CN110362559B - 基于局部遍历密度聚类的ads-b航迹清洗与校准方法 - Google Patents

Abstract

本发明涉及一种基于局部遍历密度聚类的ADS‑B航迹清洗与校准方法。基于局部遍历密度聚类的ADS‑B航迹清洗与校准方法包括：建立基于ADS‑B航迹数据的特征字段的数据样本，其中特征字段包括初始字段以及扩展字段，所述扩展字段通过所述初始字段计算得出；对数据样本进行去重；根据数据样本中的特征字段的数据特点选择特征字段，并用于字段数据异常检测和处理；依据局部遍历的DBSCAN密度聚类方法对数据样本的特征字段进行离群点识别，判断异常点，对异常点进行修正或删除；根据数据样本中的初始字段对航迹进行校准。使用局部遍历的DBSCAN密度聚类方法识别离群点，大幅提高清洗效率，通过航迹校准对时间戳进行修正，使整个飞行轨迹符合质点运动学规律。

Description

基于局部遍历密度聚类的ADS-B航迹清洗与校准方法

技术领域

本发明涉及航空领域，具体涉及一种基于局部遍历密度聚类的ADS-B航迹清洗与校准方法。

背景技术

广播式自动相关监视(Automatic Dependent Surveillance-Broadcast，ADS-B)国际民航组织(International Civil Aviation Organization，ICAO)确定为未来的主要航行监视技术，搭载ADS-B发送设备的航空器通过航空数据链自动向搭载ADS-B接收设备的其他航空器和地面接收站自动广播航班识别标志、位置以及飞行状态信息，以实现空对空、空对地以及场面运行的协同一体化监视。近几年我国已经开始大力推动ADS-B技术在空管系统中的发展与应用。

一个航班的ADS-B飞行轨迹，由多个航迹点组成，并且每个航迹点都带有多个字段信息(例如时间戳、经度、纬度、高度、航向、速度等)。因此，利用航班的飞行轨迹数据可以开发出很多有价值的应用，例如航空器飞行状态异常监控、航空器油耗与污染物排放计算、航班运行效率评估、航空数据统计与预测、空域运行质量评价等等。ADS-B数据字段内容越丰富，飞行轨迹的利用价值就越高。但是，地形阻挡、电磁干扰、信号覆盖面限制、信道堵塞等诸多因素不可避免地影响着ADS-B数据质量，例如出现漏点、跳点、重复记录、更新延迟等异常现象。因此在对ADS-B飞行轨迹进行分析与应用之前，如何对航迹数据进行高效清洗(即预处理)是重中之重。

数据清洗的主要内容即清除冗余、检测并处理异常和数据融合，为下一步的数据应用提供有力支撑。数据清洗过程中最重要的是异常检测和处理，对于轨迹类数据，检测异常的方法主要有均值滤波、卡尔曼滤波、粒子滤波和密度聚类等。要实现高效的数据清理，就必须根据数据的特点选择适合的方法。ADS-B每个字段都可能存在着异常点，且发生位置具有随机性。当异常点恰好是轨迹第一个点(边界点)时，使用滤波类方法则需要额外的预判处理且实现起来较为繁琐，而使用密度聚类方法则不会受到异常点位置的影响，但是当航迹点数目较多时，由于遍历次数的急剧增加导致检测效率大幅降低。

如果航迹点数据不满足质点运动学规律，即时间戳、位置和速度三者不匹配的情况称为航迹失准，此时需要根据现有数据条件，尽可能地进行航迹校准，以满足航迹数据应用的要求。

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局部遍历密度聚类的ADS-B航迹清洗与校准方法。

为了解决上述技术问题，本发明提供了一种基于局部遍历密度聚类的ADS-B航迹清洗与校准方法，包括：

建立基于ADS-B航迹数据的特征字段的数据样本，其中特征字段包括初始字段以及扩展字段，所述扩展字段通过所述初始字段计算得出；

对数据样本进行去重；

根据数据样本中的特征字段的数据特点选择特征字段，并用于字段数据异常检测和处理；

依据局部遍历的DBSCAN密度聚类方法对数据样本的特征字段进行离群点识别，通过相邻正常点进行插值的方法对离群点进行判断是否为异常点，对异常点进行修正或删除；

根据数据样本中的初始字段对航迹进行校准。

进一步的，

所述数据样本由N个航迹点P组成的某一航班轨迹Tra_j＝{P₁，P₂…P_i…P_N}，P_i表示第i个航迹点所述初始字段包括航班唯一识别编码FID、时间戳T、经度Lon、纬度Lat、压力高度PA、地速GS、航迹角TA以及垂直速度VS；

