CN111967661B - 机场跑道运行方向的决策方法、系统、存储介质和设备 - Google Patents
机场跑道运行方向的决策方法、系统、存储介质和设备 Download PDFInfo
- Publication number
- CN111967661B CN111967661B CN202010798764.5A CN202010798764A CN111967661B CN 111967661 B CN111967661 B CN 111967661B CN 202010798764 A CN202010798764 A CN 202010798764A CN 111967661 B CN111967661 B CN 111967661B
- Authority
- CN
- China
- Prior art keywords
- runway
- component
- downwind
- airport
- forecasting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000002093 peripheral effect Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 9
- 230000001932 seasonal effect Effects 0.000 claims description 9
- 238000012805 post-processing Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000013277 forecasting method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 229910000514 dolomite Inorganic materials 0.000 description 5
- 239000010459 dolomite Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
Abstract
本申请提供一种机场跑道运行方向的决策方法、辅助决策系统、计算机存储介质和设备，涉及民用航空技术领域。机场跑道运行方向的决策方法包括：获得预定时间段内机场跑道风顺风分量的定量预报值；判断当前跑道类型；对于符合运行条件的跑道，确定与该跑道类型对应的顺风分量阈值；根据所述顺风分量的定量预报值与所述顺风分量阈值的比对结果输出预定时间段内是否切换跑道运行方向的建议。本申请中的机场跑道运行方向的决策方法，结合机场运行数据、各部门决策数据，利用可预报顺风分量的短临预报模型，给出在综合考虑安全及经济条件下的运行优化和协同解决方案，为航空气象用户提供客观的决策依据。
Description
技术领域
本申请涉及民用航空技术领域，具体而言，涉及一种机场跑道运行方向的决策方法及辅助决策系统，以及计算机存储介质和设备。
背景技术
航行安全关乎民用航空事业的命脉，低空风场(风速、风向)、雷电、降雨等气象要素及强对流天气等生命史短、突发性强的天气要素均会对航空安全飞行产生重大影响。在不同的气象条件下，飞机需要变换不同的跑道运行方向以保证起飞或降落安全。
在实际运行当中，变换跑道运行方向由塔台管制员根据自观数据、实况报，凭个人经验或者电话咨询进行临时决策。因为没有可靠的预判依据，变换跑道运行方向没有计划性和提前量，对协同运行支持不足，从而影响航班安全正常及飞行效率。
发明内容
本申请实施例的目的在于提供一种机场跑道运行方向的决策方法及采用该决策方法的辅助决策系统，其能够给出在综合考虑安全及经济条件下的运行优化和协同解决方案，为航空气象用户提供客观的决策依据。
第一方面，本申请实施例提供一种机场跑道运行方向的决策方法，其包括：
获得预定时间段内机场跑道风顺风分量的定量预报值；
判断当前跑道类型；
对于符合运行条件的跑道，确定与该跑道类型对应的顺风分量阈值；
根据所述顺风分量的定量预报值与所述顺风分量阈值的比对结果输出预定时间段内是否切换跑道运行方向的建议。
在一种实施方案中，所述机场跑道风顺风分量的定量预报值根据实际顺风分量进行预报；
所述实际顺风分量为跑道所处区域中跑道风的实际风速和实际风向在沿跑道长度延伸方向上直接换算出的顺风分量。
在一种实施方案中，所述顺风分量阈值的确定还包括：
对于符合运行条件的跑道，还需判断所述跑道的两端有无风速仪。
在一种实施方案中，在所述跑道的两端无所述风速仪时，所述顺风分量阈值为2.5米/秒；
在所述跑道的两端有所述风速仪时，所述顺风分量阈值为3.5米/秒。
在一种实施方案中，所述预定时间段为0-24小时。
在一种实施方案中，所述获得预定时间段内机场跑道风顺风分量的定量预报值包括：
