CN111968414B - 基于大数据和ai的4d轨迹预测方法、装置及电子设备 - Google Patents

基于大数据和ai的4d轨迹预测方法、装置及电子设备 Download PDF

Info

Publication number
CN111968414B
CN111968414B CN202010873580.0A CN202010873580A CN111968414B CN 111968414 B CN111968414 B CN 111968414B CN 202010873580 A CN202010873580 A CN 202010873580A CN 111968414 B CN111968414 B CN 111968414B
Authority
CN
China
Prior art keywords
flight
grid
probability
track
historical
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
Application number
CN202010873580.0A
Other languages
English (en)
Other versions
CN111968414A (zh
Inventor
欧昕
刘华章
惠文晓
彭国埕
张军
曾元军
郝育松
范丽娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Civil Aviation Air Traffic Control Science & Technology Co ltd
Second Research Institute of CAAC
Original Assignee
Chengdu Civil Aviation Air Traffic Control Science & Technology Co ltd
Second Research Institute of CAAC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Civil Aviation Air Traffic Control Science & Technology Co ltd, Second Research Institute of CAAC filed Critical Chengdu Civil Aviation Air Traffic Control Science & Technology Co ltd
Priority to CN202010873580.0A priority Critical patent/CN111968414B/zh
Publication of CN111968414A publication Critical patent/CN111968414A/zh
Application granted granted Critical
Publication of CN111968414B publication Critical patent/CN111968414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0095—Aspects of air-traffic control not provided for in the other subgroups of this main group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/0043—Traffic management of multiple aircrafts from the ground

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种基于大数据和AI的4D轨迹预测方法、装置及电子设备。方法包括：获取历史航迹数据，并根据历史航迹数据构建空域三维网格；在各个所述空域三维网格内，获取当前航班数据，并根据所述当前航班数据和历史航迹数据得到当前航班的网格预测轨迹；根据所述网格预测轨迹以及与所述网格预测轨迹中前后网格相同的轨迹的相似度概率，计算各个网格间的飞行时间；根据所述网格预测轨迹和飞行时间完成4D轨迹预测。实施本发明实施例，将空域网格化，无需机型性能数据，基于历史航迹数据进行4D轨迹预测，提高了预测准确性。

Description

基于大数据和AI的4D轨迹预测方法、装置及电子设备
技术领域
本发明涉及空中交通管制技术领域，具体涉及一种基于大数据和AI的4D轨迹预测方法、装置及电子设备。
背景技术
空中交通管制自动化系统(Air Traffic Control System以下简称ATC系统)是供空中交通管制员实时掌握空中飞行态势、实施空中交通管制的最重要技术工具。基于航迹运行(Trajectory Based Operation，TBO)是下一代ATC系统的核心运行概念之一，它是以航空器的4D轨迹为基础，在空管部门、航空公司和航空器之间共享航迹动态信息，实现飞行和管制之间的协同决策。
4D轨迹是由包含经度、纬度、高度，时间信息的航迹点连成的航空器航迹轨迹。4D轨迹预测则是通过现有的信息如空域状态、航空器电报信息、雷达数据、天气信息以及历史航迹信息等对航空器进行航迹预测，预测航空器未来一段时间的4D飞行轨迹。在空域流量管理过程中，通过精确的预测航空器的4D轨迹来预测关键航路点的过点时间和过点高度，来达到对扇区、航路点、航路段等空域的流量进行预测统计的目的，进而在此基础上进行航空器的飞行冲突检测，保障后续系统对空域流量管理操作的有效实施。
传统技术：
现有ATC系统中的4D轨迹预测方法将航迹预测与飞行计划紧密结合，并通过欧控实验中心提供常见飞机的飞行性能数据(Base of Aircraft Data，BADA)获取航空器的典型飞行速度，在此基础上对航空器的4D轨迹进行预测。传统4D轨迹预测技术方案如下：
(1)水平方向上航空器的位置变化严格按照航空器航路的飞行路线飞行，并根据航空器的机型，由BADA数据获取对应机型的典型速度，通过典型速度计算航空器未来经过航路点的过点时间。
