CN109979244B - 异质飞行器空域拥堵的预测方法和装置 - Google Patents

异质飞行器空域拥堵的预测方法和装置 Download PDF

Info

Publication number
CN109979244B
CN109979244B CN201711463145.5A CN201711463145A CN109979244B CN 109979244 B CN109979244 B CN 109979244B CN 201711463145 A CN201711463145 A CN 201711463145A CN 109979244 B CN109979244 B CN 109979244B
Authority
CN
China
Prior art keywords
probability
predicted
aircraft
heterogeneous aircraft
heterogeneous
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
Application number
CN201711463145.5A
Other languages
English (en)
Other versions
CN109979244A (zh
Inventor
杨杨
曹先彬
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN201711463145.5A priority Critical patent/CN109979244B/zh
Publication of CN109979244A publication Critical patent/CN109979244A/zh
Application granted granted Critical
Publication of CN109979244B publication Critical patent/CN109979244B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0073—Surveillance aids

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

本发明提供一种异质飞行器空域拥堵的预测方法和装置，该方法根据异质飞行器的计划航迹和预测航迹，建立异质飞行器的概率可达集的离线计算模型，根据异质飞行器的概率可达集的离线计算模型，判断异质飞行器的概率可达集区域与待预测区域是否重叠，若异质飞行器的概率可达集区域与待预测区域存在重叠，则根据计划航迹对应的异质飞行器的概率可达集区域，建立异质飞行器的空域拥堵预测模型，根据空域拥堵预测模型，获取待预测区域内的拥堵信息。本发明提供的异质飞行器空域拥堵的预测方法，不仅能快速计算出空域的拥堵密度，且预测结果相对于现有技术具有更高的可靠性和鲁棒性。

