CN110533241B - 终端区起降容量预测系统 - Google Patents

Abstract

本发明涉及一种终端区起降容量预测系统包括：抽象模块，适于将影响终端区起降容量的管制运行经验抽象；空域划分模块，适于根据管制运行经验抽象，对终端区空域结构进行重新划分；获取模块，适于获取终端区起降高峰时段以及初始样本；计算模块，适于计算初始样本的特征以及建立模型训练集；模型建立模块，适于依据训练集建立随机森林回归模型；验证与预测模块，适于对随机森林回归模型进行验证与预测。依据实际运行经验抽象，对终端区相关的空域结构重新划分建模并提取相关特征，将对流天气影响与时段容量相关联，使用航班历史数据进行回归分析，训练得到终端区起降容量预测模型，进而输入天气预测产品即可输出对应天气下的容量预测。

Description

终端区起降容量预测系统

技术领域

本发明涉及机场终端区容量预测领域，具体涉及一种终端区起降容量预测系统。

背景技术

终端区是飞行过程中航空器航行诸元变化最频繁的区域，起降航空器的相互穿越、进场航空器的排序以及降落前准备等工作均在终端区内完成，尤其在恶劣天气的影响下，机场跑道与终端区已经联合成为限制空中交通正常运行的瓶颈。目前，我国常态(即没有任何外在影响)下的容量评估技术已经趋于成熟，但是在非常态(如：恶劣天气)下的容量预测技术还在处于初步阶段，采用单一指数乘以标称容量的容量缩减方法过于粗糙，无法反应运行过程中空域容量的实际变化，与实际差异较大，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，基于计算机仿真技术的评估方法，适用于特定情景下的容量评估工作，由于反映天气的雷达基本反射率图等为六分钟更新一次，该方法无法与气象要素更新的频率保持一致，因此无法较全面的考虑实际的运行影响因素对空域容量变化的影响，包括天气变化等，基于管制员工作负荷的评估方法一般依靠管制模拟机再现管制场景，进而提取影响管制员工作负荷的影响因素(如：通话频率等)并进行定量分析得到空域容量，但在天气影响下的管制场景很难进行复现和操作，只能应用于特定场景下(如：仅有一些热力性天气的场景)的评估。

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终端区起降容量预测系统。

为了解决上述技术问题，本发明提供了一种终端区起降容量预测系统，包括：

抽象模块，适于将影响终端区起降容量的管制运行经验抽象；

空域划分模块，适于根据管制运行经验抽象，对终端区空域结构进行重新划分；

获取模块，适于获取终端区起降高峰时段以及初始样本；

计算模块，适于计算初始样本的特征以及建立模型训练集；

模型建立模块，适于依据训练集建立随机森林回归模型；

验证与预测模块，适于对随机森林回归模型进行验证与预测。

本发明的有益效果是，本发明提供了一种终端区起降容量预测系统。终端区起降容量预测系统包括：抽象模块，适于将影响终端区起降容量的管制运行经验抽象；空域划分模块，适于根据管制运行经验抽象，对终端区空域结构进行重新划分；获取模块，适于获取终端区起降高峰时段以及初始样本；计算模块，适于计算初始样本的特征以及建立模型训练集；模型建立模块，适于依据训练集建立随机森林回归模型；验证与预测模块，适于对随机森林回归模型进行验证与预测。依据实际运行经验抽象，对终端区相关的空域结构(包括终端区空域以及与终端区走廊口临接的区域扇区)进行重新划分建模并提取相关特征，将对流天气影响与时段容量相关联，使用航班历史数据进行回归分析，训练得到终端区起降容量预测模型，进而输入天气预测产品即可输出对应天气下的容量预测，为系统效能的深入分析和空中交通流量管理的战略与预战术阶段提供动态化的容量数据依据。