(2)垂直方向上航空器的高度变化由爬升、巡航平飞和下降三个阶段构成，首先从起飞机场爬升至巡航高度；后在巡航高度平飞，保持高度不变；最后由目的机场逆推航空器下降点，由下降点开始下降至目的机场。其中，航空器的爬升、下降速率同样根据航空器的机型由BADA数据获取对应典型上升下降速度，算法建立飞行过程的模型高度剖面如图1所示。
传统技术具备以下缺点：
(1)传统4D轨迹预测技术对于偏离航路飞行的航空器，航迹预测不准确。
(2)传统4D轨迹预测技术在高度预测方面存在误差，航空器的爬升和下降阶段的4D轨迹预测过于理想化，并且对于航空器巡航阶段的高度变化不能够预测。
(3)传统4D轨迹预测技术在航空器转弯过程中的航迹预测存在一定误差，不能准确地反映航空器转弯时的飞行线路。
(4)传统4D轨迹预测技术在预测未来航路点过点时间存在一定的偏差，特别是预测时间较长时，误差较大。
导致上述缺点的原因是：
(1)传统4D轨迹预测技术不能考虑航空器偏离航路的飞行情形，严格按照飞行计划预测，而实际航空器飞行时并不一定严格按照航路飞行，管制根据空域情况指挥调整航空器飞行路线，也会导致航空器并不严格按照计划航路飞行。
(2)传统4D轨迹预测技术在航路垂直剖面的航迹预测模型与实际飞行偏差较大(如图1和图2所示)，实际飞行中航空器起飞爬升和降落时并不是均匀变化的，通常是分阶段爬升和下降，且不同机型的爬上下降过程也不相同，难以建立统一、准确的爬升和下降阶段的模型。
(3)传统4D轨迹预测技术在航空器转弯过程中预测按照计划航路飞行与航空器实际转弯的内切(外切)飞行路线差别较大。
(4)传统4D轨迹预测技术对于航空器的速度仅根据机型由BADA数据获取典型速度，实际飞行中航空器并不会严格按照典型速度飞行，再加之航空器飞行轨迹预测也存在误差，导致预测过点时间误差较大。
发明内容
本发明实施例的目的在于提供一种基于大数据和AI的4D轨迹预测方法、装置及电子设备。
为实现上述目的，第一方面，本发明实施例提供了一种基于大数据和AI的4D轨迹预测方法，包括：
获取历史航迹数据，并根据所述历史航迹数据构建空域三维网格；
在各个所述空域三维网格内，获取当前航班数据，并根据所述当前航班数据和历史航迹数据得到当前航班的网格预测轨迹；
根据所述网格预测轨迹以及与所述网格预测轨迹中前后网格相同的轨迹的相似度概率，计算各个网格间的飞行时间；
根据所述网格预测轨迹和飞行时间完成4D轨迹预测。
在某些具体实施例中，获取历史航迹数据之后，所述方法还包括：
采用数据仓库技术工具对所述历史航迹数据进行清洗及插值预处理，并去除异常航迹数据后存入大数据仓库。
在某些具体实施例中，所述当前航班数据包括当前航班实际飞行已经经过的N个网格、当前航班的航班属性和飞行意图高度，其中N为自然数；
根据所述当前航班数据和历史航迹数据得到当前航班的网格预测轨迹，具体包括：
由当前航班位置所处的网格开始，基于所述航班属性和飞行意图高度与历史航迹的相似程度，计算当前航班飞行邻接各网格的概率，并将概率最大的网格确定为当前航班即将飞往的下一网格，以此类推得到当前航班未来飞行经过的网格序列；
根据所述网格序列得到当前航班的网格预测轨迹。
其中，从网格i飞往网格j的概率为Pij计算方法如下:
Figure BDA0002651909890000041
其中M为从网格i飞往网格j的历史航迹数量，η为针对航迹数量的权重系数，Pijm为本航班与第m个历史航迹的相似概率，Pijm由航向相似概率Pijmr、进出交接点相似概率Pijmc、已飞过网格相似概率Pijmp、飞行高度意图相似概率Pijmh、机型相似概率Pijma和执飞时间相似概率Pijmt分别乘以一个权重系数后求和决定，对应权重系数为β0-β5。
进一步地，对应权重系数为β0-β5的计算方法如下：
根据所述历史航迹数据形成训练数据集，并根据所述训练数据集得到训练模型；
给定各个影响因素的权重系数β0-β5初值后进行航迹预测，将预测结果进行所述训练模型的损失函数计算，根据计算结果不断调整权重系数β0-β5的值，使得损失函数值达到稳定且最小，并记录此时权重系数β0-β5的取值。
第二方面，本发明实施例提供了一种基于大数据和AI的4D轨迹预测装置，包括：
构建单元，用于获取历史航迹数据，并根据所述历史航迹数据构建空域三维网格；
预测单元，用于在各个所述空域三维网格内，获取当前航班数据，并根据所述当前航班数据和历史航迹数据得到当前航班的网格预测轨迹；
计算单元，用于根据所述网格预测轨迹以及与所述网格预测轨迹中前后网格相同的轨迹的相似度概率，计算各个网格间的飞行时间；
所述预测单元还用于根据所述网格预测轨迹和飞行时间完成4D轨迹预测。
第三方面，本发明实施例还提供了一种电子设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述第一方面的方法。
实施本发明实施例，将空域网格化，无需机型性能数据，基于历史航迹数据进行4D轨迹预测，提高了预测准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1是传统航迹预测技术飞行过程高度剖面示意图；
图2是实际航空器飞行过程高度剖面示意图；
图3是本发明实施例提供的基于大数据和AI的4D轨迹预测方法的示意流程图；
图4是航迹预测网格地推过程示意图；
图5是航迹预测网格水平剖面示意图；
图6是航迹预测网格垂直剖面示意图；
图7是航向相似概率函数示意图；
图8是执飞时间相似概率函数示意图；
图9是本发明实施例提供的基于大数据和AI的4D轨迹预测装置的结构示意图；
图10是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的发明构思是提供一种新型的基于历史航迹信息，并结合大数据与AI机器学习方法的4D轨迹预测方法。采用该方法，可以：
(1)针对航路飞行阶段航空器偏离航线的情况下，做出更为准确地4D轨迹预测；
(2)在航空器起飞和降落阶段的飞行做出更为贴近实际的4D轨迹预测；
(3)提高航空器4D轨迹预测的关键航路点的过点高度和过点时间预测的准确性。
上述4D轨迹预测技术方法流程可以大致分为3个步骤：
(1)基于历史航迹构建三维空间中的4D轨迹预测网格。
(2)以空域网格为计算单元，依据预测航班与网格中历史航迹数据的相似度计算预测航班未来飞行经过的空域网格序列，从而得到预测航班的预测飞行轨迹。
(3)根据预测网格序列计算未来航路关键点的过点时间。
其中，预测航班与网格中历史航迹数据的相似度计算通过机器学习的方式自适应调整计算参数，使预测效果达到最优。
请参考图3，本发明实施例所提供的基于大数据和AI的4D轨迹预测方法包括：