Description

异质飞行器空域拥堵的预测方法和装置
技术领域
本发明涉及低空空域安全管理技术，尤其涉及一种异质飞行器空域拥堵的预测方法和装置。
背景技术
民用航空飞行高度一般在6000米以上，低空空域指的是6000米以下的飞行区域。低空空域存在通用航空飞行器、无人飞行器、滑翔伞、动力伞、软式飞艇、热气球等多种不同机动性能的异质飞行器，准确预测低空空域的拥堵情况是低空空域安全管理的前提条件，能够为有效分配低空空域资源、规划飞行器路径提供重要的依据。
现有技术中通常基于飞行器的计划航迹进行低空空域拥堵情况的预测，但由于低空空域中存在随机风场等扰动因素，使得飞行器的计划航迹与实际航迹偏差较大，依赖于飞行器的计划航迹进行的低空空域拥堵情况的预测结果准确性低，可靠性差。
因此，准确、可靠的异质飞行器低空空域拥堵的预测方法是目前低空空域安全管理的急需。
发明内容
本发明提供一种异质飞行器空域拥堵的预测方法和装置，在计划航迹的基础上，考虑随机风场等扰动因素，不仅能快速计算出空域的拥堵密度，且预测结果具有鲁棒性。
本发明第一方面提供一种异质飞行器空域拥堵的预测方法，包括：根据异质飞行器的计划航迹和预测航迹，建立所述异质飞行器的概率可达集的离线计算模型，所述预测航迹为预测的所述异质飞行器在空域内飞行的航迹；
根据所述异质飞行器的概率可达集的离线计算模型，判断所述异质飞行器的概率可达集区域与待预测区域是否重叠；
若所述异质飞行器的概率可达集区域与所述待预测区域存在重叠，则根据所述计划航迹对应的所述异质飞行器的概率可达集区域，建立所述异质飞行器的空域拥堵预测模型；
根据所述空域拥堵预测模型，获取所述待预测区域内的拥堵信息。
本发明第二方面提供一种异质飞行器空域拥堵的预测装置，包括：
概率可达集的离线计算模型建立模块，用于根据异质飞行器的计划航迹和预测航迹，建立所述异质飞行器的概率可达集的离线计算模型，其中，所述预测航迹为预测的所述异质飞行器在空域内飞行的航迹；
判断模块，用于根据所述异质飞行器的概率可达集的离线计算模型，判断所述异质飞行器的概率可达集区域与待预测区域是否重叠；
空域拥堵预测模型建立模块，用于当所述异质飞行器的概率可达集区域与所述待预测区域存在重叠时，根据所述计划航迹对应的所述异质飞行器的概率可达集区域，建立所述异质飞行器的空域拥堵预测模型；
获取模块，用于根据所述空域拥堵预测模型，获取所述待预测区域内的拥堵信息。
本发明第三方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机执行指令，当所述计算机执行指令被处理器执行时，实现上述的异质飞行器空域拥堵的预测方法。
本发明提供的异质飞行器空域拥堵的预测方法，根据异质飞行器的计划航迹和预测航迹，在计划航迹的基础上，考虑随机风场等扰动因素，建立异质飞行器的概率可达集的离线计算模型，根据异质飞行器的概率可达集的离线计算模型，判断异质飞行器的概率可达集区域与待预测区域是否重叠，若异质飞行器的概率可达集区域与待预测区域存在重叠，则根据计划航迹对应的异质飞行器的概率可达集区域，建立异质飞行器的空域拥堵预测模型，根据空域拥堵预测模型，获取待预测区域内的拥堵信息；本发明提供的异质飞行器空域拥堵的预测方法，不仅能快速计算出空域的拥堵密度，且预测结果具有鲁棒性。
附图说明
图1为本发明提供的异质飞行器空域拥堵的预测方法的流程示意图；
图2为本发明提供的判断异质飞行器的概率可达集区域与待预测区域是否重叠的流程示意图；
图3为本发明提供的建立异质飞行器的概率可达集的离线计算模型的流程示意图；
图4为本发明提供的异质飞行器空域拥堵的预测装置的结构示意图一；
图5为本发明提供的异质飞行器空域拥堵的预测装置的结构示意图二；
图6为本发明提供的异质飞行器空域拥堵的预测装置的结构示意图三。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明提供的异质飞行器空域拥堵的预测方法的流程示意图，如图1所示，本实施例的方法可以包括：
S101，根据异质飞行器的计划航迹和预测航迹，建立异质飞行器的概率可达集的离线计算模型。
低空空域存在通用航空飞行器、无人飞行器、滑翔伞、动力伞、软式飞艇、热气球等多种不同机动性能的飞行器，本发明将这些不同机动性能的飞行器叫做异质飞行器。若飞行器在无外界随机风场等扰动因素的作用下飞行时会严格按照预设航线飞行，形成的飞行轨迹为飞行器的计划航迹，但由于低空空域中存在随机风场等扰动因素，使得飞行器的实际航迹与计划航迹偏差较大，通常无法掌握任意风场下不同机动性能的异质飞行器的实际航线，因此在低空空域中常会出现在某些空域存在多个异质飞行器，造成空域拥堵；而某些空域则没有异质飞行器飞行，造成空域资源的浪费，因此需要判断空域的拥堵情况，即需要判断空域中异质飞行器的数量，进而进行空域的合理分配。
本实施例根据异质飞行器的计划航迹和预测航迹，建立异质飞行器的概率可达集的离线计算模型，其中，预测航迹为预测的异质飞行器在空域内飞行的航迹。本发明中利用仿真器模拟异质飞行器，使其在随机风场等外界因素扰动下进行飞行，获取异质飞行器的预测航迹。本领域人员可以想到的是也可采用真实的异质飞行器在实际不同的随机风场等外界因素扰动下进行飞行，获取异质飞行器的预测航迹。本发明对于获取异质飞行器的预测航迹的具体方式不做限制。
根据异质飞行器的计划航迹和预测航迹后，建立异质飞行器的概率可达集的离线计算模型，由于本实施例提供的异质飞行器的概率可达集的离线计算模型，在计划航迹的基础上，考虑了随机风场等外界因素作用下的预测航迹，因此该概率可达集的离线计算模型相对于现有技术中根据计划航迹预测空域拥堵具有更高的可信度和鲁棒性。
本实施例中利用仿真器模拟异质飞行器在随机风场等外界因素作用下进行飞行，模拟在各个风场下异质飞行器的飞行轨迹，可以将模拟得到的异质飞行器的预测轨迹进行统计，并与异质飞行器的计划航迹相对应，建立异质飞行器的飞行轨迹数据库。一旦需要建立异质飞行器的概率可达集的计算模型，即可从该数据库中查找异质飞行器的计划航迹和与计划航迹对应的预测航迹，离线进行异质飞行器的概率可达集的计算模型，减少了在线计算的负荷。
S102，根据异质飞行器的概率可达集的离线计算模型，判断异质飞行器的概率可达集区域与待预测区域是否重叠。