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为本发明的原理框图；

图2和图3为终端区相关空域结构重新划分示意图；

图4为广州终端区起降流量统计图；

图5为天气避让区图像产品示意图；

图6为WSI与空域流量关系示意图；

图7和图8为模型性能度量指标与模型规模关系示意图；

图9和图10为模型稳定性和准确性示意图。

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提供了一种终端区起降容量预测系统。依据实际运行经验抽象，对终端区相关的空域结构(包括终端区空域以及与终端区走廊口临接的区域扇区)进行重新划分建模并提取相关特征，将对流天气影响与时段容量相关联，使用航班历史数据进行回归分析，训练得到终端区起降容量预测模型，进而输入天气预测产品即可输出对应天气下的容量预测，为系统效能的深入分析和空中交通流量管理的战略与预战术阶段提供动态化的容量数据依据。

具体的，包括：

抽象模块，适于将影响终端区起降容量的管制运行经验抽象；

空域划分模块，适于根据管制运行经验抽象，对终端区空域结构进行重新划分；

获取模块，适于获取终端区起降高峰时段以及初始样本；

计算模块，适于计算初始样本的特征以及建立模型训练集；

模型建立模块，适于依据训练集建立随机森林回归模型；

验证与预测模块，适于对随机森林回归模型进行验证与预测。

其中，天气覆盖跑道附近时，会对跑道起降产生严重的影响，尤其是低云覆盖在五边附近(甚至是下滑道上)，航班的起降几乎完全依靠机组的判断进行尝试性的起降；终端区管制员在航班进场排序时，依照自身常年积累的管制经验，在机场附近建立类似起落航线的程序并引导航班加入，以此建立航班排序的参考标准。当天气覆盖在机场跑道两侧时，会破坏管制员形成的这种经验规则，增加管制负荷，进而影响终端区航班起降；与终端区出港点相邻的区域管制扇区的恶劣天气会间接影响终端区起降架次，因为当这些区域管制扇区通行能力受阻，会限制终端区出港的架次，从而造成终端区管制负荷短时间上升，终端区管理者根据扇区的实际运行情况，必要时会对机场起降进行限制。

请参阅图2及图3，空域划分模块根据管制经验抽象，空域结构划分关注于以机场塔台为中心，半径350KM的圆形空域，其具体结构划分如下：

以塔台为中心，半径30公里内的空域被称为终端区的“内圈”(以下简称内圈)，包含机场跑道附近的空域，这个空域内的危险天气对机场起降影响较大。进一步，以塔台为中心设置宽10KM长40KM的矩形区域(其长边与跑道中线方向平行)，并沿跑道中心线方向和垂直跑道中心线方向，将矩形区域分为A、B、C、D四部分，将终端区内圈划分为E、F、G、H四部分。以广州机场为例，假设机场向北运行，当A区被危险天气覆盖时，01/19跑道的起飞航班将会受到较大影响；B区被天气覆盖时，02L/20R、02R/20L跑道的起飞航班将会受到较大影响；C区被危险天气覆盖时，01/19跑道的降落航班将会受到较大影响；D区被天气覆盖时，02L/20R、02R/20L跑道的降落航班将会受到较大影响(机场向南运行时影响相反，即A区影响01/19跑道的降落航班)；当E、F、G和H区域被天气覆盖时，则会影响管制员对进场航班的三边排序工作(如不能进行延长三边等)。

另外，以塔台为中心设置4个环形区域：半径30KM-110KM的I区域；半径110KM-190KM的J区域；半径190KM-270KM的K区域；半径270KM-350KM的L区域。其中I区域用于监测终端区内的天气，J、K、L区域用于监测距终端区不同距离的区域扇区的天气。

