CN109214419B - 一种基于空间聚类的鸟击事件风险综合防控方法 - Google Patents

Abstract

本发明公开了一种基于空间聚类的鸟击事件风险综合防控方法，首先从历史鸟击事件中识别出鸟击事件发生的主要影响因素，其次从鸟类自身属性特征出发评价鸟类自身风险值，结合年份因素的影响综合评估鸟类风险，然后，使用基于核估计的空间聚类算法进行鸟击事件热点识别，得到机场中鸟击事件热点区域分布，最后，运用成本收益模型评价各类鸟击防控方法。本发明能够综合评估鸟击风险，得到鸟击事件热点区域，评价鸟击防控方案，最终实现对鸟击事件风险的综合评估与防控，提升机场对鸟击事件的预防及控制能力，具有广泛的推广应用前景。

Description

一种基于空间聚类的鸟击事件风险综合防控方法

技术领域

本发明涉及交通运输安全领域，尤其涉及一种基于空间聚类的鸟击事件风险综合防控方法。

背景技术

鸟击是指飞机在起飞、飞行或降落过程中被鸟类撞击而造成的飞行安全事件，已成为威胁航空飞行安全的重要因素之一，因鸟击而发生的事故已被国际航空运动联合会(FAI)定为A类空难。

随着我国民航业的快速发展，机场保障的航班量持续增加，机场面临着日益繁重的安全运行管理压力。据统计，2015年，我国共发生鸟击事件3816起，造成事故征候185起，占各类航空事故征候总数的49.47％，是第一大事故征候类型。同时，鸟击事件的发生势必导致机场安全风险增加，降低机场运行效率，继而引发更多有形和无形的损失。所以，如何对鸟击事件进行风险评估与防控是机场运行管理中亟待解决的重要问题。

目前国内外学者对于鸟击事件防控的研究依赖于以往事故的处置经验，仅是针对飞机抗撞击能力的改进以及鸟类生活习性采取的防治措施。现有技术中的对鸟击事件的风险防控方法未考虑到鸟击事件各风险因素的综合影响作用，缺乏对鸟击事件各属性因素之间关系的研究，且未能实现在空间中定量评价鸟击事件风险，对防控方法的评估也缺乏量化支撑。

发明内容

发明目的：本发明提供一种有效提高机场预防鸟击事件能力的、基于空间聚类的鸟击事件风险综合防控方法。

技术方案：本发明所述的一种基于空间聚类的鸟击事件风险综合防控方法，包括以下步骤：

(1)采集历史鸟击事件报告中的数据，进行历史鸟击事件的因素识别；

(2)根据鸟类自身因素，综合评价鸟类自身风险值R；

(3)根据鸟类自身风险值，结合年份变化对鸟类行为的影响，以不同权重刻画鸟类活动随时间变化的影响，得出鸟击事件综合风险值；

(4)基于核密度的空间聚类算法进行鸟击事件热点识别，对聚类结果进行分析及评价；

(5)对频发区域进行鸟击防控方案的成本收益分析，从“效益-成本”比的角度评选出最优的防控方案。

步骤(1)所述因素识别主要包括鸟类自身因素识别和机场周围环境因素识别。

步骤(2)中所述的鸟类自身风险值R通过以下公式实现：

R＝(S+N+F+L+M)*100/5

其中，S为鸟的种类，N为相对数量，F为遇见频次，L为体长系数，M为鸟类迁徙类型。

步骤(3)所述的鸟击事件中综合风险值公式如下：

R_c＝r_t*R

其中，r_t为t年的权重。

所述步骤(4)包括以下步骤：

(41)根据鸟击事件空间位置信息，进行网格化分区，以网格内鸟击事件数量大于一预设阈值的网格作为高密度网格，将每个高密度网格及其邻近网格作为一个局部计算区域；

(42)在计算区域中查找具有邻近关系的点集，构建该区域的密度估计函数：

其中，n为计算区域内鸟击事件总数，h_x,h_y,h_z为计算概率密度函数时所需的窗宽，x_i,y_i,z_i对应着已知的数据点的空间位置信息；

(43)根据鸟击事件热点区域分布情况，获取其聚集形状、平均综合风险值等特征。

步骤(5)所述的“成本-效益”比评价模型如下：

SIRD_j＝安全效果/安全投入＝∑P_iR_iΔS_i/C_j

ΔS(C)＝Sexp(s/C)+S₀

C(j)＝C₁x_j+C₂y_j+…+φ(C₁,C₂,...)

其中，SIRD_j为第j种方案安全防控合理度，P_i为防控系统中第i种鸟类发生鸟击的概率，R_i为防控系统中第i种鸟类导致的鸟击最大损失后果，ΔS_i为防控后对第i种鸟类导致鸟击风险的消除程度，C_j为第j种风险防控方案的总成本值。

有益效果：与现有技术相比，本发明的有益效果为：1、建立鸟类自身风险值来评价鸟类自身特征的风险属性，同时加入年份影响，获得从更有针对性的鸟击综合风险值，提高对鸟类特征的描述准确性；2、以基于核估计的三维空间聚类算法对鸟击事件空间数据进行热点识别，结合鸟击综合风险值聚类实现鸟击事件风险有关的关键特征的定量研究；3、对于不同的风险防控方案，采用成本收益分析的方法，在降低风险的同时，选取经济收益高的控制方法，使鸟击防控工作做到更有针对性的开展，有效提高机场对鸟击事件的防治能力。

附图说明

图1为本发明的流程图；

图2为本发明中基于核密度的空间聚类算法的步骤框图；

图3为本发明中鸟类与跑道相对位置示意图。

具体实施方案

下面结合附图对本发明作进一步详细描述。

图1为本发明的流程图，主要包括以下步骤：

1、采集历史鸟击事件报告中的数据，进行历史鸟击事件的因素识别。

因素识别主要包括鸟类自身因素识别和机场周围环境因素识别，其中鸟类自身因素包括鸟的种类S、相对数量N、遇见频次F、体长系数L及鸟类迁徙类型M等；机场周围环境因素包括周边鸟类栖息地分布、机场周围地形分布、鸟类迁徙路线等。

鸟的种类S分小型、中型和大型，分别对应燕子、鸥、雁一类的鸟类，评价值分别为1、2、3。

相对数量N根据该种鸟种群大小划分，+表示稀有种，即在周围环境中生存较少的鸟类，++表示常见种，即在周围环境中生存较多的鸟类，+++表示优势种，即在周围环境生存极多的鸟类，评价值分别为1、2、3。

遇见频次F根据机场工作人员每月遇见该种鸟的次数评判，分为罕见、偶尔、常见以及普遍，评价值分别为1、2、3、4。遇见频次的评判标准根据机场现状而定，例如某大型机场设置F等于0为罕见，F等于1或2为偶尔，F等于3，4，5为常见，F大于等于5为普遍。

体长系数L根据该种鸟类平均体长划分为体长较短、体长适中及体长较大。评价值分别为1、2、3。体长系数的划分标准根据实际情况而定，例如某大型机场设置L＜10cm为体长较短，10cm≤L＜50cm为体长适中，L≥50cm为体长较大。

鸟类迁徙类型M分为留鸟M_R、冬候鸟M_W、夏候鸟M_S及旅鸟M_P，评价值分别为1、2、3、4。

2、根据鸟类自身因素，综合评价鸟类自身风险值R。

(1)选取鸟击事件数据，从历史数据中选取数据m条；

(2)对数据进行标准化处理；

以鸟自身的种类S、数量N、频次F、体长L、迁徙类型M等特征共同构成鸟类自身风险值R，以鸟类各个特征评价值来衡量鸟类自身风险值R的具体公式如下，

R＝(S+N+F+L+M)*100/5 (1)

(3)将鸟类自身风险值分为5个等级：非常低VL(0＜R＜20)，低L(20≤R＜30)，中等M(30≤R＜40)，高H(40≤R＜50)及非常高VH(R≥50)，以此判断鸟类自身因素对鸟击事件的影响。