异质飞行器在空域内飞行时会形成飞行区域，上述建立的异质飞行器的概率可达集的离线计算模型可以得到异质飞行器的概率可达集区域，要判断待预测区域内的拥堵情况，即需要判断异质飞行器的概率可达集区域与待预测区域是否重叠，如果有重叠，则判断该异质飞行器在待预测区域内。
判断异质飞行器的概率可达集区域与待预测区域是否重叠，可采集概率可达集区域中空间坐标和待预测区域的空间坐标，并将二者进行比对，当采集概率可达集区域中空间坐标与待预测区域的空间坐标具有相同的数值时，确定概率可达集区域与待预测区域重叠；也可通过判断异质飞行器的概率可达集区域与待预测区域的边界存在重叠，确定概率可达集区域与待预测区域重叠。本领域技术人员也可通过其他方式判断异质飞行器的概率可达集区域与待预测区域是否重叠，本实施例不做限制。
S103，若异质飞行器的概率可达集区域与待预测区域存在重叠，则根据计划航迹对应的异质飞行器的概率可达集区域，建立异质飞行器的空域拥堵预测模型。
如果异质飞行器的概率可达集区域与待预测区域存在重叠，则可建立异质飞行器的空域拥堵预测模型，该预测模型可以是得到待预测区域内的异质飞行器的数量的模型，也可为待预测区域内异质飞行器密度的模型。本实施例对此不做限制，只要能够反映待预测区域内的拥堵情况即可。
S104，根据空域拥堵预测模型，获取待预测区域内的拥堵信息。
如上述，待预测区域内的拥堵信息可以为待预测区域内的异质飞行器的数量，也可为待预测区域内异质飞行器密度，本实施例对此不做限制。
本实施例提供的异质飞行器空域拥堵的预测方法，根据异质飞行器的计划航迹和预测航迹，建立异质飞行器的概率可达集的离线计算模型，进而判断异质飞行器的概率可达集区域与待预测区域是否重叠，若异质飞行器的概率可达集区域与待预测区域存在重叠，则根据计划航迹对应的异质飞行器的概率可达集区域，建立异质飞行器的空域拥堵预测模型，根据空域拥堵预测模型，获取待预测区域内的拥堵信息。该概率可达集的离线计算模型为离线建立，一方面减少了计算负荷，能快速得到空域的拥堵信息，另一方面在计划航迹的基础上，考虑随机风场等扰动因素，相对于现有技术具有更高的可靠性和鲁棒性。
下面结合图2，对判断异质飞行器的概率可达集区域与待预测区域是否重叠进行详细说明。图2为本发明提供的判断异质飞行器的概率可达集区域与待预测区域是否重叠的流程示意图，如图2所示，该方法包括：
S201，将异质飞行器的概率可达集区域分解为二维坐标系下的第一矢量集合，并将待预测区域分解为二维坐标系下的第二矢量集合。
现有技术中可通过比对概率可达集区域和待预测区域中的空间坐标等方法判断概率可达集区域与待预测区域是否重叠，但现有技术中采用的方法计算量大，速度慢，为了快速判断概率可达集区域与待预测区域是否重叠，本实施例给出了一种近似解析的计算方法，将异质飞行器的概率可达集区域分解为二维坐标系下关于X、Y轴的第一矢量集合C，并将待预测区域分解为二维坐标系下关于X、Y轴的第二矢量集合C'。
S202，根据第一矢量集合和第二矢量集合，并采用闵可夫斯基方法，获取异质飞行器的概率可达集区域与待预测区域的矢量和区域
Figure GDA0002515894320000061
其中，闵可夫斯基方法可如下公式七所示：
Figure GDA0002515894320000062
其中，c表示第一矢量集合C中的任一矢量，c'表示第一矢量集合C'中的任一矢量。
S203，判断异质飞行器的计划航迹中的多个样本点是否属于矢量和区域；若是，则确定异质飞行器的概率可达集区域与待预测区域重叠。
本实施例中将异质飞行器的概率可达集区域和待预测区域均分解为二维坐标系下的矢量集合，并采用闵可夫斯基方法得到矢量和区域，将判断异质飞行器的概率可达集区域与待预测区域是否重叠转化为判断异质飞行器的计划航迹中的多个样本点是否属于矢量和区域，如果计划航迹中的多个样本点属于矢量和区域，则确定异质飞行器的概率可达集区域与待预测区域重叠。避免了现有技术中复杂的空间坐标比对方法，可以更加快速地得到概率可达集区域与待预测区域是否重叠的结果。
进一步的，由于矢量和区域
Figure GDA0002515894320000063
是复杂的多边形区域，需要采用复杂的数值计算方法判断计划航迹中的多个样本点是否属于矢量和区域，本实施例中引入了矢量和区域
Figure GDA0002515894320000064
多边形区域的外接椭圆避免数值计算方法。具体的实现方式下所示：
获取矢量和区域的外接椭圆区域。
判断异质飞行器的计划航迹中的多个样本点是否属于外接椭圆区域；若是，则确定异质飞行器的计划航迹中的多个样本点属于矢量和区域。
本实施例中引入矢量和区域是复杂的多边形区域的外接椭圆，将判断计划航迹中的多个样本点是否属于矢量和区域的问题转化为异质飞行器的计划航迹中的多个样本点是否属于外接椭圆区域，该转换利用外接椭圆相对于复杂的多边形区域，减少了计算负荷，避免了采用复杂数值计算的方法，能够更加快速的判断出计划航迹中的多个样本点是否属于外接椭圆区域，进而快速判断出异质飞行器的概率可达集区域与待预测区域重叠，进而能够快速判断出待预测区域的拥堵情况。
下面结合图3，对建立异质飞行器的概率可达集的离线计算模型进行详细说明。图3为本发明提供的建立异质飞行器的概率可达集的离线计算模型的流程示意图，如图3所示，该方法包括：
S301，以异质飞行器的计划航迹中的多个样本点分别为圆心，建立第一椭圆概率可达集模型
Figure GDA0002515894320000077
获取异质飞行器的计划航迹，该计划航迹可由多个样本点的集合构成，分别以多个样本点为圆心，建立第一椭圆概率可达集模型，该第一椭圆概率可达集模型是由多个椭圆形的异质飞行器的飞行区域中的空间坐标点集合构成。
Figure GDA0002515894320000072
表示异质飞行器的计划航迹，其中，m表示异质飞行器的种类， i表示异质飞行器的个数，tk表示异质飞行器的飞行时刻，k∈{1,...,ns}表示异质飞行器的计划飞行时间范围，ns表示计划飞行时间范围的最大值，其中，t1表示异质飞行器初始飞行的时刻，
Figure GDA0002515894320000073
表示异质飞行器结束飞行的时刻；Sθ,m(tk)表示以异质飞行器的第一椭圆概率可达集区域，该第一椭圆概率可达集区域包括多个椭圆形的异质飞行器的计划飞行区域。
