CN109191922B - 一种大规模四维航迹动态预测方法及装置 - Google Patents
一种大规模四维航迹动态预测方法及装置 Download PDFInfo
- Publication number
- CN109191922B CN109191922B CN201811020348.1A CN201811020348A CN109191922B CN 109191922 B CN109191922 B CN 109191922B CN 201811020348 A CN201811020348 A CN 201811020348A CN 109191922 B CN109191922 B CN 109191922B
- Authority
- CN
- China
- Prior art keywords
- track
- sequence
- flight
- vector
- data
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0095—Aspects of air-traffic control not provided for in the other subgroups of this main group
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种大规模四维航迹动态预测方法及装置,属于航空航天技术领域。该装置包括信息获取模块,数据预处理模块,轨迹聚类模块,动态数据接入模块,识别与预测模块和结果反馈模块;信息获取模块对航空数据进行采样构成航迹序列;数据预处理模块去除每条航迹序列上的噪声点,并对去除了噪声点的航迹序列进行重采样,轨迹聚类模块对航迹序列进行聚类;动态数据接入模块接入实时数据,得到等时间间隔的四维向量构成航迹序列;识别与预测模块识别为异常飞行方式并进行轨迹预测。结果反馈模块将实时航迹预测及异常识别情况上报给空中交通管理部门,指导航班在空域中运行。本发明实现空域的平稳安全运行,具有非常重要的意义。
Description
技术领域
本发明属于航空航天技术领域,具体是指一种大规模四维航迹动态预测方法及装置。
背景技术
在空域越来越拥挤,资源越来越紧张的背景下,实现航班的动态模式预测是空中交通管理的重点研究内容。
对航迹进行动态预测并且尽快识别出飞行行为异常的航班,计算其偏离程度可以大大提升空域以及各个航班的安全性。因此,一套能够动态预测航迹的系统对于空中管理的安全和效率来说都非常重要。
发明内容
针对现有技术不能对航迹进行动态预测,且无法快速识别飞行行为异常的航班等问题,本发明提供了一种大规模四维航迹动态预测方法及装置;
所述的大规模四维航迹动态预测装置包括:信息获取模块,数据预处理模块,轨迹聚类模块,动态数据接入模块,识别与预测模块和结果反馈模块;
信息获取模块从航空数据管理部门接入某一时段某一特定城市对之间的航迹数据文件,并提取航班号、时间戳以及三维坐标点,将其整理为与航班号相对应的若干条由四维向量构成的航迹序列;
四维向量构成的航迹序列是指:每一个航班对应一条轨迹序列,序列的组成是根据时间顺序排列的三维坐标点。
数据预处理模块:对不同的四维向量构成的航迹序列采用LCS算法进行处理去除噪声点;并对进行重采样获得等长的序列。
轨迹聚类模块:对该特定城市对的所有航迹序列进行基于DBSCAN算法的聚类操作,将历史航迹进行分类,得到聚类后的航迹模式并提取核心对象。
动态数据接入模块:从航空数据管理部门接入该城市对的实时数据,并提取航班号、时间戳以及三维坐标点,将其整理为与航班号相对应的若干条由四维向量构成的航迹序列;
识别与预测模块:通过聚类后的航迹模式以及核心对象,对实时的动态数据进行航线轨迹的预测,通过计算核心对象与动态数据间的差异,对出现异常情况的动态数据进行识别。
结果反馈模块:将识别与预测结果反馈给空中交通管理部门。
所述的大规模四维航迹动态预测方法具体步骤如下:
步骤一、针对某一特定城市对,信息获取模块对航空数据管理部门的数据进行等时间间隔采样,获取该城市对某一时段内的所有历史航迹信息,并整理成四维向量构成航迹序列;
航迹信息包括航班号、时间戳以及对应的三维坐标;
四维向量是指经度、纬度、高度以及时间;每一条航迹序列Ti由n个四维向量组成;即Ti={Ti1,Ti2,...Tij,...Tin,},其中Tij={xij,yij,zij,tij};xij表示第i条航迹的第j个时间点对实际航迹采样得到的经度值;yij表示第i条航迹的第j个时间点对实际航迹采样得到的纬度值;zij表示第i条航迹的第j个时间点对实际航迹采样得到的高度值;tij表示第i条航迹的第j个时间点;
步骤二、数据预处理模块根据最长公共子序列算法LCS,通过求每两条航迹序列的最长公共子序列去除每条四维向量构成的航迹序列上的噪声点;
