CN112036679A - 一种航空网络风险评估方法 - Google Patents

一种航空网络风险评估方法 Download PDF

Info

Publication number
CN112036679A
CN112036679A CN202010591348.8A CN202010591348A CN112036679A CN 112036679 A CN112036679 A CN 112036679A CN 202010591348 A CN202010591348 A CN 202010591348A CN 112036679 A CN112036679 A CN 112036679A
Authority
CN
China
Prior art keywords
risk
airport
time interval
airspace
airports
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.)
Pending
Application number
CN202010591348.8A
Other languages
English (en)
Inventor
管祥民
吕人力
于一
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.)
Zhejiang Jiande General Aviation Research Institute
Civil Aviation Management Institute Of China
Original Assignee
Zhejiang Jiande General Aviation Research Institute
Civil Aviation Management Institute Of China
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 Zhejiang Jiande General Aviation Research Institute, Civil Aviation Management Institute Of China filed Critical Zhejiang Jiande General Aviation Research Institute
Priority to CN202010591348.8A priority Critical patent/CN112036679A/zh
Publication of CN112036679A publication Critical patent/CN112036679A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • 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
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

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

Abstract

本发明公开了一种航空网络风险评估方法。该方法在单个机场风险的基础上，研究由于风险级联带来的更为严重的空域风险，进行面向空域的风险评估，有利于对空域整体运行态势的把控。另一方面，选取机场饱和度及航班延误此类潜在安全风险作为评估因素，从预战术阶段造成航空网络风险的因素出发，将风险评估和做出调整措施的时间点提前，不使其发展成碰撞等重大飞行事故，减少了战术层面高危操作。同时，航班延误及机场饱和度是动态的，使得基于延误和拥堵的航空网络安全风险评估是动态的，整个航空网络的各个空域的风险等级评估更加可靠。

