CN110196962A - 一种基于核密度估计的飞机速度异常识别方法 - Google Patents
一种基于核密度估计的飞机速度异常识别方法 Download PDFInfo
- Publication number
- CN110196962A CN110196962A CN201910293382.4A CN201910293382A CN110196962A CN 110196962 A CN110196962 A CN 110196962A CN 201910293382 A CN201910293382 A CN 201910293382A CN 110196962 A CN110196962 A CN 110196962A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- data
- airspace
- track
- air speed
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/006—Identification
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Traffic Control Systems (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于核密度估计的飞机速度异常识别方法,属于空中交通监控领域。该方法包括如下步骤:步骤1:读取飞机航迹相关数据;步骤2:对飞机航迹数据进行质量分析;步骤3:对飞机航迹数据进行预处理;步骤4:坐标变换;步骤5:空域划分;步骤6:计算飞机速度变化率;步骤7:拟合速度变化率概率分布函数;步骤8:速度异常判断。该方法可以实现对飞机速度异常进行智能化识别,为空中交通管制人员提供高效、准确的决策信息,从而可以提前采取管制措施,保证航空运输安全。
Description
技术领域
本发明涉及一种基于核密度估计的飞机速度异常识别方法,属于空中交通监控领域。
背景技术
从2002年开始,我国民航业进入了飞速发展阶段,截止2017年,在民航业持续高速发展的同时,保持了较低的事故率,预计2017年实现运输飞行总小时数1059万小时、飞行总架次436万架次,同比2016年分别增长11.6%和10.1%,首次突破千万小时年运输飞行总量。预计2020年我国国内运输机场总量将超过250个,航空运输在综合交通中的比重进将一步提升,旅客周转量比重达到28%,运输总周转量达到1420亿吨公里,旅客运输量7.2亿人次,货邮运输量850万吨。目前,我国民航业在货邮周转量、旅客周转量、运输总周转量等方面指标,仅次于美国,均稳居世界第二。
随着航班量以及运输周转量的持续快速增长,我国的空中交通流量急剧增长,加之我国空域结构复杂;空管、机场等所用的设备相对落后;空管技术和管理水平相对西方较落后。这些因素使得原本紧张的空域资源更加紧张,根据统计,我国最繁忙的五大机场在每天15个小时繁忙时段内,平均小时起降架次均超过民航局公布的最大小时容量,在这些繁忙机场的终端区内,空管人员长时间处于高负荷运行状态,对飞机的安全运行提出了挑战,对我国民用航空运输业的安全和可持续发展构成阻碍。
对飞机异常行为进行智能化识别是空中交通智能化监控的重点研究领域,特别是如何对飞机速度异常进行识别,有助于空管部门发现异常的飞机,为空中交通管制人员提供高效、准确的决策信息,从而可以提前采取措施,保证空域系统的运行安全。目前,国内外还没有智能化的飞机异常识别辅助决策工具,主要靠管制员凭经验去发现一些异常行为,从而增加了飞机飞行途中的危险性。因此,关于飞机异常识别辅助决策工具的研究发明有着广阔的发展前景。
发明内容
本发明提出一种基于核密度估计的飞机速度异常识别方法,从大量历史飞行数据中挖掘不同空域中飞机速度异常特征,实现对飞机速度异常进行智能化识别,为空中交通管制人员提供高效、准确的决策信息,从而可以提前采取管制措施,保证航空运输安全。
本发明为解决其技术问题采用如下技术方案:
一种基于核密度估计的飞机速度异常识别方法,包括如下步骤:
步骤1:读取飞机航迹相关数据;
步骤2:对飞机航迹数据进行质量分析;
步骤3:对飞机航迹数据进行预处理;
步骤4:坐标变换;
步骤5:空域划分;
步骤6:计算飞机速度变化率;
步骤7:拟合速度变化率概率分布函数;
步骤8:速度异常判断
