CN109657736A - 基于聚类特征的航段运行时间计算方法 - Google Patents
基于聚类特征的航段运行时间计算方法 Download PDFInfo
- Publication number
- CN109657736A CN109657736A CN201910051683.6A CN201910051683A CN109657736A CN 109657736 A CN109657736 A CN 109657736A CN 201910051683 A CN201910051683 A CN 201910051683A CN 109657736 A CN109657736 A CN 109657736A
- Authority
- CN
- China
- Prior art keywords
- section
- segment
- cluster
- runing time
- flight
- 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.)
- Withdrawn
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于聚类特征的航段运行时间计算方法。基于聚类特征的航段运行时间计算方法包括:获取对航段运行阶段进行重新拆分的划分结果;获取航班历史数据;针对不同航段运行阶段的航班历史数据依据聚类特征计算航段运行时间。对航段运行阶段进行重新拆分,使用航班历史数据进行聚类分析,并与时间片段相关联,根据聚类结果的时空特征,确定各个阶段的运行时间,进而得到综合的航段运行时间,为空中交通流量管理的战略与预战术阶段提供化的数据依据。
Description
技术领域
本发明涉及航空领域,具体涉及一种基于聚类特征的航段运行时间计算方法。
背景技术
我国发展进入新阶段、新时代,对民航发展提出了新要求。目前,有限且不灵活的民航运输资源已经不能满足民航运输的发展需求,有效的进行民航业供给侧改革,合理灵活的使用民航资源显得尤为重要。
航班时刻就是这样一种民航运输资源,它的分配最终将反映在飞行计划中。而飞行计划编排时,一项重要的参考数据即为航段标准运行时间,针对于航空公司提出的航段时间都是从自身出发的问题,管理者根据历史数据计算出了统一的航段标准时间,但是该时间是单一固定的,实际上对于不同时段起飞的航班,其各段的运行时间均有不同,为了更加科学实际的反映航段运行时间,就需要把航段时间与运行时段时间关联起来,形成航段运行时间标准。
总体而言,目前关于航段运行时间计算方法研究现状如下:1、各航空公司采用传统概率统计的方法过于粗糙,无法反应运行中的特征和差异,适用性较低,不能满足民航运行管理部门精细化管理的要求;2、基于航空器性能的仿真估算方法,适用于计算畅通无阻碍状态下的目标运行时间,但无法较全面的考虑实际的运行影响因素,包括季节性变化、机场/空域通行能力等,实际参考价值较弱;3、基于实测数据的研究,目前考虑了场面滑行和空中阶段划分,未考虑将空中运行的不同阶段进行划分,并按照不同的运行特点进行分别估算。
如何解决上述问题,是目前亟待解决的。
发明内容
本发明的目的是提供一种基于聚类特征的航段运行时间计算方法。
为了解决上述技术问题,本发明提供了一种基于聚类特征的航段运行时间计算方法,其特征在于,所述基于聚类特征的航段运行时间计算方法包括:
获取对航段运行阶段进行重新拆分的划分结果;
获取航班历史数据;
针对不同航段运行阶段的航班历史数据依据聚类特征计算航段运行时间。
本发明的有益效果是,本发明提供的基于聚类特征的航段运行时间计算方法。基于聚类特征的航段运行时间计算方法包括:获取对航段运行阶段进行重新拆分的划分结果;获取航班历史数据;针对不同航段运行阶段的航班历史数据依据聚类特征计算航段运行时间。对航段运行阶段进行重新拆分,使用航班历史数据进行聚类分析,并与时间片段相关联,根据聚类结果的时空特征,确定各个阶段的运行时间,进而得到综合的航段运行时间,为空中交通流量管理的战略与预战术阶段提供化的数据依据。
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为本发明的航段运行时间计算方法的流程图;
图2为航路计划信息拆解示意图;
图3为T3滑出阶段各聚类样本的24小时分布图;
图4为0.8-0.89M类型航班飞行时间概率分布图。
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