S302，通过机会约束优化模型优化第一椭圆概率可达集模型中的形状矩阵参数θ，建立满足预设概率的第二椭圆形概率可达集模型
Figure GDA0002515894320000078
其中，第一椭圆概率可达集模型中的第一椭圆概率可达集区域为椭圆形的飞行区域，该椭圆形的形状矩阵表示为
Figure GDA0002515894320000079
该形状矩阵中包含形状矩阵参数θ，为了使得该第一椭圆概率可达集模型更加接近于异质飞行器实际航迹所构成的飞行区域，通过机会约束优化模型，在第一椭圆概率可达集区域构成的矩阵等于其转置矩阵
Figure GDA00025158943200000710
以及预测航迹
Figure GDA0002515894320000075
包含于第一椭圆概率可达集区域
Figure GDA00025158943200000711
中满足预设概率P的条件下时，得到优化的形状矩阵参数θ'，此时，建立了第二椭圆形概率可达集模型
Figure GDA0002515894320000088
其中，机会约束优化模型可为如下公式一所示：
Figure GDA0002515894320000082
其中，M表示异质飞行器的种类个数，Sθ,m(tk)T表示第一椭圆概率可达集区域的转置区域；subject to表示满足……条件，P表示预设概率，
Figure GDA0002515894320000083
表示概率因子；
Figure GDA0002515894320000084
表示预测航迹，其中，δ表示预测航迹的不确定性。
S303，根据预测航迹中的多个采样点，并采用场景方法对第二椭圆概率可达集模型中的形状矩阵参数θ'进行近似求解得到最优解θ*，建立异质飞行器的概率可达集的离线计算模型
Figure GDA0002515894320000089
为了使第二椭圆概率可达集模型更加接近于异质飞行器实际飞行时所形成的椭圆区域，使用仿真器或者其他测试手段采集预测航迹中的多个采样点，因此，采取预测航迹中的N个采样点，带入公式一中，对第二椭圆概率可达集模型中的形状矩阵参数θ'进行近似求解，公式一转化为经典的凸优化问题，得到最优解θ*。
为了使得本实施例中获得的最优解θ*的置信度尽可能大，需要采集采样点的数量N尽可能的多，则模拟出的预测航迹更加接近于异质飞行器的实际航迹，则利用场景方法对第二椭圆概率可达集模型中的形状矩阵参数θ'进行近似求解得到解θ*的置信度也越大。
进一步的，本实施例提供的预测航迹中的多个采样点的数量N满足如下公式二所示：
Figure GDA0002515894320000086
其中，d表示形状矩阵参数θ*的维数，在实际的计算过程中，d可以为4维、5维等，β表示置信因子。
操作人员可以预先设置概率P，即预先设置概率因子
Figure GDA0002515894320000087
也可以预先设置置信度1-β，即预先设置置信因子β，为了提高最终获取的形状矩阵参数θ*的置信度，β可以取非常小的值(例如10-10)，将预先设置好的参数
Figure GDA0002515894320000094
和β以及形状矩阵参数θ*的维数d，带入公式二中，即可获得在一定预设概率和预设设置度的条件下需要采集的预测航迹的采样点的数量N。将该 N个采样点带入公式一中，即可求解出形状矩阵参数的最优解θ*。据此该最优解θ*具有高的置信度，使得最终获取的异质飞行器的概率可达集的离线计算模型具有高的置信度。
本实施例中通过预先设置预测航迹包含于第一椭圆概率可达集区域中满足的预设概率P，使得第一椭圆概率可达集模型中的形状矩阵参数θ优化后具有一定的置信度，再通过预先设置该预设概率P具有一定的置信度1-β，得到需要采集的预测航迹的采样点的数量N，将该N个样本点带入第一椭圆概率可达集模型中，得到最优解θ*，获得高的置信度的异质飞行器的概率可达集的离线计算模型。
在得到高的置信度的异质飞行器的概率可达集的离线计算模型和异质飞行器的概率可达集区域与待预测区域是否重叠的结果后，建立异质飞行器的空域拥堵预测模型，具体可为如下公式三所示：
Figure GDA0002515894320000091
其中，
Figure GDA0002515894320000092
表示空域拥堵指标函数，Ec(x,Sc) 表示待预测区域模型，待预测区域为圆形区域，x表示待预测区域的圆心， Sc表示待预测区域，Nc表示待预测区域存在的异质飞行器的个数， Dδ(x,tk)表示待预测区域拥堵密度。
待预测区域可表示为S，假设待预测区域中具有Nc架异质飞行器，则以待预测区域中的任意位置x为圆心，获得待预测区域的圆形区域，即可建立待预测区域模型Ec(x,Sc)，则待预测区域的拥堵情况可由异质飞行器的概率可达集区域
Figure GDA0002515894320000093
和待预测区域模型Ec(x,Sc)中的圆形区域中重叠的异质飞行器的数量Dδ(x,tk)表示，如上述公式三所示。其中，当异质飞行器的概率可达集区域与待预测区域的圆形区域存在重叠时，空域拥堵指标函数的函数值为1，否则为0。
进一步的，在实际应用过程中，需要对整个低空空域进行空域拥堵情况的预测，由此，可对低空空域进行栅格划分，得到多个高度层，然后针对每个高度层，来判断异质飞行器的概率可达集区域与待预测区域是否重叠。对低空空域进行栅格划分的方式可如下所示：
对空域在高度方向上进行栅格化处理，得到多个高度层，其中，多个高度层是对空域[hs,hd]按照△h分割得到的；对各中心高度的水平区域进行均匀采样，获取多个预测点，以每个预测点为圆心，即可获取一个待预测区域。上述实施例中说明的是对一个待预测区域中的空域拥堵情况进行的说明，若对整个低空空域的拥堵情况进行的说明，则可由可为如下公式四所示：
Figure GDA0002515894320000101
j∈{1,...,J},k∈{1,...,ns},m∈{1,...,M}
其中，hs表示空域的最低层对应的高度，hd表示空域的最高层对应的高度，△h表示每个高度层的高度；hj,j＝1,...,J，其中hj为各高度层的中心高度，j＝1,...,J表示空域所在的层数，J表示将空域的层数。