在本实施例中，获取模块包括：

流量样本集获取单元，适于获取基于历史数据的终端区的小时起降流量样本集；

高峰集合获取单元，适于通过终端区小时起降流量样本集获取基于分位数的终端区的高峰小时集合；

初始样本获取单元，适于通过终端区起降高峰小时集合获取基于高峰时段的初始样本。

在本实施例中，请参阅图4，流量样本集获取单元，适于获取基于历史数据的终端区的小时起降流量样本集，即：将一天离散为24个小时时段，分别为0:00-1:00、1:00-2:00、...、23:00-24:00，并标号1至24，设一年中第i＝1,...,365天第t＝1,...,24个时间段的开始时刻为

结束时刻为

终端区内的机场代号为Airport，一年内终端区起降航班集合为Flight_set＝{f₁,...，f_N}，第f＝1，...，F个航班的起飞机场为Dep_f，降落机场为Arr_f，实际起飞时间为ADT_f，实际降落时间为AAT_f；

设

则

表示第f个航班属于机场Airport第i天第t时段的起飞航班，同理设

则

表示第f个航班属于机场Airport第i天第t时段的降落航班；

机场Airport的终端区第i天第t时段的航班起降流量为

从而得到该终端区的小时起降流量样本集Flow_set＝{flow_i，t|i＝1,...,365；t＝1,...,24}。

在本实施例中，所述高峰集合获取单元，适于通过终端区小时起降流量样本集获取基于分位数的终端区的高峰小时集合，即：

由终端区的小时起降流量样本集Flow_set，得到第t时段的流量样本集为flow_set_t＝{flow_i，t|i＝1,...，365}，将第t时段的365个流量样本按从小到大排序后生成顺序统计量{flow_t(1)，flow_t(2)，...，flow_t(365)}，其中flow_t(1)≤flow_t(2)≤...≤flow_t(365)，设第t时段的流量为随机变量X_t，假定X_t服从概率密度为f(x_t)的分布，记0＜p＜1，则满足等式P(X_t＜m_t,p)≤p,P(X_t≤m_t，p)≥p的唯一m_t,p称为第t时段流量的p分位数。

设flow_t(j)，j＝1，...，365表示顺序统计量{flow_t(1),flow_t(2),...,flow_t(365)}中的第j个值，其中j为flow_t(j)在顺序统计量中的索引，则第t时段小时流量的p分位数估计为

设终端区起降的小时标称容量为C，则终端区的高峰小时集合为

其中m_t,95％表示第t时段流量的0.95分位数。

在本实施例中，请参阅图5，图5为WAF图像产品示意图，所述初始样本获取单元，适于通过终端区起降高峰小时集合获取基于高峰时段的初始样本，即：

设WAF为天气避让区产品的样本集合，将第w个WAF样本记为WAF_w，其观测时刻为waftime_w，选择处于高峰时段内的天气避让区产品作为后续研究的初始样本，即selectedWAF_set＝{WAF_w|waftime_w∈peakhour_set}；

其中，WAF为天气避让区(Weather Avoidance Field)产品的样本集合，天气避让区产品反映了空域内对流天气的强度，其值为3的对应空域为建议避让空域。

在本实施例中，请参阅图6，所述计算模块，适于计算初始样本的特征以及建立模型训练集，即：设研究空域面积为S，被危险天气覆盖区域的面积为S_wx，则空域的

对selectedWAF_set中每个天气避让区产品样本，分别计算A至L空域的WSI值，记为WSI_A、WSI_B、...、WSI_L，其中，WSI(Weather Severity Index)为天气危险指数，指研究空域被危险天气即天气避让区产品样本值等于3时覆盖的比例；

设M＝|peakhour_set|表示高峰小时的总数，第m＝1,...,M个高峰小时的开始时间为

结束时间为

则属于第m＝1,...,M个高峰小时的天气避让区样本集为

由于天气避让区产品的观测时间间隔为6分钟，因此一个小时内包含有10个天气避让区产品样本，即|waf_set_m|＝10，将这10个天气避让区产品样本按照观测时间先后排序，并将排序后天气避让区产品样本对应的A至L空域的WSI值作为最终模型训练集的特征，记为WSI_A_1、WSI_B_1、...、WSI_L_1、WSI_A_2、WSI_B_2、...、WSI_L_2、...、WSI_A_10、WSI_B_10、...、WSI_L_10；

