CN111125925A - 一种飞行器航迹数据驱动的终端区空域时空相关分析方法 - Google Patents
一种飞行器航迹数据驱动的终端区空域时空相关分析方法 Download PDFInfo
- Publication number
- CN111125925A CN111125925A CN201911396379.1A CN201911396379A CN111125925A CN 111125925 A CN111125925 A CN 111125925A CN 201911396379 A CN201911396379 A CN 201911396379A CN 111125925 A CN111125925 A CN 111125925A
- Authority
- CN
- China
- Prior art keywords
- flight
- mode
- track
- terminal area
- time
- 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
- 238000000034 method Methods 0.000 title claims description 11
- 238000010219 correlation analysis Methods 0.000 title claims description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 235000006679 Mentha X verticillata Nutrition 0.000 claims description 9
- 235000002899 Mentha suaveolens Nutrition 0.000 claims description 9
- 235000001636 Mentha x rotundifolia Nutrition 0.000 claims description 9
- 230000010006 flight Effects 0.000 claims description 8
- 238000005314 correlation function Methods 0.000 claims description 7
- 230000001934 delay Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000001149 cognitive effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Radar Systems Or Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种飞行器航迹数据驱动的终端空域运行模式分析方法,所述分析方法首先根据部分历史航空器航迹数据进行空间维度聚类,再根据聚类结果对所有航迹数据进行分类,得到终端区内每个机场的全部飞行流模式,最终从飞行流模式相关性的角度发现终端区空域的时空运行模式,本发明旨在从飞行流相关性的角度揭示空域运行的规律。拓展了对空域运行规律的认知角度。为空管调配决策提供更全面的信息参考。
Description
技术领域
本发明属于飞行技术管控领域,具体涉及一种飞行器航迹数据驱动的终端空域运行模式分析方法。
背景技术
在空中交通管理中,管制人员都是在对所管辖空域运行情况认知理解的基础上制定所有决策的。目前对空域运行状态的理解主要是基于静态的飞行计划,缺乏针对空管实际运行数据的深入分析,把握空域运行的变化规律和时空分布特征,导致在空域运行状态识别、空域流量协同水平判定、飞行调配等方面存在较大差距。
我们提出了一种基于实际航迹数据的终端区空域飞行流模式相关性分析方法,旨在从飞行流相关性的角度揭示空域运行的规律。
发明内容
为了解决上述问题,本发明提供一种飞行器航迹数据驱动的终端空域运行模式分析方法,所述分析方法首先根据部分历史航空器航迹数据进行空间维度聚类,再根据聚类结果对所有航迹数据进行分类,得到终端区内每个机场的全部飞行流模式,最终从飞行流模式相关性的角度分析终端区空域的时空运行模式;
进一步地,所述方法包括以下步骤:
S1:输入d天内终端区内所有航空器的航迹数据,d为大于30的正整数;
S2:根据终端区空间范围剪裁航迹数据;
S3:选取m天的航迹数据进行空间维度聚类得到轨迹模式,m为d/4的整数部分;
S4:将剩余航迹数据按照聚类得到的轨迹模式进行分类,将d天内的所有航迹进行分类得到终端区的飞行流模式;
S5:计算所有飞行流模式彼此之间的时空相关性;
S6:根据时空相关性数值识别关键终端区空域运行模式;
进一步地,所述S2具体如下:根据终端区的水平边界,对原始的航迹数据进行剪裁,保留从终端区进出点至机场的航迹数据集合T,根据航迹数据序列的高度值,区分进场航迹T_in和离场航迹T_out;
进一步地,所述S3具体包括:
S31:分别从T_in和T_out集合中,选择m天航迹作为空间聚类的输入;
进一步地,所述S2具体为:
S321:面向非均匀采样的航迹密度聚类算法,输入T_in和T_out,最小集合MinT,边界距离eps;
S322:计算T_in内所有航迹之间的Fréchet距离;
S323:对于尚未处理过的航迹p∈T_in,根据eps计算其Fréchet距离意义下的eps临域N_F;
S324:若N_F包含的航迹数量小于MinT,则将p标识为噪音;
S3251:否则,创建一个新的轨迹模式C^IN_X_y,将p加入C^IN_X_y;
S3252:对于每个尚未处理过的航迹p’∈N_F,根据eps计算其Fréchet距离意义下的eps临域N’_F;
S3253:如果N’_F包含的航迹数量大于MinT,N_F=N_F+N’_F;
S3254:如果p’还未加入任何轨迹模式,将p’加入C^IN_X_y;
进一步地,所述S4具体如下:
S41:将剩余的轨迹,通过聚类得到的轨迹模式,计算每个航迹与轨迹模式之间的eps距离;
S42:将d天的所有航迹均进行分类,分别得到每个机场进港、离港的飞行流模式矩阵WX,Z,WX,Y,n*p,
其中n表示终端区共有n种轨迹模式,p表示一天分为p个时段,其中Wi*j为一个向量,包含j时段第i种轨迹模式的航迹编号;