根据预定时间段内机场跑道风的历史数据构建出用于预测0-2小时顺风分量的第一顺风分量预报模型和用于预测2-24小时顺风分量的第二顺风分量预报模型。
在一种实施方案中，所述第一顺风分量预报模型基于多源实时数据采用统计方法及机器学习方法给出0-2小时的顺风分量的预测值；
所述第二顺风分量预报模型基于多源实时数据采用数值模式输出及模式后处理方法给出2-24小时的顺风分量的预测值。
在一种实施方案中，在获得所述预定时间段内机场跑道风顺风分量的定量预报值步骤的过程中，还包括：
获取所述机场跑道风侧风分量的定量预报值，并判断所述侧风分量是否小于等于10米/秒。
在一种实施方案中，获得所述机场跑道风侧风分量的定量预报值包括：
根据预定时间段内机场跑道风的历史数据构建出用于预测0-2小时侧风分量的第一侧风分量预报模型和用于预测2-24小时的侧风分量的第二侧风分量预报模型；
所述第一侧风分量预报模型基于多源实时数据采用统计方法及机器学习方法给出0-2小时的侧风分量的预测值；
所述第二侧风分量预报模型基于多源实时数据采用数值模式输出及模式后处理方法给出2-24小时的侧风分量的预测值。
在一种实施方案中，在判断当前跑道类型步骤之前，还包括：
根据所述跑道的预定时间段内的历史灯光数据，分析并得到跑道起降侧的季节分析结果。
在一种实施方案中，所述给出预定时间段内是否切换跑道运行方向的决策之前，还包括：
接收机场运行数据、机场周边气象预报数据、机场管制情况信息；
根据所述机场运行数据、机场周边气象预报数据、机场管制情况信息和所述顺风分量的定量预报值与所述顺风分量阈值的比对结果综合判断并给出是否切换跑道运行方向的决策。
第二方面，本申请实施例提供一种机场跑道运行方向的辅助决策系统，包括：
机场跑道风短临预报模块，用于提供预定时间段内机场跑道风顺风分量的定量预报值；
判断模块，用于判断当前跑道类型；
阈值确定模块，用于为符合运行条件的跑道确定与该跑道类型对应的顺风分量阈值；
决策输出模块，用于根据所述顺风分量的定量预报值与所述顺风分量阈值的比对结果输出预定时间段内是否切换跑道运行方向的建议。
第三方面，本申请实施例还提供一种计算机存储介质，其存储有计算机程序，该程序被处理器执行时实现如上所述的机场跑道运行方向的决策方法。
第三方面，本申请实施例还提供一种计算机设备，包括：
存储器及处理器，
所述存储器存储有计算机程序，该程序被处理器执行时实现如上所述的机场跑道运行方向的决策方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为根据本申请实施例示出的一种机场跑道运行方向的决策方法的流程图；
图2为根据本申请实施例示出的一种机场跑道运行方向的辅助决策系统的结构示意图；
图3示出了白云机场顺风和侧风的方向示意图；
图4示出了沿跑道顺风分量、侧风分量的分解示意图；
图5示出了2016.6-2019.4各月跑道运行方向切换次数的统计图；
图6示出了2016.6-2019.4各月跑道南端、北端灯亮总时长的统计图；
图7示出了2016.6-2019.4跑道灯光单次持续时长的分布图；
图8示出了2016.6-2019.4跑道灯光单次持续时长的分布图；
图9示出了四类时长各月份发生次数的统计图；
图10示出了四类时长跑道切换时间的日特征统计图；
图11示出了跑道切换时间点与顺风分量的对应图；
图12为本发明一实施例中机场跑道运行方向的辅助决策系统所应用的通信系统场景的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
图1为根据本申请实施例示出的一种机场跑道运行方向的决策方法的流程图，具体包括如下步骤。
S101：获得预定时间段内机场跑道风顺风分量的定量预报值。
在本申请所实施的方案中，所述机场跑道风顺风分量的定量预报值根据实际顺风分量进行预报。其中，实际顺风分量为跑道所处区域中跑道风的实际风速和实际风向在沿跑道长度延伸方向上直接换算出的顺风分量。
在对跑道区域风速、风向进行预报时，采用直接对影响航空器的沿跑道方向的风(顺跑道方向风)进行预报，即将实际风速、实际风向换算为沿跑道方向的风速大小。传统顺风分量的获取方法是先预报U、V方向的风、风速或者风向，再将预报结果转换为沿跑道方向的顺风分量。而本申请中使用沿跑道/顺跑道风量预报可直接得到影响跑道区域飞机起降的结果，避免了传统模型对U、V方向的风、风速或者风向预报效果好，但对沿跑道/顺跑道风量预报相对较差的情况发生。
在一种实现方式中，所述获得预定时间段内机场跑道风顺风分量的定量预报值包括：根据预定时间段内机场跑道风的历史数据构建出用于预测0-2小时顺风分量的第一顺风分量预报模型和用于预测2-24小时顺风分量的第二顺风分量预报模型。
其中，对于所述第一顺风分量预报模型，可基于多源实时数据(如机场观测、机场周边区域气象站观测、多普勒雷达等数据))采用统计方法及机器学习方法给出0-2小时的顺风分量的预测值，预测值的外推预报频率为每10分钟预报一次。
在一种具体的实施方案中，第一顺风分量预报模型在对0-2小时风速、风向短临预报时使用基于数据驱动模型(极端提升树XGBoost)的直接预报方法对未来某一时刻进行预报，如，使用当前时刻前6小时2°×2°空间范围内的跑道自观站以及周边国家自动站数据(包括风速、风向、气压、温度、相对湿度等气象要素)作为输入，直接预报跑道区域未来2小时每10分钟的风速、风向。传统数值预报方法是使用的迭代预报法，即将中间时刻的预报结果作为下一时刻的输入场进行迭代预报，其存在误差累积的效应，导致预报误差随着预报时效的增加越来越大。相对于迭代预报法，直接预报法避免了误差在中间时刻的一步步累积，直接对未来每一个时刻单独构建模型进行预报。
第二顺风分量预报模型基于多源实时数据采用数值模式输出及模式后处理方法(机器学习等)给出2-24小时的顺风分量的预测值，预测值的外推预报频率为每30分钟预报一次。此模型中，数值模式采用欧洲中期天气预报中心(ECMWF)的模式，该模式输出数据具有可靠的稳定性。
在一种可实施的方案中，第二顺风分量预报模型在对2-24小时进行风速、风向预报时，以ECMWF模式输出的未来0-24小时气象要素建立特征向量作为输入，以对应时刻跑道风速、风向作为预报结果(即真值)，通过训练样本得到预报模型。此外，为了降低数据维度、减少计算开销，可使用特征选择方法。在一种实施方案中，基于Lasso回归的嵌入式选择法进行特征选择，Lasso回归的学习方法是其特征选择过程与学习器训练过程融为一体，两者在同一个优化过程中完成，且Lasso回归计算效率高。
通过第一顺风分量预报模型和第二顺风分量预报模型即可获得预定时间段内机场跑道风顺风分量的定量预报值。
S102：判断当前跑道类型。
跑道的类型分为：干跑道、湿跑道、污染跑道。航空器原则上以逆风起飞为佳，对于不同类型的跑道，航空管制对机场跑道风有具体的规定。机场跑道风相关管制要求如下：
1)对无污染干跑道：航空器也可以在顺风分量风速不大于2.5m/s时起飞和着陆；在着陆跑道接地带或者在起飞跑道离地端安装有风速仪，其着陆或者起飞顺风分量可以大于2.5米/秒，但不得大于3.5米/秒。
2)管制员不得安排航空器在污染跑道或者湿跑道顺风起飞和着陆；
3)当转换使用跑道方向过程中短时使用跑道顺风分量超过所规定的2.5米/秒或者3.5米/秒但不大于5米/秒时，管制员应当通知航空器驾驶员。
S103：对于符合运行条件的跑道，确定与该跑道类型对应的顺风分量阈值。
航空管制对机场跑道风中的顺风和侧风具有限制标准，具体如下表1和表2。
二、顺风限制标准表
表1
一、侧风限制标准表
表2
根据上述限制标准，在本申请方案中，跑道符合运行条件，即跑道为干湿跑道时，确定顺风分量的阈值为2.5米/秒。
在另一种确定顺风分量的方案，还包括：对于符合运行条件的跑道，进一步判断跑道的两端有无风速仪。在所述跑道的两端无所述风速仪时，所述顺风分量阈值为2.5米/秒，若有风速仪，则顺风分量的阈值为3.5米/秒。
S104：根据顺风分量的定量预报值与顺风分量阈值的比对结果输出预定时间段内是否切换跑道运行方向的建议。
通过将顺风分量的定量预报值与顺风分量的阈值进行比对，当顺风分量的定量预报值大于或等于顺风分量的阈值时，给出未来0-24小时跑道是否发生切换的建议。当顺风分量的定量预报值小于顺风分量的阈值时，给出未来0-24小时跑道是否发生切换的建议。
由以上技术方案可知，本申请中的机场跑道运行方向的决策方法，结合机场运行数据、各部门决策数据，利用可预报顺风分量的短临预报模型，给出在综合考虑安全及经济条件下的运行优化和协同解决方案，为航空气象用户(管制、航空公司、机场等)提供客观的决策依据。
在一种可实施的方案中，在获得预定时间段内机场跑道风顺风分量的定量预报值步骤的过程中还包括：获取机场跑道风侧风分量的定量预报值，并判断侧风分量是否小于等于10米/秒。即在给出跑道是否发生切换的建议时，还会将侧风分量作为其中一项参考因素。
在一种可实施的方案中，在判断当前跑道类型步骤之前，还包括：根据跑道的预定时间段内的历史灯光数据，分析并得到跑道起降侧的季节分析结果。
机场中，通常在飞机的起降点设置灯光，灯光亮，表示飞机在此起降点起飞或降落。故，在本申请中，收集预定时间内的灯光数据，即可获知飞机在该时间段内会在哪个起降点起飞或降落，以及根据灯光的开启时间，可获知在该起降点起飞或降落时所处的季节。因此，可根据灯光数据分析得出在对应的季节中，给出季节分析结果，即：该跑道是否会作为飞机的起降点。
在一种可实施的方案中，在得到顺风分量的定量预报值与顺风分量阈值的比对结果后，给出预定时间段内是否切换跑道运行方向的决策之前还包括：接收机场运行数据、机场周边气象预报数据、机场管制情况信息。以及根据机场运行数据、机场周边气象预报数据、机场管制情况信息和顺风分量的定量预报值与顺风分量阈值的比对结果综合判断并给出是否切换跑道运行方向的决策。
在另一种可实施的方案中，还可为在得到顺风分量的定量预报值与顺风分量阈值的比对结果和季节分析结果后，接收机场运行数据、机场周边气象预报数据、机场管制情况信息，在综合比对顺风分量的定量预报值与顺风分量阈值的比对结果、季节分析结果、机场运行数据、机场周边气象预报数据、机场管制情况信息后，给出是否切换跑道运行方向的决策。
根据本申请的另一方面，还提供了一种机场跑道运行方向的辅助决策系统。图2为根据本申请实施例示出的一种机场跑道运行方向的辅助决策系统的结构示意图。参见图2，该辅助决策系统包括：
机场跑道风短临预报模块210，用于提供预定时间段内机场跑道风顺风分量的定量预报值。其中，机场跑道风顺风分量的定量预报值根据实际顺风分量进行预报。
在一种实施方案中，机场跑道风短临预报模块210包括第一顺风分量预报模型211和第二顺风分量预报模型212。其中，第一顺风分量预报模211型用于根据预定时间段内机场跑道风的历史数据构建出用于预测0-2小时的顺风分量。第二顺风分量预报模型212用于根据预定时间段内机场跑道风的历史数据构建出用于预测2-24小时的顺风分量。
对于第一顺风分量预报模型和第二顺风分量预报模型的预防方法参见上述机场跑道运行方向决策方法中第一顺风分量预报模型和第二顺风分量预报模型的工作原理，此处不再赘述。
判断模块220用于判断当前跑道类型。
阈值确定模块230用于为符合运行条件的跑道确定与该跑道类型对应的顺风分量阈值；
决策输出模块240用于根据顺风分量的定量预报值与顺风分量阈值的比对结果输出预定时间段内是否切换跑道运行方向的建议。
判断模块220、阈值确定模块230和决策输出模块240按照上述机场跑道运行方向的决策方法进行工作，此处不再赘述。
进一步地，机场跑道风短临预报模块210还包括：
第一侧风分量预报模型213，用于根据预定时间段内机场跑道风的历史数据构建出用于预测0-2小时的侧风分量；第一侧风分量预报模型213基于多源实时数据采用统计方法及机器学习方法给出0-2小时的侧风分量的预测值。
第二侧风分量预报模型214，用于根据预定时间段内机场跑道风的历史数据构建出用于预测2-24小时的侧风分量；第二侧风分量预报模214基于多源实时数据采用数值模式输出及模式后处理方法给出2-24小时的侧风分量的预测值。
第一侧风分量预报模型213与第二侧风分量预报模型214的建立方法和工作原理同第一顺风分量预报模型和第二顺风分量预报模型相同，此处不再赘述。
作为进一步优选的方案，机场跑道运行方向的辅助决策系统还包括季节分析模块250、与决策输出模块通信连接的机场运行数据收集模块260、机场周边气象预报数据收集模块270、机场管制情况信息收集模块280。
季节分析模块250用于根据跑道的预定时间段内的历史灯光数据，分析并得出跑道起降侧的季节分析结果。
决策输出模块240根据机场运行数据、机场周边气象预报数据、机场管制情况信息、季节分析模块和顺风分量的定量预报值与顺风分量阈值的比对结果综合判断并给出是否切换跑道运行方向的建议。
具体地，以下提供一种实际场景实施例中的机场跑道运行方向决策方法的处理流程。具体包括：
机场：白云机场。
白云机场周边范围定义为：22°24′N～24°24′N，112°18′E～114°18′E(2°×2°范围)。
收集的历史数据所涵盖的时间范围：2016年7月-2019年6月。
历史数据的内容包括：(1)白云机场3条跑道的短临预报数据：(2)与气象、管制、航司、机场等多方运行优化和协同有关的白云机场相关运行数据，包括切换跑道的时间(三条跑道灯光数据)等。
机场跑道运行方向决策方法的处理步骤包括：
1)结合历史数据，并根据机场的自观数据、周边国家站点数据等构建0-24小时风速风向预报模型，进行未来24小时风场预报。其中，风场预报包括机场跑道风顺风分量0-2小时的预测值和2-24小时的预测值，以及侧风分量0-2小时的预测值和2-24小时的预测值。图3示出了白云机场顺风和侧风的方向示意图。图4示出了沿跑道顺风分量、侧风分量的分解示意图。
2)确定转折条件(2.5米/秒或3.5米/秒为阈值)；
若跑道的两端无风速仪，则顺风分量的阈值为2.5米/秒，若跑道的两端安装有风速仪，则顺风分量的阈值为3.5米/秒。
3)借助灯光数据判断当前跑道南侧灯亮(对应飞机从跑道南侧起降)或跑道北侧灯亮(对应飞机从跑道北侧起降)，并做季节分析。
图5示出了2016.6-2019.4各月跑道运行方向切换次数的统计图。跑道灯光数据由0变1，或由1变0表示跑道运行方向切换，简称跑道切换。由图5中的数据可知，2016.6-2019.4跑道共切换729次。其中6月跑道切换次数最多，平均约为46次；其次是7月、8月，平均分别约36次、35次。12月、1月跑道切换次数最少，平均为4.7次。其他月份跑道切换多在10次至30次之间，每年略有波动。
图6示出了2016.6-2019.4各月跑道南端、北端灯亮总时长的统计图。左图vc1表示南端为起降点(跑道南端亮灯)的持续时间，vc2表示北端为起降点(跑道北端亮灯)的持续时间，单位为：10分钟。右图表示vc1/(vc1+vc2)，即从南端起降的时长百分比。
由图6可知，跑道南北端起飞(灯亮持续总时长)的季节特征为：10月、11月、12月、1月、2月南端起降总时长分别为83.3％、87.8％、85.1％、97.2％、80.5％，这五个月的主导风为偏北风；7月南端起降总时长占平均时长百分比最小，为26.1％，这个月的主导风为偏南风；其他3月、4月、5月、6月、8月、9月南端起降总时长分别为59.6％、49.9％、32.4％、46.1％、47.5％、51.8％。
图7示出了2016.6-2019.4跑道灯光单次持续时长的分布图。例(2,3]表示单次持续时长大于2天小于等于3天的总次数；<1表示单次持续时长小于1天的总次数。由图7可知，729次跑道切换中，有504次灯光切换后持续时间小于1天；持续时间大于10天的有15次，最长的一次可持续约39.7天，时间段为：2016年12月19日22:11至2017年1月28日15:41。持续时间大于7天的共有26个个例，多数为南端为起降点的时间持续个例，且多发生于冬半年，主导风为偏北风。
图8示出了2016.6-2019.4跑道灯光单次持续时长的分布图。由图8可知，在小于1天的504个例子中，小于等于7小时的例子占263次；大于7小时小于等于24小时的例子占241次。
图9示出了四类时长各月份发生次数的统计图。将单次持续时长分布划分为四类，(0,7]小时，(7,24]小时，(1,7]天，(7,40]天。对四类分别进行统计。如图9所示，(0,7]小时、(7,24]小时这两类多发生于夏季6、7、8月份；(1,7]天这一类多发生于3、4、7、8、9月份；(7,40]天多发生于冬半年。
图10示出了四类时长跑道切换时间的日特征统计图。参见图10，单次持续时长(0,7]小时和(7,24]小时两类跑道切换次数发生最多的时间为中午前后。
图11示出了跑道切换时间点与顺风分量的对应图。参见图11，第一行对应单次灯光持续时间(0,2]小时，第二行对应(2,7]小时，第三行对应(7,24]小时，第四行对应(1,7]天，第五行对应(7,40]天的例子。左边是顺风分量由负切换为正，对应偏北风切换为偏南风的例子；右边是顺风分量由正切换为负，对应偏南风切换为偏北风的例子。图中粗竖线为切换时间点，时间点左边为切换前时间，右边为切换后时间；两条横虚线表示±2.5m/s的阈值。
由图11可以定性看出，顺风分量突变前后对应着跑道切换。即跑道切换前后与顺风分量变化具有统计意义上的对应关系。但值得注意的是，在跑道切换之后，很多顺风风速仍集中于-2.5m/s至2.5m/s之间，甚至有大部分在跑道切换之后仍为跑道顺风分量小于-2.5m/s(左列)/大于2.5m/s(右列)，其可能的原因是由于其他非顺风风速影响的气象要素(如雷暴)的影响或者是机场其他管制条件导致的跑道切换。
4)判断跑道是否为干湿跑道，以及确认跑道两端是否有无风速仪。若跑道的两端无风速仪，则顺风分量的阈值为2.5米/秒，若跑道的两端安装有风速仪，则顺风分量的阈值为3.5米/秒。
5)综合判断以上风场预报结果、灯光数据、干湿跑道类型，并结合其他预报经验、以及其他管制情况给出未来0-24小时跑道是否发生切换的建议。
图12为本发明一实施例中机场跑道运行方向的辅助决策系统所应用的通信系统场景的结构示意图。机场跑道运行方向的辅助决策系统可在管控终端91提供管理界面以进行人机交互，管控终端91连接服务器92，本发明的系统可搭载于该服务器92上，而服务器92通过网关设备93(交换机等)远程通信连接至各数据采集装置94，从而实现前述实施例中的机场跑道运行方向的决策方法。
具体的，所述服务器包括：存储器及处理器，所述存储器存储有计算机程序，该程序被处理器执行时实现所述焊接试验管控方法。
上述的处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessing，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件；上述的存储器可能包含随机存取存储器(RandomAccessMemory，简称RAM)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessing，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件；上述的存储器可能包含随机存取存储器(RandomAccessMemory，简称RAM)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