Description

一种航空网络风险评估方法
技术领域
本发明涉及一种航空网络风险评估方法，属于民航风险评估技术领域。
背景技术
随着我国航空运输业的发展，航班需求量的日益增加将给已经难以应对当前需求的航空网络带来巨大压力。由于有限空域内飞机数量的大量增加，导致航空网络的延误和拥堵将进一步恶化。航空网络的延误和拥堵是民航安全管理中的重要潜在风险，若航空网络存在潜在安全风险且其处于高风险状态，则对民航安全构成重大威胁，可能会导致民航安全水平的波动，甚至使民航形势更加恶化。
针对航空网络风险评估问题，现有研究对航空网络风险的评估通常集中在航空公司维修政策、人为错误、飞机操作等方面。主要从事故和安全指标着手，评估飞机飞行事故的主要原因及概率，或者致力于调查人为因素导致的事故并建立因果模型，此类研究强调分析过去飞行事故前兆并探讨纠正措施以防止未来的错误。通过飞行事故前兆进行风险评估存在较大弊端，飞行事故一旦发生就是最高级别的风险，进行此类风险评估，调整策略只能针对战术层面，操作难度较大，反应时间短。
此外，航空网络是一个庞大的复杂系统，飞行事故发生概率小，影响因素多，现有影响因素的选取基于低概率事件且常依赖于专家意见，具有一定的主观性。
发明内容
本发明所要解决的技术问题在于提供一种航空网络风险评估方法。
为了实现上述目的，本发明采用下述的技术方案：
一种航空网络风险评估方法，包括如下步骤：
获取航空网络中每个机场的相应风险时间序列，并根据给定的机场风险量化系数阈值划分出每个时间区间对应的风险机场集和非风险机场集；其中，每个机场的相应风险时间序列包括所述每个机场在特定时间段内所有时间区间的相应风险量化系数；
根据某个时间区间对应的风险机场集及机场间航线连接关系，得到航空网络在该时间区间内的风险机场地理集群；
根据空域范围切割某个时间区间内的风险机场地理集群，得到该时间区间内每个空域中的风险机场集群；
根据某个时间区间内每个空域中的风险机场地理集群和机场的风险量化系数，得到所述每个空域在该时间区间内的空域风险量化值后，进行空域风险评级。
其中较优地，获取航空网络中所述每个机场的相应风险时间序列，并根据给定的所述机场风险量化系数阈值划分出每个时间区间对应的风险机场集和非风险机场集，包括如下步骤：
获取所述每个机场在特定时间段内所有时间区间的平均起飞延误时间与机场饱和度；
对所有机场在某个时间区间的所述平均起飞延误时间和所述机场饱和度分别进行数据归一化处理后，再进行聚类，得到m个起飞延误区间和饱和度区间以及m－1个起飞延误时间分界值和机场饱和度分界值，m为正整数；
将所述每个机场在某个时间区间内的所述平均起飞延误时间和所述机场饱和度对应到相应的起飞延误区间和饱和度区间中，并通过相应的基于高斯核函数的映射函数，分别映射成相应的延误权值向量与饱和度权值向量；
根据每个机场在所有时间区间内的所述延误权值向量与所述饱和度权值向量，得到所述每个机场在所有时间区间内的风险量化系数，形成每个机场的相应风险时间序列；
根据给定的机场风险量化系数阈值划分出每个时间区间对应的风险机场集和非风险机场集。
其中较优地，所述每个机场在特定时间段内所有时间区间的所述平均起飞延误时间根据如下公式得到：
Figure BDA0002556272550000021
其中，di(t)为t到t+1时间区间内的i机场的平均起飞延误时间，Di(t)为t到t+1时间区间内i机场的总起飞延误时间；Ci(t)为t到t+1时间区间内i机场的取消航班数量；3为取消航班的等价起飞延误时间；Pi(t)为t到t+1时间区间内i机场的计划起飞航班总数；t为正整数，表示第t个时间区间。
其中较优地，所述每个机场在特定时间段内所有时间区间的所述机场饱和度为：t到t+1时间区间内i机场的进港流量与进入i机场的飞机架次的比值。
其中较优地，所述每个机场在某个时间区间内的所述延误权值向量表示为：
Figure BDA0002556272550000031
其中，Wd(i,t)为i机场在t到t+1时间区间内的延误权值向量，di(t)为i机场在t到t+1时间区间内的平均起飞延误时间，k为t到t+1时间区间内起飞延误区间标号,j为位于当前起飞延误区间k之前的所有起飞延误区间；n是聚类得到的t到t+1时间区间内的起飞延误区间数量；
Figure BDA0002556272550000032
其中，Ws(i，t)为i机场在t到t+1时间段内的饱和度权值向量；si(t)分别为i机场在t到t+1时间段内的饱和度值，h为t到t+1时间区间内起饱和度区间标号,v为位于当前饱和度区间h之前的所有饱和度区间；n是聚类得到的t到t+1时间区间内的饱和度区间数量。
其中较优地，所述每个机场在特定时间段内所有时间区间的相应风险量化系数为所述机场在相应的时间区间内的延误权值向量与饱和度权值向量合成的二维平面向量的模。
其中较优地，所述航空网络在某个时间区间内的风险机场地理集群的形成过程，包括如下步骤：
在某个时间区间的风险机场集中随机选取一个风险机场，作为一个风险机场地理集群的起始机场，并确定出所述起始机场在该时间区间内的相关机场；
查看所选取的风险机场的相关机场是否为风险机场，若是则并入所选取的时间区间的风险机场地理集群中，反之则定义为隔离机场；
分别查看每一次并入到风险机场地理集群中的风险机场的相关机场是否为风险机场，若是则并入到风险机场地理集群中，直到新并入到风险机场地理集群中的所有风险机场的相关机场全部为隔离机场时，得到所选取的时间区间一个风险机场地理集群；
将所选取的时间区间的风险机场集中不属于已确定的风险机场地理集群的风险机场，继续作为下一个风险机场地理集群的起始机场，并确认其相关机场并判断所述相关机场是否为危险机场，直到将风险机场集中可以形成风险机场地理集群的机场全部并入相应的风险机场地理集群中。
其中较优地，根据所述某个时间区间内每个空域中的风险机场地理集群，得到所述每个空域在所述时间区间内的空域风险量化值后，进行空域风险评级的过程，包括如下步骤：
根据某个时间区间内所述每个空域中的风险机场地理集群，得到所述每个空域在该时间区间的机场风险及级联风险；
