CN110084491B - 对流天气条件下基于最优穿越路径的航路阻塞度评估方法 - Google Patents

对流天气条件下基于最优穿越路径的航路阻塞度评估方法 Download PDF

Info

Publication number
CN110084491B
CN110084491B CN201910274362.2A CN201910274362A CN110084491B CN 110084491 B CN110084491 B CN 110084491B CN 201910274362 A CN201910274362 A CN 201910274362A CN 110084491 B CN110084491 B CN 110084491B
Authority
CN
China
Prior art keywords
path
grid
route
airway
transport box
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
CN201910274362.2A
Other languages
English (en)
Other versions
CN110084491A (zh
Inventor
聂建强
陈曦
严勇杰
黄吉波
陈飞飞
葛然
单尧
田靖
马园园
徐善娥
毛亿
王煊
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.)
China Electric Rice Information System Co ltd
Original Assignee
China Electric Rice Information System Co ltd
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 China Electric Rice Information System Co ltd filed Critical China Electric Rice Information System Co ltd
Priority to CN201910274362.2A priority Critical patent/CN110084491B/zh
Priority to JP2020545137A priority patent/JP7077413B2/ja
Priority to PCT/CN2019/086516 priority patent/WO2020206798A1/zh
Publication of CN110084491A publication Critical patent/CN110084491A/zh
Application granted granted Critical
Publication of CN110084491B publication Critical patent/CN110084491B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/23Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0639Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了对流天气条件下基于最优穿越路径的航路阻塞度评估方法,包括以下步骤:步骤1,划分航路网格;步骤2,确定航路气象规避概率;步骤3,构建航路最优穿越路径;步骤4,计算航路阻塞度。