如图1所示,本实施例提供了一种基于聚类特征的航段运行时间计算方法。所述基于聚类特征的航段运行时间计算方法包括:
S110:获取对航段运行阶段进行重新拆分的划分结果。
在本实施例中,所述划分结果包括:滑出段、离场段、巡航段、进场段、滑入段。城市对航段是由具有一定商业载量的航空器在两个城市间从事定期运输服务而形成的航空运输线。根据空域实际运行情况,城市对航段运行阶段是指从航空器撤轮挡开始,到加轮挡结束的运行过程。整个运行阶段在空间上可依次划分为滑出、离场、巡航、进场、滑入五个阶段,以对应于飞行所经过的起飞机场、起飞机场终端区、区域管制区、目的地机场终端区、目的地机场等五个相互衔接的空间区域,因此,将城市对航段运行过程重新拆分如下:滑出段、离场段、巡航段、进场段、滑入段。机型速度分类:相比其他飞行阶段,在巡航阶段,航空器多以高速度平飞为主,飞行速度成为影响同航段不同机型的运行时间的主要因素,因此,按照机型飞行正常巡航马赫数对机型进行分类,依次分为:[0.8M,0.89M]、[0.7M,0.79M]、[0.6M,0.69M]、及其他类型。
图2展示了计划航路信息的空间拆解。
我国针对城市对航段都有明确的飞行航路规定,并且一般仅为一条,对于具有多条航路飞行路径的城市对,分为主用与备用航路,取主飞航路作为参考航路,用于确定起落机场的进场段、离场段点。例如,北京至广州航段,其离场点为RENOB,进场点为ATAGA。
对于机场的同一进场段、离场段点,一般存在多个进场段、离场程序,主用程序为一条,其他程序为备用(或在特殊情况下使用)。运行时间计算过程中采用飞行概率较高的主用进场段、离场段程序作为对应计划航路的参考程序。
S120:获取航班历史数据;
S130:针对不同航段运行阶段的航班历史数据依据聚类特征计算航段运行时间。
在本实施例中,步骤S130包括:
S131:对滑入段、滑出段、进场段、离场段、巡航段的历史航班运行数据进行清洗并获得对应航段的航段运行时间的样本空间。
其中,滑入段、滑出段的数据获取与清洗:
由于停靠在同一机场不同航站楼的航空器,其滑入段、滑出段的时间具有较大差异,因此按照起飞/降落机场航站楼位置设定初步样本空间。然后按照以下规则对数据进行清洗:1)计划起飞/降落机场与实际起飞/降落机场不一致;2)主要时刻字段缺失或者解析异常;3)航班任务执行状态为返航、备降或者取消;4)航班推出、实际起飞、实际落地、推入实际顺序异常。
使用清洗后数据计算滑出/入段的运行时间,得到有效滑出/滑入时间。其中,滑入时间Ttaxiin=t上轮档-t降落;其中,t上轮档:航班的上轮档时刻,t降落:航班的降落时刻,滑出时间Ttaxiout=t起飞-t撤轮档,其中,t起飞:航班的起飞时刻,t撤轮档:航班的撤轮档时刻。则i航班执行A机场(1号航站楼)至B机场(2号航站楼)飞行任务,其滑出时间表示为滑入时间表示为
统计计算与滑入、滑出时间相关的其他属性,包括:机场小时起降架次、小时离场比率,小时离场架次与机场流量的比值,这些属性与航班滑入、滑出时间构成了滑入段、滑出段计算样本集合,其中,小时离场比率表示小时离场架次与机场流量的比值。
因此,A机场(1号航站楼)的滑入段、滑出段计算样本空间为:其中,A表示起飞机场代号,A1表示A机场的1号航站楼,L表示样本空间中的航班总数,i=1,...,L为下标索引,表示第i个航班;UA表示A机场的滑出时间计算样本空间,表示第i航班从A机场的1号航站楼滑出所用的滑行时间,P1,...,Pn-1表示n-1个属性值,属性表示与航班滑入/滑出相关的特征,包括机场小时起降架次、小时离场比率。
进场段、离场段、巡航段的数据获取与清洗:
进场段、离场段、巡航阶段的航班数据是由一系列的二次雷达点序列构成,根据不同雷达设备的差异,其输出的雷达点扫描间隔一般在5s到6s之间,内容一般包含航班呼号、二次应答机编码、起飞机场、三维空间位置(含经度、纬度、高度)、地速、机头方向和时间戳等。由于定期航班信息的重复性,区域内二次应答机编码的循环分配,加上气象等因素引起的雷达信息丢失,仅依靠雷达数据很难有效无误的提取完整的航空器轨迹序列。因此,必须对初始雷达数据按以下步骤进行清洗。
步骤1,基础数据关联:即是将航班雷达数据与计划数据相关联。计划数据内容包含航班呼号、二次应答机编码、起飞/降落机场、预计/实际起飞时间、预计/实际降落时间等。关联规则为雷达与计划数据的航班呼号、二次应答机编码和起飞机场相同,雷达时间戳应在飞行计划的预计/实际起飞时间和预计/实际降落时间之间,将挂牌错误以及无法关联计划的雷达数据进行初步剔除,形成相对完整的雷达点集PS(Point Set)。