训练集D的规模为M，即集合D中共有M＝|peakhour_set|条样本数据，120个特征，目标列为第m＝1,...,M个高峰小时的小时起降容量C_m，通过机器学习方法在训练集上建立从天气影响下的空域特征

到小时起降容量C_m的映射f:

即

在本实施例中，模型建立模块包括：

回归模型建立单元，适于采用随机森林模型在训练集上建立回归模型；

性能度量单元，适于通过性能度量指标和评估方法，对不同规模的随机森林模型进行性能度量；

最终模型确立单元，适于获得最终的随机森林回归模型。

其中，图7和图8分别展示了均方误差和决定系数与模型规模的关系，性能度量单元中：

所述性能度量指标包括均方误差(MSE)和决定系数；

设测试集T包含的数据量为N，y_i为测试样本

的数据标记，f_D为在训练集D上学习得到的模型，则模型在测试集T上的均方误差为：

设

为测试集T数据标记的均值

即，则模型在测试集上的决定系数为：

所述模型评估方法为K折交叉验证和自助法；

记训练集和测试集的数据集为Data_set，进行机器学习前需将数据集Data_set划分为训练集D和测试集T，其中

K折交叉验证法即是将数据集Data_set划分为k个大小相等的互斥子集

在每次训练中用其中k-1个子集作为训练集，剩下的一个作为测试集，重复k次训练和测试，最终返回这k次训练度量性能的平均值作为最终的模型性能度量，其中，在K折交叉验证中，每次的训练样本数量总是比样本总数N少

会导致最终模型由于训练样本规模而产生偏差，自助法(Bootstrapping)在可放回抽样的基础上产生与原样本集规模相同的训练集，设数据集Data_set样本总数为N，对数据集Data_set进行N次可放回抽样，将抽样数据作为训练集进行模型训练。

在本实施例中，所述最终模型确立单元，适于获得最终的随机森林回归模型，即：设规模为α的随机森林的预测均方误差和决定系数分别为MSE_α和R² _α，则最终随机森林的规模为

其中，

表示取使得均方误差最小的α值，

表示取使得决定系数最大的α值。

在本实施例中，请参阅图9以及图10，分别展示了森林模型的稳定性和准确性。所述验证与预测模块，适于对随机森林回归模型进行验证与预测，即：设规模为α_final的随机森林预测模型为

通过自助法产生1000个训练集D₁，...，D₁₀₀₀和对应的测试集T₁，...，T₁₀₀₀，测试模型

的预测值与真实值之间的决定系数，设1000次试验所产生的决定系数为R² ₁,...，R² ₁₀₀₀，如果对于任意一次试验都有R² _i≥δ，i＝1,...,1000，其中δ为相关性的阈值，取0.85，则具有较高的稳定性，即采用规模为α_final的随机森林作为最终预测模型；

设有一待测小时，根据其包含的WAF产品所抽象出的特征为：

则其对应的小时预测容量为

综上所述，本发明提供了一种终端区起降容量预测系统。终端区起降容量预测系统包括：抽象模块，适于将影响终端区起降容量的管制运行经验抽象；空域划分模块，适于根据管制运行经验抽象，对终端区空域结构进行重新划分；获取模块，适于获取终端区起降高峰时段以及初始样本；计算模块，适于计算初始样本的特征以及建立模型训练集；模型建立模块，适于依据训练集建立随机森林回归模型；验证与预测模块，适于对随机森林回归模型进行验证与预测。依据实际运行经验抽象，对终端区相关的空域结构(包括终端区空域以及与终端区走廊口临接的区域扇区)进行重新划分建模并提取相关特征，将对流天气影响与时段容量相关联，使用航班历史数据进行回归分析，训练得到终端区起降容量预测模型，进而输入天气预测产品即可输出对应天气下的容量预测，为系统效能的深入分析和空中交通流量管理的战略与预战术阶段提供动态化的容量数据依据。