Description

对流天气条件下基于最优穿越路径的航路阻塞度评估方法
技术领域
本发明属于空中交通管理领域,尤其涉及对流天气条件下基于最优穿越路径的航路阻塞度评估方法。
背景技术
在美国国家空域系统中,天气导致的延误占到70%以上。在天气导致的延误中,对流天气占到60%。因此,对于空中交通管理者而言,在制定战略计划和实施战术措施时,对流天气及其对国家空域系统运行的影响预报是极其关键的。天气雷达是探测对流天气现象的重要气象设备,其提供的雷达反射率也是表征对流天气现象时空特征的重要气象数据。航路,作为基础的空域结构单元,通常由一组地理位置(经度,纬度)构成的位置点序列表示,在空中交通管理运行过程中发挥着重要作用。航路阻塞度(Route Blockage,RB)是指受恶劣天气影响航路可被空中交通使用的程度,是评估航路在对流天气覆盖下的可用能力的重要指标。航路阻塞度作为一个恶劣天气属性,其主要影响因素是对流天气的强度与时空分布特征,与驾驶员或管制员工作负荷限制或ATM运行状态无关。航路阻塞度可以作为衡量天气对空中交通运行影响的定量分析指标,与历史运行数据或特定场景下的空中交通运行容量关联,为延误统计、容量预测等提供决策参考。同时,航路阻塞度还可以有效辅助空中交通管制员和航空公司签派员对对流天气条件下的航班运行实现精细化管理。因此,对流天气条件下的航路阻塞度评估是十分必要的,也是非常重要的。
查阅国内外相关资料,尚未发现针对对流天气条件综合考虑航路穿越路径复杂性和遭遇天气强度的基于最优穿越路径的航路阻塞度评估方法。
发明内容
针对现有将高空或终端区空域的对流天气现象转换为对航班运行的量化约束的评估方法中,缺乏对航空器在穿越空域过程中的路径复杂性的考虑,人为主观判断对量化评估结果的干预严重等特点,本发明提供了一种对流天气条件下基于最优穿越路径的航路阻塞度评估方法,为未来开发更加鲁棒的集成天气信息的空中交通管理决策支持工具提供支持。
实现本发明方法的具体技术方案包括以下步骤:
步骤1,划分航路网格;
步骤2,确定航路气象规避概率;
步骤3,构建航路最优穿越路径;
步骤4,计算航路阻塞度。
步骤1包括:
步骤1-1,航路段插值:
根据现有数值天气预报系统的对流天气雷达反射率预报数据的时间颗粒度,结合飞机平均飞行时速,计算得到航路段的插值间隔L1,再根据相邻两个航路点间的欧式距离D,计算插值点个数K:
Figure GDA0002399512280000028
最后依次对相邻两个航路点进行线性插值,得到航路插值点的位置,从而得到航路插值点序列;
步骤1-1中,根据如下公式计算相邻两个航路点间的欧式距离D:
Figure GDA0002399512280000021
其中
Figure GDA0002399512280000022
为相邻两个航路点间经度差,Δθ为相邻两个航路点间纬度差,
Figure GDA0002399512280000023
为相邻两个航路点的平均纬度值。
步骤1-1中,所述航路插值点的位置根据插值点与起始航路点的距离和斜率列方程求解得到,具体计算方法包括:
设定第1个航路点位置记为(x1,y1),第2个航路点位置记为(x2,y2),x1,y1分别表示第1个航路点的经度和纬度;第1个航路点和第2个航路点之间的第k个航路插值点位置记为
Figure GDA0002399512280000024
其中,
Figure GDA0002399512280000025
表示第k个插值点的经度,
Figure GDA0002399512280000026
表示第k个插值点的纬度,构建方程组如下:
Figure GDA0002399512280000027
根据该方程组得到航路插值点的位置,从而得到航路插值点序列。
步骤1-2:构建航路段运输盒并进行网格化。
步骤1-2包括:
根据航路插值点序列,依次计算两个相邻航路点的航路方位角(航路方位角为后一航路点相对于前一航路点的方位角),再计算与所述航路方位角垂直的两个方位角,分别以所述两个相邻航路点为起始点,沿着垂直于航路方位角的两个方位角方向,向航路两侧外扩至航路宽度的距离(例如20km),得到四个位置点。以所述四个位置点为矩形运输盒顶点,以平行于航路方向为长,以垂直于航路方向为宽,构建矩形运输盒,所述矩形运输盒即为航路段运输盒;然后以运输盒宽边的两个顶点为插值起止点,以对流天气气象数据的空间颗粒度为插值间隔,使用步骤1-1的插值方法,对航路段运输盒宽边进行插值处理。依次连接航路段运输盒两条宽边的对应插值点,对航路段运输盒进行网格化细分,得到航路段运输盒网格。
步骤2包括:
步骤2-1,将雷达反射率转换成规避概率,根据评估起始时间和规避概率的时间颗粒度,为每个航路段运输盒分配不同时刻的网格化规避概率值;
步骤2-2,计算运输盒网格规避概率:
以航路段运输盒网格两条宽边的中点为插值起止点,以规避概率分布的空间颗粒度为插值间隔,使用步骤1-1的插值方法,在平行于航路的方向上,对航路段运输盒的每个网格进一步细分,得到运输盒子网格;根据运输盒子网格中心的坐标位置,计算得到距离其最近的4个气象网格点的规避概率值,以距离倒数为权重对4个规避概率进行加权求和,计算得到运输盒子网格的规避概率,其公式如下所示:
Figure GDA0002399512280000031
其中Prob为运输盒子网格的规避概率,Wpi为距离所述运输盒子网格最近的4个气象网格点中第i个点的规避概率值,Di为第i个点与运输盒子网格间的距离。再取航路段运输盒网格内每个子网格的规避概率的平均值作为运输盒网格的规避概率,公式如下所示:
Figure GDA0002399512280000032
其中Pb为运输盒网格的规避概率,N1为运输盒网格包含的子网格总数,Probi为第i个子网格的规避概率。
步骤3包括:
步骤3-1:确定候选阻塞阈值并初始化阻塞阈值:
根据运输盒网格的规避概率的取值分布确定候选阻塞阈值集并由小到大排列,最小候选阻塞阈值为最小规避概率值,最大候选阻塞阈值为最大规避概率值;设计7级候选阻塞阈值,从第1级到第7级依次为0,0.1,0.3,0.5,0.7,0.9,1.0,将最小候选阻塞阈值初始化为阻塞阈值;规避概率大于阻塞阈值的运输盒网格被定义为阻塞网格,规避概率值小于阻塞阈值的运输盒网格被定义为非阻塞网格;
步骤3-2:构建有向航路穿越网络:
根据阻塞阈值将每一个航路段运输盒分割成阻塞网格区域和非阻塞网格区域,将每一个航路段运输盒内的相邻非阻塞网格合并,作为网络节点,按航路方向生成网络节点序列,网格节点A的表达形式为A[1,(3,4,5)],其中,A表示网格节点名称,1表示网格节点A所在航路段运输盒的编号,3,4,5为网格编号序列;相邻航路段运输盒子中的网络节点判定为相邻节点,相邻节点有一个或两个以上相同的网格编号,则判定相邻节点连通,并用连通边连接,方向从前序航路段运输盒指向后序航路段运输盒,连通边的权重为相邻节点的相同网格编号的数量;
步骤3-3:判别网络连通性:
以第一个航路段运输盒中网格节点为起始节点,最后一个航路段运输盒中网格节点为叶子节点,以深度优先为原则依次从每一个起始节点出发开始搜索连通路径,如果找到一条到达叶子节点的连通路径,则判定航路穿越网络连通;若连通路径不存在,则判定航路穿越网络不连通,阻塞阈值的级别递增1级,并返回步骤3-2;若存在,则航路穿越网络连通,进入步骤3-4;
步骤3-4:搜索连通路径:
以第一个航路段运输盒中网格节点为起始节点,最后一个航路段运输盒中网格节点为叶子节点,按深度优先原则从航路穿越网络中搜索出所有从起始节点出发到达叶子节点的连通路径,航路穿越网络中搜索出的连通路径用网格节点和连通边权重组成的序列表示;
步骤3-5:选取最优航路穿越路径:
针对每一条连通路径,将其权重值最小的连通边定义为路径瓶颈,所述最小权重值作为瓶颈值。连通边起止节点的网格编号如果存在交集,则判定不存在跳跃,即跳跃值为0;如果不存在交集,则判定存在跳跃,跳跃值为起止节点之间的最小距离;
连通路径中所有连通边的跳跃值之和与最大总跳跃值的比值表征连通路径的复杂性,记为
Figure GDA0002399512280000051
其中N为航路段运输盒的个数,M为一个航路运输盒中网格数目,mi为连通路径中第i条连通边的跳跃值,i=1,2,…,N-1,则基于具有N个运输盒的航路段构建的连通路径的连通边数为N-1。
在所有连通路径中挑选出瓶颈值最大的路径作为初始候选最优路径,然后从初始候选最优路径中挑选出路径瓶颈数目最少的路径作为候选最优路径,最后从候选最优路径中选出复杂性Complexity最低的路径作为最优航路穿越路径。
步骤4包括:
步骤4-1:计算最优航路穿越路径阻塞度:
确定最优航路穿越路径中路径瓶颈的个数和各个路径瓶颈中心位置,依次基于每个路径瓶颈计算路径瓶颈阻塞度,选取最大路径瓶颈阻塞度与最优航路穿越路径复杂性Complexity相加,结果作为最优航路穿越路径阻塞度;
步骤4-2:确定航路阻塞度:
如果阻塞阈值为1,航路阻塞度为1;如果阻塞阈值不为1,依次对每条最优航路穿越路径计算最优航路穿越路径阻塞度,从中选取最大最优航路穿越路径阻塞度作为航路阻塞度。
步骤4-1中,路径瓶颈阻塞度计算方法如下:提取路径瓶颈两侧运输盒中气象特征值大于或等于阻塞阈值的运输盒网格,确定各个运输盒网格的中心位置,以运输盒网格中心和路径瓶颈中心之间的纵向距离的倒数为权重,加权平均路径瓶颈两侧运输盒中所有提取的网格的气象特征值,具体计算公式如下:
Figure GDA0002399512280000052
式中PB为路径阻塞度,L为路径瓶颈左侧的运输盒,R为路径瓶颈右侧的运输盒,i为路径瓶颈两侧运输盒中的气象特征值大于或等于阻塞阈值的运输盒网格标识,wi为运输盒网格i的气象特征值,di为运输盒网格i中心与路径瓶颈中心之间的径向距离。