步骤2,空间性筛选:以空间位置关系,分别筛选出归属终端区、区域管制区三维空间内的雷达数据集,以PS终端表示终端管制区内的雷达数据集,PS航路表示区域管制区内的雷达数据集。终端区的水平投影以终端区边界构成的多边形区域为参考,对于无终端区的繁忙机场,以机场基准点为中心,半径50海里为参考。垂直投影以高度6000米为上限。航路的雷达数据以城市对航线所经过的管制扇区的物理边界为基准。
步骤3,有效性分析:对于已获得的雷达数据集PS终端、PS航路,提取所有个航班所关联的雷达点序列,构成初始的航迹样本集合:P={p1,p2,...,pn};
pi={pi1,pi2,…,pim},i=1…n;
其中,n表示与计划关联的航迹数量,m表示航迹pi包含的雷达点数量,K表示雷达点pij包含的信息特征数。
有效性的验证原则为:1)航迹点数量m应大于航迹雷达点平均数量的1/2;2)航迹pi中任意连续2点间的时间间隔不应超过5-6次雷达间隔;3)航迹pi中任意连续2点间的位置不应存在超过合理距离的跳变。
经过清洗和筛选,得到用于聚类分析的进场段、离场段、巡航阶段航迹样本空间P′={p1,p2,...,pl}。
S132:计算滑入段、滑出段的运行时间。
具体地,航站楼位置对于航空器滑行时间的影响相对于机型等因素更为显著,并且航段时间主要用于空中交通流量管理的战略与预战术阶段,因此不考虑具体机位、航空公司等因素,仅按机场航站楼位置分别计算。对清洗后的滑入/滑出端的样本空间采用k-means算法进行聚类分析,误差平方准则函数与聚类中心更新公式如下:
其中,上表示样本空间中的航班总数,Si为划分的第i类集合,x为第i类集合的任一样本,ci为第i类的聚类中心;
根据不同机场的差异,再次对样本中的极端值进行过滤,通过上述滑入段、滑出段运行时间聚类算法将样本空间UA划分为k类,得到聚类中心集C。
其中ci=(ci1,...,cin)为第i类聚类中心,n表示滑入段、滑出段计算样本的属性总数,属性表示滑入、滑出行时间、机场小时起降架次、小时离场比率,cin表示第i聚类中心的第n个属性值,ci1为第i类的参考滑出/滑入运行时间
滑入段、滑出段的聚类数据与统计时间片(以小时为单位)相关联,转换为各聚类数据占总样本数据比例关系随时间片的时变关系,从而得出滑入段、滑出段的运行时间。如图3所示,以小时为时间片,统计一天24小时各时间片中不同聚类划分占总样本数的百分比。对单个时间片,以其百分比最高的聚类i为参考,聚类中心i对应的滑行时间分量为该时间片的滑行参考时间。由此可形成全体24小时各时间片对应动态滑行时间参考。例如,机场A(1号航站楼)的动态滑出参考时间为机场A(1号航站楼)ti至tj时段对应的聚类中心ci的滑出时间分量ci1。滑入阶段参考时间同理,不再赘述。
S133:计算进场段、离场段、巡航段的运行时间。
具体地,由于进场段、离场段、巡航段的有效样本空间P′为非等长数据,不便于聚类分析,因此需要对P′进行重新采样。
对进场段、离场段、巡航段的样本空间进行归一化处理,得出聚类样本空间,即,对P′中的所有航迹进行归一化处理,将所有航迹投射到[0,1]区间上,然后使用相同的间隔对样本P′中K个特征进行线性插值计算,使得新样本中的数据为等长数据,从而得到聚类样本空间P″={p′1,p′2,...,p′l},p′i={p′i1,p′i2,...,p′iM},其中,M为所有航迹的航迹点数。
依据聚类样本空间获得所有航迹间的相似性矩阵,即,采用对应航迹点的欧氏距离均值表示两条航迹的相似性(该值越大表示航迹差异越大)。为了降低噪声数据的影响,引入距离修正因子V(X)和航线修正因子H,其中,V(X)为等角距离集合方差,H为航迹间距离小于1海里且航线夹角小于10度的出现数量。
设两条航迹p′i={p′i1,p′i2,...,p′iM},p′j={p′j1,p′j2,...,p′jM},则两条航迹的相似性如下表示:
其中xk=d(p′ik,p′jk)为两条航迹第k个雷达点间的欧氏距离,且x∈X={x1,x2,...,xM},X为雷达点距离集合。
进而可以得到所有航迹间的相似性矩阵:
对相似性矩阵进行平滑处理,即,采用高斯核函数对相似性度量结果进行平滑处理以提升聚类准确性,相似性矩阵R中元素rij的平滑处理结果为aij,