所述扩展字段包括校准时间戳Tc、校准地速GSc、校准航迹角TAc以及校准垂直速度VSc；

所述扩展字段通过所述初始字段计算得出的方法包括：

第i个航迹点P_i上的TAc_i、GSc_i和VSc_i由下式计算得到：

TAc_i＝Dir_GreatCircle(i，i+1)；

GSc_i＝Dist_GreatCircle(i，i+1)/(T_i+1-T_i)；

VSc_i＝(PA_i+1-PA_i)/(T_i+1-T_i)；

其中，Dir_GreatCircle(i，i+1)和Dist_GreatCircle(i，i+1)分别为P_i到P_i+1点的大圆航线航迹角和距离长度，并根据P_i到P_i+1两点的经纬度计算获得。

进一步的，所述对数据样本进行去重的方法包括：

将所有航迹点按照时间戳字段T从早到晚进行排序；

删除时间戳重复的航迹点；

删除经度和纬度同时重复的相邻航迹点。

进一步的，

所述依据局部遍历的DBSCAN密度聚类方法对数据样本的特征字段进行离群点识别，通过相邻正常点进行插值的方法对离群点进行判断是否为异常点，对异常点进行修正或删除的方法包括：

特征字段的数据集D＝{x₁，x₂...x_i...x_N}，其中x_i即为航迹点P_i的对应字段数值，定义δ为局部域长度，ε为邻域距离阈值，MinPts为核心点邻域内点数量阈值，并且满足MinPts≤2δ，则进行局部遍历的DBSCAN聚类算法步骤为：

S141，对任意数据点x_i，在数量为2δ+1的局部域数据集L＝{x_i-δ，...，x_i+δ}内计算字段距离函数Dist(x_i，x_k)，其中k＝i-δ，...，i+δ；

S142，将满足Dist(x_i，x_k)≤ε的所有L域数据点加入到x_i的ε邻域N_ε，i中，若N_ε，i内点数量≥MinPts，则x_i标记为核心点，并加入核心域C中；反之，则x_i标记为离群点，并加入到离群域O中，其中L域数据点表示以数据点x_i为中心，在两侧δ范围内所有数据点集合，称为局部数据集L，δ表示局部数据点数量范围的控制参数；

S143，对下一个点x_i+1，重复步骤S141和步骤S142，直到最后一个点x_N计算结束；

S144，将离群域O内的所有离群点及其邻域点，进行合并得到离群点集合Outliers＝{x_a，x_b，...}；将核心域C内的所有核心点及其邻域点，进行合并得到正常点集合Clusters＝{...，x_a-1，x_a+1，...，x_b-1，x_b+1，...}；

异常点表示与周围绝大数点距离大于ε且不符合变化规律的点；对集合Outliers中的离群点x_m是否为异常点，采用均值滤波的方法进行异常检测，即，假设x_m为独立异常点，将周围正常点x_m-1和x_m+1之间进行差值求解得到一个参考点x_m，ref，如果满足Dist(x_m，x_m，ref)≤ε，则x_m为正常点，否则x_m为异常点，并修正为x_m，ref，如果离群点x_m为边界，且边界插值缺少约束条件，导致偏差过大，则将边界离群点x_m直接删除。