3、根据所述鸟类自身风险值，结合年份变化对鸟类行为的影响，以不同权重刻画鸟类活动随时间变化的影响，从而得出鸟击事件综合风险值。

以历史鸟击事件发生时间为基本参数，考虑年份变化对鸟类行为的影响，赋予不同年份发生的鸟击事件以不同的权重r，求得历史数据中各个鸟击事件中综合风险值结果R_c，具体公式如下，

R_c＝r_t*R (2)

其中，r_t为t年的权重，鸟击事件年份权重逐年递减，假设最近一起鸟击事件发生在l年，则有

4、基于核密度的空间聚类算法进行鸟击事件热点识别，对聚类结果进行分析及评价。

为了研究鸟击风险与周围环境因素之间的相关性，在历史鸟击事件数据中的空间位置信息的基础上，引入空间核密度估计聚类分析方法来对发生鸟击事件的热点区域c_A进行识别，同时根据不同热点区域内鸟击事件的不同特征描述各热点区域。

对鸟击事件发生的机场区域进行热点分析，算法步骤如图2所示，具体步骤如下：

(1)对机场历史鸟击事件数据以2σ为边长进行空间网格划分确定非空的网格集C_p，每个网格c中的事件数记为N_c，设ξ_c为预处理的网格密度阈值，称C_sp＝{c∈C_p|N_c≥ξ_c}为高密度网格，将相邻的高密度网格连接起来作为C_p的子集，记为

其中c_s为与相连的高密度网格，以备计算局部密度函数，本实施例中设置σ＝1km，ξ_c＝2。

(2)本实施例中DENCLUE聚类算法所使用的核密度函数为高斯核密度函数，同时为了避免网格的使用对于密度估计精度可能产生的负面影响，本实施例中根据对象区域的实际情况对网格窗宽进行动态优化，窗宽优化过程具体如下：

用实际密度函数f(x)与其估计值

的渐近均方误差(AMISE)进行误差精度的计算：

根据上式得到优化窗宽：

式中R(K)＝∫_RK(x)²dx，u₂(K)＝∫_Rx²K(x)dx，K(x)为核函数，f″为概率密度函数f的二阶导数，n为局部计算区域内已知事件点的个数。

本实施方式采用高斯函数作为核函数，因此

采用Solve-the-Equation方法对R(f″)进行计算，即可得到高斯核所对应的窗口宽度的最优值为：

其中n表示鸟击事件总数；x_i、x_j分别表示第i个事件和第j个事件的x轴坐标信息。

令h_opt＝F(h)，计算h₁＝F(h₀)，其中，h₀＝s，根据公式(6)初始化s初始化参数k，其中，k为一极小值；

s＝1.06γn^-1/5 (6)