异质飞行器在实际空域中某个高度层进行飞行时，飞行的方向可朝向多个方向，即航向角并不是一定的，那么在上述实施例中建立异质飞行器的概率可达集的离线计算模型时，需要考虑航向角对该离线模型的影响。
其中，当异质飞行器的航向角ψi＝0°时，场景方法对应的第一场景公式具体可为如下公式五所示：
Figure GDA0002515894320000102
在得到第二椭圆形概率可达集模型后，应用第一场景公式获得异质飞行器的概率可达集的离线计算模型。
当异质飞行器的航向角ψi≠0°时，场景方法对应的第二场景公式具体可为如下公式六所示：
Figure GDA0002515894320000111
在得到第二椭圆形概率可达集模型后，应用第二场景公式获得异质飞行器的概率可达集的离线计算模型。
其中，Sθ',m(tk)T表示第二椭圆概率可达集区域的转置区域，Rψ表示旋转因子。
具体的，航向角为异质飞行器的预测航迹与该高度层二维坐标系下X 轴方向的夹角。也可定义航向角为异质飞行器的预测航迹与该高度层二维坐标系下Y轴方向的夹角或与计划航迹之间的夹角，只要能够通过航向角确定相对应的旋转因子，得到正确的异质飞行器的概率可达集的离线计算模型即可。本实施例对航向角的定义不作具体限制。
本实施例在计划航迹的基础上，考虑考虑随机风场等扰动因素，利用仿真器等获取异质飞行器的预测航迹，建立异质飞行器的概率可达集的离线计算模型，相对于现有技术具有更高的可靠性；通过将判断异质飞行器的概率可达集区域与待预测区域是否重叠转化为计划航迹是否属于异质飞行器的概率可达集区域与待预测区域对应的矢量和区域的外接椭圆区域，避免了采用复杂的数值计算方法，可快速获得重叠结果；最终建立异质飞行器的空域拥堵预测模型。由于预测航迹中的采样点的数量使得建立的异质飞行器的概率可达集的离线计算模型具有高的置信度，因此最终获取待预测区域内的拥堵信息具有高的置信度和鲁棒性。
图4为本发明提供的异质飞行器空域拥堵的预测装置的结构示意图一，如图4所示，该异质飞行器空域拥堵的预测装置400包括：概率可达集的离线计算模型建立模块401、判断模块402、空域拥堵预测模型建立模块403和获取模块404。
概率可达集的离线计算模型建立模块401，用于根据异质飞行器的计划航迹和预测航迹，建立异质飞行器的概率可达集的离线计算模型，其中，预测航迹为预测的异质飞行器在空域内飞行的航迹。
判断模块402，用于根据异质飞行器的概率可达集的离线计算模型，判断异质飞行器的概率可达集区域与待预测区域是否重叠。
空域拥堵预测模型建立模块403，用于当异质飞行器的概率可达集区域与待预测区域存在重叠，根据计划航迹对应的异质飞行器的概率可达集区域，建立异质飞行器的空域拥堵预测模型。
获取模块404，用于根据空域拥堵预测模型，获取待预测区域内的拥堵信息。
图4所示实施例的预测装置对应地可用于执行图1所示方法实施例中预测方法执行的步骤，其实现原理和技术效果类似，此处不再赘述。
可选的，判断模块402具体用于将异质飞行器的概率可达集区域分解为二维坐标系下的第一矢量集合，并将待预测区域分解为二维坐标系下的第二矢量集合；根据第一矢量集合和第二矢量集合，并采用闵可夫斯基方法，获取异质飞行器的概率可达集区域与待预测区域的矢量和区域；判断异质飞行器的计划航迹中的多个样本点是否属于矢量和区域；若是，则确定异质飞行器的概率可达集区域与待预测区域重叠。
可选的，判断模块402具体用于获取矢量和区域的外接椭圆区域；判断异质飞行器的计划航迹中的多个样本点是否属于外接椭圆区域；若是，则确定异质飞行器的计划航迹中的多个样本点属于矢量和区域。
可选的，概率可达集的离线计算模型建立模块401具体用于以异质飞行器的计划航迹中的多个样本点分别为圆心，建立第一椭圆概率可达集模型
Figure GDA0002515894320000124
通过机会约束优化模型优化第一椭圆概率可达集模型中的形状矩阵参数θ，建立满足预设概率的第二椭圆形概率可达集模型
Figure GDA0002515894320000125
根据预测航迹中的多个采样点，并采用场景方法对第二椭圆概率可达集模型中的形状矩阵参数θ'进行近似求解得到最优解θ*，建立异质飞行器的概率可达集的离线计算模型
Figure GDA0002515894320000126
其中，机会约束优化模型可为如下公式一所示：
Figure GDA0002515894320000131
其中，tk表示异质飞行器的飞行时刻，k∈{1,...,ns}表示异质飞行器的计划飞行时间范围，ns表示计划飞行时间范围的最大值；
Figure GDA0002515894320000132
表示异质飞行器的计划航迹，其中，m表示异质飞行器的种类， M表示异质飞行器的种类个数，i表示异质飞行器的个数；
Figure GDA0002515894320000133
表示预测航迹，其中，δ表示预测航迹的不确定性；
Sθ,m(tk)表示以异质飞行器的第一椭圆概率可达集区域，Sθ',m(tk)表示异质飞行器的第二椭圆概率可达集区域，
Figure GDA0002515894320000134
表示异质飞行器概率可达集的离线计算模型中的椭圆概率可达集区域，其中，N表示预测航迹中的采样点的数量；Sθ,m(tk)T表示第一椭圆概率可达集区域的转置区域；
subject to表示满足……条件，P表示预设概率，
Figure GDA0002515894320000135
表示概率因子。
可选的，预测航迹中的采样点的数量N满足如下公式二所示：
Figure GDA0002515894320000136
其中，d表示形状矩阵参数θ*的维数，β表示置信因子。
可选的，空域拥堵预测模型可为如下公式三所示：
Figure GDA0002515894320000137
其中，
Figure GDA0002515894320000138
表示空域拥堵指标函数，Ec(x,Sc) 表示待预测区域模型，待预测区域为圆形区域，x表示待预测区域的圆心， Sc表示待预测区域，Nc表示待预测区域存在的异质飞行器的个数， Dδ(x,tk)表示待预测区域拥堵密度。
图5为本发明提供的异质飞行器空域拥堵的预测装置的结构示意图二，如图5所示，异质飞行器空域拥堵的预测装置400还可以包括：待预测区域模型建立模块405。