求最长公共子序列的过程如下:
步骤201、任选两条航迹序列,取每条航迹序列中的每一个四维向量的前三位组成一个新的向量,该两条降维后的航迹轨迹分别设为新序列X和Y;
新序列X={X1,X2,...Xi,...Xn},长度为n;新序列Y={Y1,Y2,...Yj,...Ym},长度为m;
步骤202、逐个选取新序列X/Y中的某向量,依次与新序列Y/X中的每个向量计算这两个向量之间公共子序列的长度,并保存在公共子序列二维矩阵F中;
针对新序列X的第i个向量与序列Y的第j个向量,两者间的公共子序列的长度值f[i,j]计算如下:
其中f[1,1]的值为0或1;二维矩阵F的最长公共子序列长度为f[n,m]。
步骤203、选择二维矩阵F中每一行或每一列的最大长度值,提取出对应的新序列X或Y的向量,并组成新序列X和Y的最长公共子序列L。
最长公共子序列L中的元素为新序列X中选取的向量或者新序列Y中选取的向量。
步骤204、依次选取新序列X中的某个向量Xi,分别与最长公共子序列L中的每个向量一一计算两者之间的距离值,从所有距离值中选择最短距离记为xi;
Xi初始值为X1;
步骤205、依次选取新序列Y中的某个向量Yj,分别与最长公共子序列L中的每个向量进行一一计算,得到两者之间的距离值,从所有距离值中选择最短距离记为yj。
Yj初始值为Y1;
步骤206、分别计算xi和yj的变化率dxi和dyj,当dxi大于500%时,或dyj大于500%时,将新序列X或Y中对应的该向量删除。
步骤三、数据预处理模块对去除了噪声点的航迹序列,按照不同的轨迹长度进行重采样,保证每条航迹序列长度相同;
重采样计算公式为:
Ti'为重采样后的第i条航迹序列,Tim是航迹序列Ti中的第m个向量;round函数为通过四舍五入对数据进行取整操作;li为该特定的城市对间的第i条航迹序列长度。
步骤四、轨迹聚类模块应用基于密度的聚类算法DBSCAN,对长度相同的航迹序列进行聚类;
具体步骤如下;
步骤401、针对长度相同的航迹序列,计算每两条航迹序列之间的相对间距;
首先,针对两条航迹Ti和Tj,从航迹Ti中逐个选取当前向量,分别与航迹Tj中每个向量计算两者之间的距离,选择距离最小值作为当前向量的相对间距;
当前向量初始值为Ti1;
然后,将航迹Ti中每个向量的相对间距取平均值;
两条航迹序列间的相对间距计算公式如下:
步骤402、设置距离的阈值参数ε,根据城市对间的航迹密度设置作为聚成一类所至少要包含的最小轨迹数minPts。
步骤403、针对每一条航迹序列Ts,对该航迹序列与其他每条航迹序列间的距离值小于等于ε的航迹序列进行计数。
步骤404、将计数结果多于minPts的所有航迹聚为一类,航迹序列Ts为该类的核心对象,代表分类的典型航班轨迹。
步骤405、在核心对象Ts的ε邻域中如果存在另外的核心对象Ts',则将Ts'与Ts的聚类进行合并,直至聚成的类中没有未遍历到的核心对象为止,输出航迹序列Ts为核心对象的簇结果。
步骤五、动态数据接入模块接入该城市对动态的实时数据,并提取航班号、时间戳以及三维坐标点,将其整理为等时间间隔的四维向量构成航迹序列;
步骤六、对于该特定的城市对,将实时的航班数据序列Z与聚类簇的核心对象进行匹配,判断是否能匹配成功,如果是,则航班数据序列Z按照匹配成功的核心对象的航迹模式飞行,否则进入步骤七。
首先,将实时的航班数据序列Z整理成四维向量构成航迹序列;
第i'条实时的航班数据序列Zi'={Zi'1,Zi'2,...,Zi'j',...Zi'm'},Zi'j'={xi'j',yi'j',zi'j',ti'j'};
然后,逐个选取某聚类簇作为当前簇,计算航班数据序列Zi'与该聚类簇的核心对象TA之间的距离;
具体为:从向量Zi'1开始,计算该向量距离当前核心对象TA中每个向量的距离,选择距离最小值作为向量Zi'1的相对间距;同理计算航班数据序列Zi'中m'个向量的相对间距,选出最小的相对间距作为航班数据序列Zi'与当前核心对象TA之间的距离,记作Di'A;
最后,依次计算航班数据序列Zi'与每个聚类簇中的核心对象之间的距离,并再次选择出最小值记作Di'B,当该最小值Di'B对应的核心对象TB在ε邻域内,则将航班数据序列Zi'与核心对象TB所在的聚类簇进行匹配,如果实时航班已经结束全段距离的飞行且序列点有95%以上位于核心对象TB所在的聚类簇中,则匹配成功,将该实时航班序列Zi'识别为按照核心对象TB的航迹模式飞行。
步骤七、识别与预测模块将未与任何聚类簇相匹配的航班序列Z,识别为异常飞行方式,并计算异常航迹与聚类簇的核心对象间的距离进行轨迹预测。
步骤八、结果反馈模块将实时航迹的预测及异常识别情况上报给空中交通管理部门,及时指导航班在空域中安全有序地运行。
本发明的优点在于:
1)、一种大规模四维航迹动态预测装置,通过数据预处理模块去除冗余或错误数据,再通过轨迹聚类模块以及识别与预测模块得到大致的航迹模式,可以对空管部门的预定航线进行实时更新,同时也能提供模式识别和动态预测的功能,进而实现空域的平稳安全运行。
2)、一种大规模四维航迹动态预测方法,针对各个城市对间空域流量大、复杂度高的情况,实现了航迹动态数据实时监测预测与异常行为识别,这为空域扇区复杂度分析与调控问题的解决提出了一个全新的方案。
3)、一种大规模四维航迹动态预测方法,围绕着航班数据处理与航迹分类的问题,从提高空中交通系统安全性和可控性两方面出发,开展动态预测方法研究。对于确保飞行器飞行安全,维护空中交通系统的安全有序运行具有非常重要的意义。
附图说明
图1为本发明一种大规模四维航迹动态预测装置的结构图;
图2为本发明一种大规模四维航迹动态预测方法的流程图;
图3为本发明应用LCS算法去除每条航迹序列上的噪声点的示意图;
图4为本发明应用LCS算法去除每条航迹序列上的噪声点的方法流程图;
图5为本发明采用聚类算法DBSCAN对长度相同的航迹序列进行聚类的方法流程图;
图6为本发明航迹分类结果中只有单一航迹模式的示意图;
图7为本发明航迹分类结果中存在多种航迹模式的示意图;
图8为本发明实时航迹动态预测与异常识别效果图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明提供了一种大规模四维航迹动态预测方法及装置;能够处理空域内各个城市对之间大量的航迹数据,算法复杂度低,计算精度高,可以有效解决航迹动态监测与调控问题。
所述的预测装置如图1所示,包括:信息获取模块,数据预处理模块,轨迹聚类模块,动态数据接入模块,识别与预测模块和结果反馈模块;通过数据预处理模块对航迹历史数据进行提取及预处理,规避一些噪点,进而应用轨迹聚类模块计算航迹距离实现精细分类,最后通过识别与预测模块对航班动态数据进行模式动态识别并预测,识别出飞行行为异常的航班。
信息获取模块从航空数据管理部门接入某一时段某一特定城市对之间的航迹数据文件,并提取航班号、时间戳以及三维坐标点,将其整理为与航班号相对应的若干条由四维向量构成的航迹序列;
航迹数据文件包含航班号、时间戳以及该时间戳对应的三维坐标点等信息。
四维向量构成的航迹序列是指:每一个航班对应一条轨迹序列,序列的组成是根据时间顺序排列的三维坐标点。
数据预处理模块:对不同的四维向量构成的航迹序列采用LCS算法进行处理去除信息获取时因一些异常数据导致的噪声点;并对去噪后的序列进行重采样获得等长的序列。
轨迹聚类模块:对该特定城市对的所有航迹序列进行基于DBSCAN算法的聚类操作,将历史航迹进行分类,得到聚类后的航迹模式并提取核心对象。
动态数据接入模块:从航空数据管理部门接入该城市对的实时数据,同时对接入的数据进行提取处理,使之成为与信息获取模块中相同的数据格式。
具体为:提取航班号、时间戳以及三维坐标点,将其整理为与航班号相对应的若干条由四维向量构成的航迹序列;
识别与预测模块:通过聚类后的航迹分类模式以及核心对象,对实时的动态数据进行航线轨迹的预测,预测其未来可能执行的航线轨迹,通过计算核心对象与动态数据间的差异,对出现异常情况的动态数据(即不按照预定模式飞行),进行识别。
结果反馈模块:将识别与预测模块的输出结果反馈给空中交通管理部门,为管制部门的决策提供数据支撑。
所述的大规模四维航迹动态预测方法,如图2所示,具体步骤如下:
步骤一、针对某一特定城市对,信息获取模块对航空数据管理部门的数据进行等时间间隔采样,获取该城市对一个月内的所有历史航迹信息,并将每一个数据点整理成等时间间隔的四维向量构成航迹序列;
历史航迹信息包括航班号、时间戳以及对应的三维坐标(经度、纬度以及高度);
四维向量是指经度、纬度、高度以及时间;每一条航迹序列Ti由n个四维向量组成;即Ti={Ti1,Ti2,...Tij,...Tin,},其中Tij={xij,yij,zij,tij};xij表示第i条航迹的第j个时间点对实际航迹采样得到的经度值;yij表示第i条航迹的第j个时间点对实际航迹采样得到的纬度值;zij表示第i条航迹的第j个时间点对实际航迹采样得到的高度值;tij表示第i条航迹的第j个时间点;
由此,在空域中一条连续的航迹就转化为了一条离散的点集,四维向量的航迹序列包含了航班的空间三维坐标信息以及时间信息。
步骤二、数据预处理模块根据最长公共子序列算法LCS,通过求每两条航迹序列的最长公共子序列,去除每条四维向量构成的航迹序列上的噪声点;
在提取数据的过程中,航迹的四维向量序列中会出现一些异常的数据,比如说某一个数据点的经纬度或是高度与序列中相邻的数据相差过大,这样的由于数据异常或是操作失误导致的噪声点将会产生很大的负面影响。应用最长公共子序列(LCS)的算法可以对特定城市对的相关航迹进行处理,从而去除这些噪声点。如图3所示,两个航班的航迹中圆点为最长公共子序列,圆圈标出的点为噪声点。