其中，n为局部计算区域内的鸟击事件总数，γ为事件横坐标值的标准差。

当|h₁-h₀|＞k时，循环执行下面步骤：

a)将h₁的值赋予h₀，即执行h₀＝h₁；

b)对于新的h₀值，利用表达式h₁＝F(h₀)计算出新的h₁值；

c)令

获取最优窗宽h_x＝h₁，同理得到h_y,h_z。

本实施方式中的DENCLUE聚类方法以三维Gauss函数为核函数，得到区域内局部概率密度函数：

式中，n为计算区域内鸟击事件总数；h_x,h_y,h_z为计算概率密度函数时所需的窗宽，x_i,y_i,z_i对应着已知的数据点的空间位置信息。

(3)根据局部密度函数

用爬山算法确定密度吸引子x^*以及被密度吸引子所吸引的吸引域作为标记类，密度吸引子x^*为鸟击事件的中心，标记类为鸟击热点区域，记为c_A。

其中爬山算法的具体步骤如下：

a)从局部计算区域Cr的点集D中，随机选取一个当前点X_i；

b)根据上述所得到的局部概率密度函数，按下公式(8)确定当前点的梯度方向：

式中，

为点X_i的梯度方向。

c)确定爬山算法中第i步的最优步长：

式中，δ_i为第i步的最优步长；

为点X_i梯度方向的模，T为转置运算符。

d)沿梯度方向，根据公式(10)，确定下一个事件点：

式中，X_i+1为下一个事件点。

e)比较前后两个事件点的密度函数值，如果

则X_i＝X_i+1，转入步骤(b)；如果

则搜索该点的二十六个邻域中是否有密度更大的点，如果有则转入步骤(b)，否则就以当前点为X_i作为密度吸引点X^*。

对于点x∈F^d，当且仅当存在k∈N:d(x^k,x^*)≤ξ，使得

则称点x∈F^d被密度吸引子x^*所吸引,其中ξ(ξ＝0.001)为概率密度阈值，δ_i为第i步爬山步长，

为密度函数

的梯度，可表示为：

被密度吸引子所吸引的点集为最终的聚类结果，并得到相应的鸟击事件聚集形状、密度分布特征等信息。

5、针对所述鸟击事件空间聚类的热点区域，对频发区域进行鸟击防控方案的成本收益分析，从“效益-成本”比的角度评选出最优的防控方案，提高机场对鸟击事件的预防及控制能力。

以鸟击事件空间聚类的热点区域为指导，对频发区域进行鸟击防控方案的成本收益分析，从“效益-成本”比的角度评价各个方案，选取最优的防控方案，提高机场对鸟击事件的预防及控制能力。具体步骤如下：

(1)获得聚类结果后，统计各个热点区域中鸟击事件数量n_Ai及平均综合风险值

用来描述各个区域的特征，分别设置鸟击事件数量阈值

和平均综合风险值阈值

取n_Ai及

均超过其阈值的区域进行下一步研究；

(2)根据上一步选定区域中的鸟击事件信息判断鸟击损失情况。对于频发鸟击事件的鸟类利用鸟击概率估计模型获得第i种鸟类发生鸟击的概率P_i，同时考虑造成不同事件的危害程度(即造成鸟击的最大综合风险值)R_i，以此来判断发生鸟击事件的损失S_i＝P_i·R_i。其中P和R的值划分为非常高(VH)、高(H)、中等(M)、低(L)、非常低(VL)5个等级。

其中，鸟击概率估计模型是综合考虑飞鸟与跑道的相对位置，以此来估计某飞鸟目标侵入某跑道的概率，如图3所示。点A和B为跑道的两端，飞鸟目标(C)与跑道中点(O)之间的距离为L，OC与跑道之间的夹角为θ(0°≤θ≤90°)。鸟击概率由距离L和角度θ两个因素决定，如下式:

其中，P_L与L有关，P_A与θ有关，且二者取值范围都是(0,1]之间。参数P_L由下式计算:

P_L＝exp(1-L/L₀) (12)

P_L随着距离L的增加而减小，L₀控制了P_L的递减速度，当L＝L₀时，P_L＝1。

通常认为，飞鸟靠近飞机起降通道时(图3虚线)鸟击危害最大，因此参数P_A由下式计算:

P_A＝1-a·sinθ (13)

其中参数a能够控制P_A的边界值.夹角θ由余弦定理计算:

将鸟击概率划分为5个等级:VL(0＜P＜0.2)，L(0.2≤P＜0.4)，M(0.4≤P＜0.6)，H(0.6≤P＜0.8)，VH(0.8≤P≤1)，危害程度R以风险值的不同划分为5个等级：VL(0＜R＜20)，L(20≤R＜30)，M(30≤R＜40)，H(40≤R＜50)，VH(R≥50)。

(3)对于鸟击事件，有多种方案可以进行防控，但不同的方案耗费的资源、时间不同，其对于鸟击风险的防控效果也是不同的。本发明中成本主要包括人力成本、设备成本等，同时考虑各种成本的叠加效果，防控效果主要由每种鸟击风险消除程度来体现，C_j表示机场采取第j种风险控制方法的成本，设为，

C(j)＝C₁x_j+C₂y_j+…+φ(C₁,C₂,...) (15)

其中，参数C₁，C₂表示单位人力及设备成本，x_j,y_j表示第j种风险控制方法所需的人数和设备数，φ(C₁,C₂,...)表示各种成本的叠加效果。

同时鸟击风险消除程度ΔS_i会由于采取不同的防控方案而变化，所以，ΔS_i与机场采取鸟击防控方案的成本C_i是一一映射的。

ΔS(C)＝Sexp(s/C)+S₀ (16)

