CN112183605B - 一种基于运行特征的民航管制扇区分类方法 - Google Patents

Abstract

本发明公开了一种基于运行特征的民航管制扇区分类方法，收集历史数据，并进行预处理；结合SQL和Python软件从历史数据中提取出所需要的特定扇区范围ADS‑B航迹数据，获取扇区分类指标；提出基于遗传算法改进的核模糊C‑均值聚类算法，获得较优的聚类效果；设置聚类有效性指标，确定扇区分类类别数量；将提取出的关键分类因子作为算法输入，输出扇区聚类结果；根据聚类结果明确所选样本的分类特性，结合样本的数值分布分析验证不同类型扇区的交通运行的多维属性。本发明实现了从宏观的总体运行特征对扇区进行分类，有助于了解不同类别扇区的运行特性，为管制运行管理提供优化依据，同时可为扇区分类专项管理、动态配置及远程管制等创新发展提供理论支撑。

Description

一种基于运行特征的民航管制扇区分类方法

技术领域

本发明属于空中交通管理与规划领域，具体涉及一种基于运行特征的民航管制扇区分类方法。

背景技术

航班量的不断增长，随之而来的民航空域资源供给不足，所引起的航班正常性问题日益凸显，重新设计扇区使其变得更小，从而减少每个扇区中管制员的工作负荷的做法不太符合成本效益，它需要增加更多的管制员管理扇区运行，更多的设备显示扇区信息，增加了飞机和空管之间的协调以及管制员之间的协调。对扇区分类，从不同扇区的结构、流量、复杂性等多个维度分析扇区间的异同，深入把握扇区运行特性，找出当前制约我国空管体系发展，效能提升的瓶颈问题，是深挖内部潜力，提升管制运行绩效水平，识别瓶颈突破途径的重要科学手段。对分类后的扇区建立若干宏观管制员工作负荷模型，可以提高空域评估的效率，可以用于对新增扇区相似性的快速参考。深入研究分析扇区运行状态，准确把握扇区运行的时空特性，充分利用空中交通管制资源。对进一步优化扇区结构和交通流，提高空域容量，提高空中交通管理的效率有着重大意义。这也是未来扇区运行优化和人力资源高效配置的大势所趋。

目前大多数有关于扇区分类方面的研究主要从扇区的运行模式、交通流结构和复杂性指标等方面出发；研究选取的扇区样本较少，因此，为增加样本数量，一般从时段的复杂态势考虑，对扇区整体运行特征的研究分析相对较少。同时，过往的研究中多采用硬聚类算法对扇区进行类别或者繁忙时段和等级的划分，划分结果存在一定程度的不合理性。

发明内容

发明目的：为克服上述现有技术的不足，本发明提供一种基于运行特征的民航管制扇区分类方法，针对关键指标对管制扇区采用基于遗传算法改进的核模糊C-均值聚类算法进行分类，揭示不同种类的管制扇区运行特性和复杂特征；对分类后的扇区，从扇区运行角度入手，分析不同种类扇区复杂特性和运行特征，提升空中交通管制资源的利用率，提高空中交通管理效率。

技术方案：本发明所述的一种基于运行特征的民航管制扇区分类方法，包括以下步骤：

(1)收集多地区、多对象、多种类的历史数据，并对历史数据进行预处理；

(2)通过射线法，结合SQL和Python软件从历史数据中提取出所需要的特定扇区范围ADS-B航迹数据，计算选取后的ADS-B数据，获取扇区分类指标；

(3)提出基于遗传算法改进的核模糊C-均值聚类算法，获得较优的聚类效果；

(4)通过对实测雷达数据计算得出的空中交通复杂性评价指标数据值，进行标准化处理后分析指标之间的相关性，对指标体系进行精简降维，提取适合作为算法输入的聚类因子；设置聚类有效性指标，衡量聚类结果是否最优，确定扇区分类类别数量；将提取出的关键分类因子作为算法输入，经过机器学习聚类算法输出扇区聚类结果；根据聚类结果明确所选样本的分类特性，进而结合样本的数值分布分析验证不同类型扇区的交通运行的多维属性。