进一步地,所述S5中计算飞行流模式的时空相关性方法如下:
通过相关函数CCF度量两个空间对象相关性,以CCF作为飞行流时空相关分析的度量指标,通过计算CCF,从每个飞行流模式的角度描述不同时间延迟下与其他飞行流模式之间关于流量特征的相关关系,反映Metroplex空域内飞行流时空相关性的局部异质性;
进一步地,所述CCF的计算方法如下:
1):在计算CCF之前,对于每个飞行流模式,统计每10min间隔内的航班数量作为流量;
2):构建每个飞行流模式的流量特征时间序列,对于两个流量特征时间序列X和Y,在时间延迟s下,X和Y的相关函数CCF计算公式为:
式中:ρk为XT和YT+k这两个时间序列时间的相关程度,T为统计时间段;k为时间延迟,xt为x模式在时间段t内的航班数;yt+k为y模式在时间段t+k内的航班数,为x模式在实际用到的T-k个时间段内航班数的平均值;为y模式在实际用到的T-k个时间段内航班数的平均值;
本发明的有益效果如下:
本发明提出了一种基于实际航迹数据的终端区空域飞行流模式相关性分析方法,旨在从飞行流相关性的角度揭示空域运行的规律。拓展了对空域运行规律的认知角度。为空管调配决策提供更全面的信息参考。
附图说明
图1为本发明所述分析方法中整体框架图;
图2为本发明所述分析方法中经过裁剪后的某个终端区的所有航迹图;
图3为本发明所述分析方法中聚类后得到轨迹模式图;
图4为本发明所述分析方法中中所有航迹分类后取中间线结果图;
图5为本发明所述分析方法中飞行流模式经计算后正相关图例;
图6为本发明所述分析方法中飞行流模式经计算后负相关图例;
图7为本发明所述分析方法中飞行流模式经计算后不相关图例。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
下面结合附图和具体实施例对本发明作进一步说明,但不作为对本发明的限定。下面为本发明的举出最佳实施例:
本发明提供一种飞行器航迹数据驱动的终端区空域时空相关分析方法,所述方法具体步骤如图1所示,包括以下:
S1:输入30天内终端区内所有航空器的航迹数据;
S2:根据终端区空间范围剪裁航迹数据;
S3:选取7天的航迹数据进行空间维度聚类得到轨迹模式;
S4:将剩余航迹数据按照聚类得到的轨迹模式进行分类,将一个月内的所有航迹进行分类得到终端区的飞行流模式,所有航迹分类后取中间线,结果如图4所示;
S5:计算所有飞行流模式彼此之间的时空相关性;
S6:根据时空相关性数值识别关键终端区空域运行模式。
所述S2具体如下:根据终端区的水平边界,对原始的航迹数据进行剪裁,保留从终端区进出点至机场的航迹数据集合T,根据航迹数据序列的高度值,区分进场航迹T_in和离场航迹T_out,经过裁剪后的某个终端区的所有航迹如图2中所示。
所述S3具体包括:
S31:分别从T_in和T_out集合中,选择7天航迹作为空间聚类的输入,聚类后得到轨迹模式结果如图3所示,;
S321:面向非均匀采样的航迹密度聚类算法,输入T_in(T_out同理),最小集合MinT,边界距离eps;
S322:计算T_in内所有航迹之间的Fréchet距离;
S323:对于尚未处理过的航迹p∈T_in,根据eps计算其Fréchet距离意义下的eps临域N_F;
S324:若N_F包含的航迹数量小于MinT,则将p标识为噪音;
S3251:否则,创建一个新的轨迹模式C^IN_X_y,将p加入C^IN_X_y;
S3252:对于每个尚未处理过的航迹p’∈N_F,根据eps计算其Fréchet距离意义下的eps临域N’_F;
S3253:如果N’_F包含的航迹数量大于MinT,则N_F=N_F+N’_F;
S3254:如果p’还未加入任何轨迹模式,则将p’加入C^IN_X_y,C^IN_X_y表示的是一种新的轨迹模式,该轨迹模式为进场航迹IN的集合,具体包含的数据有机场集合X,机场集合X种所有的进场轨迹模式集合y。
所述S4具体如下:剩余的轨迹,根据聚类得到的轨迹模式,计算每个航迹与轨迹模式之间的eps距离,将一个月内的所有航迹均进行分类;分别得到每个机场进港、离港的飞行流模式矩阵WX,Z,WX,Y,n*p,n表示终端区共有n种轨迹模式,p表示一天分为p个时段,其中Wi*j为一个向量,包含了j时段第i种轨迹模式的航迹编号。
所述S5中计算飞行流模式的时空相关性具体如下:
相关函数(Cross CorrelationFunction,CCF)用来度量两个空间对象相关性,在本发明中选择CCF作为飞行流时空相关分析的度量指标。作为一个局部度量指标,本发明中通过计算CCF,从每个飞行流模式的角度描述不同时间延迟下与其他飞行流模式之间关于流量特征的相关关系,从而反映Metroplex空域内飞行流时空相关性的局部异质性。在计算CCF之前,对于每个飞行流模式,统计每10min间隔内的航班数量,即流量。构建每个飞行流模式的流量特征时间序列。对于两个流量特征时间序列X和Y,在时间延迟s下,X和Y的相关函数CCF计算公式为:
式中:ρk为XT和YT+k这两个时间序列时间的相关程度,即从终端区所有的的飞行流中选择的两个飞行流,T为统计时间段;k为时间延迟,xt为x模式在时间段t内的航班数;yt+k为y模式在时间段t+k内的航班数,为x模式在实际用到的T-k个时间段内航班数的平均值;为y模式在实际用到的T-k个时间段内航班数的平均值。各飞行流,图5、图6和图7分别为飞行流模式经计算后正相关图示、飞行流模式经计算后负相关图示和飞行流模式经计算后不相关图示。通过计算CCF,能够量化表示飞行流彼此之间的相关性数值,进而能够发现终端区内飞行流的整体相关关系。
以上所述的实施例,只是本发明较优选的具体实施方式的一种,本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
Claims (8)
1.一种飞行器航迹数据驱动的终端区空域时空相关分析方法,其特征在于,所述分析方法首先根据部分历史航空器航迹数据进行空间维度聚类,再根据聚类结果对所有航迹数据进行分类,得到终端区内每个机场的全部飞行流模式,最终从飞行流模式相关性的角度分析终端区空域的时空运行模式。
2.根据权利要求1所述的分析方法,其特征在于,所述方法包括以下步骤:
S1:输入d天内终端区内所有航空器的航迹数据,d为大于30的正整数;
S2:根据终端区空间范围剪裁航迹数据;