进一步的，所述根据数据样本中的初始字段对航迹进行校准，即根据ADS-B航迹的经度Lon、纬度LAT、地速GS字段对时间戳T字段数值进行修正，使得整个轨迹数据符合质点运动学规律，即时间、速度和位置三者匹配，对经过异常过滤的航班ADS-B轨迹的数据样本Traj^F＝{P₁，P₂，...P_k...，P_M}，以航迹点P₁的时间戳T₁作为时间校准的基准值，则有Tc₁＝T₁，对航迹点P_k(k＞1)，P_k的校准时间戳Tc_k计算过程为：

S151：找到P_k的前一个航迹点P_i，计算TAc_i，k＝Dir_GreatCircle(i，k)，如果航迹角距离Dist_Angle(TAc_i，k，TAc_i)＞ε_TAc，则认为P_k的经纬度位置与时间戳顺序冲突，此时将P_k从Traj^F中删除，并将下一点仍记作P_k，重复步骤151，直到满足Dist_Angle(TAc_i，k，TAc_i)≤ε_TAc，εT_Ac表示对TAc字段各数据进行聚类过程中的航迹角距离阈值参数，且为最大航迹角距离，其中ε_TAc＝160deg；

S152：航迹点P_i→P_k的运动分为匀速和匀变速两个阶段，并定义一般加速度ACC_nor，ACC_nor的符号在加速时取正，减速时取负，航空器做变速运动，即，当GS_i＜GS_k时，由GS_i匀加速至GS_k，然后保持GS_k匀速运动；当GS_i＞GS_k时，保持GS_i匀速运动，然后匀减速至GS_k，根据下式得出做匀变速运动的时长t_acc，nor和距离d_acc，nor，最后计算出P_i→P_k的飞行时间Dur(i，k)，

t_acc，nor＝(GS_k-GS_i)/ACC_nor；

Dur(i，k)＝t_acc，nor+[Dist(i，k)-d_acc，nor]/max(GS_i，GS_k)；

S153：当Dist(i，k)＜d_acc，nor时，使用极限加速度ACC_lim代替ACC_nor，计算出d_acc，lim，如果依然不能满足Dist(i，k)≥d_acc，nor，则P_i→P_k的距离在极限加速度下也无法满足从GS_i匀加速变化到GS_k，此时使用下式计算Dur(i，k)：

Dur(i，k)＝2·Dist(i，k)/(GS_i+GS_k)；

S154：依据步骤S152-步骤S153计算出来的Dur(i，k)，计算出航迹点P_k的校准时间戳Tc_k：

Tc_k＝Tc_i+Dur(i，k)；

S155：对航班的ADS-B轨迹Traj^F，重复过程步骤S151-步骤S154即可得到所有航迹点的校准时间戳，从而完成航班的ADS-B轨迹数据清洗与校准。

本发明的有益效果是，本发明提供了一种基于局部遍历密度聚类的ADS-B航迹清洗与校准方法。基于局部遍历密度聚类的ADS-B航迹清洗与校准方法包括：建立基于ADS-B航迹数据的特征字段的数据样本，其中特征字段包括初始字段以及扩展字段，所述扩展字段通过所述初始字段计算得出；对数据样本进行去重；根据数据样本中的特征字段的数据特点选择特征字段，并用于字段数据异常检测和处理；依据局部遍历的DBSCAN密度聚类方法对数据样本的特征字段进行离群点识别，通过相邻正常点进行插值的方法对离群点进行判断是否为异常点，对异常点进行修正或删除；根据数据样本中的初始字段对航迹进行校准。使用局部遍历的DBSCAN密度聚类方法识别离群点，大幅提高清洗效率，通过航迹校准对时间戳进行修正，使整个飞行轨迹符合质点运动学规律。

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是本发明所提供的基于局部遍历密度聚类的ADS-B航迹清洗与校准方法的流程图；

图2是某样本航班ADS-B轨迹点的经度Lon、纬度Lat、压力高度PA和垂直速度VS剖面图；

图3是某样本航班ADS-B轨迹点的地速GS/校准地速GSc、航迹角TA/校准航迹角TAc剖面图；

图4是ADS-B时间戳与经纬度位置不协调时的修正示意图；

图5是数据队列中离群点与异常点示意图；

图6是某样本航班ADS-B轨迹点各特征字段剖面在经过数据清洗与校准前后的对比图。

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1

如图1所示，本实施例1提供了一种基于局部遍历密度聚类的ADS-B航迹清洗与校准方法。使用局部遍历的DBSCAN密度聚类方法识别离群点，大幅提高清洗效率，通过航迹校准对时间戳进行修正，使整个飞行轨迹符合质点运动学规律。具体的包括以下步骤：