如图4所示,求最长公共子序列的过程如下:
步骤201、任选两条航迹序列,取每条航迹序列中的每一个四维向量的前三位组成一个新的向量,该两条降维后的航迹轨迹分别设为新序列X和Y;
新序列X={X1,X2,...Xi,...Xn},长度为n;新序列Y={Y1,Y2,...Yj,...Ym},长度为m;
步骤202、逐个选取新序列X/Y中的某向量,依次与新序列Y/X中的每个向量计算这两个向量之间公共子序列的长度,并保存在公共子序列二维矩阵F中;
针对新序列X的第i个向量与序列Y的第j个向量,两者间的公共子序列的长度值f[i,j]计算如下:
其中f[1,1]的值为0或1;遍历二维矩阵F后,最长公共子序列长度为f[n,m];依据该二维矩阵回溯,即可找出最长公共子序列。
步骤203、选择二维矩阵F中每一行或每一列的最大长度值,提取出对应的新序列X或Y的向量,并组成新序列X和Y的最长公共子序列L。
最长公共子序列L中的元素为新序列X中选取的向量或者新序列Y中选取的向量。
步骤204、依次选取新序列X中的某个向量Xi,分别与最长公共子序列L中的每个向量一一计算两者之间的距离值,从所有距离值中选择最短距离记为xi;
Xi初始值为X1;
步骤205、依次选取新序列Y中的某个向量Yj,分别与最长公共子序列L中的每个向量进行一一计算,得到两者之间的距离值,从所有距离值中选择最短距离记为yj。
Yj初始值为Y1;
步骤206、分别计算xi和yj的变化率dxi和dyj,为保证在去除异常数据的同时避免删去有效的数据点,当dxi大于500%时,或dyj大于500%时,将新序列X或Y中对应的该向量删除。
通过上述操作,一些数量极少但会对结果产生较大的不良影响的噪声点将被剔除。
步骤三、数据预处理模块对去除了噪声点的航迹序列,按照不同的轨迹长度进行重采样,保证每条航迹序列长度相同;
由于每架次航班的飞行速度大小与飞行方向都各不相同,所以每一条航迹Ti中所包含的向量的个数n也都各不相同,为方便后续通过计算距离对航班轨迹进行聚类,需对轨迹进行重采样以保证每一条航迹Ti中所包含的向量的个数n都完全相同。
具体的重采样过程如下:在某一个特定的城市对间的每架航班所飞行的轨迹长度,由步骤一中的离散序列点依次相连计算得到。由于目前中国境内飞行的航线绝大多数都可以取到至少100个数据点,所以重采样后的序列长度定为100。重采样的计算公式为:
重采样计算公式为:
Ti'为重采样后的第i条航迹序列,Tim是航迹序列Ti中的第m个向量;round函数为通过四舍五入对数据进行取整操作;li为该特定的城市对间的第i条航迹序列长度。
步骤四、轨迹聚类模块应用基于密度的聚类算法DBSCAN,对多条长度相同的航迹序列进行聚类;
在城市对之间的空域中,每一架航班的轨迹表示成一个由四维向量组成的序列,几个飞行行为较为相似的航班之间可以通过聚类形成一个簇,簇与簇之间存在着一定的区分度,可以对后续航班的航迹预测提供信息支撑。在对轨迹进行聚类时需要考虑到城市对之间飞行的航班相似度较高的问题,当航班的轨迹线密集到一定程度时,传统的聚类方法将无法对航迹进行分类,而本发明的聚类方法通过对参数的设置可以达到精细聚类。对于可以成功将航迹分为多类的城市对,当系统输入该城市对的实时航班轨迹信息时,可以根据各个簇的特征信息对飞行一段时间的航迹进行预测,对于飞行轨迹无法被归为任何一个簇的异常航班则进行识别并适时向空管部门告警;而当一个城市对之间的航迹只能分为一类时,则根据空中管理部门提供的预定航迹进行比对与更新处理。
如图5所示,具体步骤如下;
步骤401、针对长度相同的航迹序列,计算每两条航迹序列之间的相对间距;
首先,针对两条航迹Ti和Tj,从航迹Ti中逐个选取当前向量,分别与航迹Tj中每个向量计算两者之间的距离,选择距离最小值作为当前向量的相对间距;
当前向量初始值为Ti1;
然后,将航迹Ti中每个向量的相对间距取平均值;
两条航迹序列间的相对间距计算公式如下:
步骤402、设置基于密度的聚类算法DBSCAN中距离的阈值参数ε,根据城市对间的航迹密度设置minPts,作为聚成一类所至少要包含的最小轨迹数。
步骤403、针对每一条航迹序列Ts,对该航迹序列与其他每条航迹序列间的距离值小于等于ε的航迹序列进行计数。
步骤404、将计数结果多于minPts的所有航迹聚为一类,航迹序列Ts为该类的核心对象,代表分类的典型航班轨迹。
步骤405、在核心对象Ts的ε邻域中如果存在另外的核心对象Ts',则将Ts'与Ts的聚类进行合并,直至聚成的类中没有未遍历到的核心对象为止,输出航迹序列Ts为核心对象的簇结果。
输出的簇即为航迹分类的结果,每个聚类簇中的核心对象即可代表分类完成的典型航班轨迹。对于航迹的分类结果存在两种可能的情况:即一种航迹分类以及多种航迹分类。
如图6所示,对于只有一类航迹模式(黑色轨迹为预定航迹)的城市对来说,可以认为这一类航迹为历史的惯用航迹,可以通过结果反馈模块对空中交通管制部门提出更新预定航迹的相关建议;如图7所示,对于存在多种航迹模式分类的城市对,则可以根据已有的分类信息对动态数据接入模块接入的实时数据进行预测分析。
步骤五、动态数据接入模块接入该城市对动态的实时数据,并提取航班号、时间戳以及三维坐标点,将其整理为等时间间隔的四维向量构成航迹序列;
步骤六、对于该特定的城市对,将实时的航班数据序列Z与聚类簇的核心对象进行匹配,判断是否能匹配成功,如果是,则航班数据序列Z按照匹配成功的核心对象的航迹模式飞行,否则进入步骤七。
首先,将实时的航班数据序列Z整理成四维向量构成航迹序列;
第i'条实时的航班数据序列Zi'={Zi'1,Zi'2,...,Zi'j',...Zi'm'},Zi'j'={xi'j',yi'j',zi'j',ti'j'};
然后,逐个选取某聚类簇作为当前簇,计算航班数据序列Zi'与该聚类簇的核心对象TA之间的距离;
具体为:从向量Zi'1开始,计算该向量距离当前核心对象TA中每个向量的距离,选择距离最小值作为向量Zi'1的相对间距;同理计算航班数据序列Zi'中m'个向量的相对间距,选出最小的相对间距作为航班数据序列Zi'与当前核心对象TA之间的距离,记作Di'A;
最后,依次计算航班数据序列Zi'与每个聚类簇中的核心对象之间的距离,并再次选择出最小值记作Di'B,当该最小值Di'B对应的核心对象TB在ε邻域内,则将航班数据序列Zi'与核心对象TB所在的聚类簇进行匹配,如果实时航班已经结束全段距离的飞行且序列点有95%以上位于核心对象TB所在的聚类簇中,则匹配成功,将该实时航班序列Zi'识别为按照核心对象TB的航迹模式飞行。
步骤七、识别与预测模块将未与任何聚类簇相匹配的航班序列Z,识别为异常飞行方式,并通过以上的步骤计算异常航迹与聚类簇的核心对象间的距离进行轨迹预测。
步骤八、结果反馈模块将实时航迹的预测及异常识别情况上报给空中交通管理部门,及时指导航班在空域中安全有序地运行。
实时航迹和异常轨迹的效果图如图8所示。在由于通航的城市对越来越多所带来的复杂空域环境下,完成大规模四维航迹的实时预测与异常情况识别监控后,可以使各个航班在各自的空域扇区中安全有序地运行,提高了飞行安全性和效率,并且为空中交通管理的后续操作提供了便利,具有积极的意义。
Claims (6)
1.一种大规模四维航迹动态预测装置,其特征在于,包括:信息获取模块,数据预处理模块,轨迹聚类模块,动态数据接入模块,识别与预测模块和结果反馈模块;
信息获取模块从航空数据管理部门接入某一时段某一特定城市对之间的航迹数据文件,并提取航班号、时间戳以及三维坐标点,将其整理为与航班号相对应的若干条由四维向量构成的航迹序列;
数据预处理模块:对不同的四维向量构成的航迹序列采用LCS算法进行处理去除噪声点;并对进行重采样获得等长的序列;
轨迹聚类模块:对该特定城市对的所有航迹序列进行基于DBSCAN算法的聚类操作,将历史航迹进行分类,得到聚类后的航迹模式并提取核心对象;
动态数据接入模块:从航空数据管理部门接入该城市对的实时数据,并提取航班号、时间戳以及三维坐标点,将其整理为与航班号相对应的若干条由四维向量构成的航迹序列;
识别与预测模块:通过聚类后的航迹模式以及核心对象,对实时的动态数据进行航线轨迹的预测,通过计算核心对象与动态数据间的差异,对出现异常情况的动态数据进行识别;
结果反馈模块:将识别与预测结果反馈给空中交通管理部门;
所述的信息获取模块对航空数据管理部门的数据进行等时间间隔采样,并整理成四维向量构成航迹序列;然后数据预处理模块通过求每两条航迹序列的最长公共子序列去除每条四维向量构成的航迹序列上的噪声点,并按照不同的轨迹长度进行重采样;轨迹聚类模块对长度相同的航迹序列进行聚类,动态数据接入模块接入该城市对动态的实时数据,将其整理为等时间间隔的四维向量构成航迹序列;对于特定的城市对,将实时的航班数据序列Z与聚类簇的核心对象进行匹配,判断是否能匹配成功,如果是,则航班数据序列Z按照匹配成功的核心对象的航迹模式飞行,否则识别与预测模块将未与任何聚类簇相匹配的航班序列Z,识别为异常飞行方式,结果反馈模块将实时航迹的预测及异常识别情况上报给空中交通管理部门。
2.如权利要求1所述的一种大规模四维航迹动态预测装置,其特征在于,所述的四维向量构成的航迹序列是指:每一个航班对应一条轨迹序列,序列的组成是根据时间顺序排列的三维坐标点。
3.基于权利要求1所述的一种大规模四维航迹动态预测装置的预测方法,其特征在于,具体步骤如下:
步骤一、针对某一特定城市对,信息获取模块对航空数据管理部门的数据进行等时间间隔采样,获取该城市对某一时段内的所有历史航迹信息,并整理成四维向量构成航迹序列;
四维向量是指经度、纬度、高度以及时间;每一条航迹序列Ti由n个四维向量组成;即Ti={Ti1,Ti2,...Tij,...Tin,},其中Tij={xij,yij,zij,tij};xij表示第i条航迹的第j个时间点对实际航迹采样得到的经度值;yij表示第i条航迹的第j个时间点对实际航迹采样得到的纬度值;zij表示第i条航迹的第j个时间点对实际航迹采样得到的高度值;tij表示第i条航迹的第j个时间点;
步骤二、数据预处理模块根据最长公共子序列算法LCS,通过求每两条航迹序列的最长公共子序列去除每条四维向量构成的航迹序列上的噪声点;
步骤三、数据预处理模块对去除了噪声点的航迹序列,按照不同的轨迹长度进行重采样,保证每条航迹序列长度相同;
重采样计算公式为:
Ti'为重采样后的第i条航迹序列,Tim是航迹序列Ti中的第m个向量;round函数为通过四舍五入对数据进行取整操作;li为该特定的城市对间的第i条航迹序列长度;
步骤四、轨迹聚类模块应用基于密度的聚类算法DBSCAN,对长度相同的航迹序列进行聚类;
具体步骤如下;
步骤401、针对长度相同的航迹序列,计算每两条航迹序列之间的相对间距;
首先,针对两条航迹Ti和Tj,从航迹Ti中逐个选取当前向量,分别与航迹Tj中每个向量计算两者之间的距离,选择距离最小值作为当前向量的相对间距;
当前向量初始值为Ti1;
然后,将航迹Ti中每个向量的相对间距取平均值;
两条航迹序列间的相对间距计算公式如下:
步骤402、设置距离的阈值参数ε,根据城市对间的航迹密度设置作为聚成一类所至少要包含的最小轨迹数min Pts;
步骤403、针对每一条航迹序列Ts,对该航迹序列与其他每条航迹序列间的距离值小于等于ε的航迹序列进行计数;
步骤404、将计数结果多于min Pts的所有航迹聚为一类,航迹序列Ts为该类的核心对象,代表分类的典型航班轨迹;
步骤405、在核心对象Ts的ε邻域中如果存在另外的核心对象Ts',则将Ts'与Ts的聚类进行合并,直至聚成的类中没有未遍历到的核心对象为止,输出航迹序列Ts为核心对象的簇结果;
步骤五、动态数据接入模块接入该城市对动态的实时数据,并提取航班号、时间戳以及三维坐标点,将其整理为等时间间隔的四维向量构成航迹序列;
步骤六、对于该特定的城市对,将实时的航班数据序列Z与聚类簇的核心对象进行匹配,判断是否能匹配成功,如果是,则航班数据序列Z按照匹配成功的核心对象的航迹模式飞行,否则进入步骤七;
步骤七、识别与预测模块将未与任何聚类簇相匹配的航班序列Z,识别为异常飞行方式,并计算异常航迹与聚类簇的核心对象间的距离进行轨迹预测;
步骤八、结果反馈模块将实时航迹的预测及异常识别情况上报给空中交通管理部门,及时指导航班在空域中安全有序地运行。
4.如权利要求3所述的一种大规模四维航迹动态预测方法,其特征在于,所述的航迹信息包括航班号、时间戳以及对应的三维坐标。
5.如权利要求3所述的一种大规模四维航迹动态预测方法,其特征在于,所述的步骤二中求最长公共子序列的过程如下:
步骤201、任选两条航迹序列,取每条航迹序列中的每一个四维向量的前三位组成一个新的向量,该两条降维后的航迹轨迹分别设为新序列X和Y;
新序列X={X1,X2,...Xi,...Xn},长度为n;新序列Y={Y1,Y2,...Yj,...Ym},长度为m;
步骤202、逐个选取新序列X/Y中的某向量,依次与新序列Y/X中的每个向量计算这两个向量之间公共子序列的长度,并保存在公共子序列二维矩阵F中;
针对新序列X的第i个向量与序列Y的第j个向量,两者间的公共子序列的长度值f[i,j]计算如下:
其中f[1,1]的值为0或1;二维矩阵F的最长公共子序列长度为f[n,m];
步骤203、选择二维矩阵F中每一行或每一列的最大长度值,提取出对应的新序列X或Y的向量,并组成新序列X和Y的最长公共子序列L;
最长公共子序列L中的元素为新序列X中选取的向量或者新序列Y中选取的向量;
步骤204、依次选取新序列X中的某个向量Xi,分别与最长公共子序列L中的每个向量一一计算两者之间的距离值,从所有距离值中选择最短距离记为xi;
Xi初始值为X1;
步骤205、依次选取新序列Y中的某个向量Yj,分别与最长公共子序列L中的每个向量进行一一计算,得到两者之间的距离值,从所有距离值中选择最短距离记为yj;
Yj初始值为Y1;
步骤206、分别计算xi和yj的变化率dxi和dyj,当dxi大于500%时,或dyj大于500%时,将新序列X或Y中对应的该向量删除。
6.如权利要求3所述的一种大规模四维航迹动态预测方法,其特征在于,所述的步骤六实现方式如下:
首先,将实时的航班数据序列Z整理成四维向量构成航迹序列;
第i'条实时的航班数据序列Zi'={Zi'1,Zi'2,...,Zi'j',...Zi'm'},Zi'j'={xi'j',yi'j',zi'j',ti'j'};
然后,逐个选取某聚类簇作为当前簇,计算航班数据序列Zi'与该聚类簇的核心对象TA之间的距离;
