CN115619049B (zh) * | 2022-12-19 | 2023-05-02 | 中国民用航空华东地区空中交通管理局 | 基于极端气象条件下航空运行风险指数的预测评估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010056540A1 (en) * | 2008-10-29 | 2010-05-20 | Lockheed Martin Corporation | Air traffic complexity reduction system utilizing multivariable models |
| CN102568249A (zh) * | 2011-12-20 | 2012-07-11 | 中国船舶重工集团公司第七0九研究所 | 一种基于动态空域容量的飞行流量告警方法及其系统 |
| CN103226899A (zh) * | 2013-03-19 | 2013-07-31 | 北京工业大学 | 基于空中交通特征的空域扇区动态划分方法 |
| 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 |
| CN103530704A (zh) * | 2013-10-16 | 2014-01-22 | 南京航空航天大学 | 一种终端空域空中交通动态容量预测系统及其方法 |
-
2017
- 2017-02-28 CN CN201710113474.0A patent/CN106710316B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010056540A1 (en) * | 2008-10-29 | 2010-05-20 | Lockheed Martin Corporation | Air traffic complexity reduction system utilizing multivariable models |
| CN102568249A (zh) * | 2011-12-20 | 2012-07-11 | 中国船舶重工集团公司第七0九研究所 | 一种基于动态空域容量的飞行流量告警方法及其系统 |
| CN103226899A (zh) * | 2013-03-19 | 2013-07-31 | 北京工业大学 | 基于空中交通特征的空域扇区动态划分方法 |
| 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 |
| CN103530704A (zh) * | 2013-10-16 | 2014-01-22 | 南京航空航天大学 | 一种终端空域空中交通动态容量预测系统及其方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《基于Dijkstra算法的空域灵活使用时的飞行流量分配方法》;王学安;《中外企业家》;20140620(第463期);221-223 * |
| 《考虑危险天气的终端区动态容量评估》;张兆宁 等;《中国民航大学学报》;20131231;第31卷(第6期);5-10 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020206798A1 (zh) * | 2019-04-08 | 2020-10-15 | 中国电子科技集团公司第二十八研究所 | 对流天气条件下基于最优穿越路径的航路阻塞度评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106710316A (zh) | 2017-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106710316B (zh) | 一种基于恶劣气象条件的空域容量确定方法及装置 | |
| WO2021218251A1 (zh) | 一种基于历史容量相似特征的容量评估方法及设备 | |
| CN109357685B (zh) | 航路网生成方法、装置及存储介质 | |
| CN103226899B (zh) | 基于空中交通特征的空域扇区动态划分方法 | |
| US20060089760A1 (en) | System and method for stochastic aircraft flight-path modeling | |
| Martinez et al. | A weighted-graph approach for dynamic airspace configuration | |
| CN106251706A (zh) | 基于扇区几何数据确定另选飞行航路的系统和方法 | |
| CN110262563A (zh) | 多无人机协同搜索水上目标的方法 | |
| CN110232398A (zh) | 一种基于Canopy+Kmeans聚类的路网子区划分及其评估方法 | |
| CN103050016B (zh) | 一种基于混合推荐的交通信号控制方案实时选取方法 | |
| CN101694752A (zh) | 空域运行仿真中冲突的自动检测和调解系统及方法 | |
| Krozel et al. | Maximum flow rates for capacity estimation in level flight with convective weather constraints | |
| JP7077413B2 (ja) | 対流気象条件での最適通抜け経路に基づく航路の渋滞度の評価方法 | |
| CN110210606A (zh) | 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质 | |
| CN108615411A (zh) | 一种实现航班信息处理的方法及装置 | |
| CN102254453A (zh) | 一种民航多机场终端区空域功能性扇区划分方法 | |
| Avery et al. | Data-driven modeling and prediction of the process for selecting runway configurations | |
| Sergeeva et al. | 3D airspace sector design by genetic algorithm | |
| Yin et al. | A multi-objective approach for 3D airspace sectorization: A study on Singapore regional airspace | |
| CN103226900B (zh) | 一种基于加权图模型的空域扇区划分方法 | |
| CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
| McEnteggart et al. | A multiobjective trajectory optimisation method for planning environmentally efficient trajectories | |
| CN112215416A (zh) | 智能规划巡检航线系统及方法 | |
| EP2704126A2 (en) | Methods for determining suitable waypoint locations | |
| CN111613047B (zh) | 一种信息处理方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |