CN109447144A - 用于空中交通区域划分的聚类分析方法 - Google Patents

用于空中交通区域划分的聚类分析方法 Download PDF

Info

Publication number
CN109447144A
CN109447144A CN201811235489.5A CN201811235489A CN109447144A CN 109447144 A CN109447144 A CN 109447144A CN 201811235489 A CN201811235489 A CN 201811235489A CN 109447144 A CN109447144 A CN 109447144A
Authority
CN
China
Prior art keywords
clustering
data
cluster
matrix
overlap
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.)
Pending
Application number
CN201811235489.5A
Other languages
English (en)
Inventor
谢华
王中叶
赵征
袁立罡
陈平
张洪海
王兵
李�杰
张颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201811235489.5A priority Critical patent/CN109447144A/zh
Publication of CN109447144A publication Critical patent/CN109447144A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种用于空中交通区域划分的聚类分析方法，包括：获取航班的ADS‑B数据并构建经纬度矩阵；构建聚类分析模型；依据聚类分析模型对经纬度矩阵中的数据进行聚类分析依据分析结果计算经纬度矩阵中的数据的最佳聚类。通过建立聚类分析模型ADS‑B数据进行聚类分析，得出聚类结果，采用一个模型对任何空中状态的交通局域进行聚类分析，适应性强，应用范围宽泛。

Description

用于空中交通区域划分的聚类分析方法
技术领域
本发明涉及空中交通区域划分，具体涉及一种用于空中交通区域划分的聚类分析方法。
背景技术
随着民航行业的发展，现有空域资源趋于饱和，国家与国家、地区与地区之间的空中交通限制不断增多，降低了航空器运行效率的同时增加了航班延误。空中交通区域的正确划分，对追求高效的协同服务水平，增强全局性优化调配空域的能力具有重要的现实意义。
现有技术中，采用聚类分析对空中交通区域划分，基于实际运行数据计算得出11个典型空中交通复杂性因子数据，提出了空中交通复杂性的相似性度量方法，基于K-means将空中交通状态划分为3个复杂性模式，并通过单因素方差分析验证了结果的合理性，最后分析了不同复杂性模式的统计特征。该方法模型复杂，并且需要将空中交通状态划分为3个模型，在实际应用中，如果交通状态的划分模型出错，会导致划分结果出错。
因此，如何克服上述问题是目前亟待解决的。
发明内容
本发明的目的是提供一种用于空中交通区域划分的聚类分析方法。
为了解决上述技术问题，本发明提供了一种用于空中交通区域划分的聚类分析方法，包括：
获取航班的ADS-B数据并构建经纬度矩阵；
构建聚类分析模型；
依据聚类分析模型对经纬度矩阵中的数据进行聚类分析
依据分析结果计算经纬度矩阵中的数据的最佳聚类。
进一步地，所述构建聚类分析模型的方法包括：
参数定义；
设定约束条件；
构建目标函数。
进一步地，所述参数定义包括：
uij表示的是第j个数据样本在第i个类中的隶属度；
m表示的模糊加权指数；
xj表示的是第j个数据样本；
vi表示的是第i个聚类中心；
C表示聚类个数；
n表示数据个数；
λ表示拉格朗日乘数。
进一步地，约束条件为：
进一步地，目标函数为：
进一步地，所述依据聚类分析模型对经纬度矩阵中的数据进行聚类分析的方法包括，将约束条件代入目标函数中，计算目标函数的最小值。
进一步地，所述计算目标函数的最小值的方法包括：
采用拉格朗日乘数法将约束条件代入目标函数，即，
通过迭代，计算目标函数的最小值；
其中，
如果两次循环中聚类中心的变化小于设定的阈值，则停止迭代，将下一个数据样本的约束条件代入目标函数，直到聚类中心vi的变化小于设定的阈值或达到设定的迭代次数，从而完成聚类分析。
进一步地，依据分析结果计算经纬度矩阵中的数据的最佳聚类。的方法包括：
计算聚类紧密性；
计算聚类重叠性；
计算有效性指标；
得出模糊聚类有效性指标，其中最大有效性指标对应的分类为最佳聚类。
进一步地，计算聚类紧密性，即，
其中：S为最大隶属度的数据对象个数；n为数据集中所有数据对象的个数；U为隶属度矩阵；k为聚类个数；α和β是两个参数，分别取0.7和0.6；
计算聚类重叠性，即，
其中：R为满足且|uip-uiq|≤γ条件的矩阵元素的个数；n为数据集中全部数据对象的个数；U为隶属度矩阵；p、q为类别；Comp(k，U)表示U为隶属度矩阵、k为聚类个数时的聚类紧密性；Overlap(k，U)表示U为隶属度矩阵、k为聚类个数时的聚类重叠性；R表示判定为重叠的矩阵的元素个数；
计算有效性指标，即，
Comp(k，U)＝{Comp(2，U)，Comp(3，U)，...，Comp(cmax，U)}、
Overlap(k，U)＝{Overlap(2，U)，Overlap(3，U)，...，Overlap(cmax，U)}；
分别得到最大值如下：
对两个最大值进行归一化处理，即，
FComp(k，U)＝Comp(k，U)/Compmax、FOverlap(k，U)＝Overlap(k，U)/Overlapmax；
其中，FComp(k，U)∈[0，1]，FOverlap(k，U)∈[0，1]，FComp(k，U)表示对U为隶属度矩阵、k为聚类个数时的聚类紧密性进行归一化处理；FOverlap(k，U)表示对U为隶属度矩阵、k为聚类个数时的聚类重叠性进行归一化处理；
得出模糊聚类有效性指标，即，F＝FComp(k，U)-FOverlap(k，U)；其中，F表示聚类有效性指标。
本发明的有益效果是，本发明提供了一种用于空中交通区域划分的聚类分析方法，包括：获取航班的ADS-B数据并构建经纬度矩阵；构建聚类分析模型；依据聚类分析模型对经纬度矩阵中的数据进行聚类分析依据分析结果计算经纬度矩阵中的数据的最佳聚类。通过建立聚类分析模型ADS-B数据进行聚类分析，得出聚类结果，采用一个模型对任何空中状态的交通局域进行聚类分析，适应性强，应用范围宽泛。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明提供的用于空中交通区域划分的聚类分析方法的流程图。
图2为各分类数下的聚类结果图。
图3为各分类数的聚类评价指标值，其中横坐标为聚类数，纵坐标为聚类评价指标值。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
实施例
请参阅图1，本发明提供了一种用于空中交通区域划分的聚类分析方法。用于空中交通区域划分的聚类分析方法包括以下步骤：
S110：采集航班的ADS-B数据并构建经纬度矩阵。其中，ADS-B指的是广播式自动相关监视。
S120：构建聚类分析模型
S130：依据聚类分析模型对经纬度矩阵中的数据进行聚类分析。
S140：依据分析结果计算经纬度矩阵中的数据的最佳聚类。
在本实施例中，步骤S110包括：采集航班的ADS-B数据；对采集到的ADS-B数据进行去噪处理，即删除缺少经纬度数据和/或关联不上航班的数据；对去噪处理后的ADS-B数据构建经纬度矩阵。通过去噪处理，防止信息不全的数据对经纬度矩阵建立造成干扰，提高了数据的精确性。
在本实施例中，步骤S120包括以下步骤：
S121：参数定义：
uij表示的是第j个数据样本在第i个类中的隶属度；
m表示的模糊加权指数；
xj表示的是第j个数据样本；
vi表示的是第i个聚类中心；
C表示聚类个数；
n表示数据个数；
λ表示拉格朗日乘数。
S122：设定约束条件；
S123：构建目标函数；
在本实施例中，步骤S130包括：将约束条件代入目标函数中，计算目标函数的最小值。其中计算目标函数的最小值的方法包括，采用拉格朗日乘数法将约束条件代入目标函数，即，
通过迭代，计算目标函数的最小值；
其中，
如果两次循环中聚类中心的变化小于设定的阈值，则停止迭代，将下一个数据样本的约束条件代入目标函数，直到聚类中心vi的变化小于设定的阈值或达到设定的迭代次数。聚类结果如图2所示。
在本实施例中，步骤S140包括：
S131：计算聚类紧密性。
计算聚类紧密性，即，
其中：S为最大隶属度的数据对象个数；n为数据集中所有数据对象的个数；U为隶属度矩阵；k为聚类个数；α和β是两个参数，分别取0.7和0.6。
S132：计算聚类重叠性。
计算聚类重叠性，即，
其中：R为满足且|uip-uiq|≤γ条件的矩阵元素的个数；n为数据集中全部数据对象的个数；U为隶属度矩阵；p、q为类别；Comp(k，U)表示U为隶属度矩阵、k为聚类个数时的聚类紧密性；Overlap(k，U)表示U为隶属度矩阵、k为聚类个数时的聚类重叠性；R表示判定为重叠的矩阵的元素个数。
S133：计算有效性指标。
计算有效性指标，即，
Comp(k，U)＝{Comp(2，U)，Comp(3，U)，...，Comp(cmax，U)}、
Overlap(k，U)＝{Overlap(2，U)，Overlap(3，U)，...，Overlap(cmax，U)}；
分别得到最大值如下：
对两个最大值进行归一化处理，即，
FComp(k，U)＝Comp(k，U)/Compmax、FOverlap(k，U)＝Overlap(k，U)/Overlapmax；
其中，FComp(k，U)∈[0，1]，FOverlap(k，U)∈[0，1]，FComp(k，U)表示对U为隶属度矩阵、k为聚类个数时的聚类紧密性进行归一化处理；FOverlap(k，U)表示对U为隶属度矩阵、k为聚类个数时的聚类重叠性进行归一化处理。
S134：得出模糊聚类有效性指标，其中最大有效性指标对应的分类为最佳聚类。
得出模糊聚类有效性指标，即，F＝FComp(k，U)-FOverlap(k，U)；其中，F表示聚类有效性指标。最大有效性Fmax所对应的分类数为最佳分类数K，获得如图3所示聚类数与聚类评价指标值关系图。从而完成对空中交通区域划分的聚类分析，相对于现有技术，本实施例提供的空中交通区域划分的聚类分析方法适用于多种空中交通状态，适用范围广。
综上所述，本发明提供了一种用于空中交通区域划分的聚类分析方法，包括：获取航班的ADS-B数据并构建经纬度矩阵；构建聚类分析模型；依据聚类分析模型对经纬度矩阵中的数据进行聚类分析依据分析结果计算经纬度矩阵中的数据的最佳聚类。通过建立聚类分析模型ADS-B数据进行聚类分析，得出聚类结果，采用一个模型对任何空中状态的交通局域进行聚类分析，适应性强，应用范围宽泛。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (9)