本发明实施例中还可以提供一种计算机存储介质，其存储有计算机程序，该程序被处理器执行时实现所述的机场跑道运行方向的决策方法；所述计算机存储介质包括所有形式的非易失性存储器、介质和存储器设备，包括例如：半导体存储器设备，例如EPROM、EEPROM和闪存设备；磁盘，例如内部硬盘或可移动盘；磁光盘；以及CD-ROM和DVD-ROM盘。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (4)
1.一种机场跑道运行方向的决策方法，其特征在于，包括：
获得预定时间段内机场跑道风顺风分量的定量预报值；所述预定时间段为0-24小时；
所述机场跑道风顺风分量的定量预报值根据实际顺风分量进行预报；所述实际顺风分量为跑道所处区域中跑道风的实际风速和实际风向在沿跑道长度延伸方向上直接换算出的顺风分量；
所述获得预定时间段内机场跑道风顺风分量的定量预报值包括：根据预定时间段内机场跑道风的历史数据构建出用于预测0-2小时顺风分量的第一顺风分量预报模型和用于预测2-24小时顺风分量的第二顺风分量预报模型；所述第一顺风分量预报模型基于多源实时数据采用统计方法及机器学习方法给出0-2小时的顺风分量的预测值；所述第二顺风分量预报模型基于多源实时数据采用数值模式输出及模式后处理方法给出2-24小时的顺风分量的预测值；
获取所述机场跑道风侧风分量的定量预报值，并判断所述侧风分量是否小于等于10米/秒；获得所述机场跑道风侧风分量的定量预报值包括：根据预定时间段内机场跑道风的历史数据构建出用于预测0-2小时侧风分量的第一侧风分量预报模型和用于预测2-24小时的侧风分量的第二侧风分量预报模型；所述第一侧风分量预报模型基于多源实时数据采用统计方法及机器学习方法给出0-2小时的侧风分量的预测值；所述第二侧风分量预报模型基于多源实时数据采用数值模式输出及模式后处理方法给出2-24小时的侧风分量的预测值；
判断当前跑道类型；
对于符合运行条件的跑道，确定与该跑道类型对应的顺风分量阈值；所述顺风分量阈值的确定包括：判断所述跑道的两端有无风速仪；在所述跑道的两端无所述风速仪时，所述顺风分量阈值为2.5米/秒；在所述跑道的两端有所述风速仪时，所述顺风分量阈值为3.5米/秒；
根据所述顺风分量的定量预报值与所述顺风分量阈值的比对结果输出预定时间段内是否切换跑道运行方向的建议；
在判断当前跑道类型步骤之前，还包括：根据所述跑道的预定时间段内的历史灯光数据，分析并得到跑道起降侧的季节分析结果；
在给出预定时间段内是否切换跑道运行方向的决策之前，接收机场运行数据、机场周边气象预报数据、机场管制情况信息；根据所述机场运行数据、机场周边气象预报数据、机场管制情况信息、所述季节分析结果和所述顺风分量的定量预报值与所述顺风分量阈值的比对结果综合判断并给出是否切换跑道运行方向的决策。
2.一种机场跑道运行方向的辅助决策系统，其特征在于，包括：
机场跑道风短临预报模块，用于提供预定时间段内机场跑道风顺风分量的定量预报值；所述机场跑道风顺风分量的定量预报值根据实际顺风分量进行预报；所述实际顺风分量为跑道所处区域中跑道风的实际风速和实际风向在沿跑道长度延伸方向上直接换算出的顺风分量；
所述机场跑道风短临预报模块包括：第一顺风分量预报模型，用于根据预定时间段内机场跑道风的历史数据构建出用于预测0-2小时的顺风分量；所述第一顺风分量预报模型基于多源实时数据采用统计方法及机器学习方法给出0-2小时的顺风分量的预测值；第二顺风分量预报模型，用于根据预定时间段内机场跑道风的历史数据构建出用于预测2-24小时的顺风分量；所述第二顺风分量预报模型基于多源实时数据采用数值模式输出及模式后处理方法给出2-24小时的顺风分量的预测值；第一侧风分量预报模型，用于根据预定时间段内机场跑道风的历史数据构建出用于预测0-2小时的侧风分量；所述第一侧风分量预报模型基于多源实时数据采用统计方法及机器学习方法给出0-2小时的侧风分量的预测值；第二侧风分量预报模型，用于根据预定时间段内机场跑道风的历史数据构建出用于预测2-24小时的侧风分量；所述第二侧风分量预报模型基于多源实时数据采用数值模式输出及模式后处理方法给出2-24小时的侧风分量的预测值；
判断模块，用于判断当前跑道类型；
阈值确定模块，用于为符合运行条件的跑道确定与该跑道类型对应的顺风分量阈值；所述阈值确定模块还包括：风速仪检测模块，用于判断所述跑道的两端是否设有风速仪；所述阈值确定模块的阈值确定标准为：在所述跑道的两端无所述风速仪时，所述顺风分量阈值为2.5米/秒；在所述跑道的两端有所述风速仪时，所述顺风分量阈值为3.5米/秒；
决策输出模块，用于根据所述顺风分量的定量预报值与所述顺风分量阈值的比对结果输出预定时间段内是否切换跑道运行方向的建议；所述决策输出模块输出0-24小时内是否切换跑道运行方向的建议；