待预测区域模型建立模块405用于对空域在高度方向上进行栅格化处理，得到多个高度层，其中，多个高度层是对空域[hs,hd]按照△h分割得到的；对各中心高度的水平区域进行均匀采样，获取多个预测点；以每个预测点为圆心，建立一个待预测区域。
据此，以圆心为中心的待预测区域的异质飞行器的空域拥堵预测模型可为如下公式四所示：
Figure GDA0002515894320000141
j∈{1,...,J},k∈{1,...,ns},m∈{1,...,M}
其中，hs表示空域的最低层对应的高度，hd表示空域的最高层对应的高度，△h表示每个高度层的高度；hj,j＝1,...,J，其中hj为各高度层的中心高度，j＝1,...,J表示空域所在的层数，J表示将空域的层数。
可选的，当异质飞行器的航向角ψi＝0°时，场景方法对应的第一场景公式具体可为如下公式五所示：
Figure GDA0002515894320000142
当异质飞行器的航向角ψi≠0°时，场景方法对应的第二场景公式具体可为如下公式六所示：
Figure GDA0002515894320000143
其中，Sθ',m(tk)T表示第二椭圆概率可达集区域的转置区域，Rψ表示旋转因子。
本实施例提供的异质飞行器空域拥堵的预测装置与上述异质飞行器空域拥堵的预测方法实现的原理和技术效果类似，在此不作赘述。
图6为本发明提供的异质飞行器空域拥堵的预测装置的结构示意图三，该异质飞行器空域拥堵的预测装置例如可以是终端设备，比如智能手机、平板电脑、计算机等。如图6所示，该异质飞行器空域拥堵的预测装置500包括：存储器501和至少一个处理器502。
存储器501，用于存储程序指令。
处理器502，用于在程序指令被执行时实现本实施例中的未读消息的处理方法，具体实现原理可参见上述实施例，本实施例此处不再赘述。
该异质飞行器空域拥堵的预测装置还可以包括及输入/输出接口503。
输入/输出接口503可以包括独立的输出接口和输入接口，也可以为集成输入和输出的集成接口。其中，输出接口用于输出数据，输入接口用于获取输入的数据，上述输出的数据为上述方法实施例中输出的统称，输入的数据为上述方法实施例中输入的统称。
本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机执行指令，当计算机执行指令被处理器执行时，实现本实施例提供的异质飞行器空域拥堵的预测方法。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。套管设计装置的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得套管设计装置实施上述的各种实施方式提供的套管设计方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述网络设备或者终端设备的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称： DSP)、专用集成电路(英文：ApplicationSpecific Integrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种异质飞行器空域拥堵的预测方法，其特征在于，包括：
根据异质飞行器的计划航迹和预测航迹，建立所述异质飞行器的概率可达集的离线计算模型，所述预测航迹为预测的所述异质飞行器在空域内飞行的航迹；
根据所述异质飞行器的概率可达集的离线计算模型，判断所述异质飞行器的概率可达集区域与待预测区域是否重叠；
若所述异质飞行器的概率可达集区域与所述待预测区域存在重叠，则根据所述计划航迹对应的所述异质飞行器的概率可达集区域，建立所述异质飞行器的空域拥堵预测模型；
根据所述空域拥堵预测模型，获取所述待预测区域内的拥堵信息；
所述根据异质飞行器的计划航迹和预测航迹，建立所述异质飞行器的概率可达集的离线计算模型，包括：
以所述异质飞行器的计划航迹中的多个样本点分别为圆心，建立第一椭圆概率可达集模型
Figure FDA0002515894310000011
通过机会约束优化模型优化所述第一椭圆概率可达集模型中的形状矩阵参数θ，建立满足预设概率的第二椭圆形概率可达集模型
Figure FDA0002515894310000012
根据所述预测航迹中的多个采样点，并采用场景方法对所述第二椭圆概率可达集模型中的形状矩阵参数θ'进行近似求解得到最优解θ*，建立所述异质飞行器的概率可达集的离线计算模型
Figure FDA0002515894310000013
其中，所述机会约束优化模型为如下公式一所示：
Figure FDA0002515894310000014
其中，tk表示所述异质飞行器的飞行时刻，k∈{1,...,ns}表示所述异质飞行器的计划飞行时间范围，ns表示所述计划飞行时间范围的最大值；
Figure FDA0002515894310000021
表示所述异质飞行器的计划航迹，其中，m表示所述异质飞行器的种类，M表示所述异质飞行器的种类个数，i表示所述异质飞行器的个数；
Figure FDA0002515894310000022
表示所述预测航迹，其中，δ表示所述预测航迹的不确定性；
Sθ,m(tk)表示以所述异质飞行器的第一椭圆概率可达集区域，Sθ',m(tk)表示所述异质飞行器的第二椭圆概率可达集区域，
Figure FDA0002515894310000023
表示所述异质飞行器概率可达集的离线计算模型中的椭圆概率可达集区域，其中，N表示所述预测航迹中的采样点的数量；Sθ,m(tk)T表示所述第一椭圆概率可达集区域的转置区域；
subject to表示满足……条件，P表示所述预设概率，
Figure FDA0002515894310000024
表示概率因子。
2.根据权利要求1所述的预测方法，其特征在于，所述判断所述异质飞行器的概率可达集区域与待预测区域是否重叠，包括：
将所述异质飞行器的概率可达集区域分解为二维坐标系下的第一矢量集合，并将所述待预测区域分解为所述二维坐标系下的第二矢量集合；
根据所述第一矢量集合和所述第二矢量集合，并采用闵可夫斯基方法，获取所述异质飞行器的概率可达集区域与所述待预测区域的矢量和区域；
判断所述异质飞行器的计划航迹中的多个样本点是否属于所述矢量和区域；