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 (5)

1.一种终端区起降容量预测系统，其特征在于，包括：

抽象模块，适于将影响终端区起降容量的管制运行经验抽象；

空域划分模块，适于根据管制运行经验抽象，对终端区空域结构进行重新划分；

获取模块，适于获取终端区起降高峰时段以及初始样本；

计算模块，适于计算初始样本的特征以及建立模型训练集；

模型建立模块，适于依据训练集建立随机森林回归模型；

验证与预测模块，适于对随机森林回归模型进行验证与预测；

所述获取模块包括：

流量样本集获取单元，适于获取基于历史数据的终端区的小时起降流量样本集；

高峰集合获取单元，适于通过终端区小时起降流量样本集获取基于分位数的终端区的高峰小时集合；

初始样本获取单元，适于通过终端区起降高峰小时集合获取基于高峰时段的初始样本；

流量样本集获取单元，适于获取基于历史数据的终端区的小时起降流量样本集，即：

将一天离散为24个小时时段，分别为0:00-1:00、1:00-2:00、...、23:00-24:00，并标号1至24，设一年中第i＝1,...,365天第t＝1,...,24个时间段的开始时刻为

结束时刻为

终端区内的机场代号为Airport，一年内终端区起降航班集合为Flight_set＝{f₁,...,f_N}，第f＝1,...,F个航班的起飞机场为Dep_f，降落机场为Arr_f，实际起飞时间为ADT_f，实际降落时间为AAT_f；

设

则

表示第f个航班属于机场Airport第i天第t时段的起飞航班，同理设

则

表示第f个航班属于机场Airport第i天第t时段的降落航班；

机场Airport的终端区第i天第t时段的航班起降流量为

从而得到该终端区的小时起降流量样本集Flow_set＝{flow_i,t|i＝1,...,365；t＝1,...,24}；

所述高峰集合获取单元，适于通过终端区小时起降流量样本集获取基于分位数的终端区的高峰小时集合，即：

由终端区的小时起降流量样本集Flow_set，得到第t时段的流量样本集为flow_set_t＝{flow_i,t|i＝1,...,365}，将第t时段的365个流量样本按从小到大排序后生成顺序统计量{flow_t(1),flow_t(2),...,flow_t(365)}，其中flow_t(1)≤flow_t(2)≤...≤flow_t(365)，设第t时段的流量为随机变量X_t，假定X_t服从概率密度为f(x_t)的分布，记0＜p＜1，则满足等式P(X_t＜m_t,p)≤p,P(X_t≤m_t,p)≥p的唯一m_t,p称为第t时段流量的p分位数；

设flow_t(j),j＝1,...,365表示顺序统计量{flow_t(1),flow_t(2),...,flow_t(365)}中的第j个值，其中j为flow_t(j)在顺序统计量中的索引，则第t时段小时流量的p分位数估计为

设终端区起降的小时标称容量为C，则终端区的高峰小时集合为

其中m_t,95％表示第t时段流量的0.95分位数；

所述初始样本获取单元，适于通过终端区起降高峰小时集合获取基于高峰时段的初始样本，即：

设WAF为天气避让区产品的样本集合，将第w个WAF样本记为WAF_w，其观测时刻为waftime_w，选择处于高峰时段内的天气避让区产品作为后续研究的初始样本，即selectedWAF_set＝{WAF_w|waftime_w∈peakhour_set}；

其中，WAF为天气避让区产品的样本集合，天气避让区产品反映了空域内对流天气的强度，其值为3的对应空域为建议避让空域；

所述计算模块，适于计算初始样本的特征以及建立模型训练集，即：设研究空域面积为S，被危险天气覆盖区域的面积为S_wx，则空域的

对selectedWAF_set中每个天气避让区产品样本，分别计算A至L空域的WSI值，记为WSI_A、WSI_B、...、WSI_L，其中，WSI为天气危险指数，指研究空域被危险天气覆盖的比例；