根据某个时间区间内的所述每个空域的所述级联风险及所述机场风险，得到所述每个空域的空域风险量化值；
获得某个时间区间内的空域风险阈值，并划分出空域风险等级；
根据某个时间区间的所述空域风险等级，对该时间区间的所述每个空域进行风险评级。
其中较优地，所述每个空域在某个时间区间的机场风险由每个空域内的风险机场的风险量化系数值求加权平均得到；
所述每个空域在某个时间区间的所述级联风险，根据如下公式得到：
Figure BDA0002556272550000041
其中，Rl(w，t)为某个空域w在t到t+1时间区间的级联风险，lj(w，t)(j＝0，...，qw)为空域w中第j个风险机场地理集群中的风险机场数，mw为空域w内的机场总数，qw为空域w内的风险机场地理集群的数量。
其中较优地，某个空域在某个时间区间内的空域风险量化值，根据如下公式得到。
Figure BDA0002556272550000051
其中，α＝mw/s，为空域w的机场密集程度，mw为空域w内的机场总数,s为整个航空网络的机场总数，β＝2*uw/s(s-1),为空域w的航线密集程度，uw为空域w的航线总数，Rc(w，t)为某个空域w在t到t+1时间区间的机场风险，Rl(w，t)为空域w在t到t+1时间区间的级联风险。
其中较优地，获得某个时间区间内的所述空域风险阈值的过程为：
分别获得某个时间区间内的机场风险阈值以及空域级联风险阈值；
根据某个时间区间内的所述机场风险阈值以及所述空域级联风险阈值，得到该时间区间的空域风险阈值，并划分出空域风险等级。
其中较优地，获得某个时间区间内的机场风险阈值的过程为：
分别获得某个时间区间内的所述平均起飞延误时间阈值和所述机场饱和度阈值；
将某个时间区间内的所述平均起飞延误时间阈值和所述机场饱和度阈值对应到相应的起飞延误区间和饱和度区间中，并通过相应的基于高斯核函数的映射函数，分别映射成相应的延误权值阈值向量与饱和度权值阈值向量；
根据某个时间区间内的所述延误权值阈值向量及饱和所述权值阈值向量，得到该时间区间内的机场风险阈值；
获得某个时间区间内的所述空域级联风险阈值时，先获得每个空域在过去预设时间内不同时间区间的空域级联风险值集后，进行聚类，得到某个时间区间的所述空域级联风险阈值。
本发明所提供的航空网络风险评估方法相对于现有技术，具有以下优势：
1.在单个机场风险的基础上，研究由于风险级联带来的更为严重的空域风险，进行面向空域的风险评估，有利于对空域整体运行态势的把控。
2.选取机场饱和度及航班延误此类潜在安全风险作为评估因素，从预战术阶段造成航空网络风险的因素出发，将风险评估和做出调整措施的时间点提前，不使其发展成碰撞等重大飞行事故，减少了战术层面高危操作。
3.航班延误及机场饱和度是动态的，使得基于延误和拥堵的航空网络安全风险评估是动态的，使得整个航空网络的各个空域的风险等级评估更加可靠。
附图说明
图1为本发明提供的航空网络风险评估方法的流程简图；
图2为本发明提供的航空网络风险评估方法的流程详图；
图3为本发明提供的航空网络风险评估方法中，某一个风险机场地理集群演化图；
图4为本发明提供的航空网络风险评估方法中，飞行情报区及机场分布图；
图5为本发明提供的航空网络风险评估方法中，空域风险等级划分图。
具体实施方式
下面结合附图和具体实施例对本发明的技术内容做进一步的详细说明。
随着航空运输业的发展，由主要矛盾引起的航空网络拥堵和延误的形势会更加严峻，由其本身及传播带来的潜在风险将成为威胁航空网络安全性的重大风险。而现有航空网络风险评估方法很少从延误和拥堵造成的潜在安全风险入手，且针对航空网络延误及拥堵现象，更多的是单独研究延误拥堵及其波及效应，多着眼于单个机场或航班，既没有将波及现象上升到空域角度研究，也很少利用延误和拥堵来量化风险。
另一方面，航空网络中机场是由高度互联的机场集群组成的，机场之间因大量航班存在多种资源的关联，单个机场的延误和拥堵造成的潜在安全风险会在多个相关机场之间进行传播，从而造成一定空域范围内大规模的延误和拥堵，甚至导致机场网络大面积瘫痪，成为系统级的风险，加重空中交通系统运行负荷，并增加安全隐患和飞行冲突。
为了克服上述缺陷，如图1所示，本发明提供一种航空网络风险评估方法，主要包括如下步骤：
步骤S1：获取航空网络中每个机场的相应风险时间序列，并根据给定的机场风险量化系数阈值划分出每个时间区间对应的风险机场集和非风险机场集；其中，每个机场的相应风险时间序列包括每个机场在特定时间段内所有时间区间的相应风险量化系数。
步骤S2：根据某个时间区间对应的风险机场集及机场间航线连接关系，得到航空网络在该时间区间内的风险机场地理集群。
步骤S3：根据空域范围切割某个时间区间内的风险机场地理集群，得到某个时间区间内每个空域中的风险机场地理集群。
步骤S4:根据某个时间区间内每个空域中的风险机场地理集群和机场的风险量化系数，得到每个空域在该时间区间内的空域风险量化值后，进行空域风险评级。
为了使本领域技术人员更好地了解本发明，下面结合具体实施例来对本发明的实施方式进行说明。如图2所示，本发明实施例提供一种航空网络风险评估方法，具体包括如下步骤：
步骤100：获取每个机场在特定时间段内所有时间区间的平均起飞延误时间与机场饱和度。
根据从民航局、空管数据公司或旅游网站获取的航空网络中所有机场的历史航班时刻表数据，以及如下公式(1)、(2)，得到每个机场在特定时间段内所有时间区间的平均起飞延误时间与机场饱和度。其中，特定时间段内所有时间区间根据实际需求设定，例如可以选取某一天作为特定时间段，在某一天时间段内，以1小时为一个时间区间，那么该天特定时间段内可以分成24个时间区间，即每1小时计算一次航空网络中所有机场的平均起飞延误时间与机场饱和度。还可以选取将1个小时作为特定时间段，在该特定时间段内，以5分钟为一个时间区间，那么该特定时间段内可以分成12个时间区间，即每5分钟计算一次航空网络中所有机场的平均起飞延误时间与机场饱和度。因此，根据实际需要设定特定时间段及所有时间区间即可，在此不再一一赘述。
Figure BDA0002556272550000081