步骤1中,针对受对流天气影响的、由若干位置点序列(大于等于两个)构成的航路段,根据表征对流天气强度的雷达反射率数据的时空颗粒度和飞机平均飞行时速信息,对该航路段内所有相邻的两个航路点进行插值处理,得到更细空间颗粒度的新的航路点序列。在新航路点序列的基础上,根据航路宽度和气象数据的空间颗粒度将航路段构建矩形运输盒,并在平行于航路方向上对每个运输盒进行网格划分,实现对受对流天气影响的航路段的网格划分。
步骤2中,根据对流天气的雷达反射率取值范围将网格化的反射率数据转换成规避概率数据。根据此规避概率数据的空间颗粒度,对步骤1中的航路段网格进行插值细化处理,得到颗粒度更细的航路子网格。根据航路子网格周围距离最近的四个气象网格的规避概率值,以距离倒数为权重加权求和得到航路子网格的规避概率。在此基础上,再取航路段网格内每个航路子网格的规避概率的平均值作为航路段网格的规避概率。
步骤3中,根据规避概率取值分布确定候选阻塞阈值集并由小到大排列。最小候选阈值为最小规避概率值,最大候选阈值为最大规避概率值,并将最小候选阻塞阈值初始化为阻塞阈值。规避概率大于阻塞阈值的航路网格被定义为阻塞网格,规避概率值小于阻塞阈值的航路网格被定义为非阻塞网格。基于当前阻塞阈值和航路飞行方向构建有向航路穿越网络并对网络的连通性进行判别。如果网络不连通,更新当前阻塞阈值为大于当前阻塞阈值的最小候选阻塞阈值,并重新构建有向航路穿越网络。如果网络连通,搜索出网络中所有连通路径,并根据路径最窄处宽度和路径复杂性选取最优航路穿越路径。
步骤4中,判断阻塞阈值是否为1。如果为1,航路阻塞度为1。否则,依次计算所有基于待评估航路构建的最优穿越路径的阻塞度,然后从中选取最大最优穿越路径阻塞度作为航路阻塞度。
本发明旨在评估在指定时间片内沿航路穿越某区域的航空器受对流天气影响的程度,涉及对流天气对空中交通管理运行影响的量化评估方法,属于空中交通管理领域。首先,针对受对流天气影响的、由若干位置点序列(大于等于两个)构成的航路段,根据表征对流天气强度的雷达反射率数据的时空颗粒度和飞机平均飞行时速信息,对该航路段内所有相邻的两个航路点进行插值处理,得到更细粒度的新的航路点序列。在新航路点序列的基础上,根据航路宽度和气象数据的空间颗粒度将航路段构建矩形运输盒,并在平行于航路方向上对每个运输盒进行网格划分,从而实现对受对流天气影响的航路段进行网格划分。然后,根据构建对流天气的雷达反射率与规避概率映射表,将格点化的雷达反射率数据转换成网格化的规避概率数据。根据格点化气象数据的空间颗粒度,对航路段网格进行进一步插值成颗粒度更细的航路子网格。提取航路子网格周围距离最近的四个气象格点的规避概率值,以距离倒数为权重加权求和得到航路子网格的规避概率。在此基础上,取航路段网格内每个子网格的规避概率的平均值作为航路段网格的规避概率。接着,根据规避概率取值分布确定候选阻塞阈值集并由小到大排列,将最小候选阻塞阈值初始化为阻塞阈值。规避概率大于阻塞阈值的航路网格被定义为阻塞网格,规避概率值小于阻塞阈值的航路网格被定义为非阻塞网格。基于当前阻塞阈值和航路飞行方向构建有向航路穿越网络并对网络的连通性进行判别。如果网络不连通,更新当前阻塞阈值为大于当前阻塞阈值的最小候选阻塞阈值,并重新构建有向航路穿越网络。如果网络连通,搜索出网络中所有连通路径,并根据路径最窄处宽度和路径复杂性选取航路最优穿越路径。最后,判断阻塞阈值是否为1。如果为1,航路阻塞度为1。否则,依次计算所有基于航路构建的最优穿越路径的阻塞度,然后从中选取最大最优航路穿越路径阻塞度作为航路阻塞度。
本发明针对现有方法忽略航空器在沿航路飞行过程中为规避对流天气形成的飞行路径的复杂性和对流天气演变的动态性,且需要融入较多人为的主观判断结果,可能导致对流天气影响航路航线交通流程度的判断偏差等特点,独创性地提出面向航迹运行的基于最优穿越路径的航路阻塞度(Route Blockage,RB)评估方法,综合考虑航空器在穿越空域过程中遭遇的天气的强度和穿越路径复杂性特征,自主确定气象规避阈值,以面向航迹运行构建的最优航路穿越路径为基础,计算对流天气对航路的阻塞程度,量化评估对流天气对航班运行的影响。具体而言,本发明的创新性主要体现在以下三方面:1)航路段中每一个运输盒的网格被赋予的规避概率由航空器经过对应运输盒时的空域气象特征决定,确保阻塞度评估结果适用于精细化的具体航班运行管理;2)根据由低到高遍历不同候选阻塞阈值定义的分割空域的连通性自主确定阻塞阈值,减少人为主观判断的干预,提高量化评估结果的一致性和鲁棒性;3)以航空器沿航路穿越的路径复杂性和遭遇天气的强度为依据,从基于阻塞阈值建立的有向网络图中挑选出最优航路穿越路径并据此计算航路阻塞度,改进量化评估对流天气对航班运行约束影响的客观性和准确性。