其中,Ri={ri1,ri2,...,ril},rij为航迹p′i,p′j的相似性,θi为p′i对应的规模参数,Ri为p′i与样本中其余航迹间的相似度集合,α表示p′i与样本中其余航迹间的相似度集合中的任一元素,λ为独立参数,取10:
将aij代替rij,得出亲和度矩阵A;
通过A构造规范性亲和度矩阵L=D-1/2AD-1/2,其中D为对角阵,其对角元素
选取城市对主用航线和主用进场段、离场段、巡航段对应的聚类样本空间作为运行时间计算的基础样本,即,
通过概率分布对进场段、离场段、巡航段的运行时间计算,即,计算L前t个大特征值,以其对应的特征向量构成特征矩阵然后对Vl×t按行进行归一化处理,得到矩阵Zl×t如下:
Zl×t=(zik),i=1…l,k=1…t;其中,vik为矩阵Vl×t中的元素;将矩阵Zl×t的行向量看作t维空间的一个点,即zi∈Rt,采用K-MEANs算法进行聚类分析,并选取城市对主用航线和主用进场段、离场段、巡航段对应的聚类样本空间作为运行时间计算的基础样本。
通过概率分布对进场段、离场段、巡航段的运行时间计算。基础样本为其中,XXX-XXD为城市对航段对应的运行阶段,为该运行阶段对应的聚类数,为第类中所包含的样本数,则可以得到该航迹样本集对应的运行时间集
在本实施例中,运行时间集同样需要去除样本中偏离过大的异常数据,针对传统置信率与置信区间方法的不足,采用基于单值概率分布的异常数据识别方法,对于小概率数值在样本中较高出现频率的情况,可避免对异常值判断的不合理。
以下公式给出了判断准则:
请参阅图4,其中,f(x)为巡航阶段时间拟合的对数正态分布函数,δ为异常值检验的可接受频率,一般可取值为0.2。当ρmax、ρmin满足准则中的不等式,则认为最大值、最小值数据异常,需从样本中删除,然后更新ρmax、ρmin,重复判断到不等式方向发生变化为止。筛选后的样本将组成离场阶段飞行时间的计算样本空间TXXX-XXD={t1,t2,...,tn},其中,n为筛选后的样本总数,采用该集合的时间均值作为对应离场段的参考运行时间,即:
对于进场段和巡航段同样可依照以上算法得到对应航段的运行时间。
S134:航段运行时间的综合度量。
现将各个阶段所得结果进行整合。可得,城市对航段综合飞行时间=滑出段运行时间+离场段运行时间+巡航段运行时间+进场段运行时间+滑入段运行时间。
综上所述,发明提供的基于聚类特征的航段运行时间计算方法。基于聚类特征的航段运行时间计算方法包括:获取对航段运行阶段进行重新拆分的划分结果;获取航班历史数据;针对不同航段运行阶段的航班历史数据依据聚类特征计算航段运行时间。对航段运行阶段进行重新拆分,使用航班历史数据进行聚类分析,并与时间片段相关联,根据聚类结果的时空特征,确定各个阶段的运行时间,进而得到综合的航段运行时间,为空中交通流量管理的战略与预战术阶段提供化的数据依据。
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 (10)
1.一种基于聚类特征的航段运行时间计算方法,其特征在于,所述基于聚类特征的航段运行时间计算方法包括:
获取对航段运行阶段进行重新拆分的划分结果;
获取航班历史数据;
针对不同航段运行阶段的航班历史数据依据聚类特征计算航段运行时间。
2.如权利要求1所述的基于聚类特征的航段运行时间计算方法,其特征在于,所述划分结果包括:滑出段、离场段、巡航段、进场段、滑入段。
3.如权利要求2所述的基于聚类特征的航段运行时间计算方法,其特征在于,所述针对不同航段运行阶段的航班历史数据依据聚类特征计算航段运行时间包括:
对滑入段、滑出段、进场段、离场段、巡航段的历史航班运行数据进行清洗并获得对应航段的航段运行时间的样本空间;
计算滑入段、滑出段的运行时间;
计算进场段、离场段的运行时间;
航段运行时间的综合度量。
4.如权利要求3所述的基于聚类特征的航段运行时间计算方法,其特征在于,
所述对滑入段、滑出段、进场段、离场段、巡航段的历史航班运行数据进行清洗并获得对应航段的航段运行时间的样本空间的方法包括:
对滑入段、滑出段数据中的异常数据进行清洗;
滑入时间Ttaxiin=t上轮档-t降落;其中,t上轮档:航班的上轮档时刻,t降落:航班的降落时刻,滑出时间Ttaxiout=t起飞-t撤轮档,其中,t起飞:航班的起飞时刻,t撤轮档:航班的撤轮档时刻;
