CN109145415B - 一种空中交通流时距分布分析方法 - Google Patents

Abstract

具有尾随关系的航空器之间时距的统计学特征具有实际的应用价值，本发明提出一种空中交通流时距分布分析方法，所述分析方法中的观测点采用自动选取的方式获得，包括步骤：筛选出沿着单一跑道方向离场的轨迹数据，从这些轨迹数据中找出每条离场轨迹的初始转弯点；提取出轨迹数据中的航向数据，利用航向的改变，选取初始转弯点；计算各个初始转弯点距离机场基准点的距离，选取其中最小距离对应的点作为观测点。初始转弯点的具体判断方法为，从时刻t开始，若某航空器离场轨迹数据中存在连续7个航向数据，它们拥有连续递增或连续递减的变化趋势，且其中第4个航向相对于第一个航向的改变量大于40度，则判断该点为初始转弯点。

Description

一种空中交通流时距分布分析方法

技术领域

本发明涉及空中交通流领域，尤其是一种空中交通流时距分布分析方法。

背景技术

空中交通流内部，具有尾随关系的航空器之间时距的统计学特征是联系航空器通行能力和空中交通流量的纽带，是进行通行能力评估、实施科学流量控制、制定拥塞疏导预案、进行空中交通仿真的理论依据。航空器微观时距分布规律的研究是空中交通流特性分析从宏观层面深入到微观层面所必须面对与解决的问题，在空中交通领域中具有广泛的应用价值。

目前也存在一些航空器之间时距分布的研究，大致可分为两类：一类是基于各种假设的空中交通流微观跟驰模型，其实际应用价值受到限制；另一类是现有研究大多假设空中交通流到达率满足一定的分布特征，然而实际交通流到达率受天气、航班计划等因素影响很难满足单一分布。

发明内容

本发明提出一种空中交通流时距分布分析方法，采用的技术方案如下：

一种空中交通流时距分布分析方法，所述分析方法中的观测点采用自动选取的方式获得，包括步骤：

步骤1：筛选出沿着单一跑道方向离场的轨迹数据；

步骤2：提取出轨迹数据中的航向数据，利用航向的改变，选取初始转弯点；

步骤3：计算各个初始转弯点距离机场基准点的距离，选取其中最小距离对应的点作为观测点。

进一步的，初始转弯点的具体判断方法为，从时刻t开始，若某航空器离场轨迹数据中存在连续7个航向数据，它们拥有连续递增或连续递减的变化趋势，且其中第4个航向相对于第一个航向的改变量大于40度，则判断该点为初始转弯点。

进一步的，所述分析方法完整步骤包括：

步骤1：采集机场终端区内的初始雷达数据并使用计算机进行数据读取；

步骤2：初始飞行轨迹数据处理，包括轨迹数据的插值、轨迹数据的筛选和轨迹数据的优化；

步骤3：自动选取观测点；

步骤4：计算交通流时距；

其中飞行轨迹的数据源包括机场终端区内所有进离场航空器的二次应答机编码信息、航班号信息以及与之对应的时间、位置、地速和航向。

进一步的，所述位置包括X坐标和Y坐标，X坐标和Y坐标所在的坐标系以机场基准点为坐标原点。

进一步的，所述轨迹数据的优化方法为：若|z_i-z_i+1|＞5000，则将z_i的值赋予z_i+1，其中z_i、z_i+1为相邻两时刻观测点的高度值。

与现有技术相比，本发明的有益效果在于：本发明提出的时距分布分析方法，以实际数据为出发点，针对不断变化的空中交通态势，剔除异常轨迹数据后，自动选择合适观测点，减少了雷达数据的损失，提高时距计算结果的准确度，基于该时距计算结果能更真实的反映空中交通的动态特性。