与现有方法相比,本发明的显著优点在于:综合考虑航空器在穿越空域过程中遭遇的最恶劣对流天气的强度和穿越路径的复杂性特征,自主确定气象规避阈值避免人为主观判断对评估结果的干预,以面向航迹运行构建的最优航路穿越路径为基础,计算对流天气对航路的阻塞程度,提高量化评估对流天气对航班运行的影响的准确性和鲁棒性。具体而言,主要体现在以下三方面:1)航路段中每一个运输盒的网格被赋予的规避概率由航空器经过对应运输盒时的空域气象特征决定,确保阻塞度评估结果适用于精细化的具体航班运行管理;2)根据由低到高遍历不同候选阻塞阈值定义的分割空域的连通性自主确定阻塞阈值,减少人为主观判断的干预,提高量化评估结果的一致性和鲁棒性;3)以航空器沿航路穿越的路径复杂性和遭遇天气的强度为依据,从基于阻塞阈值建立的有向网络图中挑选出最优航路穿越路径并据此计算航路阻塞度,改进量化评估对流天气对航班运行约束影响的客观性和准确性。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述或其他方面的优点将会变得更加清楚。
图1是对流天气条件下基于最优穿越路径的航路阻塞度评估方法详细流程图。
图2是航路段网格划分示意图。
图3是航路段气象规避概率确定示意图。
图4是航路段最优穿越路径构建示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本发明主要由4部分构成:划分航路网格,确定航路气象规避概率,构建航路最优穿越路径和计算航路阻塞度。在此基础上,对本发明进一步细化后的详细流程如图1所示,具体步骤如下:。
步骤1-1:航路段插值
根据对流天气雷达反射率数据的时间颗粒度,结合飞机平均飞行时速,计算航路段的插值间隔L(如气象数据的时间颗粒度为6min,飞机的平均飞行速度为200m/s,则插值间隔L为72km),再根据相邻两个航路点间的欧式距离
Figure GDA0002399512280000081
(其中
Figure GDA0002399512280000082
为两点间经度差,Δθ为两点间纬度差,
Figure GDA0002399512280000083
为两点的平均纬度值),计算插值点个数
Figure GDA0002399512280000084
最后依次对相邻两个航路点进行线性插值,得到更精细的航路插值点序列。插值点位置根据插值点与起始航路点的距离和斜率列方程求解得到,具体计算方法示例如下。
例如第1个航路点记为(x1,y1),第2个航路点记为(x2,y2),第1个航路点和第2个航路点之间的第k个插值点记为
Figure GDA0002399512280000085
其中x表示经度,y表示纬度,构建方程组如下:
Figure GDA0002399512280000091
步骤1-2:构建航路段运输盒并进行网格化
如图2所示,根据步骤1-1的新航路点序列,依次以两个相邻航路点间的距离为长,以航路宽度(如20km)为宽,以垂直于航路的方向向航路两侧外扩,构建矩形运输盒。然后以对流天气气象数据的空间颗粒度(如3km)为插值间隔,在垂直于航路段方向上,对运输盒进行网格化细分,得到网格化运输盒。
步骤2-1:雷达反射率转换成规避概率
雷达反射率反映了对流天气的强度特征,反射率值越大,对流天气越剧烈,飞行器规避它的概率相应就越高。因此依据经验,根据对流天气条件下的雷达反射率数据取值范围,将不同时刻的、网格化的雷达反射率数据转换成相应的规避概率数据。具体的转换关系如表1所示。
表1
雷达反射率(单位:dBZ) 规避概率
dBZ<18 0.0
18≤dBZ<30 0.1
30≤dBZ<41 0.3
41≤dBZ<46 0.5
46≤dBZ<50 0.7
50≤dBZ<57 0.9
57<dBZ 1
其次,根据评估起始时间和上一步得到的规避概率的时间颗粒度,为每个运输盒分配不同时刻的网格化规避概率值。例如评估起始时间为13:00,规避概率的时间颗粒度为6min,待评估航路段用划分为5个运输盒,则沿着航行方向,与每个运输盒中规避概率的对应时刻分别为13:00,13:06,13:12,13:18和13:24。
步骤2-2:计算运输盒网格规避概率
如图3所示,以规避概率分布的空间颗粒度(如3km)为插值间隔,使用步骤1-1的方法,在平行于航路的方向上,对运输盒的每个网格进一步细分,得到运输盒子网格。根据子网格中心的坐标位置,计算得到距离其最近的4个气象网格点的规避概率值,以距离倒数为权重对4个规避概率进行加权求和,计算得到运输盒子网格的规避概率。在此基础上,再取运输盒网格内每个子网格的规避概率的平均值作为运输盒网格的规避概率。
步骤3-1:确定候选阻塞阈值并初始化阻塞阈值