S101，获取历史航迹数据，并根据历史航迹数据构建空域三维网格。
在本实施例中，将空域划分为一个个三维空间中的立体网格，通过读取历史航迹数据并对其进行预处理后可构建空域三维网格。每个网格都是三维空间的立体网格且其中包含记录各条历史航迹落在该网格中航迹点的航向信息、飞行高度意图信息、飞至该航迹点的时刻信息和该航迹的前一网格、下一网格信息等。
由于历史航迹数据量规模巨大，本实施例中选取数据仓库技术(Extract-Transform-Load，ETL)工具对历史航迹数据进行预处理，由日常记录历史航迹的系统处获取数据，经过清洗、插值等预处理，去除异常航迹数据后存入大数据仓库(如Elasticsearch，ES)供网格构建使用。
对于已经构建好的空域网格，其内的数据量同历史航迹数据一样巨大，考虑到后续学习模型和预测过程中空域网格的使用，本实施例中选取能够针对大量数据快速读取的大数据仓库如ES作为空域网格数据的存储。
由于使用数据仓库技术(Extract-Transform-Load，ETL)工具预处理历史航迹数据，并将空域网格化后的数据存在大数据仓库(如Elasticsearch)中，从而可以提高预测及学习算法对网格数据的读取速度。
S102，在各个所述空域三维网格内，获取当前航班数据，并根据所述当前航班数据和历史航迹数据得到当前航班的网格预测轨迹。
具体地，请参考图4至图6，预测航迹时以网格为路由单元，在各个网格单元中，根据当前航班实际飞行已经经过的N(可配置)个网格，和当前航班的属性(航路，机型等)，飞行意图高度(CFL，XFL，RFL等)等影响因素与历史航迹进行相似度计算，若本航班与某些历史航迹最相似，则认为本航班将沿着此类历史航迹飞往下一网格，再以下一网格为基准，计算下下一个网格，以此类推，直到航班落地或者飞出本管制区所关注的空域。
即，以空域网格为计算单元，依据预测航班与网格中历史航迹数据的相似度计算预测航班未来飞行经过的空域网格序列，从而得到预测航班的预测飞行轨迹。
进一步地，网格序列的预测是由当前航班位置所处网格开始，基于航班属性，飞行意图与历史航迹的相似程度，计算出本航班飞往邻接各网格的概率，概率最大的网格，即为其即将飞往的下一网格，逐个推算出未来飞行经过的网格序列。
从网格i飞往网格j的概率为Pij计算方法如下:
Figure BDA0002651909890000081
其中M为从网格i飞往网格j的历史航迹数量，η为针对航迹数量的权重系数(根据实际情况设置η上限)，Pijm为本航班与第m个历史航迹的相似概率，其由航向相似概率，进出交接点相似概率，已飞过网格相似概率，飞行高度意图相似概率，机型相似概率，执飞时间相似概率分别乘以一个权重系数后求和决定，概率分别记为Pijmr，Pijmc，Pijmp，Pijmh，Pijma，Pijmt，简写为Pr，Pc，Pp，Ph，Pa，Pt，对应权重系数为β0-β5。
(1)航向相似概率Pr计算方法：
取本航班所处航路段的航向角为θ，历史航迹本航路段的航向角为θh，最大允许航向角差为θMax。则Pr的计算公式为，其中f(θ-θh)为单调递减函数，其取值范围为[0,1](如图7)：
Figure BDA0002651909890000082
(2)出入境点相似概率Pc计算方法：
取当前航班的进交接点为I，出交接点为O，起飞/降落机场为A；历史航迹的进交接点为Ih，出交接点为Oh，起飞/降落机场为Ah。则Pp计算公式如下，其中Pp1，Pp2，Pp3为常数，且Pp1>Pp2>Pp3：
Figure BDA0002651909890000091
(3)已飞过网格相似概率Pp计算方法：
首先需要选定一个向后看航班已经经过的网格N的数值，然后比较得出当前航班与历史航迹前面N个网格的经过相同的网格数目n，则Pp计算公式为：
Figure BDA0002651909890000092
(4)行高度意图相似概率Ph计算方法：
取当前网格所处高度层为hbase，本航班目标飞行高度hm，历史航迹目标飞行高度hn，则Ph的计算公式如下，其中ph1，ph2，ph3均为常数，且ph1>ph2>ph3：
Figure BDA0002651909890000093
(5)机型相似概率Pa的计算方法：
已知目前实行的分类方式将飞机分为J、B、C、M、L五个类别，则可以根据机型间的差异构造机型相似度概率表，表中相似度概率(Pa1,Pa2,…,Pa9,Pa10)是常数，根据当前航班机型和历史航迹机型查表获得机型相似度概率Pa。
表1机型相似度概率表
Figure BDA0002651909890000094
(6)执飞时间相似概率Pt的计算方法：
可以通过一个与t(t为本次航班与历史航迹的执飞时间差值)相关的函数f(t)来实现，此函数应当是单调递减函数，其取值范围为[0,1]。如图8所示，当t大于等于阈值tH时，Pt为0。
Figure BDA0002651909890000101
上述各相似概率的取值常数和取值函数可在具体项目实施中灵活选择与调整，以适应各个项目现场实际需求，而各个影响因素的相似度概率相对整体相似度概率的权重系数β0-β5则通过机器学习的方式在历史航迹数据构建好的空域网格中训练得出，具体请参考下述的相似度影响因素的权重系数机器学习训练方法。
该相似度影响因素的权重系数机器学习训练方法具体过程如下：
基于前述构建的空域历史航迹数据网格和预测计算下一网格概率方法构建训练模型，训练数据集为从历史航迹数据中选取的一定数量的航迹组成的数据集合。
该训练模型的航迹预测过程(实际预测时输入输出相同)输入为：预测航班当前位置信息(经纬度、高度)、当前时刻、机型、航向、飞行高度指令相关信息，关注已经飞过网格的数目N。
输出为：从预测航班当前位置所处的空域网格开始，未来将飞行经过的空域网格序列。
假定训练数据集中有K条航迹，每条航迹预测点后实际飞过的空域网格序列为:
Figure BDA0002651909890000102
训练模型得到的预测飞过的空域网格序列为:
Figure BDA0002651909890000103
mi为航迹i飞过的空域网格数，不同航迹的mi数值不同。则该训练模型的损失函数为：
Figure BDA0002651909890000111
其中
Figure BDA0002651909890000112
上式中，D(G1,G2)为G1(x1,y1,z1)和G2(x2,y2,z2)之间的欧式距离，在空域网格计算中，对应为两网格中心之间的欧氏距离。