S110：建立基于ADS-B航迹数据的特征字段的数据样本，其中特征字段包括初始字段以及扩展字段，所述扩展字段通过所述初始字段计算得出；

S120：对数据样本进行去重；

S130：根据数据样本中的特征字段的数据特点选择特征字段，并用于字段数据异常检测和处理；

S140：依据局部遍历的DBSCAN密度聚类方法对数据样本的特征字段进行离群点识别，通过相邻正常点进行插值的方法对离群点进行判断是否为异常点，对异常点进行修正或删除；

S150：根据数据样本中的初始字段对航迹进行校准。

在本实施例中，所述数据样本由N个航迹点P组成的某一航班轨迹Tra_j＝{P₁，P₂…P_i…P_N}，P_i表示第i个航迹点所述初始字段包括航班唯一识别编码FID、时间戳T、经度Lon、纬度Lat、压力高度PA、地速GS、航迹角TA以及垂直速度VS；

所述扩展字段包括校准时间戳Tc、校准地速GSc、校准航迹角TAc以及校准垂直速度VSc。

特征字段的说明如下表：

符号	全称	描述	单位/格式	类别
					FID	Flight Identification	航班唯一识别码	32位字符	初始
T	Time Stamp	时间戳	HH：mm：ss	初始
					Tc	Compmed Time	校准时间戳	HH：mm：ss	扩展
Lon	Longitude	经度(WGS-84大地坐标系)	deg	初始
					Lat	Latitude	纬度(WGS-84大地坐标系)	deg	初始
PA	Pressure Altitude	压力高度(基准为1013mb)	m	初始
					GS	Ground Speed	地速	km/h	初始
GSc	Computed Ground Speed	校准地速	km/h	扩展
					TA	Track Angle	航迹角，即飞机运动方向	deg	初始
TAc	Computed Track Angle	校准航迹角	deg	扩展
					VS	Vertical Speed	垂直速度(气压高度)	ft/min	初始
VSc	Computed Vertical Speed	校准垂直速度	ft/min	扩展

所述扩展字段通过所述初始字段计算得出的方法包括：

第i个航迹点P_i上的TAc_i、GSc_i和VSc_i由下式计算得到：

TAc_i＝Dir_GreatCircle(i，i+1)；

GSc_i＝Dist_GreatCircle(i，i+1)/(T_i+1-T_i)；

Vsc_i＝(PA_i+1-PA_i)/(T_i+1-T_i)；

其中，Dir_GreatCircle(i，i+1)和Dist_GreatCircle(i，i+1)分别为P_i到P_i+1点的大圆航线航迹角和距离长度，并根据P_i到P_i+1两点的经纬度计算获得。

在本实施例中，步骤S120：所述对数据样本进行去重的方法包括：

将所有航迹点按照时间戳字段T从早到晚进行排序；

删除时间戳重复的航迹点；

删除经度和纬度同时重复的相邻航迹点。

在本实施例中，步骤S130包括根据数据样本中的特征字段的数据特点选择特征字段，并用于字段数据异常检测和处理。

具体的，图2是某样本航班ADS-B数据的经度Lon、纬度Lat、压力高度PA和垂直速度VS等四个字段随飞行时间变化的剖面图，可以看出，Lon、Lat和PA有着明显的趋势规律变化。异常点(同时也是离群点)可以明显地找出来(在图中以圆圈进行标识)。而VS字段则不同，数值敏感，变化幅度大，原因是VS数据来源于机载垂直速度表，该仪表对气压变化敏感，尤其是航空器在高空遇到气流时，VS变化速度会非常快。当时间戳间隔较长时(30秒以上)，无论使用什么方法都很难判断VS数值是否异常，即与气压高度变化规律是否相符。