滑入段、滑出段计算样本空间为: 其中,A表示起飞机场代号,A1表示A机场的1号航站楼,L表示样本空间中的航班总数,i=1,...,L为下标索引,表示第i个航班;UA表示A机场的滑出时间计算样本空间,表示第i航班从A机场的1号航站楼滑出所用的滑行时间,P1,...,Pn-1表示n-1个属性值,属性表示与航班滑入、滑出相关的特征,包括机场小时起降架次、小时离场比率;
进场段、离场段、巡航段的数据清洗;
得到进场段、离场段、巡航阶段航迹样本空间P′={p1,p2,...,pl}。
5.如权利要求4所述的基于聚类特征的航段运行时间计算方法,其特征在于,所述计算滑入段、滑出段的运行时间的方法包括:
对清洗后的滑入段、滑出段的样本空间进行聚类分析,误差平方准则函数与聚类中心更新公式如下:
其中,L表示样本空间中的航班总数,Si为划分的第i类集合,x为第i类集合的任一样本,ci为第i类的聚类中心;
根据不同机场的差异,再次对样本中的极端值进行过滤,通过上述滑入段、滑出段运行时间聚类算法将样本空间UA划分为k类,得到聚类中心集C;
其中ci=(ci1,...,cin)为第i类聚类中心,n表示滑入段、滑出段计算样本的属性总数,属性表示滑入、滑出行时间、机场小时起降架次、小时离场比率,cin表示第i聚类中心的第n个属性值,ci1为第i类的参考滑出/滑入运行时间
滑入段、滑出段的聚类数据与统计时间片且以小时为单位相关联,转换为各聚类数据占总样本数据比例关系随时间片的时变关系,以得出滑入段、滑出段的运行时间。
6.如权利要求5所述的基于聚类特征的航段运行时间计算方法,其特征在于,所述计算进场段、离场段、巡航段的运行时间的方法包括:
对进场段、离场段、巡航段的样本空间P′进行归一化处理,得出聚类样本空间;
依据聚类样本空间获得所有航迹间的相似性矩阵;
对相似性矩阵进行平滑处理;
选取城市对主用航线和主用进场段、离场段、巡航段对应的聚类样本空间作为运行时间计算的基础样本;
通过概率分布对进场段、离场段、巡航段的运行时间计算。
7.如权利要求6所述的基于聚类特征的航段运行时间计算方法,其特征在于,所述对进场段、离场段、巡航段的样本空间进行归一化处理,得出聚类样本空间,即,
将所有航迹投射到[0,1]区间上,使用相同的间隔对样本P′中K个特征进行线性插值计算,使得新样本中的数据为等长数据,从而得到聚类样本空间P″={p′1,p′2,...,p′l},p′i={p′i1,p′i2,...,p′iM},其中,M为所有航迹的航迹点数。
8.如权利要求7所述的基于聚类特征的航段运行时间计算方法,其特征在于,所述依据聚类样本空间获得所有航迹间的相似性矩阵,即
采用对应航迹点的欧氏距离均值表示两条航迹的相似性;
引入距离修正因子V(X)和航线修正因子H,其中,V(X)为等角距离集合方差,H为航迹间距离小于1海里且航线夹角小于10度的出现数量;
两条航迹p′i={p′i1,p′i2,...,p′iM},p′j={p′j1,p′j2,...,p′jM},则两条航迹的相似性表示为其中xk=d(p′ik,p′jk)为两条航迹第k个雷达点间的欧氏距离,且x∈X={x1,x2,...,xM},X为雷达点距离集合;
以得到所有航迹间的相似性矩阵:
9.如权利要求8所述的基于聚类特征的航段运行时间计算方法,其特征在于,所述对相似性矩阵进行平滑处理,即
采用高斯核函数对相似性度量结果进行平滑处理以提升聚类准确性,相似性矩阵R中元素rij的平滑处理结果为aij,
其中,Ri={ri1,ri2,...,ril},rij为航迹p′i,p′j的相似性,θi为p′i对应的规模参数,Ri为p′i与样本中其余航迹间的相似度集合,α表示p′i与样本中其余航迹间的相似度集合中的任一元素,λ为独立参数,取10;
将aij代替rij,得出亲和度矩阵A;
通过A构造规范性亲和度矩阵L=D-1/2AD-1/2,其中D为对角阵,其对角元素
10.如权利要求9所述的基于聚类特征的航段运行时间计算方法,其特征在于,所述选取城市对主用航线和主用进场段、离场段、巡航段对应的聚类样本空间作为运行时间计算的基础样本,即
计算L前t个大特征值,以其对应的特征向量构成特征矩阵然后对Vl×t按行进行归一化处理,得到矩阵Zl×t如下:
Zl×t=(zik),i=1…l,k=1…t;
其中,vik为矩阵Vl×t中的元素;
