CN112348338A - 一种塔台管制效能评价指标关联关系分析方法 - Google Patents
一种塔台管制效能评价指标关联关系分析方法 Download PDFInfo
- Publication number
- CN112348338A CN112348338A CN202011169203.5A CN202011169203A CN112348338A CN 112348338 A CN112348338 A CN 112348338A CN 202011169203 A CN202011169203 A CN 202011169203A CN 112348338 A CN112348338 A CN 112348338A
- Authority
- CN
- China
- Prior art keywords
- airport
- time period
- representing
- index
- correlation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000011156 evaluation Methods 0.000 title claims abstract description 21
- 230000010006 flight Effects 0.000 claims description 75
- 238000004364 calculation method Methods 0.000 claims description 36
- 238000010276 construction Methods 0.000 claims description 27
- 238000013459 approach Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 13
- 230000003111 delayed effect Effects 0.000 claims description 7
- 241000714933 Chryseobacterium nakagawai Species 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 5
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000005034 decoration Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (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
本发明提供了一种塔台管制效能评价指标关联关系分析方法,包括:首先对原始数据进行清洗,去掉异常值、重复值,填补缺失值;基于过程方法选取部分可计算的空管塔台代表性指标,对指标对之间建立最大交互信息法非参数模型,求取最大信息系数(MIC)确定指标间的关联强度;再根据Spearman相关系数法辅助识别关联方向,最终得到空管塔台指标关联关系。Spearman相关系数法弥补了最大非参数模型无法确定指标间的关联方向的问题,最大非参数模型也改善了Spearman相关系数法对于非线性指标间关联程度判断的局限性与准确度,为提升塔台管制效能奠定基础。
Description
技术领域
本发明属于空中交通评价领域,特别涉及一种塔台管制效能评价指标关联关系分析方法。
背景技术
塔台管制效能指标关联关系分析方法是评价过程的关键步骤,评价指标的选取要考虑到指标的科学性、独立性,适用性等原则;而指标关联关系计算即在分析指标之间的相关程度,对相关程度高的指标后期进行降维或简化指标,才能保证指标独立性原则,避免重复因素的计算导致评价结果失真。现阶段空管领域关联关系的计算多采用皮尔逊相关系数法,spearman相关系数法等线性关系方法,而实际上空管领域的指标间不单单全为线性相关,而最大交互信息法计算的范围为线性相关关系、非线性相关关系以及函数相关关系,但最大交互信息法不能得出指标之间的关联方向,因此关联方向的确认依旧采用传统方法进行判断,而相关程度采用较为准确的最大交互信息法进行指标间的计算。
发明内容
本发明要解决的技术问题是:针对塔台管制效能评价,提出了一种基于MINE-Spearman模型的塔台管制效能评价指标关联关系分析方法。实现了对空管塔台评价指标的相关程度的计算,为以后指标简化与指标体系降维提供方向。
为了解决上述技术问题,本发明公开了一种基于MINE-Spearman模型的塔台管制效能评价指标关联关系分析方法,包括如下步骤:
步骤1,分析塔台管制过程中相关要素,基于运行过程和计划数据选取可计算的代表性指标;
步骤2,对飞行计划数据进行数据清洗即数据预处理,并计算选取的塔台指标;
步骤3,创建指标对,两两指标对间建立MINE-Spearman模型,完成管制效能评价指标关联关系分析。
步骤1包括如下步骤:
步骤1-1:根据航班的飞行过程以及飞行计划数据,分析影响塔台管制效能的相关因素,获取起飞航班从准备起飞经历放行、推出、滑出、跑道等待、跑道起飞的时间节点;获取降落航班从准备着陆经历脱离跑道、滑入、到达停机位的时间节点;