其中，参数S与s控制ΔS的消除速度，S₀能够控制ΔS的边界值，当C趋近无穷大时，风险消除的速率逐渐降低，并最终局限于技术系统本身的控制水平。

(4)明确防控方案的效益及成本后，本发明基于价值工程原理对安全经济投入进行合理评价，即是以各个防控方案的“效益-成本”比来评价其合理性和有效性。评价模型如下：

SIRD_j＝安全效果/安全投入＝∑P_iR_iΔS_i/C_j (17)

其中，SIRD_j为第j种方案安全防控合理度，P_i为防控系统中第i种鸟类发生鸟击的概率，R_i为防控系统中第i种鸟类导致的鸟击最大损失后果，ΔS_i为防控后对第i种鸟类导致鸟击风险的消除程度，C_j为第j种方案的安全防控总投资，P_iR_iΔS_i表示安全防控后的总效果，P_iR_i是系统危险度。

鉴于不同的防控方案具有不同的安全效果和投资量，从而具有不同的投资合理度。于是，依据SIR值的大小可选出最优方案，实现方案优选，以提高机场相关部门的防控水平。

Claims (2)

1.一种基于空间聚类的鸟击事件风险综合防控方法，其特征在于，包括以下步骤：

(1)采集历史鸟击事件报告中的数据，进行历史鸟击事件的因素识别；所述因素识别主要包括鸟类自身因素识别和机场周围环境因素识别；

(2)根据鸟类自身因素，综合评价鸟类自身风险值R；所述鸟类自身风险值R通过以下公式实现：

R＝(S+N+F+L+M)*100/5

其中，S为鸟的种类，N为相对数量，F为遇见频次，L为体长系数，M为鸟类迁徙类型；

(3)根据鸟类自身风险值，结合年份变化对鸟类行为的影响，以不同权重刻画鸟类活动随时间变化的影响，得出鸟击事件综合风险值；

(4)基于核密度的空间聚类算法进行鸟击事件热点识别，对聚类结果进行分析及评价；

(5)对频发区域进行鸟击防控方案的成本收益分析，从“效益-成本”比的角度评选出最优的防控方案；

所述步骤(4)包括以下步骤：

(41)根据鸟击事件空间位置信息，进行网格化分区，以网格内鸟击事件数量大于一预设阈值的网格作为高密度网格，将每个高密度网格及其邻近网格作为一个局部计算区域；

(42)在计算区域中查找具有邻近关系的点集，构建该区域的密度估计函数：

其中，n为计算区域内鸟击事件总数，h_x,h_y,h_z为计算概率密度函数时所需的窗宽，x_i,y_i,z_i对应着已知的数据点的空间位置信息；

(43)根据鸟击事件热点区域分布情况，获取其聚集形状、平均综合风险值特征；

步骤(5)所述的“效益-成本”比评价模型如下：

SIRD_j＝安全效果/安全投入＝∑P_iR_iΔS_i/C_j

ΔS(C)＝Sexp(s/C)+S₀

C(j)＝C₁x_j+C₂y_j+…+φ(C₁,C₂,...)

其中，SIRD_j为第j种方案安全防控合理度，P_i为防控系统中第i种鸟类发生鸟击的概率，R_i为防控系统中第i种鸟类导致的鸟击最大损失后果，ΔS_i为防控后对第i种鸟类导致鸟击风险的消除程度，C_j为第j种风险防控方案的总成本值，参数S与s控制ΔS的消除速度，S₀能够控制ΔS的边界值，当C趋近无穷大时，风险消除的速率逐渐降低；参数C₁，C₂表示单位人力及设备成本，x_j,y_j表示第j种风险控制方法所需的人数和设备数，φ(C₁,C₂,...)表示各种成本的叠加效果。

2.根据权利要求1所述的一种基于空间聚类的鸟击事件风险综合防控方法，其特征在于，步骤(3)所述的鸟击事件中综合风险值公式如下：

R_c＝r_t*R

其中，r_t为t年的权重。

Images