本发明的另一目的在于提出一种空中交通流时距分布分析系统，该系统包括：飞行轨迹数据库、数据处理模块、观测点自动识别模块、时距计算模块和显示和交互模块，

其中数据处理模块根据雷达储存数据的轨迹特征，归类整理出终端区空域中不同机场、不同跑道对应的进离场轨迹数据；

观测点自动识别模块根据处理得到的飞行轨迹数据，包括初始转弯点、航向等信息自动判断并选定观测点位置；

时距计算模块根据选定的观测点，采用时距计算方法对每条航迹中航班间的时距进行计算；

显示和交互模块主要用来显示交通流轨迹采样点位置和时距分布的结果。

与现有技术相比，本发明的有益效果在于：该系统利用了上述一种空中交通流时距分布分析方法，系统获取机场数据后，可直观的将时距分析结果显出出来，便于实际应用。

附图说明

图1是本发明提出的时距分布分析方法流程图；

图2是实施例中二维轨迹图；

图3是实施例中时距的概率分布直方图；

图4是实施例中拟合效果示意图。

具体实施方式

如图1所示，本发明提出的时距分布分析方法包括步骤：

步骤1：飞行轨迹数据采集和读取，采集机场终端区内的初始雷达数据并使用计算机进行数据读取；

步骤2：初始飞行轨迹数据处理，包括轨迹数据的插值、轨迹数据的筛选和轨迹数据的优化三个子步骤；

轨迹数据的插值是指利用平均插值法对轨迹数据进行插值处理，以提高时距计算结果精确度，航空器轨迹数据的数据源为机场终端区内的雷达数据，数据源包含一段时间内机场终端区内所有进离场航空器的二次应答机编码信息、航班号信息以及与之对应的时间、位置、地速、航向等信息，其中的位置包括X坐标、Y坐标，X坐标和Y坐标所在坐标系的坐标原点为机场基准点；

鉴于雷达的扫描率为每圈4秒，针对初始的轨迹数据，采用插值法对其进行进一步处理，以使时距计算结果更加准确。在t_i时刻，对应的X、Y坐标、高度、地速、航向分别为x_i，y_i，z_i，v_i，h_i，分别对上述信息分别插值，以模拟每秒钟航空器X、Y坐标、高度、地速和航向的改变，以X坐标为例，在相邻两时刻t_i、t_i+1之间插入x_i+α、x_i+β、x_i+γ三个值，具体的插值模型为：

轨迹数据的筛选是指从所有轨迹数据中筛选出支持时距计算的轨迹数据。机场支持跑道R1和跑道R2两个不同方向运行，因此在计算时距时，需要筛选出沿单一方向运行的雷达数据，以避免沿另一方向起飞航空器的雷达数据对时距计算产生干扰。具体操作方法是利用航向来判断起飞方向，当初始点的航向偏离跑道方向过大时，就判断这条数据不是沿跑道运行产生的，此时剔除这条轨迹数据。筛选沿跑道方向R1离场的具体实施方法为，令初始点航向为H1，若|H1-R1*10|<20，则判断这条轨迹数据可用；

轨迹数据的优化是指对位置信息异常的雷达数据进行优化处理。通常情况下，民航客机的爬升率和下降率都不超过3000ft/min，若4s内某雷达数据的高度值变化量超过了12000ft，则判断这组雷达数据在记录时出现了异常。所述轨迹数据的优化方法为：若|z_i-z_i+1|＞5000，则将z_i的值赋予z_i+2，其中z_i、z_i+1为相邻两时刻观测点的高度值；

步骤3：观测点自动选取，旨在针对不断变化的空中交通态势，自动生成合适观测点。观测点的选取直接影响到时距计算的结果。一方面，如果所选观测点距离机场基准点过近，将导致有效雷达数据的损失。另一方面，如果所选观测点距离机场基准点过远，一部分航空器已经到达指定转弯高度或指定点，并开始初始转弯。此种情况下，会将不具备跟驰性的数据计算在内，导致时距计算结果不准确。当然，上述两种情形并不全面，不能把所有的空中交通流态势都囊括在内。例如，轻型机可以在离场后较短时间内开始第一次转弯，而大多数中型机则需要花较长的时间到达转弯高度或者指定点以执行指定高度转弯或指定点转弯。而对于大型国际机场，进(离)场的大多数航空器都属于中型机或重型机，只有少数属于轻型机。在机场终端区内大多数中型机和重型机轨迹都会和进(离)场图上所描绘的航线重合，如若有轻型机轨迹偏进(离)离场图上航线太远，需要剔除这条轨迹数据。因此需要通过合适的方法来选取观测点，以减少雷达数据的损失，同时提高时距计算结果的准确度。

观测点自动选取的具体实施方法为：从时刻t开始，若某航空器离场轨迹数据中存在连续7个航向数据，它们拥有连续递增或连续递减的变化趋势，且其中第4个航向相对于第一个航向的改变量大于40度，则判断该点为初始转弯点；

步骤4：交通流时距计算，是指以自动选取的观测点为基准，进行时距的计算。假设自动生成的观测点位于距离机场基准点D km的地方。在t_i时刻，对应的X、Y坐标(x_i,y_i)，此时飞机距离机场基准点的距离为

通过计算d值，可以找到d_i、d_i+1，使得D∈[d_i,d_i+1]。选取d_i、d_i+1中与D值最接近的值，这个值所对应的时刻T即为这架航空器通过合适观测点的时刻。把一串航空器经过观测点的时刻记录成一个数组，记为{T1,T2,T3,T4,…}。将数组里每两个相邻时间的间隔计算出来，就得到了进(离)场航空器通过观测点处的时距组成的数组，将该数据记为{T2-T1,T3-T2,T4-T3,…}。在时距计算的基础上，如图3所示可将得到的时距数组绘制成时距概率分布直方图。