进一步地，步骤(2)所述的扇区分类指标包括管制飞行时长、航空器进入架次、航空器占据架次、运行态势统计改变统计及交叉汇聚点。

进一步地，所述步骤(2)包括以下步骤：

(21)以一个点为基础，从它引出一条射线，当射线与多边形有偶数个交点时，即射线穿越多边形边界次数为偶数次，此时点在多边形外；当射线与多边形有奇数个的交点时，即射线穿越多边形边界次数为奇数次，那么该点必然在多边形的内部；

(22)将每个航空器视为一个点，扇区的形状为多边形，在步骤(1)的基础上保留在扇区内的航空器的航迹数据，不在扇区内的航空器其航迹数据就剔除；

(23)将上述数据导入SQL数据库，用SQL查询出所需高度范围内的数据，筛选出所需的扇区航迹数据；

(24)参考度量交通流复杂性的指标分类方式计算获取能够客观反映扇区运行特征的指标数据。

进一步地，所述步骤(3)包括以下步骤：

(31)依据KFCM目标函数取得最小值的时候对应的聚类效果最好的原则，参考遗传算法适应度函数设计准则，定义GA-KFCM适应度函数：

(32)采用非线性排序选择方法，按照适应度大小对个体进行排序，然后根据顺序分配个体被选择的概率，非线性选择概率分布为：

f(z)＝q(1-q)^z-1

其中，q∈(0，1)为指定参数，z＝1，2，...，n为排序序号；

(33)采用自适应的思想，动态确定遗传算法交叉概率以及变异概率：

其中，p_c0为初始交叉概率，p_m0为初始变异概率，T为最大进化代数，t为当前进化代数。

进一步地，所述步骤(4)包括以下步骤：

(41)采用Z-Score规范化样本数据，经过归一化处理的数据的均值为0，标准差为1；

(42)选用主成分分析，将多个变量转换为少数几个主成分来反映原始变量的大部分信息；

(43)将用整体轮廓系数和核空间的V_KXB指标来确定最佳聚类数；

(44)根据确定的最佳聚类数，结合聚类结果的可解释性，确定最终聚类簇数。

有益效果：与现有技术相比，本发明的有益效果：1、提出了采用模糊聚类算法这种软聚类算法对扇区进行分类研究的方法，改善了传统硬聚类算法在扇区类别方面划分不合理的状况；2、提出了基于遗传算法改进的核模糊C-均值聚类算法，结合遗传算法强大的全局搜索寻优能力，以便在特征空间中搜索适当的聚类中心，弥补FCM算法和KFCM算法的缺陷，从而优化所得到的聚类的相似性度量以获得理想的聚类效果；3、提出了从扇区总体特征出发的管制扇区分类技术，基于分类后各类扇区特性，对扇区运行特性进行分析，识别不同类型的扇区的常态化运行模式。

附图说明

图1是本发明的流程图；

图2是本发明所采用的PCA处理得到前三个主成分空间投影图；

图3是本发明所采用的基于遗传算法改进的核模糊C-均值聚类算法的基本流程；

图4是FCM，KFCM和GA-KFCM三种算法性能实验对比图；

图5是不同聚类数目对应的聚类有效性指标值；

图6是不同类别扇区的指标分析箱线图。

具体实施方式

下面结合附图对本发明作进一步详细说明：

如图1所示，本发明提供一种基于运行特征的民航管制扇区分类方法，具体包括以下步骤：

步骤1：收集多地区、多对象、多种类的历史数据，并对数据进行预处理。

收集民航运输数据和空域结构数据，主要指包括管制扇区飞行流量数据、飞行计划数据、ADS-B雷达数据、ATOM扇区运行历史数据等；机场、扇区、航路、关键点等空域单元的经纬度以及空域单元关联关系的空域数据。对数据进行整理和清洗，清除数据缺失、数据错误和重复数据。

步骤2：通过射线法，结合SQL(Structured Query Language)和Python软件从全国的海量数据中提取出所需要的特定扇区范围ADS-B航迹数据，计算选取后的ADS-B数据，获取扇区分类指标。

以扇区内航空器和扇区自身结构为对象，通过整理解析ADS-B数据，采集的ADS-B数据形式如表1所示。计算获取得到能够客观刻画管制扇区整体运行特征的动态交通流指标。进而采用主成分分析法，量化关键因素对于扇区运行的影响程度，提取变量群中的共性因子，构建扇区分类综合影响因子。