其中，di(t)为t到t+1时间区间内的i机场的平均起飞延误时间，Di(t)为t到t+1时间区间内i机场的总起飞延误时间；Ci(t)为t到t+1时间区间内i机场的取消航班数量；3为取消航班的等价起飞延误时间，即每取消一次航班，该航班相当于起飞延误3小时；Pi(t)为t到t+1时间区间内i机场的计划起飞航班总数；t为正整数，表示第t个时间区间。
具体地说，在计算t到t+1时间区间内i机场的平均起飞延误时间时，需要从获取的航空网络中所有机场的历史航班时刻表数据中，调取t到t+1时间区间内i机场的历史航班时刻表数据，该历史航班时刻表数据包括有i机场中所有飞机的实际起飞时间和计划计划起飞时间，取消航班数量和计划起飞航班总数。其中，根据t到t+1时间区间内，i机场中所有飞机的实际起飞时间和计划计划起飞时间，可以计算出i机场的总起飞延误时间。
Figure BDA0002556272550000082
其中，si(t)就是t到t+1时间区间内i机场的饱和度；Qi(t)为t到t+1时间区间内i机场的进港流量，即t到t+1时间区间内进入i机场的飞机架次；Ei(t)为t到t+1时间区间内i机场的机场容量，即t到t+1时间区间内i机场所能承受的最大的进入该机场降落的飞机架次；t为正整数，表示第t个时间区间。
步骤S101：对所有机场在某个时间区间的平均起飞延误时间和机场饱和度分别进行数据归一化处理后，再进行聚类，得到m个起飞延误区间和饱和度区间以及m－1个起飞延误时间分界值和机场饱和度分界值，m为正整数。
具体地说，以根据每个机场在t到t+1时间区间内的平均起飞延误时间和机场饱和度，获得4个起飞延误区间和饱和度区间和3个起飞延误时间分界值和机场饱和度分界值为例，对所有机场在t到t+1时间区间内的平均起飞延误时间和机场饱和度分别进行数据归一化处理后，再进行聚类处理，分别得到4个起飞延误区间([0,λd，1],[λd，1,λd，2],[λd，2,λd，3],[λd，3,max(di(t))])与3个起飞延误时间分界值(λd，1,λd，2,λd，33)，4个饱和度区间([0,λs，1,],[λs，1,,λs，2],[λs，2,λs，3],[λs，3,max(si(t))])与3个机场饱和度分界值(λs,1,λs,2,λs,3)。其中，max(di(t))为t到t+1时间区间内所有机场的平均起飞延误时间中数值最大的，max(si(t))为t到t+1时间区间内所有机场的机场饱和度中数值最大的。其中，某一时间区间内的起飞延误区间和饱和度区间、起飞延误时间分界值和机场饱和度分界值的数量根据实际需求而定。
步骤S102：将每个机场在某个时间区间内的平均起飞延误时间和机场饱和度对应到相应的起飞延误区间和饱和度区间中，并通过相应的基于高斯核函数的映射函数，分别映射成相应的延误权值向量与饱和度权值向量。
每个机场在某个时间区间内的延误权值向量表示为：
Figure BDA0002556272550000091
其中，Wd(i,t)为i机场在t到t+1时间区间内的延误权值向量，di(t)为i机场在t到t+1时间区间内的平均起飞延误时间，k为t到t+1时间区间内起飞延误区间标号,j为位于当前起飞延误区间k之前的所有起飞延误区间；n是聚类得到的t到t+1时间区间内的起飞延误区间数量，例如，n＝4时，表示t到t+1时间区间内有4个起飞延误区间和3个起飞延误时间分界值，此时，λd，k为在t到t+1时间区间内起飞延误时间分界值，分别为λd，1,λd，2,λd，3；
每个机场在某个时间区间内的饱和度权值表向量示为：
Figure BDA0002556272550000092
其中，Ws(i，t)为i机场在t到t+1时间段内的饱和度权值向量；si(t)分别为i机场在t到t+1时间段内的饱和度值，h为t到t+1时间区间内起饱和度区间标号,v为位于当前饱和度区间h之前的所有饱和度误区间；n是聚类得到的t到t+1时间区间内的饱和度区间数量，例如，n＝4时，表示t到t+1时间区间内有4个饱和度区间和3个机场饱和度分界值，此时λs，k为在t到t+1时间区间内的机场饱和度分界值，分别为λs，1,λs，2λs，3。
步骤S103：根据每个机场在所有时间区间内的延误权值向量与饱和度权值向量，得到每个机场在所有时间区间内的风险量化系数，形成每个机场的的相应风险时间序列。
根据步骤S102得到的每个机场在某个时间区间内的延误权值向量与饱和度权值向量，利用如下公式，得到每个机场在某个时间区间内的风险量化系数。
Ri(t)＝||Wd(i，t)+Ws(i，t)|| (5)
其中，Ri(t)为i机场在t到t+1时间区间内的风险量化系数，Wd(i，t)为i机场在t到t+1时间区间内的延误权值向量，Ws(i，t)为i机场在t到t+1时间段内的饱和度权值向量；即i机场在t到t+1时间区间内的风险量化系数是该机场在t到t+1时间区间内的延误权值向量与饱和度权值向量合成的二维平面向量的模。
将航空网络中所有机场在预设时间段内的所有时间区间分别计算风险量化系数，形成每个机场的的相应风险时间序列。
步骤S104：根据给定的机场风险量化系数阈值划分出每个时间区间对应的风险机场集和非风险机场集。
如果某个机场在t到t+1时间区间的风险量化系数大于等于给定的机场风险量化系数阈值R0，即Ri(t)≥R0,则该机场在t到t+1时间区间内就被判定为风险机场，并将该机场添加入t到t+1时间区间的风险机场集中。反之若某个机场的风险量化系数值低于给定的机场风险量化系数阈值R0，则该机场被判定为非风险机场。重复步骤S104，完成全部机场在t到t+1的风险判断，得到t到t+1时间区间内的风险机场集和非风险机场集。采用t到t+1时间区间内的风险机场集和非风险机场集的判断方法，即可得到每个时间区间对应的风险机场集和非风险机场集。
步骤S105:在某个时间区间的风险机场集中随机选取一个风险机场，作为风险机场地理集群的起始机场，并确定出起始机场在该时间区间内的相关机场。
利用空域中机场间航线的连接关系来定义相关机场，与某个机场有航线相连关系的机场称为此机场的相关机场。