具体为:从向量Zi'1开始,计算该向量距离当前核心对象TA中每个向量的距离,选择距离最小值作为向量Zi'1的相对间距;同理计算航班数据序列Zi'中m'个向量的相对间距,选出最小的相对间距作为航班数据序列Zi'与当前核心对象TA之间的距离,记作Di'A;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020348.1A CN109191922B (zh) | 2018-09-03 | 2018-09-03 | 一种大规模四维航迹动态预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811020348.1A CN109191922B (zh) | 2018-09-03 | 2018-09-03 | 一种大规模四维航迹动态预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109191922A CN109191922A (zh) | 2019-01-11 |
CN109191922B true CN109191922B (zh) | 2020-06-19 |
Family
ID=64917910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811020348.1A Active CN109191922B (zh) | 2018-09-03 | 2018-09-03 | 一种大规模四维航迹动态预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109191922B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109782806B (zh) * | 2019-02-19 | 2020-10-23 | 北京邮电大学 | 一种无人机室内路径跟踪方法及装置 |
CN109977546B (zh) * | 2019-03-27 | 2020-08-04 | 北京航空航天大学 | 一种基于无监督学习的四维航迹在线异常检测方法 |
CN110399686B (zh) * | 2019-07-30 | 2024-03-19 | 中国民航大学 | 一种基于轮廓系数的参数无关航空器飞行轨迹聚类方法 |
CN110807954B (zh) * | 2019-11-12 | 2021-07-27 | 上海眼控科技股份有限公司 | 异常航迹点的识别方法和设备 |
CN111047914B (zh) * | 2019-11-28 | 2020-11-03 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种基于四维航迹运行的fms航迹预测方法 |
CN110992733B (zh) * | 2019-12-11 | 2020-08-28 | 北京航空航天大学 | 一种航班偏离正常航迹行为在线检测方法及装置 |
CN111125925B (zh) * | 2019-12-30 | 2024-03-22 | 中国人民解放军93209部队 | 一种飞行器航迹数据驱动的终端区空域时空相关分析方法 |
CN112070305A (zh) * | 2020-09-07 | 2020-12-11 | 民航数据通信有限责任公司 | 一种评估ads-b四维航迹质量的方法 |
CN112926809B (zh) * | 2021-05-10 | 2021-07-23 | 北京人人云图信息技术有限公司 | 一种基于聚类和改进的xgboost的航班流量预测方法及系统 |
CN113284369B (zh) * | 2021-05-14 | 2022-07-01 | 中国民航大学 | 一种基于ads-b实测航路数据的预测方法 |
CN114078339B (zh) * | 2022-01-07 | 2022-05-31 | 北京航空航天大学杭州创新研究院 | 基于飞行趋势推理的时空概率分布网格飞行冲突检测方法 |
CN114440891B (zh) * | 2022-01-25 | 2023-08-25 | 深圳技术大学 | 用于空中交通管理的四维航迹规划方法及系统、设备 |
CN115035747A (zh) * | 2022-06-07 | 2022-09-09 | 成都民航空管科技发展有限公司 | 流量超限告警方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9969337B2 (en) * | 2014-09-03 | 2018-05-15 | Sharp Laboratories Of America, Inc. | Methods and systems for mobile-agent navigation |