以核密度估计方法拟合所得的速度变化率的密度分布函数确定每个空域块的速度变化率分布情况;将各个空域块中的概率密度值做升序排列,则排在前5%位置的概率密度值作为该空域块的异常速度判定阈值;识别飞机异常速度时,计算新样本数据在对应空域内的概率密度值,若小于对应空域块的异常判断阈值时,则判定其为异常速度,否则,判定其不属于异常速度。
所述飞机航迹相关数据包括时间、雷达波号、飞机型号、飞机所处经度、飞机所处纬度、飞机所处高度、飞机速度和飞机角度。
所述对飞机航迹数据进行质量分析的具体过程如下:
从数据是否存在重复值、缺失值、异常值三个方面进行分析,对比飞机航迹信息数据集中的所有航迹点的所有属性,当两个航迹点之间的所有属性均相同时,则判断这两个航迹点为重复值;检查航迹点的属性值,当存在空值时,则该航迹信息为缺失值;异常值的判断采用聚类法,针对多变量异常值处理,采用快速聚类法,将数据对象分组成多个簇,从而挖掘出孤立点,判断出异常值数据。
所述飞机航迹数据进行预处理的过程如下:
对飞机航迹信息数据集进行数据清洗,数据中存在的重复值采用删除法,剔除重复航迹信息的数据记录;数据中存在的缺失值采用删除法和插补法;当数据缺失属性大于85%时,删除该航迹点的信息数据,否则根据其他非缺失的变量,运用回归的方法对缺失值进行插补;数据中的异常值采用替换法;将清洗后的数据根据时间顺序重新排序,形成时间序列下的飞机航迹信息数据序列。
所述坐标变换是将地球的球坐标转换成笛卡尔坐标系,具体计算公式如下:
X=(N+h)×cosφ×cosλ (1)
Y=(N+h)×cosφ×sinλ (2)
Z=[N×(1-e2)+h]×sinφ (3)
其中,φ,λ,h分别表示纬度、经度、海拔高度;X,Y,Z表示三维笛卡尔坐标系坐标;N表示曲率半径。
所述空域划分包括如下过程:
采用射线法对空域进行初步分区,具体方法为:根据每个扇区的边界位置,将飞机航迹数据集中的所有航迹点作为判断点,向右的水平方向作一条射线;排除射线与扇区边界线重叠及边界点端点经过射线的情况,计算该射线与扇区所有边界线的交点个数,如果交点个数为奇数,则该航迹点属于该扇区,偶数则不属于该扇区;
采用等值划分法对空域进行进一步的分区,具体方法为:基于扇区的飞机航迹信息数据集,以飞机的海拔高度作为指标,以300米为一高度间隔进行区域划分,从而进一步划分扇区,完成空域的区域划分。
所述计算飞机速度变化率公式如下:
其中,a为飞机相邻两个航迹点之间的速度变化率;ΔV为飞机相邻两个航迹点之间的速度差;ΔT为飞机相邻两个航迹点之间的时间差。
步骤7的具体过程如下:
将空域每块高度层的速度变化率作为数据样本,运用核密度估计进行拟合,第m块空域的核密度估计的公式为:
其中,K(·)为高斯核函数,h是带宽,是第m块空域且带宽为h所对应的数据集的密度函数,n为样本集的总数量,x为当前所求样本,xi为样本集中的第i个样本。
本发明的有益效果如下:
国内尚无飞机异常行为检测工具,为了弥补这块空白,本发明提出一种基于核密度估计的飞机速度异常识别方法。
本发明方法根据大量历史航迹数据,挖掘不同空域中速度变化分布,首次采用非参数核密度估计方法来学习表征飞机速度异常分布特征,实现飞机速度异常行为的识别。
本发明方法以飞机速度变化率作为速度异常表征指标,并采用射线法与等值划分法相结合的方法对空域进行划分,并使得划分后每块空域的正常速度变化和异常速度变化分布特征更加明显,从而可以提高速度异常识别率。
附图说明
图1为基于核密度估计的飞机速度异常识别方法流程图。
具体实施方式
下面结合附图对本发明创造做进一步详细说明。
本发明提出一种基于核密度估计的飞机速度异常识别方法如图1所示,首先读入飞机航迹相关数据,并对航迹数据进行质量分析和预处理,进一步对飞机航迹的球坐标位置转换到笛卡尔坐标系,在此基础上,对空域进行划分,计算飞机速度变化率,拟合每块空域的速度变化率概率分布函数,最后根据速度变化率概率分布函数对飞机速度异常进行判断,具体步骤如下:
步骤1:读取飞机航迹相关数据
读取飞机航迹相关数据,包括时间、雷达波号、飞机型号、飞机所处经度、飞机所处纬度、飞机所处高度、飞机速度和飞机角度。
步骤2:数据质量分析
将读取的数据进行质量分析,从数据是否存在重复值、缺失值、异常值三个方面进行分析。对比飞机航迹信息数据集中的所有航迹点的所有属性,当两个航迹点之间的所有属性均相同时,则判断这两个航迹点为重复值;检查航迹点的属性值,当存在空值时,则该航迹信息为缺失值;异常值的判断采用聚类法,由于航迹信息数据是多变量数据,针对多变量异常值处理,采用快速聚类法,将数据对象分组成多个簇,从而挖掘出孤立点,判断出异常值数据。
步骤3:数据预处理