利用有理函数模型，样条函数模型和韦布尔分布模型分析拟合效果，如图4所示，可以得出有理函数模型的拟合效果最好。

以厦门机场进离场交通流时距分布特征为例进行说明。其中使用的轨迹数据为2016年8月份第三周厦门机场终端区内进离场航班的雷达数据，其中共包含进离场轨迹数据4590条，其中离场轨迹数据2351条，进场轨迹数据2239条。此处，首先对离场交通流时距分布特征进行研究。选取离场轨迹数据作为实验样本，通过轨迹数据插值处理，得到更新周期为1s的雷达数据。通过轨迹数据筛选，筛选出沿跑道方向05(或跑道方向23)运行的轨迹数据。通过轨迹数据优化，对位置信息异常的轨迹数据进行优化处理。利用观测点自动选取的方法，选取距离机场基准点2.2694km处的点为观测点。根据此点，计算出离场交通流时距，并绘制出时距概率分布直方图，如图3所示。

基于厦门机场的离场交通流时距分布情况，利用三种不同的函数分布模型进行拟合。分别绘制出三种函数分布模型的拟合曲线，如图4所示，以RMSE作为评价指标，比较三种函数分布模型的拟合效果，如表1所示。

表1

本发明还提出一种空中交通流时距分布分析系统，所述系统采用C/S架构，包括飞行轨迹数据库、数据处理模块、观测点自动识别模块、时距计算模块、时距特征分析模块和显示和交互模块，用作空中交通流时距分布特征分析方法的实现平台；

数据处理模块根据雷达储存数据的轨迹特征，归类整理出终端区空域中不同机场、不同跑道对应的进离场轨迹数据；

观测点自动识别模块根据处理得到的飞行轨迹数据，包括初始转弯点、航向等信息自动判断并选定观测点位置；

时距计算模块根据选定的观测点，采用时距计算方法对每条航迹中航班间的时距进行计算；

时距特征分析模块采用有理函数、样条差值和韦布尔分布模型对计算得到的时距分布进行分析，揭示交通流时距微观特征的规律；

显示和交互模块主要用来显示交通流轨迹采样点位置和时距分布的结果。

以上所述仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明创造的保护范围之内。

Claims (5)

1.一种空中交通流时距分布分析方法，其特征在于，所述分析方法中的观测点采用自动选取的方式获得，包括步骤：

步骤1：筛选出沿着单一跑道方向离场的轨迹数据；

步骤2：提取出轨迹数据中的航向数据，利用航向的改变，选取初始转弯点；

步骤3：计算各个初始转弯点距离机场基准点的距离，选取其中最小距离对应的点作为观测点；

初始转弯点的具体判断方法为，从时刻t开始，若某航空器离场轨迹数据中存在连续7个航向数据，它们拥有连续递增或连续递减的变化趋势，且其中第4个航向相对于第一个航向的改变量大于40度，则判断该点为初始转弯点。

2.如权利要求1所述一种空中交通流时距分布分析方法，其特征在于，所述分析方法完整步骤包括：

步骤1：采集机场终端区内的初始雷达数据并使用计算机进行数据读取；

步骤2：初始飞行轨迹数据处理，包括轨迹数据的插值、轨迹数据的筛选和轨迹数据的优化；

步骤3：自动选取观测点；

步骤4：计算交通流时距；

其中飞行轨迹的数据源包括机场终端区内所有进离场航空器的二次应答机编码信息、航班号信息以及与之对应的时间、位置、地速和航向。

3.如权利要求2所述一种空中交通流时距分布分析方法，其特征在于，所述位置包括X坐标和Y坐标，X坐标和Y坐标所在的坐标系以机场基准点为坐标原点。

4.如权利要求2所述一种空中交通流时距分布分析方法，其特征在于，所述轨迹数据的优化方法为：若|zi-zi+1|＞5000，则将zi的值赋予zi+1，其中zi、zi+1为相邻两时刻观测点的高度值。

5.一种空中交通流时距分布分析系统，其特征在于，所述系统包括飞行轨迹数据库、数据处理模块、观测点自动识别模块、时距计算模块和显示和交互模块，

其中数据处理模块根据雷达储存数据的轨迹特征，归类整理出终端区空域中不同机场、不同跑道对应的进离场轨迹数据；

观测点自动识别模块根据处理得到的飞行轨迹数据，包括初始转弯点、航向信息自动判断并选定观测点位置，所述初始转弯点的判断方法为：从时刻t开始，若某航空器离场轨迹数据中存在连续7个航向数据，它们拥有连续递增或连续递减的变化趋势，且其中第4个航向相对于第一个航向的改变量大于40度的点；

时距计算模块根据选定的观测点，采用时距计算方法对每条航迹中航班间的时距进行计算；

显示和交互模块用来显示交通流轨迹采样点位置和时距分布的结果。

Images