图3为地速GS/校准地速GSc和航迹角TA/校准航迹角TAc的剖面对比，可以看出：

GS剖面有很好的数值连续性，符合航空器各飞行阶段的速度变化规律，而GSc剖面杂乱无序，同时更为严重的是，在飞行阶段多次出现远低于最小失速速度(这里取90km/h)，以及远高于最大巡航速度(取1350km/h)。GSc数值超出合理范围的原因是航迹点时间戳T与经纬度位置(Lon，Lat)更新不同步，导致航迹点之间的预计飞行用时与时间戳间隔相差过大。

TAc剖面与TA剖面有较好的一致性，但在TAc剖面中可以找到在TA剖面中所没有的异常航向(圆圈中的数值点)，即数值上与相邻航向相差180度左右，原因是航迹点的时间戳与其经纬度位置不一致，由时间戳与经纬度位置更新不同步造成的。

如图4所示，由于航迹点P₄的位置并非在P₃之后，而是在P₃之前，从而导致P₃→P₄的计算航迹角Dir_GreatCircle(3，4)与P₄→P₅的计算航迹角Dir_GreatCircle(4，5)相差接近180度。对于这种情况，本发明中的修正方法是将P₄删除。

由以上字段数据分布特征分析可知，垂直速度VS字段数据敏感且变化速度快，无法对其异常进行有效识别，而其他字段的异常都是可识别的，并且由压力高度PA与时间戳T可以计算得计算垂直速度VSc作为VS的参考值，因此这里选择经度Lon、纬度Lat、压力高度PA、地速GS和计算航迹角TAc作为样本ADS-B数据清洗的特征字段。

在本实施例中，步骤S140包括：

特征字段的数据集D＝{x₁，x₂...x_i...x_N}，其中x_i即为航迹点P_i的对应字段数值，定义δ为局部域长度，ε为邻域距离阈值，MinPts为核心点邻域内点数量阈值，并且满足MinPts≤2δ，则进行局部遍历的DBSCAN聚类算法步骤为：

S141，对任意数据点x_i，在数量为2δ+1的局部域数据集L＝{x_i-δ，...，x_i+δ}内计算字段距离函数Dist(x_i，x_k)，其中k＝i-δ，...，i+δ；

S142，将满足Dist(x_i，x_k)≤ε的所有L域数据点加入到x_i的ε邻域N_ε，i中，若N_ε，i内点数量≥MinPts，则x_i标记为核心点，并加入核心域C中；反之，则x_i标记为离群点，并加入到离群域O中，其中L域数据点表示以数据点x_i为中心，在两侧δ范围内所有数据点集合，称为局部数据集L，δ表示局部数据点数量范围的控制参数；

S143，对下一个点x_i+1，重复步骤S141和步骤S142，直到最后一个点x_N计算结束；

S144，将离群域O内的所有离群点及其邻域点，进行合并得到离群点集合Outliers＝{x_a，x_b，...}；将核心域C内的所有核心点及其邻域点，进行合并得到正常点集合Clusters＝{...，x_a-1，x_a+1，...，x_b-1，x_b+1，...}；

异常点表示与周围绝大数点距离大于ε且不符合变化规律的点，即不符合局部变化规律的点。例如：对于一个局部范围内的点集合，数值上变化趋势是逐渐上升的。如图5中的数据点x_a和x_b。同时，由于ADS-B轨迹可能存在漏点的情况，导致特征字段剖面出现断层，如图5中的数据点x_c和x_d。如果MinPts＝3，则x_c和x_d会被聚类算法标记为离群点。而其中有极少数的个别点，却是突然性的大幅增大或降低，那么这些少数的点就是异常点。对集合Outliers中的离群点x_m是否为异常点，采用均值滤波的方法进行异常检测，即，假设x_m为独立异常点，将周围正常点x_m-1和x_m+1之间进行差值求解得到一个参考点x_m，ref，如果满足Dist(x_m，x_m，ref)≤ε，则x_m为正常点，否则x_m为异常点，并修正为x_m，ref，如果离群点x_m为边界，且边界插值缺少约束条件，导致偏差过大，则将边界离群点x_m直接删除。