对飞机航迹信息数据集进行数据清洗。数据中存在的重复值采用删除法,剔除重复航迹信息的数据记录;数据中存在的缺失值采用删除法和插补法。当数据缺失属性大于85%时,删除该航迹点的信息数据,否则根据其他非缺失的变量,运用回归的方法对缺失值进行插补;数据中的异常值采用替换法,由于分位数不会受到计算值的影响,故使用中位数对异常值进行替换。将清洗后的数据根据时间顺序重新排序,形成时间序列下的飞机航迹信息数据序列。
步骤4:坐标变换
为了计算和表示方便,将地球的球坐标转换成笛卡尔坐标系,具体计算公式如下:
X=(N+h)×cosφ×cosλ (1)
Y=(N+h)×cosφ×sinλ (2)
Z=[N×(1-e2)+h]×sinφ (3)
其中,φ,λ,h分别表示纬度、经度、海拔高度;X,Y,Z表示三维笛卡尔坐标系坐标;N表示曲率半径。
步骤5:空域划分
采用射线法对空域进行初步分区,具体方法为:根据每个扇区的边界位置,将飞机航迹数据集中的所有航迹点作为判断点,向右的水平方向作一条射线。排除射线与扇区边界线重叠及边界点端点经过射线的情况,计算该射线与扇区所有边界线的交点个数,如果交点个数为奇数,则该航迹点属于该扇区,偶数则不属于该扇区,从而获取所有扇区相应的飞机航迹信息数据集。
采用等值划分法对空域进行进一步的分区,具体方法为:基于扇区的飞机航迹信息数据集,以飞机的海拔高度作为指标,以300米为一高度间隔进行区域划分,从而进一步划分扇区,完成空域的区域划分。
步骤6:计算飞机速度变化率
飞机航迹信息数据包含了多架飞机的航迹信息,利用数据集中的雷达波号,筛选出每个区域中的飞机及对应的航迹信息。将同一飞机对应的航迹信息进行处理,由于同一飞机相邻航迹点的记录时间间隔不相同,为保证计算精度,利用数据集中信息记录时间以及飞机的速度,计算相邻航迹点之间速度变化率,公式如下:
其中,a为飞机相邻两个航迹点之间的速度变化率;ΔV为飞机相邻两个航迹点之间的速度差;ΔT为飞机相邻两个航迹点之间的时间差。
步骤7:拟合速度变化率概率分布函数
本发明方法采用核密度估计来判断数据的概率密度分布,不加入任何先验知识,而是根据数据本身的特点、性质来拟合分布。将空域每块高度层的速度变化率作为数据样本,运用核密度估计进行拟合。第m块空域的核密度估计的公式为:
其中,K(·)为高斯核函数,h是带宽,是第m块空域且带宽为h所对应的数据集的密度函数,n为样本集的总数量,x为当前所求样本,xi为样本集中的第i个样本。
由于不同的带宽下的核函数估计结果差异很大,因此,对于带宽的选取采用了西尔弗曼带宽法,即最小化平均积分平方误差。对渐进的平均积分平方误差求导,可获得平均积分平方误差的极值,从而获得平均积分平方误差的最小值。根据其高斯核函数的性质,可获得数据相应的最优带宽。
步骤8:速度异常判断
一旦通过核密度估计近似数据集的概率密度函数,就可以使用估计的概率函数来检测离群点。对于任意一架飞机,概率密度函数给出该飞机在随机过程产生的估计概率,如果概率密度函数大,则该飞机是正常的;否则,该飞机是离群点。因此以核密度估计方法拟合所得的速度变化率的密度分布函数可确定每个空域块的速度变化率分布情况。将各个空域块中的概率密度值做升序排列,则排在前5%位置的概率密度值作为该空域块的异常速度判定阈值。识别飞机异常速度时,计算新样本数据在对应空域内的概率密度值,若小于对应空域块的异常判断阈值时,则判定其为异常速度,否则,判定其不属于异常速度。
Claims (8)
1.一种基于核密度估计的飞机速度异常识别方法,其特征在于,包括如下步骤:
步骤1:读取飞机航迹相关数据;
步骤2:对飞机航迹数据进行质量分析;
步骤3:对飞机航迹数据进行预处理;
步骤4:坐标变换;
步骤5:空域划分;
步骤6:计算飞机速度变化率;
步骤7:拟合速度变化率概率分布函数;
步骤8:速度异常判断
以核密度估计方法拟合所得的速度变化率的密度分布函数确定每个空域块的速度变化率分布情况;将各个空域块中的概率密度值做升序排列,则排在前5%位置的概率密度值作为该空域块的异常速度判定阈值;识别飞机异常速度时,计算新样本数据在对应空域内的概率密度值,若小于对应空域块的异常判断阈值时,则判定其为异常速度,否则,判定其不属于异常速度。
2.根据权利要求1所述的一种基于核密度估计的飞机速度异常识别方法,其特征在于,步骤1中所述飞机航迹相关数据包括时间、雷达波号、飞机型号、飞机所处经度、飞机所处纬度、飞机所处高度、飞机速度和飞机角度。
3.根据权利要求1所述的一种基于核密度估计的飞机速度异常识别方法,其特征在于,步骤2中所述对飞机航迹数据进行质量分析的具体过程如下:
从数据是否存在重复值、缺失值、异常值三个方面进行分析,对比飞机航迹信息数据集中的所有航迹点的所有属性,当两个航迹点之间的所有属性均相同时,则判断这两个航迹点为重复值;检查航迹点的属性值,当存在空值时,则该航迹信息为缺失值;异常值的判断采用聚类法,针对多变量异常值处理,采用快速聚类法,将数据对象分组成多个簇,从而挖掘出孤立点,判断出异常值数据。
4.根据权利要求1所述的一种基于核密度估计的飞机速度异常识别方法,其特征在于,步骤3中所述飞机航迹数据进行预处理的过程如下:
对飞机航迹信息数据集进行数据清洗,数据中存在的重复值采用删除法,剔除重复航迹信息的数据记录;数据中存在的缺失值采用删除法和插补法;当数据缺失属性大于85%时,删除该航迹点的信息数据,否则根据其他非缺失的变量,运用回归的方法对缺失值进行插补;数据中的异常值采用替换法;将清洗后的数据根据时间顺序重新排序,形成时间序列下的飞机航迹信息数据序列。
5.根据权利要求1所述的一种基于核密度估计的飞机速度异常识别方法,其特征在于,步骤4中所述坐标变换是将地球的球坐标转换成笛卡尔坐标系,具体计算公式如下:
X=(N+h)×cosφ×cosλ (1)
Y=(N+h)×cosφ×sinλ (2)
Z=[N×(1-e2)+h]×sinφ (3)
其中,φ,λ,h分别表示纬度、经度、海拔高度;X,Y,Z表示三维笛卡尔坐标系坐标;N表示曲率半径。
6.根据权利要求1所述的一种基于核密度估计的飞机速度异常识别方法,其特征在于,步骤5所述空域划分包括如下过程:
采用射线法对空域进行初步分区,具体方法为:根据每个扇区的边界位置,将飞机航迹数据集中的所有航迹点作为判断点,向右的水平方向作一条射线;排除射线与扇区边界线重叠及边界点端点经过射线的情况,计算该射线与扇区所有边界线的交点个数,如果交点个数为奇数,则该航迹点属于该扇区,偶数则不属于该扇区;
采用等值划分法对空域进行进一步的分区,具体方法为:基于扇区的飞机航迹信息数据集,以飞机的海拔高度作为指标,以300米为一高度间隔进行区域划分,从而进一步划分扇区,完成空域的区域划分。
7.根据权利要求1所述的一种基于核密度估计的飞机速度异常识别方法,其特征在于,步骤6所述计算飞机速度变化率公式如下:
其中,a为飞机相邻两个航迹点之间的速度变化率;ΔV为飞机相邻两个航迹点之间的速度差;ΔT为飞机相邻两个航迹点之间的时间差。
8.根据权利要求1所述的一种基于核密度估计的飞机速度异常识别方法,其特征在于,步骤7的具体过程如下:
将空域每块高度层的速度变化率作为数据样本,运用核密度估计进行拟合,第m块空域的核密度估计的公式为:
其中,K(·)为高斯核函数,h是带宽,是第m块空域且带宽为h所对应的数据集的密度函数,n为样本集的总数量,x为当前所求样本,xi为样本集中的第i个样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910293382.4A CN110196962B (zh) | 2019-04-12 | 2019-04-12 | 一种基于核密度估计的飞机速度异常识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910293382.4A CN110196962B (zh) | 2019-04-12 | 2019-04-12 | 一种基于核密度估计的飞机速度异常识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110196962A true CN110196962A (zh) | 2019-09-03 |
CN110196962B CN110196962B (zh) | 2023-04-07 |
Family
ID=67751835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910293382.4A Active CN110196962B (zh) | 2019-04-12 | 2019-04-12 | 一种基于核密度估计的飞机速度异常识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110196962B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111477036A (zh) * | 2020-04-08 | 2020-07-31 | 中国电子科技集团公司第二十八研究所 | 一种空管自动化系统航空器高度异常检测方法 |