将矩阵Zl×t的行向量作为t维空间的一个点,即zi∈Rt,进行聚类分析,并选取城市对主用航线和主用进场段、离场段、巡航段对应的聚类样本空间作为运行时间计算的基础样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910051683.6A CN109657736A (zh) | 2019-01-18 | 2019-01-18 | 基于聚类特征的航段运行时间计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910051683.6A CN109657736A (zh) | 2019-01-18 | 2019-01-18 | 基于聚类特征的航段运行时间计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109657736A true CN109657736A (zh) | 2019-04-19 |
Family
ID=66120094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910051683.6A Withdrawn CN109657736A (zh) | 2019-01-18 | 2019-01-18 | 基于聚类特征的航段运行时间计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657736A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084516A (zh) * | 2019-04-28 | 2019-08-02 | 南京航空航天大学 | 一种民航航段运行时间标准修订方法 |
CN110610142A (zh) * | 2019-08-27 | 2019-12-24 | 南京航空航天大学 | 基于趋势距离和谱聚类的机场航班波形相似性度量方法 |
CN111125925A (zh) * | 2019-12-30 | 2020-05-08 | 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 |
CN111582584A (zh) * | 2020-05-09 | 2020-08-25 | 南京航空航天大学 | 基于航空公司公平性的航段运行时间优化方法 |
CN111598148A (zh) * | 2020-04-29 | 2020-08-28 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
-
2019
- 2019-01-18 CN CN201910051683.6A patent/CN109657736A/zh not_active Withdrawn
Non-Patent Citations (1)
Title |
---|
袁立罡: "终端区动态交通特征与运行态势研究", 《中国博士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084516A (zh) * | 2019-04-28 | 2019-08-02 | 南京航空航天大学 | 一种民航航段运行时间标准修订方法 |
CN110610142A (zh) * | 2019-08-27 | 2019-12-24 | 南京航空航天大学 | 基于趋势距离和谱聚类的机场航班波形相似性度量方法 |
CN111125925A (zh) * | 2019-12-30 | 2020-05-08 | 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 |
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 |
CN111598148A (zh) * | 2020-04-29 | 2020-08-28 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
CN111598148B (zh) * | 2020-04-29 | 2022-09-16 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
CN111582584A (zh) * | 2020-05-09 | 2020-08-25 | 南京航空航天大学 | 基于航空公司公平性的航段运行时间优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615937A (zh) | 航段运行时间优化计算装置 | |
CN109657736A (zh) | 基于聚类特征的航段运行时间计算方法 | |