1.一种聚类分析方法，其特征在于，包括：
获取航班的ADS-B数据并构建经纬度矩阵；
构建聚类分析模型；
依据聚类分析模型对经纬度矩阵中的数据进行聚类分析；
依据分析结果计算经纬度矩阵中的数据的最佳聚类。
2.如权利要求1所述的聚类分析方法，其特征在于，所述构建聚类分析模型的方法包括：
参数定义；
设定约束条件；
构建目标函数。
3.如权利要求2所述的聚类分析方法，其特征在于，所述参数定义包括：
uij表示的是第j个数据样本在第i个类中的隶属度；
m表示的模糊加权指数；
xj表示的是第j个数据样本；
vi表示的是第i个聚类中心；
C表示聚类个数；
n表示数据个数；
λ表示拉格朗日乘数。
4.如权利要求3述的用于空中交通区域划分的聚类分析方法，其特征在于，约束条件为：
5.如权利要求4所述的聚类分析方法，其特征在于，目标函数为：
6.如权利要求5所述的聚类分析方法，其特征在于，所述依据聚类分析模型对经纬度矩阵中的数据进行聚类分析的方法包括，将约束条件代入目标函数中，计算目标函数的最小值。
7.如权利要求6所述的聚类分析方法，其特征在于，所述计算目标函数的最小值的方法包括：
采用拉格朗日乘数法将约束条件代入目标函数，即，
通过迭代，计算目标函数的最小值；
其中，
如果两次循环中聚类中心的变化小于设定的阈值，则停止迭代，将下一个数据样本的约束条件代入目标函数，直到聚类中心vi的变化小于设定的阈值或达到设定的迭代次数，从而完成聚类分析。
8.如权利要求1所述的聚类分析方法，其特征在于，所述依据分析结果计算每个数据的最佳聚类的方法包括：
计算聚类紧密性；
计算聚类重叠性；
计算有效性指标；
得出模糊聚类有效性指标，其中最大有效性指标对应的分类为最佳聚类。
9.如权利要求8所述的聚类分析方法，其特征在于，
计算聚类紧密性，即，
其中：S为最大隶属度的数据对象个数；n为数据集中所有数据对象的个数；U为隶属度矩阵；k为聚类个数；α和β是两个参数，分别取0.7和0.6；
计算聚类重叠性，即，
其中：R为满足且|uip-uiq|≤γ条件的矩阵元素的个数；n为数据集中全部数据对象的个数；U为隶属度矩阵；p、q为类别；Comp(k，U)表示U为隶属度矩阵、k为聚类个数时的聚类紧密性；Overlap(k，U)表示U为隶属度矩阵、k为聚类个数时的聚类重叠性；R表示判定为重叠的矩阵的元素个数；
计算有效性指标，即，
Comp(k，U)＝{Comp(2，U)，Comp(3，U)，...，Comp(cmax，U)}、Overlap(k，U)＝{Overlap(2，U)，Overlap(3，U)，...，Overlap(cmax，U)}；
分别得到最大值如下：
对两个最大值进行归一化处理，即，
FComp(k，U)＝Comp(k，U)/Compmax、FOverlap(k，U)＝Overlap(k，U)/Overlapmax；
其中，FComp(k，U)∈[0，1]，FOverlap(k，U)∈[0，1]，FComp(k，U)表示对U为隶属度矩阵、k为聚类个数时的聚类紧密性进行归一化处理；FOverlap(k，U)表示对U为隶属度矩阵、k为聚类个数时的聚类重叠性进行归一化处理；
得出模糊聚类有效性指标，即，F＝FComp(k，U)-FOverlap(k，U)；其中，F表示聚类有效性指标。
CN201811235489.5A 2018-10-22 2018-10-22 用于空中交通区域划分的聚类分析方法 Pending CN109447144A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811235489.5A CN109447144A (zh) 2018-10-22 2018-10-22 用于空中交通区域划分的聚类分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811235489.5A CN109447144A (zh) 2018-10-22 2018-10-22 用于空中交通区域划分的聚类分析方法