S3:选取m天的航迹数据进行空间维度聚类得到轨迹模式,m为d/4的整数部分;
S4:将剩余航迹数据按照聚类得到的轨迹模式进行分类,将d天内的所有航迹进行分类得到终端区的飞行流模式;
S5:计算所有飞行流模式彼此之间的时空相关性;
S6:根据时空相关性数值识别关键终端区空域运行模式。
3.根据权利要求2所述的分析方法,其特征在于,所述S2具体如下:根据终端区的水平边界,对原始的航迹数据进行剪裁,保留从终端区进出点至机场的航迹数据集合T,根据航迹数据序列的高度值,区分进场航迹T_in和离场航迹T_out。
5.根据权利要求4所述的分析方法,其特征在于,所述S32具体为:
S321:面向非均匀采样的航迹密度聚类算法,输入T_in和T_out,最小集合MinT,边界距离eps;
S324:若N_F包含的航迹数量小于MinT,则将p标识为噪音;
S3251:否则,创建一个新的轨迹模式C^IN_X_y,将p加入C^IN_X_y;
S3253:如果N’_F包含的航迹数量大于MinT,N_F=N_F+N’_F;
S3254:如果p’还未加入任何轨迹模式,将p’加入C^IN_X_y。
6.根据权利要求5所述的分析方法,其特征在于,所述S4具体如下:
S41:将剩余的轨迹,通过聚类得到的轨迹模式,计算每个航迹与轨迹模式之间的eps距离;
S42:将d天的所有航迹均进行分类,分别得到每个机场进港、离港的飞行流模式矩阵WX,Z,WX,Y,n*p,
其中n表示终端区共有n种轨迹模式,p表示一天分为p个时段,其中Wi*j为一个向量,包含j时段第i种轨迹模式的航迹编号。
7.根据权利要求2所述的分析方法,其特征在于,所述S5中计算飞行流模式的时空相关性方法如下:
对于每个飞行流模式,统计每10min间隔内的航班数量作为流量,通过计算相关函数CCF,从每个飞行流模式的角度描述不同时间延迟下与其他飞行流模式之间关于流量特征的相关关系,反映Metroplex空域内飞行流时空相关性的局部异质性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911396379.1A CN111125925B (zh) | 2019-12-30 | 2019-12-30 | 一种飞行器航迹数据驱动的终端区空域时空相关分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911396379.1A CN111125925B (zh) | 2019-12-30 | 2019-12-30 | 一种飞行器航迹数据驱动的终端区空域时空相关分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111125925A true CN111125925A (zh) | 2020-05-08 |
CN111125925B CN111125925B (zh) | 2024-03-22 |
Family
ID=70505136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911396379.1A Active CN111125925B (zh) | 2019-12-30 | 2019-12-30 | 一种飞行器航迹数据驱动的终端区空域时空相关分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111125925B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633644A (zh) * | 2020-12-07 | 2021-04-09 | 中国人民解放军93209部队 | 一种异构飞机穿越航路的安全风险计算方法及装置 |
CN113658454A (zh) * | 2021-08-12 | 2021-11-16 | 飞友科技有限公司 | 一种基于聚类的机场群终端区航迹分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103456192A (zh) * | 2013-09-01 | 2013-12-18 | 中国民航大学 | 一种基于轨迹谱聚类的终端区盛行交通流识别方法 |
US20180240348A1 (en) * | 2017-02-17 | 2018-08-23 | General Electric Company | Methods and systems for probabilistic spacing advisory tool (psat) |
CN109191922A (zh) * | 2018-09-03 | 2019-01-11 | 北京航空航天大学 | 一种大规模四维航迹动态预测方法及装置 |
CN109657736A (zh) * | 2019-01-18 | 2019-04-19 | 南京航空航天大学 | 基于聚类特征的航段运行时间计算方法 |
-
2019
- 2019-12-30 CN CN201911396379.1A patent/CN111125925B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103456192A (zh) * | 2013-09-01 | 2013-12-18 | 中国民航大学 | 一种基于轨迹谱聚类的终端区盛行交通流识别方法 |
US20180240348A1 (en) * | 2017-02-17 | 2018-08-23 | General Electric Company | Methods and systems for probabilistic spacing advisory tool (psat) |
CN109191922A (zh) * | 2018-09-03 | 2019-01-11 | 北京航空航天大学 | 一种大规模四维航迹动态预测方法及装置 |
CN109657736A (zh) * | 2019-01-18 | 2019-04-19 | 南京航空航天大学 | 基于聚类特征的航段运行时间计算方法 |
Non-Patent Citations (1)
Title |
---|