权重系数的训练方法为：给定各个影响因素的权重系数β0-β5初值后进行航迹预测，将结果进行损失函数计算，然后通过算法不断调整β0-β5的值，使得损失函数值达到稳定且最小，然后记录此时β0-β5的取值，即用做实际预测时的取值。
实际预测时使用训练得出的影响因素权重系数，按照训练模型中航迹预测部分的方法预测航班未来飞行经过的空域网格序列即可。
S103，根据所述网格预测轨迹以及与所述网格预测轨迹中前后网格相同的轨迹的相似度概率，计算各个网格间的飞行时间。
基于计算出航班的飞行网格轨迹(即网格预测轨迹)以及与网格轨迹中前后网格相同的航迹的相似度概率，再计算出各个网格间的飞行时间。网格间的飞行时间通过基于历史航迹与本航班飞行数据计算而来。
历史航迹的飞行时间指的是过去一段时间范围内，航班在两个网格间的飞行时间，其计算公式为：
Figure BDA0002651909890000113
上式中，N为由i网格飞往j网格的航迹总数，Pijm为当前航班与历史航迹m的相似度概率(详见，tm为历史航迹m由i网格飞往j网格的飞行时间。
综上所述，预测航班由当前网格i飞行至某网格k的飞行时间计算方法为：
Figure BDA0002651909890000114
上式中，j+1为当前航班预测航迹中网格j的下一网格，Tjj+1为网格j到网格j+1的预测飞行时间。
S104，根据所述网格预测轨迹和飞行时间完成4D轨迹预测。
从以上描述可以看出，本发明提供的4D轨迹预测方法具有以下优点：
(1)关于将空域网格化，以网格为路由，通过历史航迹进行航迹预测部分：
无需机型性能数据，可以随着飞行历史轨迹的积累，本发明可自学习不同机型的飞行轨迹，不断的完善飞行数据。历史航迹数据能够体现各管制区的指挥习惯，比如航班基于航路左右偏离飞行；绕过某些航路点飞行；某些高度层飞行等情况。本专利通过对历史航迹学习可反映出各个管制空域的指挥习惯，适应管制意图，可提高预测准确性。
(2)关于航班与历史航迹相似度概率计算及机器学习训练部分：
传统的飞行轨迹预测方案，需要针对不同机型进行复杂的飞行性能数据建模，需要大量机型数据来辅助计算，如爬升率，下降率，转弯半径等。需要人为考虑、设置全部影响航迹预测的因素。本发明以机器学习的方式通过对历史航迹数据自学习恰当的影响航迹预测的因素的对应比例系数，再结合经验数据设置基础相似度计算方法，使人为经验与机器学习都得到了使用与体现，航迹预测更加准确。
(3)关于预测航班飞行时间的计算部分：
传统的飞行轨迹预测飞行时间，由于仅使用典型速度，且航迹预测误差较大，导致时间误差较大。本发明不但提高了航迹预测的准确性，还通过加权历史航迹数据在网格间飞行时间的方式计算得出的飞行时间，更加贴近真实航班飞行时间，使预测过点时间准确性大大提高。
基于相同的发明构思，本发明实施例提供了一种基于大数据和AI的4D轨迹预测装置。如图9所示，该装置包括：
构建单元10，用于获取历史航迹数据，并根据所述历史航迹数据构建空域三维网格；
预测单元11，用于在各个所述空域三维网格内，获取当前航班数据，并根据所述当前航班数据和历史航迹数据得到当前航班的网格预测轨迹；
计算单元12，用于根据所述网格预测轨迹以及与所述网格预测轨迹中前后网格相同的轨迹的相似度概率，计算各个网格间的飞行时间；
所述预测单元11还用于根据所述网格预测轨迹和飞行时间完成4D轨迹预测。
其中，所述当前航班数据包括当前航班实际飞行已经经过的N个网格、当前航班的航班属性和飞行意图高度，其中N为自然数；所述预测单元11具体用于：
由当前航班位置所处的网格开始，基于所述航班属性和飞行意图高度与历史航迹的相似程度，计算当前航班飞行邻接各网格的概率，并将概率最大的网格确定为当前航班即将飞往的下一网格，以此类推得到当前航班未来飞行经过的网格序列；
根据所述网格序列得到当前航班的网格预测轨迹。
进一步地，所述装置还包括预处理单元，用于：
采用数据仓库技术工具对所述历史航迹数据进行清洗及插值预处理，并去除异常航迹数据后存入大数据仓库。
可选地，本发明实施例还提供了一种电子设备。如图10所示，该电子设备可以包括：一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104，上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序，所述计算机程序包括程序指令，所述处理器101被配置用于调用所述程序指令执行上述基于大数据和AI的4D轨迹预测方法实施例部分的方法。
应当理解，在本发明实施例中，所称处理器101可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备102可以包括键盘等，输出设备103可以包括显示器(LCD等)、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器，并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如，存储器104还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的基于大数据和AI的4D轨迹预测方法的实施例中所描述的实现方式，在此不再赘述。
需要说明的是，关于上述预测装置及电子设备具体的工作流程描述，请参考前述方法实施例部分，在此不再赘述。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种基于大数据和AI的4D轨迹预测方法，其特征在于，包括：
获取历史航迹数据，并根据所述历史航迹数据构建空域三维网格；
在各个所述空域三维网格内，获取当前航班数据，所述当前航班数据包括当前航班实际飞行已经经过的N个网格、当前航班的航班属性和飞行意图高度，N为自然数；
根据所述当前航班数据和历史航迹数据得到当前航班的网格预测轨迹；
根据所述网格预测轨迹以及与所述网格预测轨迹中前后网格相同的轨迹的相似度概率，计算两个网格间的飞行时间；
根据所述网格预测轨迹和飞行时间完成4D轨迹预测；
其中，根据所述当前航班数据和历史航迹数据得到当前航班的网格预测轨迹，具体包括：
由当前航班位置所处的网格开始，基于所述航班属性和飞行意图高度与历史航迹的相似度概率，计算当前航班飞往邻接各网格的概率，并将概率最大的网格确定为当前航班即将飞往的下一网格，以此类推得到当前航班未来飞行经过的网格序列；