如图3所示，以在t到t+1时间区间内的某一个风险机场地理集群的形成过程为例，从步骤S50得到的t到t+1时间区间的风险机场集中随机选取一个风险机场a，作为风险机场地理集群的起始机场，从t到t+1时间区间的所有机场中确定出风险机场a的相关机场为{a1，a2，...，ai，...，ah},共h个。
步骤S106:查看所选取的风险机场的相关机场是否为风险机场，若是则并入所选取的时间区间的风险机场地理集群中，反之则定义为隔离机场。
如图3所示，依次查看h个相关机场是否为风险机场，例如机场ai为风险机场，将机场ai并入风险机场地理集群，反之将机场ai定义为隔离机场。
步骤S107:分别查看每一次并入到风险机场地理集群中的风险机场的相关机场是否为风险机场，若是则并入到风险机场地理集群中，直到新并入到风险机场地理集群中的所有风险机场的相关机场全部为隔离机场时，得到所选取的时间区间一个风险机场地理集群。
如图3所示，若风险机场a的h个相关机场中，有s个风险机场，则将这s个风险机场并入风险机场地理集群，继续查看该次并入的s个风险机场的相关机场是否为风险机场，若是则继续并入风险机场地理集群，反之则定义为隔离机场。若s个风险机场的相关机场有c个风险机场，则将这c个风险机场并入风险机场地理集群，继续查看该次并入的c个风险机场的相关机场是否为风险机场，若c个风险机场的相关机场全部为隔离机场时，得到t到t+1时间区间的一个风险机场地理集群。
步骤S108:将所选取的时间区间的风险机场集中不属于已确定的风险机场地理集群的风险机场，继续作为下一个风险机场地理集群的起始机场，并确认其相关机场并判断所述相关机场是否为危险机场，直到将风险机场集中可以形成风险机场地理集群的机场全部并入相应的风险机场地理集群中。
由于在所选取的时间区间的风险机场集中可能出现一个或多个风险机场不是所选取的风险机场的相关机场，无法与所选取的风险机场属于同一个风险机场地理集群；因此，需要将所选取的时间区间的风险机场集中不属于已确定的风险机场地理集群的风险机场，继续执行步骤S106，直到将风险机场集中的风险机场全部并入到相应的风险机场地理集群中，从而在t到t+1时间区间得到一个或多个风险机场地理集群。
步骤S109：利用飞行情报区划定航空网络空域范围，并根据空域范围对某个时间区间内的风险机场地理集群进行地理切割，得到每个空域中的风险机场集群。
“飞行情报区”是指为进行空中交通管理业务提供飞航情报服务和告警服务而划定范围的空间，因此，对每个飞行情报区内的航空网络风险进行评估，有利于空管部门获知区域内航空交通的现时风险状况及需要注意的特别风险信息。因此，本发明中，利用飞行情报区划分标准对整个航空网络进行地理空域划分，具有重要的现实意义和广泛的应用价值，全国共划分出11个飞行情报区，即将整个航空网络对应划分成11个空域范围。
如图4所示，根据所划定的11个空域范围及其内分布的机场的位置，对某个时间区间内的风险机场地理集群进行地理切割，将该时间区间内的所有风险机场地理集群按照具体所在地理位置，划分到对应的空域中。即所选取的时间区间内的风险机场地理集群所在地理位置属于哪个空域，就将其对应的划分至相应的空域中，从而得到某个时间区间内的每个空域中的风险机场集群。
步骤S110：根据某个时间区间内每个空域中的风险机场地理集群，得到每个空域在该时间区间的机场风险及级联风险。
每个空域在某个时间区间的机场风险根据如下公式得到。
Figure BDA0002556272550000121
其中，Rc(w，t)为某个空域w在t到t+1时间区间的机场风险，Ri(w，t)(i＝0，...，nw)为空域w中t到t+1时间区间内风险机场i的风险量化系数值，可以从步骤S103得到的每个机场的的相应风险时间序列中获得。nw为空域w内的风险机场数量,根据步骤S104得到的每个时间区间对应的风险机场集，确定出该风险机场集中每个机场所属空域，从而得到每个空域的风险机场数量；Ewi为风险机场i的度，即与风险机场相关的航线数；Ew为空域w内所有机场的相关航线数(包括非风险)。不难发现，由每个空域内的风险机场的风险量化系数值求加权平均得到每个空域在某个时间区间的机场风险。
根据某个时间区间的每个空域内所有风险机场地理集群的规模及数量，并根据如下公式，得到每个空域的级联风险。
Figure BDA0002556272550000131
其中，Rl(w，t)为某个空域w在t到t+1时间区间的级联风险，lj(w，t)(j＝0，...，qw)为空域w中第j个风险机场地理集群中的风险机场数，mw为空域w内的机场总数，qw为空域w内的风险机场地理集群的数量。
步骤S111：根据某个时间区间内的每个空域的级联风险及机场风险，得到每个空域的空域风险量化值。
某个空域在某个时间区间内的空域风险量化值，根据如下公式得到。
Figure BDA0002556272550000132
其中，α＝mw/s，为空域w的机场密集程度，mw为空域w内的机场总数,s为整个航空网络的机场总数，β＝2*uw/s(s-1),为空域w的航线密集程度，uw为空域w的航线总数，Rc(w，t)为某个空域w在t到t+1时间区间的机场风险，Rl(w，t)为空域w在t到t+1时间区间的级联风险。如图5所示，空域w在t到t+1时间区间的机场风险和级联风险的数值都取0时为原点，此时空域w在某个时间区间内的空域风险量化值为0。
步骤S112：获得某个时间区间内的空域风险阈值，并划分出空域风险等级。
获得某个时间区间内的空域风险阈值的过程为：
步骤S1120：分别获得某个时间区间内的机场风险阈值以及空域级联风险阈值。
进一步的说，获得某个时间区间内的机场风险阈值的过程为：
步骤S11201：分别获得某个时间区间内的平均起飞延误时间阈值和机场饱和度阈值。
根据《航空公司航班延误预警管理模型与分析》(刊载于《计算机仿真》2009年04期)以及《航班正常管理规定》中规定的航班延误标准，对步骤100中的某个时间区间内的所有机场的平均起飞延误时间进行分级，得到3个平均起飞延误时间阈值。例如，t到t+1时间区间内的每个机场的平均起飞延误时间阈值分别为40min、60min和120min，如表1所示，根据3个平均起飞延误时间阈值，可以得到4个延误等级，每个延误等级对应的延误状态分别表示为轻微延误、中等延误、严重延误和危险延误。具体地说，若某个机场在t到t+1时间区间内平均延误时间小于15min，则此认为机场没有发生延误。若某个机场在t到t+1时间区间内平均延误时间在15～40min，则认为此机场发生轻微延误。若某个机场在t到t+1时间区间内平均延误时间在40～60min，则认为此机场发生中等延误。若某个机场在t到t+1时间区间内平均延误时间在60～120min，则认为此机场发生严重延误。若某个机场在t到t+1时间区间内平均延误时间大于120min，则认为此机场