表1采集的ADS-B数据

扇区分类关键指标分析：

1)管制飞行时长：在给定时间范围内，指定空域单元中接受管制服务的航班飞行时长。总飞行时长：

其中，设指定空域里，指定时间段内的航班架次为n，T_i为第i架航班的飞行时间，则T为空域内航空器总飞行时间。平均飞行时长：

其中，设给定空域内指定时间段的航空器架次为n，T_i ^F为第i架航空器从进入扇区到离开扇区的时间，为n架航班的的平均飞行时长。

2)航空器进入/移入架次：滑动时间窗内进入/离开扇区的飞机数量。

航空器进入架次计算公式如下：

其中，t_k为时刻，Sec_i为扇区，为航空器进入/移入架次；/>为时刻t_k沿扇区Sec_i内进场航线飞行的航空器集合；进场航空器/>

航空器离开/移出架次计算公式如下：

其中，t_k为时刻，Sec_i为扇区，为航空器离开/移出架次；/>为时刻t_k沿扇区Sec_i内离场航线飞行的航空器集合，离场航空器/>

3)航空器占据架次：滑动时间窗开始时在扇区中的飞机数量与滑动时间窗内进入扇区的飞机数量之和。

航空器占据架次计算公式如下：

其中，t_k为时刻，Sec_i为扇区，为扇区内停留的航空器数量，/>为时刻t_k在扇区Sec_i内停留的航空器集合；占据航空器/>

4)运行态势统计改变统计：指定空域单元在给定时段内，对指定空域单元内航空器爬升状态、下降状态或平飞状态的统计。

5)交叉汇聚点：指定管制扇区内，按照公布的NAIP确定包含的交叉汇聚点个数。

①数据标准化

避免因选取的原始指标变量在数量级和单位不同时，对数据后续比较分析得到的结果的可靠性造成负面影响，需要将原始数据作正态分布处理。标准化过程如下：

其中，Z为标准化处理得到的数据结果；x_ij为样本扇区原始指标数据；μ_j是第j列样本特征数据的均值；σ_j是第j列样本特征数据的标准差。

原始指标变量的总方差等于P个不相关的主成分的方差之和，总方差中第i个主成分y_i的方差所占的比例称为主成分y_i的贡献率；前m个主成分的贡献率之和/>为前m个主成分的累计贡献率，反映了前m个主成分解释原始指标变量的能力。主成分系数表达式矩阵如表2所示，主成分空间投影如图2所示。

表2主成分系数表达式矩阵

步骤3：分析核模糊C-均值聚类算法目标函数，针对但KFCM仍然没从根本上解决FCM算法对初始化聚类中心敏感的问题，采用遗传算法改进KFCM，并进行算法性能验证实验。

基于核函数改进的模糊C-均值聚类算法(KFCM)的目标函数如下：

其中，n是聚类样本的数量；c是聚类簇数；μ_ij表示第j个样本x_j属于第i类的隶属度；权重m是用于控制模糊重叠程度的模糊划分矩阵指数；v_i是第i类聚类的中心。

为引用的最为广泛的高斯核。

采用拉格朗日乘子法求解目标函数J_KFCM的极小值，推导出KFCM算法的隶属度和模糊聚类中心迭代式如下：

聚类是将给定的样本数据按某种目标函数划分成若干个类的过程，对于KFCM而言，目标函数取得最小值的时候对应的聚类效果最好。因此，根据目标函数值越小，个体适应度越大，定义GAKFCM适应度函数：

采用非线性排序选择方法，按照适应度大小对个体进行排序，然后根据顺序分配个体被选择的概率。非线性选择概率分布为：

f(z)＝q(1-q)^z-1

其中，q∈(0，1)为指定参数，z＝1，2，…，n为排序序号。

采用自适应的思想动态确定交叉概率和变异概率：

其中，p_c0为初始交叉概率，p_m0为初始变异概率，T为最大进化代数，t为当前进化代数。

设置算法参数，在UCI标准数据集IRIS数据和WINE数据上运行GA-KFCM，验证算法性能。

基于遗传算法改进的核模糊C-均值(GA-KFCM)算法具体流程如图3所示：

1、设定高斯核函数尺度参数σ，确定类的个数c(1＜c＜n)，选取模糊指数m，设置目标函数终止容限ε。设定初始交叉概率p_c0，初始变异概率p_m0，遗传进化代数T，遗传算法收敛阈值δ；