CN106157700B (zh) * | 2015-01-07 | 2018-10-09 | 江苏理工学院 | 基于4d航迹运行的空中交通管制方法 |
US9659503B2 (en) * | 2015-07-14 | 2017-05-23 | International Business Machines Corporation | Ambulatory route management based on a personal drone |
CN105225541A (zh) * | 2015-10-29 | 2016-01-06 | 中国民航大学 | 基于空管历史数据挖掘的短时航迹预测方法 |
-
2018
- 2018-09-03 CN CN201811020348.1A patent/CN109191922B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109191922A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191922B (zh) | 一种大规模四维航迹动态预测方法及装置 | |
Ma et al. | A hybrid CNN-LSTM model for aircraft 4D trajectory prediction | |
CN110569793B (zh) | 一种无监督相似性判别学习的目标跟踪方法 | |
CN109034376B (zh) | 一种基于lstm的无人机飞行状态预测方法及系统 | |
CN107682319B (zh) | 一种基于增强型角度异常因子的数据流异常检测及多重验证的方法 | |
CN110288001B (zh) | 基于目标数据特征训练学习的目标识别方法 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN111291098B (zh) | 一种航迹模式挖掘方法与装置 | |
CN110442143B (zh) | 一种基于组合多目标鸽群优化的无人机态势数据聚类方法 | |
CN109977546B (zh) | 一种基于无监督学习的四维航迹在线异常检测方法 | |
CN111832608A (zh) | 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法 | |
CN109993225A (zh) | 一种基于无监督学习的空域复杂度分类方法及装置 | |
CN105930792A (zh) | 一种基于视频局部特征字典的人体动作分类方法 | |
CN112766170B (zh) | 基于簇类无人机图像的自适应分割检测方法及装置 | |
CN106570104B (zh) | 一种流数据的多分区聚类预处理方法 | |
CN111858565B (zh) | 一种基于线段聚类的多维度高精度航迹智能预测方法 | |
Yang et al. | Gangue localization and volume measurement based on adaptive deep feature fusion and surface curvature filter | |
CN114359632A (zh) | 一种基于改进PointNet++神经网络的点云目标分类方法 | |
US11829442B2 (en) | Methods and systems for efficient batch active learning of a deep neural network | |
CN114359604A (zh) | 一种基于多飞行器轨迹数据的队形识别模型构建方法 | |
CN116543603B (zh) | 一种考虑空域态势和局部优化的航迹补全预测方法及装置 | |
Wang et al. | Classification of ship trajectories by using naive Bayesian algorithm | |
CN115862385A (zh) | 基于标准飞行程序的机场终端区航空器飞行模式挖掘方法 | |
CN110781963B (zh) | 基于K-means聚类的空中目标分群方法 | |
Arts et al. | Trajectory Based Flight Phase Identification with Machine Learning for Digital Twins |
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 |