参照网址为https://www.slotcoordination.es/csee/Satellite/Slots/en/Page/1237545152315/1237544440201/Classification－of－airports.html公布的西班牙时隙协调与促进协会机场运转能力以及《道路饱和度计算方法研究》(刊载于《交通标准化》2007年01期)，对步骤100中的某个时间区间内的所有机场的机场饱和度进行分级，得到3个机场饱和度阈值。例如，t到t+1时间区间内的机场饱和度阈值分别为6、0.8和1，如表2所示，根据3个机场饱和度阈值，可以得到4个机场饱和等级，每个机场饱和等级对应的延误状态分别表示为运转水平较高、运转水平良好、运转水平较差和运转水平极差。具体地说，若某个机场在t到t+1时间区间内机场饱和度小于0.6，则认为此机场处于低饱和状态。若某个机场在t到t+1时间区间内机场饱和度在0.6～0.8，则认为此机场处于低微饱和状态。若某个机场在t到t+1时间区间内机场饱和度在0.8～1，则认为此机场处于饱和状态。若某个机场在t到t+1时间区间内机场饱和度大于1，则认为此机场处于严重饱和状态。
步骤S11202：将某个时间区间内的平均起飞延误时间阈值和机场饱和度阈值对应到相应的起飞延误区间和饱和度区间中，并通过相应的基于高斯核函数的映射函数，分别映射成相应的延误权值阈值向量与饱和度权值阈值向量。
将步骤S11201获得的某个时间区间内的3个平均起飞延误时间阈值和3个机场饱和度阈值对应到步骤S101相应的起飞延误区间和饱和度区间中后，根据公式(3)和(4)，得到某个时间区间内的3个延误权值阈值向量及3个饱和权值阈值向量。
步骤S11203：根据某个时间区间内的延误权值阈值向量及饱和权值阈值向量，得到该时间区间内的机场风险阈值。
根据某个时间区间内的3个延误权值阈值向量及3个饱和权值阈值向量以及公式(5)，得到该时间区间内的3个机场风险阈值Q(i,t),i＝1,2,3。
进一步的说，获得某个时间区间内的空域级联风险阈值的过程为：
步骤S11204：获得每个空域在过去预设时间内不同时间区间的空域级联风险值集后，进行聚类，得到某个时间区间的空域级联风险阈值。
如果需要对某个时间区间的空域风险进行评估，获得该时间区间的空域级联风险阈值时，可以选取该时间区间所在月过去预设时间(如12个月)的机场及空域数据，机场及空域数据包括每个空域的机场与风险机场地理集群总数、每个风险机场地理集群中的风险机场数。由于民航发展态势不断更新，空域级联风险阈值也建立在动态更新的大数据之上。根据公式(7)，得到每个空域在过去预设时间内不同时间区间的空域级联风险值集后，进行聚类，得到某个时间区间的3个空域级联风险阈值P(j,t),j＝1,2,3。
步骤S1121：根据某个时间区间内的机场风险阈值以及空域级联风险阈值，得到某个时间区间的空域风险阈值，并划分出空域风险等级。
分别求以某个时间区间的机场风险阈值Q(i,t)及空域级联风险阈值P(j,t),j＝1,2,3组成的3个二维向量的模，得出3个最终的空域风险阈值Rzi(t),i＝1,2,3，划分出四个空域风险区间及风险等级。此时空域风险等级及运行状态如表3所示。因此，可以求得每个时间区间内的机场风险阈值以及空域级联风险阈值，从而得到每个时间区间的空域风险阈值，并划分出每个时间区间内的空域风险等级。
步骤S113：根据某个时间区间的空域风险等级，对该时间区间的每个空域进行风险评级。
根据步骤S S1121获得的某个时间区间的4个空域风险区间及风险等级，以及步骤S111获得的某个时间区间内的每个空域的空域风险量化值，对该时间区间的每个空域进行风险评级。因此，根据每个时间区间的空域风险等级以及每个时间区间内的所有空域的空域风险量化值，即可实现对每个时间区间内的每个空域进行风险评级，形成所有空域的风险随时间演化状态。
以对t到t+1时间区间内的空域w进行风险等级评估为例，根据步骤S111获得的t到t+1时间区间内的空域w的空域风险量化值Rz(w，t)，以及t到t+1时间区间内的由空域风险阈值Rzi(t),i＝1,2,3划分出的4个空域风险区间及风险等级，对空域w进行风险等级评估。
若0＜Rz(w，t)＜Rz1(t),此空域w处于低风险。
若Rz1(t)＜Rz(w，t)＜Rz2(t),此空域w处于一般风险。
若Rz2(t)＜Rz(w，t)＜Rz3(t),此空域w处于中等风险。
若Rz(w，t)＞Rz3(t),此空域w处于重大风险。
由此完成空域w在时间t到t+1时区间内的空域风险评级。对航空网络中的所有空域在预设时间段内的所有时间区间分别计算空域风险量化值Rz(w，t)，并进行风险评级，形成所有空域的风险随时间演化状态。
相对于现有技术，本发明所提供的航空网络风险评估方法具有以下优势：
1.在单个机场风险的基础上，研究由于风险级联带来的更为严重的空域风险，进行面向空域的风险评估，有利于对空域整体运行态势的把控。
2.选取机场饱和度及航班延误此类潜在安全风险作为评估因素，从预战术阶段造成航空网络风险的因素出发，将风险评估和做出调整措施的时间点提前，不使其发展成碰撞等重大飞行事故，减少了战术层面高危操作。
3.航班延误及机场饱和度是动态的，使得基于延误和拥堵的航空网络安全风险评估是动态的，整个航空网络的各个空域的风险等级评估更加可靠。
以上对本发明所提供的航空网络风险评估方法进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质内容的前提下对它所做的任何显而易见的改动，都将属于本发明专利权的保护范围。