CN111966965A (zh) * | 2020-07-08 | 2020-11-20 | 武汉理工大学 | 一种浮标沉石移位识别方法及装置 |
CN112766300A (zh) * | 2020-12-07 | 2021-05-07 | 北京航空航天大学 | 一种航空大数据预处理技术 |
CN113128342A (zh) * | 2021-03-19 | 2021-07-16 | 中国人民解放军战略支援部队信息工程大学 | 航迹数据预处理方法及空中目标识别方法 |
CN113869379A (zh) * | 2021-09-15 | 2021-12-31 | 南京航空航天大学 | 一种基于数据驱动的航空器能量异常识别方法 |
CN114120712A (zh) * | 2021-11-22 | 2022-03-01 | 四川九洲电器集团有限责任公司 | 一种空天球载ais预警方法及装置 |
CN114780797A (zh) * | 2022-04-18 | 2022-07-22 | 西安交通大学 | 一种飞机制造过程中的多源异构大数据的清洗方法及系统 |
CN114862738A (zh) * | 2022-06-06 | 2022-08-05 | 集美大学 | 交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法 |
CN115059549A (zh) * | 2022-06-16 | 2022-09-16 | 中国航发沈阳发动机研究所 | 一种防止大马赫数误操作油门杆的控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005052A (zh) * | 2010-11-09 | 2011-04-06 | 浙江大学 | 基于核密度估计的遮挡人体跟踪方法 |
CN103916896A (zh) * | 2014-03-26 | 2014-07-09 | 浙江农林大学 | 基于多维Epanechnikov核密度估计的异常检测方法 |
CN108519587A (zh) * | 2018-04-25 | 2018-09-11 | 东南大学 | 一种实时的空中目标运动模式识别及参数估计方法 |
-
2019
- 2019-04-12 CN CN201910293382.4A patent/CN110196962B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005052A (zh) * | 2010-11-09 | 2011-04-06 | 浙江大学 | 基于核密度估计的遮挡人体跟踪方法 |
CN103916896A (zh) * | 2014-03-26 | 2014-07-09 | 浙江农林大学 | 基于多维Epanechnikov核密度估计的异常检测方法 |
CN108519587A (zh) * | 2018-04-25 | 2018-09-11 | 东南大学 | 一种实时的空中目标运动模式识别及参数估计方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111477036A (zh) * | 2020-04-08 | 2020-07-31 | 中国电子科技集团公司第二十八研究所 | 一种空管自动化系统航空器高度异常检测方法 |
CN111966965A (zh) * | 2020-07-08 | 2020-11-20 | 武汉理工大学 | 一种浮标沉石移位识别方法及装置 |
CN111966965B (zh) * | 2020-07-08 | 2023-07-25 | 武汉理工大学 | 一种浮标沉石移位识别方法及装置 |
CN112766300A (zh) * | 2020-12-07 | 2021-05-07 | 北京航空航天大学 | 一种航空大数据预处理技术 |
CN113128342A (zh) * | 2021-03-19 | 2021-07-16 | 中国人民解放军战略支援部队信息工程大学 | 航迹数据预处理方法及空中目标识别方法 |
CN113128342B (zh) * | 2021-03-19 | 2023-04-07 | 中国人民解放军战略支援部队信息工程大学 | 航迹数据预处理方法及空中目标识别方法 |
CN113869379A (zh) * | 2021-09-15 | 2021-12-31 | 南京航空航天大学 | 一种基于数据驱动的航空器能量异常识别方法 |