季节分析模块，用于根据所述跑道的预定时间段内的历史灯光数据，分析并得出跑道起降侧的季节分析结果；与所述决策输出模块通信连接的机场运行数据收集模块、机场周边气象预报数据收集模块、机场管制情况信息收集模块；所述决策输出模块根据机场运行数据、机场周边气象预报数据、机场管制情况信息、所述季节分析结果和所述顺风分量的定量预报值与所述顺风分量阈值的比对结果综合判断并给出是否切换跑道运行方向的建议。
3.一种计算机存储介质，其特征在于，其存储有计算机程序，该程序被处理器执行时实现权利要求1和2中的其中一项所述的机场跑道运行方向的决策方法。
4.一种计算机设备，其特征在于，包括：
存储器及处理器，
所述存储器存储有计算机程序，该程序被处理器执行时实现权利要求1和2中的其中一项所述的机场跑道运行方向的决策方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010798764.5A CN111967661B (zh) | 2020-08-11 | 2020-08-11 | 机场跑道运行方向的决策方法、系统、存储介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010798764.5A CN111967661B (zh) | 2020-08-11 | 2020-08-11 | 机场跑道运行方向的决策方法、系统、存储介质和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111967661A CN111967661A (zh) | 2020-11-20 |
| CN111967661B true CN111967661B (zh) | 2024-03-15 |
Family
ID=73365456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010798764.5A Active CN111967661B (zh) | 2020-08-11 | 2020-08-11 | 机场跑道运行方向的决策方法、系统、存储介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111967661B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114384608B (zh) * | 2022-01-11 | 2024-08-06 | 中国民用航空华东地区空中交通管理局 | 一种机场沿跑道正侧风预报系统 |
| CN115755220B (zh) * | 2022-10-21 | 2023-07-25 | 中国民用航空飞行学院 | 基于数值模拟与深度学习结合的机场突风预报和订正方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000235700A (ja) * | 1998-12-18 | 2000-08-29 | Ship Res Inst Ministry Of Transport | 飛行場管制支援システム |
| CN103426331A (zh) * | 2013-08-22 | 2013-12-04 | 南京莱斯信息技术股份有限公司 | 多机场协同放行系统航班排序决策方法 |
| CN105607063A (zh) * | 2016-01-05 | 2016-05-25 | 北京无线电测量研究所 | 一种机场低空风切变探测方法及系统 |
| CN111210384A (zh) * | 2020-04-23 | 2020-05-29 | 成都科睿埃科技有限公司 | 一种适用于机场跑道场景的图像拼接方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9727825B2 (en) * | 2014-07-03 | 2017-08-08 | The Boeing Company | System and method for predicting runway risk levels using weather forecast data and displaying multiple risk indicators comprising graphical risk indicators |
| US11237299B2 (en) * | 2017-05-01 | 2022-02-01 | I.M. Systems Group, Inc. | Self-learning nowcast system for modeling, recording, and predicting convective weather |
-
2020