2、设置遗传代数t＝0，模糊聚类代数k＝0。随机产生n个聚类中心矩阵形成初始种群；

3、计算种群中每个个体J_KFCM，f(U，V)，f(z)，f_c(t)，fm(t)；

4、对t代种群进行选择、交叉、变异操作，形成第t+1代种群；

5、判断是否满足终止条件。不满足则返回第3步；满足，则解码获得最优聚类中心；

6、根据最优初始聚类中心对样本数据进行聚类分析；

7、输出结果。

采用UCI测试数据集中的IRIS和WINE数据上作为测试样本集，进行FCM，KFCM和GA-KFCM三种算法的性能分析验证实验。设置GA-KFCM算法的参数：遗传参数n＝50，T＝100，p_c0＝0.6，p_m0＝0.1，δ＝0.001，σ＝150，k＝100，c＝3，m＝2，ε＝0.00001。将每种算法在IRIS和WINE数据集上运行30次以平均结果作为最终结果进行对比，如图4所示。

步骤4：通过对实测雷达数据计算得出的空中交通复杂性评价指标数据值，进行标准化处理后分析指标之间的相关性，对指标体系进行精简降维，提取适合作为算法输入的聚类因子。设置聚类有效性指标，衡量聚类结果是否最优，确定扇区分类类别数量。将提取出的关键分类因子作为算法输入，经过机器学习聚类算法输出扇区聚类结果。根据聚类结果明确所选样本的分类特性，进而结合样本的数值分布分析验证不同类型扇区的交通运行的多维属性。

华东和中南是我国最繁忙的空域地区，具有很强的典型性。选用中南和华东地区具有有效指标数据的管制扇区，确定最佳聚类数目和设置相关参数，采用基于遗传算法改进的核模糊C-均值算法(GA-KFCM)进行扇区聚类分析。对分类后得到的各类扇区采用箱体图分析。将簇中某个变量的分布与所有分析的扇区的中位数进行比较。

如图5所示，聚类有效性指标能够正确的评价聚类结果从而帮助确定最佳聚类数。本技术采用整体轮廓系数和核空间的V_KXB指标来确定最佳聚类数。

轮廓分析可以用来研究聚类簇之间的分离程度，轮廓系数定义为：

其中，a是第i个点与同簇内的其他点之间的平均距离，量化簇内凝聚度；b是第i个点与其他簇内各点之间的平均距离，量化簇间分离度。轮廓系数S(i)的取值范围为[-1，1]。S(i)值越大，说明第i个点分类越合理，负值表示样本可能指定给错误的簇。

对应不同的聚类数目，计算样本数据当前聚类的整体轮廓系数SIL能够反映当前聚类的效果，整体轮廓系数值定义为：

Xie-Beni有效性函数是目前应用最广泛的模糊聚类有效性指标，V_XB定义为：

在GA-KFCM算法中，需要将V_XB推广到核空间，对应的核化Xie-Beni有效性函数V_KXB为如下形式：

其中，用于评价聚类的紧致性，/> 用于评价类间的分离性。因此，当V_KXB取得极小值时对应样本数据最佳划分。

图6是不同类别扇区的指标分析箱线图。

A类扇区的运行特征呈现为，交通流量大，总占据架次数远大于所选取的样本扇区的中值，该类扇区的日均航空器进入架次数900-1500架次，平均飞行时间中等，交叉汇聚点个数较多；航空器运行方面，垂直方向上有高度改变的航空器比例占进入架次的72％以上，属于兼顾大流量和中高垂直方向复杂性的扇区，扇区整体运行状况繁忙，呈复杂态势，管制员负荷较高。

B类扇区从交通流量的维度上来看，该类扇区总占据架次数和进入架次数偏低。巡航交通流远低于样本扇区的中值，这意味着扇区内存在着大量垂直方向上的高度调配，占到进入该扇区的航空器约80％的比例，且集中于航空器的爬升。同时，平均飞行时间较短，导致调配裕度偏小，空域环境复杂交叉汇聚点数量较多。根据分析得出，B类扇区的运行瓶颈并不是扇区内的交通量，而在于大量的垂直过渡带来的垂直方向上调配难度和潜在冲突，所呈现出的高复杂性态势和管制压力。