DBSCAN的一个特点是对参数敏感，不同的参数会产生明显不同的结果。对ADS-B轨迹异常检测来说，要根据样本数据的特点对参数进行合理设置。下表为本发明在对样本数据特征字段进行异常检测时所使用的参数配置。特别地，对于多数特征字段都设有容许值范围，如果字段数值x_i超出容许范围，则将x_i直接加入离群点集合Outliers。Dist(x_i，x_k)统称就是距离函数，而对不同的字段，这个距离函数的形式则不同。对经度Lon、纬度Lat、压力高度PA和地速GS等字段，距离函数为曼哈顿距离；对校准航迹角TAc字段，距离函数为航迹角距离。

在本实施例中，步骤S150：所述根据数据样本中的初始字段对航迹进行校准，即，根据ADS-B航迹的经度Lon、纬度LAT、地速GS字段对时间戳T字段数值进行修正，使得整个轨迹数据符合质点运动学规律，即时间、速度和位置三者匹配，对经过异常过滤的航班ADS-B轨迹的数据样本Traj^F＝{P₁，P₂，...P_k...，P_M}，以航迹点P₁的时间戳T₁作为时间校准的基准值，则有Tc₁＝T₁，对航迹点P_k(k＞1)，P_k的校准时间戳Tc_k计算过程为：

S151：找到P_k的前一个航迹点P_i，计算TAc_i，k＝Dir_GreatCircle(i，k)，如果航迹角距离Dist_Angle(TAc_i，k，TAc_i)＞ε_TAc，则认为P_k的经纬度位置与时间戳顺序冲突，此时将P_k从Traj^F中删除，并将下一点仍记作P_k，重复前面的过程，直到满足Dist_Angle(TAc_i，k，TAc_i)≤ε_TAc，ε_TAc表示对TAc字段各数据进行聚类过程中的航迹角距离阈值参数，且为最大航迹角距离，其中ε_TAc＝160deg；

S152：航迹点P_i→P_k的运动分为匀速和匀变速两个阶段，并定义一般加速度ACC_nor，ACC_nor的符号在加速时取正，减速时取负，航空器做变速运动，即，当GS_i＜GS_k时，由GS_i匀加速至GS_k，然后保持GS_k匀速运动；当GS_i＞GS_k时，保持GS_i匀速运动，然后匀减速至GS_k，根据下式得出做匀变速运动的时长t_acc，nor和距离d_acc，nor，最后计算出P_i→P_k的飞行时间Dur(i，k)，

t_acc，nor＝(GS_k-GS_i)/ACC_nor；

Dur(i，k)＝t_acc，nor+[Dist(i，k)-d_acc，nor]/max(GS_i，GS_k)；

S153：当Dist(i，k)＜d_acc，nor时，使用极限加速度ACC_lim代替ACC_nor，计算出d_acc，lim，如果依然不能满足Dist(i，k)≥d_acc，nor，则P_i→P_k的距离在极限加速度下也无法满足从GS_i匀加速变化到GS_k，此时使用下式计算Dur(i，k)：

Dur(i，k)＝2·Dist(i，k)/(GS_i+GS_k)；

S154：依据步骤S152-步骤S153计算出来的Dur(i，k)，计算出航迹点P_k的校准时间戳Tc_k：

Tc_k＝Tc_i+Dur(i，k)；

S155：对航班的ADS-B轨迹Traj^F，重复过程步骤S151-步骤S154即可得到所有航迹点的校准时间戳，从而完成航班的ADS-B轨迹数据清洗与校准。

图6为该ADS-B轨迹点特征字段剖面进行清洗前后的对比，经过清洗后(黑色线)，经度Lon、纬度Lat、气压高度PA剖面中的所有异常点均有效识别并处理；校准地速GSc剖面经过清洗后不再是杂乱无章的散点，而是与地速GS字段一样符合航空器飞行状态变化规律；所有特征字段剖面经过清洗之后更加顺滑，更加符合渐变曲线特征；清洗前后的飞行时间Duration在进近阶段(着陆前20分钟左右)有明显的差异，这是由于地速GS的准确度差异造成的，如果GS准确度降低则会明显影响校准时间戳的计算结果，因此航迹校准的步骤要根据具体的ADS-B数据质量情况可选执行。