根据所述网格序列得到当前航班的网格预测轨迹；
其中，从网格i飞往与其相邻的网格j的概率为Pij计算方法如下:
Figure FDA0003702433420000011
其中M为从网格i飞往网格j的历史航迹数量，η为针对航迹数量的权重系数，Pijm为本航班与第m个历史航迹的相似概率，Pijm由航向相似概率Pijmr、已飞过网格相似概率Pijmp、进出交接点相似概率Pijmc、飞行意图高度相似概率Pijmh、机型相似概率Pijma和执飞时间相似概率Pijmt分别乘以一个权重系数后求和决定，对应权重系数为β0-β5，该权重系数为β0-β5通过机器学习的方式在历史航迹数据构建好的空域网格中训练得出；
上述相似概率Pijmr、Pijmc、Pijmp、Pijmh、Pijma和Pijmt分别记为Pr、Pc、Pp、Ph、Pa和Pt；
(1)航向相似概率Pr计算方法：
取本航班所处航路段的航向角为θ，历史航迹本航路段的航向角为θh，最大允许航向角差为θMax；则Pr的计算公式为，其中f(θ-θh)为单调递减函数，其取值范围为[0，1]，
Figure FDA0003702433420000021
(2)进出交接点相似概率Pc计算方法：
取当前航班的进交接点为I，出交接点为O，起飞/降落机场为A；历史航迹的进交接点为Ih，出交接点为Oh，起飞/降落机场为Ah；则Pc计算公式如下，其中Pc1，Pc2，Pc3为常数，且Pc1＞Pc2＞Pc3：
Figure FDA0003702433420000022
(3)已飞过网格相似概率Pp计算方法：
首先选定一个向后看航班已经经过的网格的数值N，然后比较得出当前航班与历史航迹前面N个网格的经过相同的网格数目n，则Pp计算公式为：
Figure FDA0003702433420000031
(4)飞行意图高度相似概率Ph计算方法：
取当前网格所处高度层为hbase，本航班目标飞行高度hm，历史航迹目标飞行高度hn，则Ph的计算公式如下，其中ph1，ph2，ph3均为常数，且ph1＞ph2＞ph3：
Figure FDA0003702433420000032
(5)机型相似概率Pa的计算方法：
将飞机分为J、B、C、M、L五个类别，则根据机型间的差异构造机型相似度概率表，表中相似度概率Pa1，Pa2，...，Pa9，Pa10是常数，根据当前航班机型和历史航迹机型查表获得机型相似度概率Pa；
Figure FDA0003702433420000033
表1机型相似度概率表
(6)执飞时间相似概率Pt的计算方法：
通过一个与t相关的函数f(t)来实现，此函数是单调递减函数，其取值范围为[0，1]，t为本次航班与历史航迹的执飞时间差值；当t大于等于阈值tH时，Pt为0；
Figure FDA0003702433420000041
其中，根据所述网格预测轨迹以及与所述网格预测轨迹中前后网格相同的轨迹的相似度概率，计算两个网格间的飞行时间，具体为：
历史航迹的飞行时间指的是过去一段时间范围内，航班在两个网格间的飞行时间，其计算公式为：
Figure FDA0003702433420000042
上式中，N为由i网格飞往j网格的航迹总数，Pijm为当前航班与历史航迹m的相似度概率；tm为历史航迹m由i网格飞往j网格的飞行时间；
则预测航班由当前网格i飞行至某网格k的飞行时间计算方法为：
Figure FDA0003702433420000043
上式中，j+1为当前航班预测航迹中网格j的下一网格，Tjj+1为网格j到网格j+1的预测飞行时间。
2.如权利要求1所述的方法，其特征在于，获取历史航迹数据之后，所述方法还包括：
采用数据仓库技术工具对所述历史航迹数据进行清洗及插值预处理，去除异常航迹数据后存入大数据仓库。
3.如权利要求1所述的方法，其特征在于，对应权重系数为β0-β5的计算方法如下：
根据所述历史航迹数据形成训练数据集，并根据所述训练数据集得到训练模型；
给定各个影响因素的权重系数β0-β5初值后进行航迹预测，将预测结果进行所述训练模型的损失函数计算，根据计算结果不断调整权重系数β0-β5的值，使得损失函数值达到稳定且最小，并记录此时权重系数β0-β5的取值。
4.一种基于大数据和AI的4D轨迹预测装置，其特征在于，包括：
构建单元，用于获取历史航迹数据，并根据所述历史航迹数据构建空域三维网格；
预测单元，用于在各个所述空域三维网格内，获取当前航班数据，并根据所述当前航班数据和历史航迹数据得到当前航班的网格预测轨迹；所述当前航班数据包括当前航班实际飞行已经经过的N个网格、当前航班的航班属性和飞行意图高度，N为自然数；
计算单元，用于根据所述网格预测轨迹以及与所述网格预测轨迹中前后网格相同的轨迹的相似度概率，计算两个网格间的飞行时间；
所述预测单元还用于根据所述网格预测轨迹和飞行时间完成4D轨迹预测；
所述预测单元具体用于：
由当前航班位置所处的网格开始，基于所述航班属性和飞行意图高度与历史航迹的相似度概率，计算当前航班飞往邻接各网格的概率，并将概率最大的网格确定为当前航班即将飞往的下一网格，以此类推得到当前航班未来飞行经过的网格序列；
根据所述网格序列得到当前航班的网格预测轨迹；
其中，从网格i飞往与其相邻的网格j的概率为Pij计算方法如下：
Figure FDA0003702433420000061
其中M为从网格i飞往网格j的历史航迹数量，η为针对航迹数量的权重系数，Pijm为本航班与第m个历史航迹的相似概率，Pijm由航向相似概率Pijmr、已飞过网格相似概率Pijmp、进出交接点相似概率Pijmc、飞行意图高度相似概率Pijmh、机型相似概率Pijma和执飞时间相似概率Pijmt分别乘以一个权重系数后求和决定，对应权重系数为β0-β5，该权重系数为β0-β5通过机器学习的方式在历史航迹数据构建好的空域网格中训练得出；
上述相似概率Pijmr、Pijmc、Pijmp、Pijmh、Pijma和Pijmt分别记为Pr、Pc、Pp、Ph、Pa和Pt；
(1)航向相似概率Pr计算方法：
取本航班所处航路段的航向角为θ，历史航迹本航路段的航向角为θh，最大允许航向角差为θMax；则Pr的计算公式为，其中f(θ-θh)为单调递减函数，其取值范围为[0，1]，
Figure FDA0003702433420000062
(2)进出交接点相似概率Pc计算方法：