Publications (1)

Publication Number Publication Date
CN109447144A true CN109447144A (zh) 2019-03-08

Family

ID=65547773

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811235489.5A Pending CN109447144A (zh) 2018-10-22 2018-10-22 用于空中交通区域划分的聚类分析方法

Country Status (1)

Country Link
CN (1) CN109447144A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103971035A (zh) * 2014-05-08 2014-08-06 华中科技大学 一种基于数字指纹技术的三维模型版权保护方法
CN105025497A (zh) * 2014-04-30 2015-11-04 中国移动通信集团北京有限公司 一种网络规划方法及系统
CN108280550A (zh) * 2018-01-30 2018-07-13 杭州电子科技大学 一种比较公共自行车站点社区划分的可视分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105025497A (zh) * 2014-04-30 2015-11-04 中国移动通信集团北京有限公司 一种网络规划方法及系统
CN103971035A (zh) * 2014-05-08 2014-08-06 华中科技大学 一种基于数字指纹技术的三维模型版权保护方法
CN108280550A (zh) * 2018-01-30 2018-07-13 杭州电子科技大学 一种比较公共自行车站点社区划分的可视分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DAWEN XIA ET AL.: "MapReduce-Based Parallel Clustering Algorithm for Distributed Traffic Subarea Division", 《DISCRETE DYNAMICS IN NATURE AND SOCIETY》 *
郑宏亮 等: "新的模糊聚类有效性指标", 《计算机应用》 *

Similar Documents

Publication Publication Date Title
CN109508867B (zh) 基于模糊c均值聚类的空中交通区域划分方法
WO2021218251A1 (zh) 一种基于历史容量相似特征的容量评估方法及设备
CN114549914B (zh) 一种飞机大面积结冰检测方法及检测系统
CN110990461A (zh) 大数据分析模型算法选型方法、装置、电子设备及介质
Yang et al. Image-based visibility estimation algorithm for intelligent transportation systems
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
CN107507417B (zh) 一种基于微波雷达回波信号的智能车道划分方法及装置
CN104834942A (zh) 基于掩膜分类的遥感影像变化检测方法及系统
CN111291822B (zh) 基于模糊聚类最优k值选择算法的设备运行状态判断方法
CN108986142A (zh) 基于置信图峰值旁瓣比优化的遮挡目标跟踪方法
CN113011753A (zh) 基于人工智能与大数据的智慧园区管理方法及云平台系统
US20230104047A1 (en) Track fusion method and device for unmanned surface vehicle
CN104850867A (zh) 一种基于直觉模糊c均值聚类的目标识别方法
CN102831431A (zh) 一种基于层次聚类的检测器训练方法
WO2024139631A1 (zh) 一种基于神经网络的无人机目标检测方法
CN111540203B (zh) 基于Faster-RCNN调节绿灯通行时间的方法
CN111601358B (zh) 一种多阶段分层分簇空间相关性温度感知数据去冗余方法
CN114386466A (zh) 一种用于脉冲星搜寻中候选体信号挖掘的并行的混合聚类方法
CN109508868B (zh) 高效智能空中交通区域划分系统
CN114511905A (zh) 一种基于图卷积神经网络的人脸聚类方法
Zhang et al. A new outlier detection algorithm based on fast density peak clustering outlier factor.
CN109447144A (zh) 用于空中交通区域划分的聚类分析方法
CN107729942A (zh) 一种结构化视图缺失数据的分类方法
CN116882584A (zh) 一种航班延误预测方法及系统
CN109447143A (zh) 空中交通区域划分分析系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190308