综上所述，本发明提供了一种基于局部遍历密度聚类的ADS-B航迹清洗与校准方法。基于局部遍历密度聚类的ADS-B航迹清洗与校准方法包括：建立基于ADS-B航迹数据的特征字段的数据样本，其中特征字段包括初始字段以及扩展字段，所述扩展字段通过所述初始字段计算得出；对数据样本进行去重；根据数据样本中的特征字段的数据特点选择特征字段，并用于字段数据异常检测和处理；依据局部遍历的DBSCAN密度聚类方法对数据样本的特征字段进行离群点识别，通过相邻正常点进行插值的方法对离群点进行判断是否为异常点，对异常点进行修正或删除；根据数据样本中的初始字段对航迹进行校准。使用局部遍历的DBSCAN密度聚类方法识别离群点，大幅提高清洗效率，通过航迹校准对时间戳进行修正，使整个飞行轨迹符合质点运动学规律。

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 (1)

1.一种基于局部遍历密度聚类的ADS-B航迹清洗与校准方法，其特征在于，包括：

建立基于ADS-B航迹数据的特征字段的数据样本，其中特征字段包括初始字段以及扩展字段，所述扩展字段通过所述初始字段计算得出；

对数据样本进行去重；

根据数据样本中的特征字段的数据特点选择特征字段，并用于字段数据异常检测和处理；

依据局部遍历的DBSCAN密度聚类方法对数据样本的特征字段进行离群点识别，通过相邻正常点进行插值的方法对离群点进行判断是否为异常点，对异常点进行修正或删除；

根据数据样本中的初始字段对航迹进行校准；

所述数据样本由N个航迹点P组成的某一航班轨迹Tra_j＝{P₁,P₂…P_i…P_N}，P_i表示第i个航迹点所述初始字段包括航班唯一识别编码FID、时间戳T、经度Lon、纬度Lat、压力高度PA、地速GS、航迹角TA以及垂直速度VS；

所述扩展字段包括校准时间戳Tc、校准地速GSc、校准航迹角TAc以及校准垂直速度VSc；

所述扩展字段通过所述初始字段计算得出的方法包括：

第i个航迹点P_i上的TAc_i、GSc_i和VSc_i由下式计算得到：

TAc_i＝Dir_GreatCircle(i,i+1)；

GSc_i＝Dist_GreatCircle(i,i+1)/(T_i+1-T_i)；

VSc_i＝(PA_i+1-PA_i)/(T_i+1-T_i)；

其中，Dir_GreatCircle(i,i+1)和Dist_GreatCircle(i,i+1)分别为P_i到P_i+1点的大圆航线航迹角和距离长度，并根据P_i到P_i+1两点的经纬度计算获得；

所述对数据样本进行去重的方法包括：

将所有航迹点按照时间戳字段T从早到晚进行排序；

删除时间戳重复的航迹点；

删除经度和纬度同时重复的相邻航迹点；

所述依据局部遍历的DBSCAN密度聚类方法对数据样本的特征字段进行离群点识别，通过相邻正常点进行插值的方法对离群点进行判断是否为异常点，对异常点进行修正或删除的方法包括：

特征字段的数据集D＝{x₁,x₂…x_i…x_N}，其中x_i即为航迹点P_i的对应字段数值，定义δ为局部域长度，ε为邻域距离阈值，MinPts为核心点邻域内点数量阈值，并且满足MinPts≤2δ，则进行局部遍历的DBSCAN聚类算法步骤为：

S141，对任意数据点x_i，在数量为2δ+1的局部域数据集L＝{x_i-δ,…,x_i+δ}内计算字段距离函数Dist(x_i,x_k)，其中k＝i-δ,…,i+δ；