根据规避概率取值分布确定候选阻塞阈值集并由小到大排列,最小候选阻塞阈值为最小规避概率值,最大候选阻塞阈值为最大规避概率值。根据雷达反射率与规避概率映射表中规避概率的分布,设计7级候选阻塞阈值,依次为(0,0.1,0.3,0.5,0.7,0.9,1.0),将最小候选阻塞阈值初始化为阻塞阈值。规避概率大于阻塞阈值的航路网格被定义为阻塞网格,规避概率值小于阻塞阈值的航路网格被定义为非阻塞网格。
步骤3-2:构建有向航路穿越网络
如图4所示,根据阻塞阈值将每一个运输盒分割成阻塞网格区域和非阻塞网格区域。将每一个运输盒内的相邻非阻塞网格合并,作为网络节点(简称节点),按航路方向生成节点序列。节点表达形式为:节点名称[所在盒子编号,(网格编号序列)],例如图4中节点A的表达形式为A[1,(3,4,5)]。相邻运输盒子中的节点被认为是相邻节点。相邻节点有一个或多个相同的网格编号,则认为相邻节点连通,并用连通边连接,方向从前序运输盒指向后序运输盒,连通边的权重为相邻节点的相同网格编号的数量。
步骤3-3:判别网络连通性
以第一个运输盒中节点为起始节点,最后一个运输盒中节点为叶子节点,按深度优先算法从航路穿越网络中搜索出一条从起始节点出发到达叶子节点的连通路径。若不存在,则航路穿越网络不连通,阻塞阈值递增1级,并返回步骤3-2。若存在,则航路穿越网络连通,进入步骤3-4。
步骤3-4:搜索连通路径
以第一个运输盒中节点为起始节点,最后一个运输盒中节点为叶子节点,按深度优先算法从航路穿越网络中搜索出所有从起始节点出发到达叶子节点的连通路径。航路穿越网络中搜索出的连通路径用节点和连通边权重组成的序列表示,以图4为例,3条连通路径分别为:{A,2,C,2,E,1,G}、{A,2,C,2,E,1,H}和{B,2,D,1,F,1,H},每条路径的字母表示节点,数字表示其左右两个相邻节点的连通边权重。
步骤3-5:选取最优航路穿越路径
针对每一条连通路径,将其权重值最小的连通边定义为路径瓶颈(简称为瓶颈),此权重值作为瓶颈值(虽然瓶颈值唯一,但瓶颈数目可能不唯一,存在一条路径有多个瓶颈的可能性)。连通边起止节点的网格编号若存在交集,则认为不存在跳跃,即跳跃值为0;若不存在交集,则认为存在跳跃,跳跃值为起止节点之间的最小距离。连通路径中所有连通边的跳跃值之和与最大总跳跃值的比值表征连通路径的复杂性,记为
Figure GDA0002399512280000111
其中N为航路段运输盒的个数,每一个航路运输盒中网格数目为M,连通路径中第i条连通边的跳跃值为mi,i=1,2,…,N-1(基于具有N个运输盒的航路段构建的连通路径的连通边数为N-1)。
首先在所有连通路径中挑选出瓶颈值最大的路径作为候选最优路径集,然后进一步挑选出瓶颈数目最少的路径作为候选最优路径集,最后再精选出复杂性最低的路径作为最优航路穿越路径。以图4为例,瓶颈值最大且瓶颈数目最少的路径为{A,2,C,2,E,1,G}和{A,2,C,2,E,1,H},进一步计算路径复杂性分别为1/44和0,因此最优航路穿越路径为{A,2,C,2,E,1,H}。
步骤4-1:计算最优航路穿越路径阻塞度
确定最优航路穿越路径中“瓶颈”的个数和各个“瓶颈”中心位置,依次基于每个“瓶颈”计算“瓶颈”阻塞度,选取最大“瓶颈”阻塞度与最优航路穿越路径复杂性相加,结果作为最优航路穿越路径阻塞度。“瓶颈”阻塞度计算方法如下:提取“瓶颈”两侧阻塞盒子中气象特征值大于或等于(>=)阻塞阈值的子网格,确定各个子网格的中心位置,以子网格中心和“瓶颈”中心之间的纵向距离的倒数为权重,加权平均“瓶颈”两侧阻塞盒中所有提取的网格的气象特征值。以图4中最优航路穿越路径{A,3,C,3,E,1,G}为例,阻塞度计算过程如下:先计算瓶颈阻塞度:
[(1/2)*0.8+1*0.7+(1/2)*0.8+(1/3)*0.7+(1/4)*0.8+(1/5)*0.8+(1/6)*0.7+(1/7)*0.9+(1/8)*0.9+(1/9)*0.8+(1/10)*0.8]/[(1/2)+1+(1/2)+(1/3)+(1/4)+(1/5)+(1/6)+(1/7)+(1/8)+(1/9)+(1/10)]=0.764;然后计算最优航路穿越路径复杂性:Complexity=0;最后计算最优航路穿越路径阻塞度为:blockage=0.764+0=0.764。
步骤4-2:确定航路阻塞度
如果阻塞阈值不为1,依次对每条最优航路穿越路径计算最优路径阻塞度,从中选取最大最优航路穿越路径阻塞度作为航路阻塞度。以图4为例,最优航路穿越路径{A,3,C,3,E,1,G}和{A,3,C,3,E,1,H}阻塞度分别为:0.764和0.768,因此航路阻塞度为0.768。如果阻塞阈值为1,航路阻塞度为1。航路阻塞度值是量化对流天气对航路影响程度的指标,为后续空中交通流量管理策略的制定提供重要依据。
本发明提供了对流天气条件下基于最优穿越路径的航路阻塞度评估方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (5)