设M＝|peakhour_set|表示高峰小时的总数，第m＝1,...,M个高峰小时的开始时间为

结束时间为

则属于第m＝1,...,M个高峰小时的天气避让区产品样本集为

由于天气避让区产品的观测时间间隔为6分钟，因此一个小时内包含有10个天气避让区产品样本，即|waf_set_m|＝10，将这10个天气避让区产品样本按照观测时间先后排序，并将排序后天气避让区产品样本对应的A至L空域的WSI值作为最终模型训练集的特征，记为WSI_A_1、WSI_B_1、...、WSI_L_1、WSI_A_2、WSI_B_2、...、WSI_L_2、...、WSI_A_10、WSI_B_10、...、WSI_L_10；

训练集D的规模为M，即集合D中共有M＝|peakhour_set|条样本数据，120个特征，目标列为第m＝1,...,M个高峰小时的小时起降容量C_m，通过机器学习方法在训练集上建立从天气影响下的空域特征

到小时起降容量C_m的映射

即

2.如权利要求1所述的终端区起降容量预测系统，其特征在于，所述模型建立模块包括：

回归模型建立单元，适于采用随机森林模型在训练集上建立回归模型；

性能度量单元，适于通过性能度量指标和评估方法，对不同规模的随机森林模型进行性能度量；

最终模型确立单元，适于获得最终的随机森林回归模型。

3.如权利要求2所述的终端区起降容量预测系统，其特征在于，所述性能度量单元中：

所述性能度量指标包括均方误差和决定系数；

设测试集T包含的数据量为N，y_i为测试样本

的数据标记，f_D为在训练集D上学习得到的模型，则模型在测试集T上的均方误差为：

设

为测试集T数据标记的均值

即，则模型在测试集上的决定系数为：

模型评估方法为K折交叉验证和自助法；

记训练集和测试集构成的数据集为Data_set，进行机器学习前需将数据集Data_set划分为训练集D和测试集T，其中

K折交叉验证法即是将数据集Data_set划分为k个大小相等的互斥子集

在每次训练中用其中k-1个子集作为训练集，剩下的一个作为测试集，重复k次训练和测试，最终返回这k次训练度量性能的平均值作为最终的模型性能度量，其中，在K折交叉验证中，每次的训练样本数量总是比样本总数N少

会导致最终模型由于训练样本规模而产生偏差，自助法在可放回抽样的基础上产生与原样本集规模相同的训练集，设数据集Data_set样本总数为N，对数据集Data_set进行N次可放回抽样，将抽样数据作为训练集进行模型训练。

4.如权利要求3所述的终端区起降容量预测系统，其特征在于，所述最终模型确立单元，适于获得最终的随机森林回归模型，即：

设规模为α的随机森林的预测均方误差和决定系数分别为MSE_α和R² _α，则最终随机森林的规模为

其中，

表示取使得均方误差最小的α值，

表示取使得决定系数最大的α值。

5.如权利要求4所述的终端区起降容量预测系统，其特征在于，所述验证与预测模块，适于对随机森林回归模型进行验证与预测，即：

设规模为α_final的随机森林预测模型为

通过自助法产生1000个训练集D₁,...,D₁₀₀₀和对应的测试集T₁,...,T₁₀₀₀，测试模型

的预测值与真实值之间的决定系数，设1000次试验所产生的决定系数为R² ₁,...,R² ₁₀₀₀，如果对于任意一次试验都有R² _i≥δ,i＝1,...,1000，其中δ为相关性的阈值，取0.85，则具有较高的稳定性，即采用规模为α_final的随机森林作为最终预测模型；

设有一待测小时，根据其包含的WAF产品所抽象出的特征为：

则其对应的小时预测容量为

Images