S142，将满足Dist(x_i,x_k)≤ε的所有L域数据点加入到x_i的ε邻域N_ε,i中，若N_ε,i内点数量≥MinPts，则x_i标记为核心点，并加入核心域C中；反之，则x_i标记为离群点，并加入到离群域O中，其中L域数据点表示以数据点x_i为中心，在两侧δ范围内所有数据点集合，称为局部数据集L,δ表示局部数据点数量范围的控制参数；

S143，对下一个点x_i+1，重复步骤S141和步骤S142，直到最后一个点x_N计算结束；

S144，将离群域O内的所有离群点及其邻域点，进行合并得到离群点集合Outliers＝{x_a,x_b,…}；将核心域C内的所有核心点及其邻域点，进行合并得到正常点集合Clusters＝{...,x_a-1,x_a+1,…,x_b-1,x_b+1,…}；

异常点表示与周围绝大数点距离大于ε且不符合变化规律的点；对集合Outliers中的离群点x_m是否为异常点，采用均值滤波的方法进行异常检测，即，假设x_m为独立异常点，将周围正常点x_m-1和x_m+1之间进行差值求解得到一个参考点x_m,ref，如果满足Dist(x_m,x_m,ref)≤ε，则x_m为正常点，否则x_m为异常点，并修正为x_m,ref，如果离群点x_m为边界，且边界插值缺少约束条件，导致偏差过大，则将边界离群点x_m直接删除；

所述根据数据样本中的初始字段对航迹进行校准，即

根据ADS-B航迹的经度Lon、纬度LAT、地速GS字段对时间戳T字段数值进行修正，使得整个轨迹数据符合质点运动学规律，即时间、速度和位置三者匹配，对经过异常过滤的航班ADS-B轨迹的数据样本Traj^F＝{P₁,P₂,…P_k…,P_M}，以航迹点P₁的时间戳T₁作为时间校准的基准值，则有Tc₁＝T₁，对航迹点P_k，k>1，P_k的校准时间戳Tc_k计算过程为：

S151：找到P_k的前一个航迹点P_i，计算TAc_i,k＝Dir_GreatCircle(i,k)，如果航迹角距离Dist_Angle(TAc_i,k,TAc_i)>ε_TAc，则认为P_k的经纬度位置与时间戳顺序冲突，此时将P_k从Traj^F中删除，并将下一点仍记作P_k，重复步骤151，直到满足Dist_Angle(TAc_i,k,TAc_i)≤ε_TAc，ε_TAc表示对TAc字段各数据进行聚类过程中的航迹角距离阈值参数，且为最大航迹角距离，其中ε_TAc＝160deg；

S152：航迹点P_i→P_k的运动分为匀速和匀变速两个阶段，并定义一般加速度ACC_nor，ACC_nor的符号在加速时取正，减速时取负，航空器做变速运动，即，当GS_i<GS_k时，由GS_i匀加速至GS_k，然后保持GS_k匀速运动；当GS_i>GS_k时，保持GS_i匀速运动，然后匀减速至GS_k，根据下式得出做匀变速运动的时长t_acc,nor和距离d_acc,nor，最后计算出P_i→P_k的飞行时间Dur(i,k)，

t_acc,nor＝(GS_k-GS_i)/ACC_nor；

Dur(i,k)＝t_acc,nor+[Dist(i,k)-d_acc,nor]/max(GS_i,GS_k)；

S153：当Dist(i,k)<d_acc,nor时，使用极限加速度ACC_lim代替ACC_nor，计算出d_acc,lim，如果依然不能满足Dist(i,k)≥d_acc,nor，则P_i→P_k的距离在极限加速度下也无法满足从GS_i匀加速变化到GS_k，此时使用下式计算Dur(i,k)：

Dur(i,k)＝2·Dist(i,k)/(GS_i+GS_k)；

S154：依据步骤S152-步骤S153计算出来的Dur(i,k)，计算出航迹点P_k的校准时间戳Tc_k：

Tc_k＝Tc_i+Dur(i,k)；

S155：对航班的ADS-B轨迹Traj^F，重复过程步骤S151-步骤S154即可得到所有航迹点的校准时间戳，从而完成航班的ADS-B轨迹数据清洗与校准。

Images