取当前航班的进交接点为I，出交接点为O，起飞/降落机场为A；历史航迹的进交接点为Ih，出交接点为Oh，起飞/降落机场为Ah；则Pc计算公式如下，其中Pc1，Pc2，Pc3为常数，且Pc1＞Pc2＞Pc3：
Figure FDA0003702433420000071
(3)已飞过网格相似概率Pp计算方法：
首先选定一个向后看航班已经经过的网格的数值N，然后比较得出当前航班与历史航迹前面N个网格的经过相同的网格数目n，则Pp计算公式为：
Figure FDA0003702433420000072
(4)飞行意图高度相似概率Ph计算方法：
取当前网格所处高度层为hbase，本航班目标飞行高度hm，历史航迹目标飞行高度hn，则Ph的计算公式如下，其中ph1，ph2，ph3均为常数，且ph1＞ph2＞ph3：
Figure FDA0003702433420000073
(5)机型相似概率Pa的计算方法：
将飞机分为J、B、C、M、L五个类别，则根据机型间的差异构造机型相似度概率表，表中相似度概率Pa1，Pa2，...，Pa9，Pa10是常数，根据当前航班机型和历史航迹机型查表获得机型相似度概率Pa；
Figure FDA0003702433420000081
表1机型相似度概率表
(6)执飞时间相似概率Pt的计算方法：
通过一个以时间t为参数相关的函数f(t)来实现，此函数是单调递减函数，其取值范围为[0，1]，t为本次航班与历史航迹的执飞时间差值；当t大于等于阈值tH时，Pt为0；
Figure FDA0003702433420000082
其中，根据所述网格预测轨迹以及与所述网格预测轨迹中前后网格相同的轨迹的相似度概率，计算两个网格间的飞行时间，具体为：
历史航迹的飞行时间指的是过去一段时间范围内，航班在两个网格间的飞行时间，其计算公式为：
Figure FDA0003702433420000083
上式中，N为由i网格飞往j网格的航迹总数，Pijm为当前航班与历史航迹m的相似度概率；tm为历史航迹m由i网格飞往j网格的飞行时间；
则预测航班由当前网格i飞行至某网格k的飞行时间计算方法为：
Figure FDA0003702433420000084
上式中，j+1为当前航班预测航迹中网格j的下一网格，Tjj+1为网格j到网格j+1的预测飞行时间。
5.如权利要求4所述的装置，其特征在于，所述装置还包括预处理单元，用于：
采用数据仓库技术工具对所述历史航迹数据进行清洗及插值预处理，并去除异常航迹数据后存入大数据仓库。
6.一种电子设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-3任一项所述的方法。
CN202010873580.0A 2020-08-26 2020-08-26 基于大数据和ai的4d轨迹预测方法、装置及电子设备 Active CN111968414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010873580.0A CN111968414B (zh) 2020-08-26 2020-08-26 基于大数据和ai的4d轨迹预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010873580.0A CN111968414B (zh) 2020-08-26 2020-08-26 基于大数据和ai的4d轨迹预测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111968414A CN111968414A (zh) 2020-11-20
CN111968414B true CN111968414B (zh) 2022-08-05

Family

ID=73391354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010873580.0A Active CN111968414B (zh) 2020-08-26 2020-08-26 基于大数据和ai的4d轨迹预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111968414B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598767B (zh) * 2020-12-29 2024-05-10 厦门市美亚柏科信息股份有限公司 基于时空大数据的轨迹行为分析方法、终端设备及存储介质
CN112327888B (zh) * 2021-01-07 2021-03-30 中智行科技有限公司 路径规划方法、装置、电子设备和存储介质
CN112882488B (zh) * 2021-01-11 2022-08-05 成都民航空管科技发展有限公司 航空器4d轨迹预测方法及装置
CN113240212B (zh) * 2021-07-09 2021-09-28 中航信移动科技有限公司 生成航班飞行轨迹的数据处理方法、电子设备和介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2503530A2 (en) * 2011-03-23 2012-09-26 GE Aviation Systems LLC Method and system for aerial vehicle trajectory management
CN104008674A (zh) * 2014-06-16 2014-08-27 中国民航大学 一种基于模式匹配的终端区进场飞行时间预测方法
CN105205565A (zh) * 2015-09-30 2015-12-30 成都民航空管科技发展有限公司 一种基于多重回归模型的管制员工作负荷预测方法和系统
CN105469645A (zh) * 2014-09-30 2016-04-06 波音公司 飞行目标通信系统
CN106297419A (zh) * 2015-01-07 2017-01-04 江苏理工学院 一种基于4d的航空器轨迹预测方法
CN106846919A (zh) * 2017-01-16 2017-06-13 南京航空航天大学 一种基于ads‑b信息更新的四维航迹动态预测方法