1.对流天气条件下基于最优穿越路径的航路阻塞度评估方法,其特征在于,包括以下步骤:
步骤1,划分航路网格;
步骤2,确定航路气象规避概率;
步骤3,构建航路最优穿越路径;
步骤4,计算航路阻塞度;
步骤1包括:
步骤1-1,航路段插值:
根据对流天气雷达反射率预报数据的时间颗粒度,结合飞机平均飞行时速,计算得到航路段的插值间隔L1,再根据相邻两个航路点间的欧式距离D,计算插值点个数K:
Figure FDA0002399512270000011
最后依次对相邻两个航路点进行线性插值,得到航路插值点的位置,从而得到航路插值点序列;
步骤1-1中,根据如下公式计算相邻两个航路点间的欧式距离D:
Figure FDA0002399512270000012
其中
Figure FDA0002399512270000013
为相邻两个航路点间经度差,Δθ为相邻两个航路点间纬度差,
Figure FDA0002399512270000014
为相邻两个航路点的平均纬度值;
步骤1-1中,所述航路插值点的位置根据插值点与起始航路点的距离和斜率列方程求解得到,具体计算方法包括:
设定第1个航路点位置记为(x1,y1),第2个航路点位置记为(x2,y2),x1,y1分别表示第1个航路点的经度和纬度;第1个航路点和第2个航路点之间的第k个航路插值点位置记为
Figure FDA0002399512270000015
其中,
Figure FDA0002399512270000016
表示第k个插值点的经度,
Figure FDA0002399512270000017
表示第k个插值点的纬度,构建方程组如下:
Figure FDA0002399512270000018
根据该方程组得到航路插值点的位置,从而得到航路插值点序列;
步骤1-2:构建航路段运输盒并进行网格化:
步骤1-2包括:
根据航路插值点序列,依次计算两个相邻航路点的航路方位角,再计算与所述航路方位角垂直的两个方位角,分别以所述两个相邻航路点为起始点,沿着垂直于航路方位角的两个方位角方向,向航路两侧外扩至航路宽度的距离,得到四个位置点;以所述四个位置点为矩形运输盒顶点,以平行于航路方向为长,以垂直于航路方向为宽,构建矩形运输盒,所述矩形运输盒即为航路段运输盒;然后以航路段运输盒宽边的两个顶点为插值起止点,以对流天气气象数据的空间颗粒度为插值间隔,使用步骤1-1的插值方法,对航路段运输盒宽边进行插值处理,依次连接航路段运输盒两条宽边的对应插值点,对航路段运输盒进行网格化细分,得到航路段运输盒网格。
2.根据权利要求1所述的方法,其特征在于,步骤2包括:
步骤2-1,将雷达反射率转换成规避概率,根据评估起始时间和规避概率的时间颗粒度,为每个航路段运输盒分配不同时刻的网格化规避概率值;
步骤2-2,计算运输盒网格规避概率:
以航路段运输盒网格两条宽边的中点为插值起止点,以规避概率分布的空间颗粒度为插值间隔,使用步骤1-1的插值方法,在平行于航路的方向上,对航路段运输盒的每个网格进一步细分,得到运输盒子网格;根据运输盒子网格中心的坐标位置,计算得到距离其最近的4个气象网格点的规避概率值,以距离倒数为权重对4个规避概率进行加权求和,计算得到运输盒子网格的规避概率,其公式如下所示:
Figure FDA0002399512270000021
其中Prob为运输盒子网格的规避概率,Wpi为距离所述运输盒子网格最近的4个气象网格点中第i个点的规避概率值,Di为第i个点与运输盒子网格间的距离;
再取航路段运输盒网格内每个子网格的规避概率的平均值作为运输盒网格的规避概率,公式如下所示:
Figure FDA0002399512270000022
其中Pb为运输盒网格的规避概率,N1为运输盒网格包含的子网格总数,Probi为第i个子网格的规避概率。
3.根据权利要求2所述的方法,其特征在于,步骤3包括:
步骤3-1:确定候选阻塞阈值并初始化阻塞阈值:
根据运输盒网格的规避概率的取值分布确定候选阻塞阈值集并由小到大排列,最小候选阻塞阈值为最小规避概率值,最大候选阻塞阈值为最大规避概率值;设计7级候选阻塞阈值,从第1级到第7级依次为0,0.1,0.3,0.5,0.7,0.9,1.0,将最小候选阻塞阈值初始化为阻塞阈值;规避概率大于阻塞阈值的运输盒网格被定义为阻塞网格,规避概率值小于阻塞阈值的运输盒网格被定义为非阻塞网格;
步骤3-2:构建有向航路穿越网络:
根据阻塞阈值将每一个航路段运输盒分割成阻塞网格区域和非阻塞网格区域,将每一个航路段运输盒内的相邻非阻塞网格合并,作为网络节点,按航路方向生成网络节点序列,网格节点A的表达形式为A[1,(3,4,5)],其中,A表示网格节点名称,1表示网格节点A所在航路段运输盒的编号,3,4,5为网格编号序列;相邻航路段运输盒子中的网络节点判定为相邻节点,相邻节点有一个或两个以上相同的网格编号,则判定相邻节点连通,并用连通边连接,方向从前序航路段运输盒指向后序航路段运输盒,连通边的权重为相邻节点的相同网格编号的数量;
步骤3-3:判别网络连通性:
以第一个航路段运输盒中网格节点为起始节点,最后一个航路段运输盒中网格节点为叶子节点,以深度优先为原则依次从每一个起始节点出发开始搜索连通路径,如果找到一条到达叶子节点的连通路径,则判定航路穿越网络连通;若连通路径不存在,则判定航路穿越网络不连通,阻塞阈值的级别递增1级,并返回步骤3-2;若存在,则航路穿越网络连通,进入步骤3-4;
步骤3-4:搜索连通路径:
以第一个航路段运输盒中网格节点为起始节点,最后一个航路段运输盒中网格节点为叶子节点,按深度优先原则从航路穿越网络中搜索出所有从起始节点出发到达叶子节点的连通路径,航路穿越网络中搜索出的连通路径用网格节点和连通边权重组成的序列表示;
步骤3-5:选取最优航路穿越路径:
针对每一条连通路径,将其权重值最小的连通边定义为路径瓶颈,所述最小权重值作为瓶颈值;连通边起止节点的网格编号如果存在交集,则判定不存在跳跃,即跳跃值为0;如果不存在交集,则判定存在跳跃,跳跃值为起止节点之间的最小距离;
连通路径中所有连通边的跳跃值之和与最大总跳跃值的比值表征连通路径的复杂性,记为
Figure FDA0002399512270000041
其中N为航路段运输盒的个数,M为一个航路运输盒中网格数目,mi为连通路径中第i条连通边的跳跃值,i=1,2,…,N-1,则基于具有N个运输盒的航路段构建的连通路径的连通边数为N-1;
在所有连通路径中挑选出瓶颈值最大的路径作为初始候选最优路径,然后从初始候选最优路径中挑选出路径瓶颈数目最少的路径作为候选最优路径,最后从候选最优路径中选出复杂性Complexity最低的路径作为最优航路穿越路径。
4.根据权利要求3所述的方法,其特征在于,步骤4包括:
步骤4-1:计算最优航路穿越路径阻塞度:
确定最优航路穿越路径中路径瓶颈的个数和各个路径瓶颈中心位置,依次基于每个路径瓶颈计算路径瓶颈阻塞度,选取最大路径瓶颈阻塞度与最优航路穿越路径复杂性Complexity相加,结果作为最优航路穿越路径阻塞度;
步骤4-2:确定航路阻塞度:
如果阻塞阈值为1,航路阻塞度为1;如果阻塞阈值不为1,依次对每条最优航路穿越路径计算最优航路穿越路径阻塞度,从中选取最大最优航路穿越路径阻塞度作为航路阻塞度。
5.根据权利要求4所述的方法,其特征在于,步骤4-1中,路径瓶颈阻塞度计算方法如下:提取路径瓶颈两侧运输盒中气象特征值大于或等于阻塞阈值的运输盒网格,确定各个运输盒网格的中心位置,以运输盒网格中心和路径瓶颈中心之间的纵向距离的倒数为权重,加权平均路径瓶颈两侧运输盒中所有提取的运输盒网格的气象特征值,具体计算公式如下:
Figure FDA0002399512270000042
式中PB为路径阻塞度,L为路径瓶颈左侧的运输盒,R为路径瓶颈右侧的运输盒,i为路径瓶颈两侧运输盒中的气象特征值大于或等于阻塞阈值的运输盒网格标识,wi为运输盒网格i的气象特征值,di为运输盒网格i中心与路径瓶颈中心之间的径向距离。
CN201910274362.2A 2019-04-08 2019-04-08 对流天气条件下基于最优穿越路径的航路阻塞度评估方法 Active CN110084491B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910274362.2A CN110084491B (zh) 2019-04-08 2019-04-08 对流天气条件下基于最优穿越路径的航路阻塞度评估方法
JP2020545137A JP7077413B2 (ja) 2019-04-08 2019-05-13 対流気象条件での最適通抜け経路に基づく航路の渋滞度の評価方法
PCT/CN2019/086516 WO2020206798A1 (zh) 2019-04-08 2019-05-13 对流天气条件下基于最优穿越路径的航路阻塞度评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910274362.2A CN110084491B (zh) 2019-04-08 2019-04-08 对流天气条件下基于最优穿越路径的航路阻塞度评估方法