CN114120712B (zh) * | 2021-11-22 | 2022-11-29 | 四川九洲电器集团有限责任公司 | 一种空天球载ais预警方法及装置 |
CN114120712A (zh) * | 2021-11-22 | 2022-03-01 | 四川九洲电器集团有限责任公司 | 一种空天球载ais预警方法及装置 |
CN114780797A (zh) * | 2022-04-18 | 2022-07-22 | 西安交通大学 | 一种飞机制造过程中的多源异构大数据的清洗方法及系统 |
CN114862738A (zh) * | 2022-06-06 | 2022-08-05 | 集美大学 | 交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法 |
CN114862738B (zh) * | 2022-06-06 | 2024-08-30 | 集美大学 | 交通流密度自适应的船舶轨迹与电子海图叠加融合显示方法 |
CN115059549A (zh) * | 2022-06-16 | 2022-09-16 | 中国航发沈阳发动机研究所 | 一种防止大马赫数误操作油门杆的控制方法及系统 |
CN115059549B (zh) * | 2022-06-16 | 2024-01-02 | 中国航发沈阳发动机研究所 | 一种防止大马赫数误操作油门杆的控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110196962B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110196962A (zh) | 一种基于核密度估计的飞机速度异常识别方法 | |
CN107316501B (zh) | 一种基于网格搜索的支持向量机行程时间预测方法 | |
CN108345666B (zh) | 一种基于时间-空间孤立点的车辆异常轨迹检测方法 | |
Zissis et al. | A distributed spatial method for modeling maritime routes | |
CN107808552B (zh) | 航班行为检测方法和装置 | |
CN105785411B (zh) | 一种基于区域划分的异常轨迹检测方法 | |
CN112164247A (zh) | 一种基于船舶轨迹聚类的船舶航线预测方法 | |
CN109493644A (zh) | 一种基于历史航迹数据挖掘的四维航迹推测方法 | |
CN110555544B (zh) | 一种基于gps导航数据的交通需求估计方法 | |
CN111582380A (zh) | 一种基于时空特征的船舶轨迹密度聚类方法及装置 | |
CN111009155B (zh) | 基于空域结构和航班流的空中交通流复杂性量化分析方法 | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
CN114742128A (zh) | 一种船舶异常行为的识别方法、装置、终端和存储介质 | |
CN115050214B (zh) | 一种基于ais数据的船舶碰撞风险预测方法 | |
CN105893621B (zh) | 基于多维航迹聚类的目标行为规律挖掘方法 | |
CN114936332A (zh) | 一种风电场水域船舶交通流分析的方法、装置和存储介质 | |
CN117217097B (zh) | 一种船舶工业数字孪生体平台化构建方法及系统 | |
CN112215416B (zh) | 智能规划巡检航线系统及方法 | |
CN104392113B (zh) | 一种近海海面冷空气大风风速的估算方法 | |
CN115457300A (zh) | 一种基于距离度量和隔离机制的船舶异常行为检测方法 | |
CN113962283A (zh) | 一种基于局部自适应动态时间规整的航空器轨迹聚类方法 | |
CN107330587B (zh) | 一种基于ais的近岸航道水深利用率计算方法 | |
Wang et al. | Classification of ship trajectories by using naive Bayesian algorithm | |
CN114565176B (zh) | 一种长期船舶轨迹预测方法 | |
CN114047508B (zh) | 一种对海雷达探测范围统计评估方法及系统 |
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 |