若是，则确定所述异质飞行器的概率可达集区域与所述待预测区域重叠。
3.根据权利要求2所述的预测方法，其特征在于，所述判断所述异质飞行器的计划航迹中的多个样本点是否属于所述矢量和区域，包括：
获取所述矢量和区域的外接椭圆区域；
判断所述异质飞行器的计划航迹中的多个样本点是否属于所述外接椭圆区域；
若是，则确定所述异质飞行器的计划航迹中的多个样本点属于所述矢量和区域。
4.根据权利要求1所述的预测方法，其特征在于，所述预测航迹中的采样点的数量N满足如下公式二所示：
Figure FDA0002515894310000031
其中，d表示所述形状矩阵参数θ*的维数，β表示置信因子。
5.根据权利要求4所述的预测方法，其特征在于，所述空域拥堵预测模型为如下公式三所示：
Figure FDA0002515894310000032
其中，
Figure FDA0002515894310000033
表示所述空域拥堵指标函数，Ec(x,Sc)表示所述待预测区域模型，所述待预测区域为圆形区域，x表示所述待预测区域的圆心，Sc表示所述待预测区域，Nc表示所述待预测区域存在的所述异质飞行器的个数，Dδ(x,tk)表示所述待预测区域拥堵密度。
6.根据权利要求5所述的预测方法，其特征在于，所述判断所述异质飞行器的概率可达集区域与待预测区域是否重叠之前，还包括：
对所述空域在高度方向上进行栅格化处理，得到多个高度层，其中，多个所述高度层是对所述空域[hs,hd]按照△h分割得到的；
对各中心高度的水平区域进行均匀采样，获取多个预测点；
以每个预测点为圆心，建立一个所述待预测区域；
其中，以所述圆心为中心的所述待预测区域的所述异质飞行器的空域拥堵预测模型为如下公式四所示：
Figure FDA0002515894310000034
其中，hs表示所述空域的最低层对应的高度，hd表示所述空域的最高层对应的高度，△h表示每个所述高度层的高度；hj,j＝1,...,J，其中hj为各所述高度层的中心高度，j＝1,...,J表示所述空域所在的层数，J表示所述空域的层数。
7.根据权利要求1所述的预测方法，其特征在于，所述方法还包括：当所述异质飞行器的航向角ψi＝0°时，所述场景方法对应的第一场景公式具体为如下公式五所示：
Figure FDA0002515894310000041
当所述异质飞行器的航向角ψi≠0°时，所述场景方法对应的第二场景公式具体为如下公式六所示：
Figure FDA0002515894310000042
其中，Sθ',m(tk)T表示所述第二椭圆概率可达集区域的转置区域，Rψ表示旋转因子。
8.一种异质飞行器空域拥堵的预测装置，其特征在于，包括：
概率可达集的离线计算模型建立模块，用于根据异质飞行器的计划航迹和预测航迹，建立所述异质飞行器的概率可达集的离线计算模型，其中，所述预测航迹为预测的所述异质飞行器在空域内飞行的航迹；
判断模块，用于根据所述异质飞行器的概率可达集的离线计算模型，判断所述异质飞行器的概率可达集区域与待预测区域是否重叠；
空域拥堵预测模型建立模块，用于当所述异质飞行器的概率可达集区域与所述待预测区域存在重叠时，根据所述计划航迹对应的所述异质飞行器的概率可达集区域，建立所述异质飞行器的空域拥堵预测模型；
获取模块，用于根据所述空域拥堵预测模型，获取所述待预测区域内的拥堵信息；
所述根据异质飞行器的计划航迹和预测航迹，建立所述异质飞行器的概率可达集的离线计算模型，包括：
以所述异质飞行器的计划航迹中的多个样本点分别为圆心，建立第一椭圆概率可达集模型
Figure FDA0002515894310000051
通过机会约束优化模型优化所述第一椭圆概率可达集模型中的形状矩阵参数θ，建立满足预设概率的第二椭圆形概率可达集模型
Figure FDA0002515894310000052
根据所述预测航迹中的多个采样点，并采用场景方法对所述第二椭圆概率可达集模型中的形状矩阵参数θ'进行近似求解得到最优解θ*，建立所述异质飞行器的概率可达集的离线计算模型
Figure FDA0002515894310000053
其中，所述机会约束优化模型为如下公式一所示：
Figure FDA0002515894310000054
其中，tk表示所述异质飞行器的飞行时刻，k∈{1,...,ns}表示所述异质飞行器的计划飞行时间范围，ns表示所述计划飞行时间范围的最大值；
Figure FDA0002515894310000055
表示所述异质飞行器的计划航迹，其中，m表示所述异质飞行器的种类，M表示所述异质飞行器的种类个数，i表示所述异质飞行器的个数；
Figure FDA0002515894310000056
表示所述预测航迹，其中，δ表示所述预测航迹的不确定性；
Sθ,m(tk)表示以所述异质飞行器的第一椭圆概率可达集区域，Sθ',m(tk)表示所述异质飞行器的第二椭圆概率可达集区域，
Figure FDA0002515894310000057
表示所述异质飞行器概率可达集的离线计算模型中的椭圆概率可达集区域，其中，N表示所述预测航迹中的采样点的数量；Sθ,m(tk)T表示所述第一椭圆概率可达集区域的转置区域；
subject to表示满足……条件，P表示所述预设概率，
Figure FDA0002515894310000058
表示概率因子。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机执行指令，当所述计算机执行指令被处理器执行时，实现权利要求1-7任一项所述的方法。
CN201711463145.5A 2017-12-28 2017-12-28 异质飞行器空域拥堵的预测方法和装置 Active CN109979244B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711463145.5A CN109979244B (zh) 2017-12-28 2017-12-28 异质飞行器空域拥堵的预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711463145.5A CN109979244B (zh) 2017-12-28 2017-12-28 异质飞行器空域拥堵的预测方法和装置