C类扇区的交通流量在所选样本扇区里处于中等水平；进入该类扇区的航空器超过六成产生了垂直方向上的高度变化，且主要集中为下降交通流；平均飞行时间较大，和扇区内交叉汇聚点个数较少，管制裕度较大；但扇区整体运行状态由于中等的流量和垂直方向复杂性，仍然呈现为较复杂和繁忙态势。

D类扇区的运行特征呈现为，交通流量小，平均小时进入流量为15-25架次，瞬时管制压力较小；在高度过渡方面，巡航航空器的比例和垂直方向产生上高度改变的航空器的比例持平。低流量，垂直方向复杂性一般，但扇区内航空器平均飞行时间较短，管制员存在一定程度上的调配压力，因而扇区运行状态呈中等复杂态势。

E类扇区在交通流量上分布较广，扇区日均进入流量450架次至1300架次不等；从箱线图巡航交通流的统计可以看出，航空器基本都是以平飞姿态通过该类扇区，产生高度过渡的航空器不足三分之一；交叉点数量中等，平均飞行时间较长，调配难度小；该类扇区的运行压力主要交通流量相关，垂直方向上产生的复杂性较低，总体运行复杂态势一般，管制压力较小。

Claims (3)

1.一种基于运行特征的民航管制扇区分类方法，其特征在于，包括以下步骤：

(1)收集多地区、多对象、多种类的历史数据，并对历史数据进行预处理；

(2)通过射线法，结合SQL和Python软件从历史数据中提取出所需要的特定扇区范围ADS-B航迹数据，计算选取后的ADS-B数据，获取扇区分类指标；

(3)提出基于遗传算法改进的核模糊C-均值聚类算法，获得较优的聚类效果；

(4)通过对实测雷达数据计算得出的空中交通复杂性评价指标数据值，进行标准化处理后分析指标之间的相关性，对指标体系进行精简降维，提取适合作为算法输入的聚类因子；设置聚类有效性指标，衡量聚类结果是否最优，确定扇区分类类别数量；将提取出的关键分类因子作为算法输入，经过机器学习聚类算法输出扇区聚类结果；根据聚类结果明确所选样本的分类特性，进而结合样本的数值分布分析验证不同类型扇区的交通运行的多维属性；

所述步骤(2)包括以下步骤：

(21)以一个点为基础，从它引出一条射线，当射线与多边形有偶数个交点时，即射线穿越多边形边界次数为偶数次，此时点在多边形外；当射线与多边形有奇数个的交点时，即射线穿越多边形边界次数为奇数次，那么该点必然在多边形的内部；

(22)将每个航空器视为一个点，扇区的形状为多边形，在步骤(1)的基础上保留在扇区内的航空器的航迹数据，不在扇区内的航空器其航迹数据就剔除；

(23)将上述数据导入SQL数据库，用SQL查询出所需高度范围内的数据，筛选出所需的扇区航迹数据；

(24)参考度量交通流复杂性的指标分类方式计算获取能够客观反映扇区运行特征的指标数据；

所述步骤(3)包括以下步骤：

(31)依据KFCM目标函数取得最小值的时候对应的聚类效果最好的原则，参考遗传算法适应度函数设计准则，定义GA-KFCM适应度函数：

(32)采用非线性排序选择方法，按照适应度大小对个体进行排序，然后根据顺序分配个体被选择的概率，非线性选择概率分布为：

f(z)＝q(1-q)^z-1

其中，q∈(0，1)为指定参数，z＝1，2，...，n为排序序号；

(33)采用自适应的思想，动态确定遗传算法交叉概率以及变异概率：

其中，p_c0为初始交叉概率，p_m0为初始变异概率，T为最大进化代数，t为当前进化代数。

2.根据权利要求1所述的基于运行特征的民航管制扇区分类方法，其特征在于，步骤(2)所述的扇区分类指标包括管制飞行时长、航空器进入架次、航空器占据架次、运行态势统计改变统计及交叉汇聚点。

3.根据权利要求1所述的基于运行特征的民航管制扇区分类方法，其特征在于，所述步骤(4)包括以下步骤：

(41)采用Z-Score规范化样本数据，经过归一化处理的数据的均值为0，标准差为1；

(42)选用主成分分析，将多个变量转换为少数几个主成分来反映原始变量的大部分信息；

(43)将用整体轮廓系数和核空间的V_KXB指标来确定最佳聚类数；

(44)根据确定的最佳聚类数，结合聚类结果的可解释性，确定最终聚类簇数。