Publications (2)

Publication Number Publication Date
CN110084491A CN110084491A (zh) 2019-08-02
CN110084491B true CN110084491B (zh) 2020-04-21

Family

ID=67414427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910274362.2A Active CN110084491B (zh) 2019-04-08 2019-04-08 对流天气条件下基于最优穿越路径的航路阻塞度评估方法

Country Status (3)

Country Link
JP (1) JP7077413B2 (zh)
CN (1) CN110084491B (zh)
WO (1) WO2020206798A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111477033B (zh) * 2020-01-17 2021-07-27 上海眼控科技股份有限公司 基于通航量的流量管理方法、装置、电子设备及存储介质
CN113516429B (zh) * 2021-04-08 2024-03-29 华南理工大学 一种基于网络拥堵模型的多agv全局规划方法
CN114333432B (zh) * 2021-12-29 2022-06-28 中国人民解放军93209部队 一种基于空域网格的赋值方法
CN114596733B (zh) * 2022-01-26 2022-09-27 中国科学院自动化研究所 一种航线冲突检测方法及装置
CN114627680B (zh) * 2022-04-11 2023-04-11 交通运输部天津水运工程科学研究所 一种超大型船舶通航安全预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503837A (zh) * 2016-10-11 2017-03-15 哈尔滨工程大学 一种基于改进水平集算法的时间最优航路规划方法
CN108388270A (zh) * 2018-03-21 2018-08-10 天津大学 面向安全域的集群无人机轨迹姿态协同控制方法
CN109314593A (zh) * 2016-12-29 2019-02-05 骁阳网络有限公司 用于在光传输网络中分配资源的方法和系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8095314B2 (en) * 2006-10-04 2012-01-10 Embry-Riddle Aeronautical University, Inc. Generation of four dimensional grid of probabilistic hazards for use by decision support tools
US8660716B1 (en) * 2010-05-03 2014-02-25 The Boeing Company Comparative vertical situation displays
CN101982846A (zh) * 2010-09-10 2011-03-02 四川大学 时变条件下航班最优航路选择方法
CN102222412B (zh) * 2011-05-26 2013-10-16 北京航空航天大学 一种引入空域容量的航路汇聚点布局优化方法
WO2013130897A1 (en) * 2012-02-28 2013-09-06 Watts William Henry Weather avoidance tool system
CN103413462B (zh) * 2013-07-18 2016-01-20 北京航空航天大学 一种综合考虑空域拥堵和航班延误的空中交通网络流量优化方法
CN103473469B (zh) * 2013-09-25 2016-06-22 南京航空航天大学 一种基于客观指标的扇区交通态势多层次模糊评价方法
CN104406580B (zh) * 2014-11-21 2018-08-28 北京科航军威科技有限公司 一种通用航空飞行器的导航方法、装置和系统
US10367677B2 (en) * 2016-05-13 2019-07-30 Telefonaktiebolaget Lm Ericsson (Publ) Network architecture, methods, and devices for a wireless communications network
JP6815225B2 (ja) * 2017-02-24 2021-01-20 リンナイ株式会社 燃焼装置
CN106710316B (zh) * 2017-02-28 2018-05-08 中国人民解放军空军装备研究院雷达与电子对抗研究所 一种基于恶劣气象条件的空域容量确定方法及装置
CN107228668B (zh) * 2017-05-17 2020-03-10 桂林电子科技大学 一种基于规则网格dem数据的路径规划新方法
EP3444791A3 (en) * 2017-08-13 2019-04-24 IATAS Automatic Air Traffic Control Ltd System and methods for automated airport air traffic control services
CN108195552B (zh) * 2018-03-20 2020-01-10 南京航空航天大学 一种高速风洞无人机投放试验机构

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503837A (zh) * 2016-10-11 2017-03-15 哈尔滨工程大学 一种基于改进水平集算法的时间最优航路规划方法
CN109314593A (zh) * 2016-12-29 2019-02-05 骁阳网络有限公司 用于在光传输网络中分配资源的方法和系统
CN108388270A (zh) * 2018-03-21 2018-08-10 天津大学 面向安全域的集群无人机轨迹姿态协同控制方法

Also Published As

Publication number Publication date
JP2021517290A (ja) 2021-07-15
JP7077413B2 (ja) 2022-05-30
CN110084491A (zh) 2019-08-02
WO2020206798A1 (zh) 2020-10-15

Similar Documents

Publication Publication Date Title
CN110084491B (zh) 对流天气条件下基于最优穿越路径的航路阻塞度评估方法
CN108109382B (zh) 基于复合网络的拥堵点、拥堵线、拥堵区域的发现方法
Wang et al. GSNet: Learning spatial-temporal correlations from geographical and semantic aspects for traffic accident risk forecasting
CN104731963B (zh) 一种基于车联网的网格化路径推荐方法及系统
CN107067824B (zh) 基于环境影响的终端区航线网络优化方法
CN108564790A (zh) 一种基于交通流时空相似性的城市短时交通流预测方法
CN108683448B (zh) 适用于航空网络的影响力节点识别方法及系统
CN106652441A (zh) 一种基于时空数据的城市道路交通状态预测方法
CN106710316B (zh) 一种基于恶劣气象条件的空域容量确定方法及装置
CN112862156A (zh) 一种基于船舶轨迹和蚁群算法的船舶路径规划方法
CN111540195B (zh) 基于交通大数据的区域交通可达性的评估方法
CN113284369B (zh) 一种基于ads-b实测航路数据的预测方法
Taylor et al. Travel time reliability and the bimodal travel time distribution for an arterial road
CN112215416A (zh) 智能规划巡检航线系统及方法
CN114462898A (zh) 基于地理信息的公路规划管理方法及系统
CN111008730B (zh) 基于城市空间结构的人群聚集度预测模型构建方法及装置
CN111578961A (zh) 基于领导者海豚群求解不确定条件车辆路径优化算法
CN114676489A (zh) 桥梁结构变形预警方法、装置、计算机设备和存储介质
CN113553357A (zh) 一种基于HW-Louvain的城市公交网络划分性空间社团探测方法
Kučas Graph-based multi-attribute decision making: impact of road fencing on ecological network
CN118096478B (zh) 一种基于多维指标动态分析的关键交通基础设施辨识方法
CN113190769B (zh) 通勤特征数据确定方法、装置、电子设备和存储介质
CN116910465B (zh) 基于机器学习的空中交通流量管理延误分布预测方法
CN114169601A (zh) 一种基于地理信息的多约束选线方法
CN118551182A (zh) 基于蜂窝网格单元的低空航路风险地图构建方法与系统

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
GR01 Patent grant
GR01 Patent grant