WO2017109231A1 (en) * 2015-12-23 2017-06-29 Swiss Reinsurance Company Ltd. Flight trajectory prediction system and flight trajectory-borne automated delay risk transfer system and corresponding method thereof
CN109493644A (zh) * 2018-11-16 2019-03-19 四川大学 一种基于历史航迹数据挖掘的四维航迹推测方法
CN110334839A (zh) * 2019-04-15 2019-10-15 北京航空航天大学 航班延误预测方法、装置、设备及存储介质
CN110930770A (zh) * 2019-11-06 2020-03-27 南京莱斯信息技术股份有限公司 一种基于管制意图和飞机性能模型的四维航迹预测方法
CN111583724A (zh) * 2020-05-08 2020-08-25 中国电子科技集团公司第二十八研究所 一种面向四维航迹运行的预战术阶段间隔管理方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8977482B2 (en) * 2011-09-28 2015-03-10 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Method and apparatus for generating flight-optimizing trajectories
US9417070B1 (en) * 2013-04-01 2016-08-16 Nextgen Aerosciences, Inc. Systems and methods for continuous replanning of vehicle trajectories
US10643480B2 (en) * 2016-04-19 2020-05-05 George Mason University Method and apparatus for probabilistic alerting of aircraft unstabilized approaches using big data
CN109218985B (zh) * 2018-08-08 2020-09-22 上海中交水运设计研究有限公司 一种基于模式相似度的船舶作业行为异常检测方法及系统
CN111209457B (zh) * 2019-12-24 2020-09-18 中国科学院电子学研究所苏州研究院 一种目标典型活动模式偏离告警方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2503530A2 (en) * 2011-03-23 2012-09-26 GE Aviation Systems LLC Method and system for aerial vehicle trajectory management
CN104008674A (zh) * 2014-06-16 2014-08-27 中国民航大学 一种基于模式匹配的终端区进场飞行时间预测方法
CN105469645A (zh) * 2014-09-30 2016-04-06 波音公司 飞行目标通信系统
CN106297419A (zh) * 2015-01-07 2017-01-04 江苏理工学院 一种基于4d的航空器轨迹预测方法
CN105205565A (zh) * 2015-09-30 2015-12-30 成都民航空管科技发展有限公司 一种基于多重回归模型的管制员工作负荷预测方法和系统
WO2017109231A1 (en) * 2015-12-23 2017-06-29 Swiss Reinsurance Company Ltd. Flight trajectory prediction system and flight trajectory-borne automated delay risk transfer system and corresponding method thereof
CN108475382A (zh) * 2015-12-23 2018-08-31 瑞士再保险有限公司 航班轨迹预测系统和航班轨迹承载自动化延误风险转移系统及其对应方法
CN106846919A (zh) * 2017-01-16 2017-06-13 南京航空航天大学 一种基于ads‑b信息更新的四维航迹动态预测方法
CN109493644A (zh) * 2018-11-16 2019-03-19 四川大学 一种基于历史航迹数据挖掘的四维航迹推测方法
CN110334839A (zh) * 2019-04-15 2019-10-15 北京航空航天大学 航班延误预测方法、装置、设备及存储介质
CN110930770A (zh) * 2019-11-06 2020-03-27 南京莱斯信息技术股份有限公司 一种基于管制意图和飞机性能模型的四维航迹预测方法
CN111583724A (zh) * 2020-05-08 2020-08-25 中国电子科技集团公司第二十八研究所 一种面向四维航迹运行的预战术阶段间隔管理方法

Non-Patent Citations (16)

* Cited by examiner, † Cited by third party
Title
4D轨迹预测应用系统关键技术研究;靳学梅等;《指挥信息系统与技术》;20101231;37-40+54 *
A 4D grid based approach for efficient conflict detection in large-scale multi-UAV scenarios;José Joaquín Acevedo等;《2019 Workshop on Research, Education and Development of Unmanned Aerial Systems (RED UAS)》;20200217;18-23 *
Aircraft Trajectory Prediction Made Easy with Predictive Analytics;Ayhan，S等;《International Conference On Knowledge Discovery And Data Mining》;20161231;21-30 *