- 2020-08-11 CN CN202010798764.5A patent/CN111967661B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000235700A (ja) * | 1998-12-18 | 2000-08-29 | Ship Res Inst Ministry Of Transport | 飛行場管制支援システム |
| CN103426331A (zh) * | 2013-08-22 | 2013-12-04 | 南京莱斯信息技术股份有限公司 | 多机场协同放行系统航班排序决策方法 |
| CN105607063A (zh) * | 2016-01-05 | 2016-05-25 | 北京无线电测量研究所 | 一种机场低空风切变探测方法及系统 |
| CN111210384A (zh) * | 2020-04-23 | 2020-05-29 | 成都科睿埃科技有限公司 | 一种适用于机场跑道场景的图像拼接方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进神经网络的无人机起飞滑跑性能;尹文强;王亚龙;;飞机设计;20191015(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111967661A (zh) | 2020-11-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103337133B (zh) | 基于识别预报技术的电网雷暴灾害预警系统及方法 | |
| Salman et al. | Visibility forecasting using autoregressive integrated moving average (ARIMA) models | |
| CN105334551B (zh) | 基于数值天气预报模式的电网气象预测预警系统 | |
| CN111967661B (zh) | 机场跑道运行方向的决策方法、系统、存储介质和设备 | |
| CN102800029B (zh) | 一种同塔多回输电线路风险概率评估方法 | |
| CN106682774A (zh) | 一种接触网绝缘子污闪预测方法 | |
| CN112215416B (zh) | 智能规划巡检航线系统及方法 | |
| CN104182594A (zh) | 一种电力系统风区图的绘制方法 | |
| CN113592128A (zh) | 一种大数据电网运行监测系统 | |
| CN110941790A (zh) | 基于高分辨率数值的无人机低空飞行气象信息处理方法 | |
| CN112380301A (zh) | 一种人工影响天气业务信息平台 | |
| CN106651025A (zh) | 交通情况预测方法及装置 | |
| CN104951992B (zh) | 基于gis的电力-气象纵向关联方法及系统 | |
| CN106530841B (zh) | 机场延误预测方法及装置 | |
| Klüver et al. | A self-enforcing neural network as decision support system for air traffic control based on probabilistic weather forecasts | |
| CN117995027A (zh) | 一种飞行计划备降场推荐方法、系统、设备及介质 | |
| Hu et al. | Operational reliability evaluation method based on big data technology | |
| CN112926863A (zh) | 基于六大预警中心的电网灾害综合监测系统 | |
| CN115827710B (zh) | 一种气象要素多模式预报结果的筛选方法及系统 | |
| CN112257329A (zh) | 一种判定台风对线路影响的方法 | |
| CN117010664A (zh) | 一种新能源功率预测性能智能评价系统及评价方法 | |
| CN115759386B (zh) | 一种民航航班执飞结果预测方法、装置及电子设备 | |
| CN111984878A (zh) | 一种对流天气下机场终端区各进离港点流量控制方法 | |
| CN114219151B (zh) | 自适应通用航空应急救援气象保障系统 | |
| US20230316932A1 (en) | System and method for fast and reliable detection of the complexity of air sectors |
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 |