Claims (12)

1.一种航空网络风险评估方法，其特征在于包括如下步骤：
获取航空网络中每个机场的相应风险时间序列，并根据给定的机场风险量化系数阈值划分出每个时间区间对应的风险机场集和非风险机场集；其中，每个机场的相应风险时间序列包括所述每个机场在特定时间段内所有时间区间的相应风险量化系数；
根据某个时间区间对应的风险机场集及机场间航线连接关系，得到航空网络在该时间区间内的风险机场地理集群；
根据空域范围切割某个时间区间内的风险机场地理集群和机场的风险量化系数，得到该时间区间内每个空域中的风险机场集群；
根据某个时间区间内每个空域中的风险机场地理集群，得到所述每个空域在该时间区间内的空域风险量化值后，进行空域风险评级。
2.如权利要求1所述的航空网络风险评估方法，其特征在于获取航空网络中所述每个机场的相应风险时间序列，并根据给定的所述机场风险量化系数阈值划分出每个时间区间对应的风险机场集和非风险机场集，包括如下步骤：
获取所述每个机场在特定时间段内所有时间区间的平均起飞延误时间与机场饱和度；
对所有机场在某个时间区间的所述平均起飞延误时间和所述机场饱和度分别进行数据归一化处理后，再进行聚类，得到m个起飞延误区间和饱和度区间以及m－1个起飞延误时间分界值和机场饱和度分界值，m为正整数；
将所述每个机场在某个时间区间内的所述平均起飞延误时间和所述机场饱和度对应到相应的起飞延误区间和饱和度区间中，并通过相应的基于高斯核函数的映射函数，分别映射成相应的延误权值向量与饱和度权值向量；
根据每个机场在所有时间区间内的所述延误权值向量与所述饱和度权值向量，得到所述每个机场在所有时间区间内的风险量化系数，形成每个机场的相应风险时间序列；
根据给定的机场风险量化系数阈值划分出每个时间区间对应的风险机场集和非风险机场集。
3.如权利要求2所述的航空网络风险评估方法，其特征在于所述每个机场在特定时间段内所有时间区间的所述平均起飞延误时间根据如下公式得到：
Figure FDA0002556272540000021
其中，di(t)为t到t+1时间区间内的i机场的平均起飞延误时间，Di(t)为t到t+1时间区间内i机场的总起飞延误时间；Ci(t)为t到t+1时间区间内i机场的取消航班数量；3为取消航班的等价起飞延误时间；Pi(t)为t到t+1时间区间内i机场的计划起飞航班总数；t为正整数，表示第t个时间区间。
4.如权利要求2所述的航空网络风险评估方法，其特征在于：
所述每个机场在特定时间段内所有时间区间的所述机场饱和度为：t到t+1时间区间内i机场的进港流量与进入i机场的飞机架次的比值。
5.如权利要求2所述的航空网络风险评估方法，其特征在于所述每个机场在某个时间区间内的所述延误权值向量表示为：
Figure FDA0002556272540000022
其中，Wd(i,t)为i机场在t到t+1时间区间内的延误权值向量，di(t)为i机场在t到t+1时间区间内的平均起飞延误时间，k为t到t+1时间区间内起飞延误区间标号,j为位于当前起飞延误区间k之前的所有起飞延误区间；n是聚类得到的t到t+1时间区间内的起飞延误区间数量；
Figure FDA0002556272540000023
其中，Ws(i，t)为i机场在t到t+1时间段内的饱和度权值向量；si(t)分别为i机场在t到t+1时间段内的饱和度值，h为t到t+1时间区间内起饱和度区间标号,v为位于当前饱和度区间h之前的所有饱和度区间；n是聚类得到的t到t+1时间区间内的饱和度区间数量。
6.如权利要求1所述的航空网络风险评估方法，其特征在于：
所述每个机场在特定时间段内所有时间区间的相应风险量化系数为所述机场在相应的时间区间内的延误权值向量与饱和度权值向量合成的二维平面向量的模。
7.如权利要求1所述的航空网络风险评估方法，其特征在于所述航空网络在某个时间区间内的风险机场地理集群的形成过程，包括如下步骤：
在某个时间区间的风险机场集中随机选取一个风险机场，作为风险机场地理集群的起始机场，并确定出所述起始机场在该时间区间内的相关机场；
查看所选取的风险机场的相关机场是否为风险机场，若是则并入所选取的时间区间的风险机场地理集群中，反之则定义为隔离机场；
分别查看每一次并入到风险机场地理集群中的风险机场的相关机场是否为风险机场，若是则并入到风险机场地理集群中，直到新并入到风险机场地理集群中的所有风险机场的相关机场全部为隔离机场时，得到所选取的时间区间一个风险机场地理集群；
将所选取的时间区间的风险机场集中不属于已确定的风险机场地理集群的风险机场，继续作为下一个风险机场地理集群的起始机场，并确认其相关机场并判断所述相关机场是否为危险机场，直到将风险机场集中可以形成风险机场地理集群的机场全部并入相应的风险机场地理集群中。
8.如权利要求1所述的航空网络风险评估方法，其特征在于根据所述某个时间区间内每个空域中的风险机场地理集群，得到所述每个空域在所述时间区间内的空域风险量化值后，进行空域风险评级的过程，包括如下步骤：
根据某个时间区间内所述每个空域中的风险机场地理集群，得到所述每个空域在该时间区间的机场风险及级联风险；
根据某个时间区间内的所述每个空域的所述级联风险及所述机场风险，得到所述每个空域的空域风险量化值；
获得某个时间区间内的空域风险阈值，并划分出空域风险等级；
根据某个时间区间的所述空域风险等级，对该时间区间的所述每个空域进行风险评级。
9.如权利要求8所述的航空网络风险评估方法，其特征在于所述每个空域在某个时间区间的机场风险由每个空域内的风险机场的风险量化系数值求加权平均得到；
所述每个空域在某个时间区间的所述级联风险，根据如下公式得到：
Figure FDA0002556272540000041
其中，Rl(w，t)为某个空域w在t到t+1时间区间的级联风险，lj(w，t)(j＝0，...，qw)为空域w中第j个风险机场地理集群中的风险机场数，mw为空域w内的机场总数，qw为空域w内的风险机场地理集群的数量。
10.如权利要求8所述的航空网络风险评估方法，其特征在于某个空域在某个时间区间内的空域风险量化值，根据如下公式得到：
Figure FDA0002556272540000042
其中，α＝mw/s，为空域w的机场密集程度，mw为空域w内的机场总数,s为整个航空网络的机场总数，β＝2*uw/s(s-1),为空域w的航线密集程度，uw为空域w的航线总数，Rc(w，t)为某个空域w在t到t+1时间区间的机场风险，Rl(w，t)为空域w在t到t+1时间区间的级联风险。
11.如权利要求8所述的航空网络风险评估方法，其特征在于获得某个时间区间内的所述空域风险阈值的过程为：
分别获得某个时间区间内的机场风险阈值以及空域级联风险阈值；
根据某个时间区间内的所述机场风险阈值以及所述空域级联风险阈值，得到该时间区间的空域风险阈值，并划分出空域风险等级。
12.如权利要求11所述的航空网络风险评估方法，其特征在于获得某个时间区间内的机场风险阈值的过程为：
分别获得某个时间区间内的所述平均起飞延误时间阈值和所述机场饱和度阈值；
将某个时间区间内的所述平均起飞延误时间阈值和所述机场饱和度阈值对应到相应的起飞延误区间和饱和度区间中，并通过相应的基于高斯核函数的映射函数，分别映射成相应的延误权值阈值向量与饱和度权值阈值向量；
根据某个时间区间内的所述延误权值阈值向量及饱和所述权值阈值向量，得到该时间区间内的机场风险阈值；
获得某个时间区间内的所述空域级联风险阈值时，先获得每个空域在过去预设时间内不同时间区间的空域级联风险值集后，进行聚类，得到某个时间区间的所述空域级联风险阈值。
CN202010591348.8A 2020-06-24 2020-06-24 一种航空网络风险评估方法 Pending CN112036679A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010591348.8A CN112036679A (zh) 2020-06-24 2020-06-24 一种航空网络风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010591348.8A CN112036679A (zh) 2020-06-24 2020-06-24 一种航空网络风险评估方法