张明: "终端空域扇区规划及运行管理关键问题研究" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633644A (zh) * | 2020-12-07 | 2021-04-09 | 中国人民解放军93209部队 | 一种异构飞机穿越航路的安全风险计算方法及装置 |
CN112633644B (zh) * | 2020-12-07 | 2021-09-07 | 中国人民解放军93209部队 | 一种异构飞机穿越航路的安全风险计算方法及装置 |
CN113658454A (zh) * | 2021-08-12 | 2021-11-16 | 飞友科技有限公司 | 一种基于聚类的机场群终端区航迹分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111125925B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106572493B (zh) | Lte网络中的异常值检测方法及系统 | |
CN110245981B (zh) | 一种基于手机信令数据的人群类型识别方法 | |
Senaratne et al. | Urban mobility analysis with mobile network data: A visual analytics approach | |
Wang et al. | Study on evolution characteristics of air traffic situation complexity based on complex network theory | |
Blostein et al. | On modeling left-truncated loss data using mixtures of distributions | |
Kopczewska et al. | Spatio-temporal stability of housing submarkets. Tracking spatial location of clusters of geographically weighted regression estimates of price determinants | |
CN102142061A (zh) | 流模拟工具和流模型的校准 | |
CN111125925A (zh) | 一种飞行器航迹数据驱动的终端区空域时空相关分析方法 | |
CN107944628A (zh) | 一种路网环境下的聚集模式发现方法及系统 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
Suryadjaja et al. | Modeling traffic flows with fluid flow model | |
Zhang et al. | Airport surface movement prediction and safety assessment with spatial–temporal graph convolutional neural network | |
Zhang et al. | Strength-weighted flow cluster method considering spatiotemporal contiguity to reveal interregional association patterns | |
Ahani et al. | A feature weighting and selection method for improving the homogeneity of regions in regionalization of watersheds | |
Aydın | Classification of the fire station requirement with using machine learning algorithms | |
Mascali et al. | A machine learning-based Anomaly Detection Framework for building electricity consumption data | |
Salamanis et al. | Evaluating the effect of time series segmentation on STARIMA-based traffic prediction model | |
CN113449403A (zh) | 一种基于分层网络划分的复杂网络节点评价方法 | |
Wang et al. | Travel time prediction: Empirical analysis of missing data issues for advanced traveler information system applications | |
Chu et al. | Hierarchical Method for Mining a Prevailing Flight Pattern in Airport Terminal Airspace | |
Zhu et al. | Demand estimation and spatio-temporal clustering for urban road networks | |
Chen et al. | Operational scenario definition in traffic simulation-based decision support systems: Pattern recognition using a clustering algorithm | |
Mahfoud et al. | Spatio-temporal modeling for residential burglary | |
Nair et al. | Mining frequent patterns with generalized linear model for traffic density analysis |
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 |