CN109542876B (zh) | 基于Hadoop数据挖掘航空器经验轨迹模型关键因子的提取方法 | |
Vaze et al. | Modeling airline frequency competition for airport congestion mitigation | |
CN107818382B (zh) | 航班到达时间预测方法 | |
Wang et al. | Frequency and aircraft size dynamics in a concentrated growth market: The case of the Chinese domestic market | |
CN109741638B (zh) | 一种进离场管理系统一体化协同运行方法 | |
CN104156805B (zh) | 一种基于概率分布的航段运行时间计算方法 | |
CN107341620B (zh) | 基于bada燃油消耗率的短期天气下进场航班延误成本计算方法 | |
CN103455578A (zh) | 一种基于关联规则和双聚类的航空客户数据挖掘方法 | |
CN111581780A (zh) | 复杂空域场景下机场群空域仿真建模与验证方法及装置 | |
CN103164617A (zh) | 一种飞机行为预测系统及预测方法 | |
Hrastovec et al. | Machine learning model for aircraft performances | |
Keller | The NASA Air Traffic Management Ontology: Technical Documentation | |
Kang | Degradable airline scheduling: an approach to improve operational robustness and differentiate service quality | |
Khadilkar | Analysis and modeling of airport surface operations | |
Spinielli et al. | Open flight trajectories for reproducible ANS performance review | |
Condé Rocha Murça et al. | Data-Driven Modeling of Air Traffic Flows for Advanced Air Traffic Management | |
Anderson et al. | Analysis of flight delays in aviation system using different classification algorithms and feature selection methods | |
CN111476409A (zh) | 一种新航线开通的预测方法、系统及设备 | |
Mohamed et al. | Traffic characterization on airport surface using aircraft ground trajectories | |
Welch et al. | Interrelationship between airport enplanements and accessibility: Case of three airports in metropolitan Washington, DC, region | |
Wei et al. | Routing flexible traffic into metroplex | |
Avery | Data-driven modeling of the airport runway configuration selection process using maximum likelihood discrete-choice models | |
Avrekh et al. | RNAV adherence data integration system using aviation and environmental sources |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190419 |