Publications (1)

Publication Number Publication Date
CN112036679A true CN112036679A (zh) 2020-12-04

Family

ID=73578888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010591348.8A Pending CN112036679A (zh) 2020-06-24 2020-06-24 一种航空网络风险评估方法

Country Status (1)

Country Link
CN (1) CN112036679A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180181144A1 (en) * 2015-12-23 2018-06-28 Swiss Reinsurance Ltd. Flight trajectory prediction system and flight trajectory-borne automated delay risk transfer system and corresponding method thereof
CN108985621A (zh) * 2018-07-13 2018-12-11 南京航空航天大学 基于风险管控的区域多机场不正常航班恢复方法
CN110503245A (zh) * 2019-07-30 2019-11-26 南京航空航天大学 一种机场航班大面积延误风险的预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180181144A1 (en) * 2015-12-23 2018-06-28 Swiss Reinsurance 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
CN108985621A (zh) * 2018-07-13 2018-12-11 南京航空航天大学 基于风险管控的区域多机场不正常航班恢复方法
CN110503245A (zh) * 2019-07-30 2019-11-26 南京航空航天大学 一种机场航班大面积延误风险的预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
向征;祝琳芸;张文军;钟建华;: "空域调整方案安全风险评估方法研究", 哈尔滨商业大学学报(自然科学版), no. 04, pages 67 - 71 *
高扬;齐耀君;董传亭;: "基于区间数的公务航空安全风险影响因素研究", 安全与环境学报, no. 05, pages 82 - 88 *

Similar Documents

Publication Publication Date Title
CN107818382B (zh) 航班到达时间预测方法
CN113626616B (zh) 航空器安全预警方法、装置及系统
CN103854518A (zh) 一种航路网络节点时空流量的计算方法
James et al. Commercial-aircraft-based observations for NWP: Global coverage, data impacts, and COVID-19
Chatterji et al. National airspace system delay estimation using weather weighted traffic counts
CN106651088A (zh) 一种基于时态gis的飞行品质监控方法
Li Analysis and Forecast of Global Civil Aviation Accidents for the Period 1942‐2016
CN106779222B (zh) 机场地面等待时间预测方法及装置
Pretto et al. Web data for computing real-world noise from civil aviation
Shi et al. An improved artificial neural network model for flights delay prediction
Wong et al. The development of a more risk-sensitive and flexible airport safety area strategy: Part I. The development of an improved accident frequency model
Feng et al. Review on metrics and prediction methods of civil aviation noise
Oo et al. Analysis of the most common aviation weather hazard and its key mechanisms over the Yangon flight information region
CN112036679A (zh) 一种航空网络风险评估方法
Yablonsky et al. Flight delay performance at hartsfield-jackson atlanta international airport
Passarella et al. Data Analysis Investigation: Papua is The Most Unsafe Province in Indonesia for Aviation: An Exploratory Data Analysis Study from KNKT-Database Accidents and Incidents (1988-2021).
Liu et al. Airborne flight time: A comparative analysis between the US and China
CN115188223A (zh) 一种基于机场天气实况的飞机起降安全指数确定方法
Shao et al. Air transportation delay propagation analysis with uncertainty in coloured–timed Petri nets
Diana Predicting arrival delays: An application of spatial analysis
Oh et al. An analysis of runway accident precursors based on latent class model
Ayyalasomayajula et al. Unmanned aircraft system demand generation and airspace performance impact prediction
Yang et al. Quantifying convective weather impacts to airspace capacity: framework and preliminary results
Brady et al. Modeling the External Risks of Airports for
Ramchandran et al. Assessing environmental impacts of aviation on connected cities using environmental vulnerability studies and fluid dynamics: an Indian case study

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