Publications (2)

Publication Number Publication Date
CN109979244A CN109979244A (zh) 2019-07-05
CN109979244B true CN109979244B (zh) 2020-07-17

Family

ID=67075002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711463145.5A Active CN109979244B (zh) 2017-12-28 2017-12-28 异质飞行器空域拥堵的预测方法和装置

Country Status (1)

Country Link
CN (1) CN109979244B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114690635B (zh) * 2022-03-22 2022-10-18 苏州大学 一种质量弹簧阻尼系统的状态估计与控制方法及系统
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854518A (zh) * 2014-03-17 2014-06-11 南京航空航天大学 一种航路网络节点时空流量的计算方法
CN106846919A (zh) * 2017-01-16 2017-06-13 南京航空航天大学 一种基于ads‑b信息更新的四维航迹动态预测方法
CN106971634A (zh) * 2017-04-28 2017-07-21 中国船舶重工集团公司第七0九研究所 一种基于飞行器航迹预测的空域冲突检测方法及系统
CN107316503A (zh) * 2017-06-28 2017-11-03 中国电子科技集团公司第二十八研究所 一种基于多级物元熵权的拥堵热点空域扇区识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8731810B2 (en) * 2010-12-10 2014-05-20 The Boeing Company Aircraft path conformance monitoring

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103854518A (zh) * 2014-03-17 2014-06-11 南京航空航天大学 一种航路网络节点时空流量的计算方法
CN106846919A (zh) * 2017-01-16 2017-06-13 南京航空航天大学 一种基于ads‑b信息更新的四维航迹动态预测方法
CN106971634A (zh) * 2017-04-28 2017-07-21 中国船舶重工集团公司第七0九研究所 一种基于飞行器航迹预测的空域冲突检测方法及系统
CN107316503A (zh) * 2017-06-28 2017-11-03 中国电子科技集团公司第二十八研究所 一种基于多级物元熵权的拥堵热点空域扇区识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于决策树的交通拥挤状态预测;房丽侠等;《河北工业大学学报》;20100430;第39卷(第2期);全文 *
基于深度学习的空域拥堵预测建模;丁辉等;《信息化研究》;20170831;第43卷(第4期);第2章基于深度学习的空中交通拥堵预测技术研究 *

Also Published As

Publication number Publication date
CN109979244A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
Temizer et al. Collision avoidance for unmanned aircraft using Markov decision processes
US11024182B2 (en) System and method to forecast flight delay based on real-time data
Delle Fave et al. Deploying the max-sum algorithm for decentralised coordination and task allocation of unmanned aerial vehicles for live aerial imagery collection
US8437949B2 (en) Method and systems for determining required interval management performance (RIMP)
US20060089760A1 (en) System and method for stochastic aircraft flight-path modeling
Olive et al. Detection and identification of significant events in historical aircraft trajectory data
CN112116830A (zh) 一种基于空域网格化的无人机动态地理围栏规划方法
US11790767B2 (en) Method, apparatus, device and storage medium for pre-warning of aircraft flight threat evolution
CN109979244B (zh) 异质飞行器空域拥堵的预测方法和装置
KR20190143831A (ko) 항공 교통 관리 전자 시스템을 통한 항공 관리를 위한 훈련 및/또는 지원 플랫폼, 연관된 방법
CN110599016A (zh) 输电线路机巡作业日计划审核方法、装置和计算机设备
Lehouillier et al. Solving the air conflict resolution problem under uncertainty using an iterative biobjective mixed integer programming approach
CN115730425A (zh) 一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、系统、存储介质及终端
AU2017202520B2 (en) Virtual weather generation
CN115938162A (zh) 一种考虑高空风时变性的冲突最小化航迹协同规划方法
CN112562419B (zh) 一种基于离线多目标跟踪的天气规避区划设方法
CN112634662B (zh) 电子围栏、控制系统、方法、介质、无人机编队及终端
WO2024067137A1 (zh) 一种无人驾驶航空器的智能续航管理方法、系统和介质
CN116518979B (zh) 一种无人机路径规划方法、系统、电子设备及介质
CN106529835B (zh) 一种终端区日通行能力确定方法及装置
CN113361174A (zh) 基于stp模型的大型无人机碰撞概率计算方法
CN104020681A (zh) 自由飞行模拟仿真平台
CN112231389A (zh) 基于航迹的可视化冲突模型构建方法、装置、电子设备及存储介质
Wang et al. Target classification aided variable-structure multiple-model algorithm
CN117474292B (zh) 一种基于5g传输的网联无人机用调度系统及调度方法

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