Generating nominal flight profile for air traffic control system based on AMDAR data;Xinmin Tang等;《17th International IEEE Conference on Intelligent Transportation Systems (ITSC)》;20141120;2644-2649 *
初始飞行计划4D航迹生成及仿真系统研究;卢奕羽;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20150115(第01期);C031-250 *
基于ADS-B的4D航迹预测及应用;杨东玲;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20180115;C031-344 *
基于历史轨迹集的四维轨迹预测方法;宋雷亮;《计算机技术与发展》;20121210(第12期);11-14+20 *
基于多源数据融合的4D航迹规划技术研究;顾俊伟;《万方学术》;20170814;全文 *
基于数据分析与集成学习的4D航迹预测;王峥一;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20200215(第02期);C031-1498 *
基于数据挖掘的4D航迹预测方法研究;高永胜;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20200215;C031-1479 *
基于数据挖掘的四维航迹精密预测方法研究;马勇;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20170315(第03期);C031-1891 *
基于数据挖掘的四维飞行轨迹预测模型;吴鹍等;《计算机应用》;20071115(第11期);2637-2639 *
基于机器学习的航班四维轨迹预测;王凯等;《电子技术与软件工程》;20200131;177-179 *
基于谱聚类的终端区飞行轨迹分析;马勇等;《航空计算技术》;20150531;第45卷(第05期);46-50 *
基于高斯混合-时间序列模型的轨迹预测;高建等;《计算机应用》;20190319;第39卷(第08期);2261-2270 *
雷达航迹与飞行计划自动相关的ETA和FMEA分析;李锐等;《控制工程》;20170630;第24卷(第06期);1277-1281 *

Also Published As

Publication number Publication date
CN111968414A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN111968414B (zh) 基于大数据和ai的4d轨迹预测方法、装置及电子设备
Wang et al. A hybrid machine learning model for short-term estimated time of arrival prediction in terminal manoeuvring area
CN112116830B (zh) 一种基于空域网格化的无人机动态地理围栏规划方法
EP3671696B1 (en) System and method to forecast flight delay based on real-time data
EP2947637B1 (en) Method of predicting with high accuracy a descent trajectory described by means of the aircraft intent description language (AIDL)
US11081012B2 (en) Electronic device and method for optimizing vertical profile for cruise phase of flight
CN111292562A (zh) 一种航空流量预测方法
CN113682318B (zh) 车辆行驶控制方法及装置
Choi et al. Artificial neural network models for airport capacity prediction
US11120698B2 (en) System and method for determining the runway configuration of an airport
CN110570693A (zh) 一种基于可靠性的航班运行时间预测方法
CN114254840A (zh) 一种数据处理方法、电子设备及存储介质
CN112862171A (zh) 一种基于时空神经网络的航班到达时间预测方法
CN113657814A (zh) 一种航空网络风险预测方法及风险等级评估方法
CN113706931B (zh) 空域的流控策略推荐方法、装置、电子设备及存储介质
CN115310732B (zh) 航班延误预测方法及系统
CN111522335B (zh) 基于改进粒子群算法的机器人路径优化方法及系统
Gekht et al. Tactical re-planning within the 4D contracts ATC concept
CN109979244B (zh) 异质飞行器空域拥堵的预测方法和装置
Rosenow et al. Multiple Aircraft in a multi-criteria Trajectory Optimization
CN109686127B (zh) 一种判断航空器在航段内拥堵位置和拥堵程度的方法
CN111160594A (zh) 一种到达时间的预估方法、装置及存储介质
CN112348225B (zh) 航迹预测方法、电子设备、非瞬时性计算机可读存储介质
Chen Flight conflict detection and resolution based on neural network
CN115630772B (zh) 综合能源检测配电方法、系统、设备及存储介质

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