步骤1-2,根据步骤1-1中的时间节点,选取代表性指标,包括起飞降落航班数量指标、滑出滑入时间指标、跑道等待时间指标、有关放行间隔及效率的指标,进离港延误航班指标,并定义指标计算模型。。
步骤1-2包括如下步骤:
步骤1-2-1,构建指标C1,即起飞航班数,其计算公式为:
步骤1-2-2,构建指标C2,即降落航班数,其计算公式为:
步骤1-2-3,构建指标C3,即准时离港航班数,其计算公式为:
步骤1-2-4,构建指标C4,即跑道利用率,在统计时段t内跑道起降量与跑道容量的比例,其计算公式为:
步骤1-2-5,构建指标C5,即平均滑出时间,在统计时段t内航班实际撤轮档时间与实际起飞时间之间的时间长度的平均值,其计算公式:
步骤1-2-6:构建指标C6,即平均滑入时间,在统计时段t的航班实际落地时间至实际上轮档时间之间的时间长度的平均值,其计算公式:
步骤1-2-7:构建指标C7,即连续航班平均放行间隔,连续航班指同跑道,两离场航班离场时未插入进场航班,连续航班平均放行间隔计算公式:
步骤1-2-8:构建指标C8,即连续离场航班放行效率,统计时段t内的连续离场的航班放行间隔平均值与尾流间隔标准加权结果的比值。其计算公式:
步骤1-2-9:构建指标C9,即连续进场航班平均进场间隔,统计时段t内的连续进场航班的平均进场间隔,其中同跑道,两进场航班进场时不插入离场航班即判断为连续进场航班。其计算公式:
步骤1-2-10:构建指标C10,即跑道平均等待时间,统计时段t内的航班进入跑道时间与排队时间的时间长度的平均值。其计算公式:
步骤1-2-11:构建指标C11,即CTOT(Calculated Take-off Time,计算的起飞时间)执行符合率,在统计时段t内根据系统计算的CTOT执行航班的数量与总离场航班数量的比例。计算公式如下:
式中表示机场a在统计时段t内的第i架航班的实际起飞时刻值;表示机场a在统计时段t内的第i架航班的计算起飞时刻值;表示机场a在统计时段t内的第i架航班设定的提前偏差值;表示机场a在统计时段t内的第i架航班设定的滞后偏差值;表示机场a在时段t内的实际离港飞机数量;表示机场a在统计时段t内的CTOT执行符合率;
步骤1-2-12:构建指标C12,即离港航班延误架次,在统计时段t内的所延误的离场航班数量。其计算公式为:
步骤1-2-13:构建指标C13,即离港航班延误平均时长,在统计时段t内离场延误航班的延误时长的平均值,计算公式如下:
式中:B代表计算的集合;表示机场a在统计时段t内的第i架航班计划撤轮档时刻;表示机场a在统计时段t内的第i架航班的经验离港滑行时间;N+(C)表示C的正整数集合。表示机场a在统计时段t内的离港航班延误平均时长。
步骤2包括如下步骤:
步骤2-1,对飞行计划(CDM)数据,使用Python的isnull函数查看数据缺失值;
步骤2-2,根据缺失值的比例确定处理方法;如果缺失行在5%以内,采用删除法删除缺失行;如果缺失值比例非常高(如缺失值在70%左右),删除缺失值所对应的变量;如果缺失值在50%以内,用均值替换法对缺失值进行填补。
步骤3包括如下步骤:
步骤3-1,指标两两分组,即(C1,C2),(C1,C3)…(C12,C13),共78组;
步骤3-2,指标对之间使用最大交互信息法,计算最大信息系数(MIC)值,判断关联程度强弱,越接近于1关联程度越强;
步骤3-3,指标对之间使用Spearman相关法,求取Spearman秩相关系数值,判断指标对之间关联方向;
步骤3-4,根据MINE-Spearman模型得出空管塔台指标关联关系,进行总结分类;
步骤3-2包括如下步骤:
步骤3-2-1,塔台两个指标(Cx,Cy)的联合分布为P(Cx,Cy),(Cx,Cy)取值范围为指标对(C1,C2),(C1,C3)…(C12,C13)共78组,边缘分布分别为p(cx),p(cy),互信息I(cx,cy)是联合分布p(cx,cy)与边缘分布p(cx),p(cy)的相对熵,即:
步骤3-2-2,将步骤3-2-1算出的I(cx,cy)除以log2min(nx,ny),其中nx、ny分别是指标对Cx和Cy分割的分区数量;
步骤3-2-3,计算出的互信息进行上述步骤3-2-2归一化之后,找出其中最大的互信息值,即对于指标对Cx和Cy的最大信息系数MIC(cx,cy)计算公式如下:
MIC(cx,cy)=max{I(cx,cy)/log2min{nx,ny}}。
步骤3-3包括如下步骤:
步骤3-3-1,定等级编秩次,求每对指标秩次之差d和d2。将指标Cx、Cy分别从大到小排序,记C'x、C'y为原始Cx、Cy在排序后列表中的位置,C'x、C'y分别为Cx、Cy的秩次,秩次差d=C'x-C'y;d2=(C'x-C'y)2
步骤3-3-2:求等级相关系数rs:
步骤3-3-3:当Cx、Cy中存在相同秩次时,计算rs的校正值r′s。
步骤3-3-4:最终计算出的相关系数的含义:如果Cx的值增大,Cy的值也增大,相关系数值r′s为0.00与1.00之间,两个指标之间关联方向为正相关;如果Cx的值增大,Cy的值减少,相关系数值r′s为-1.00与0.00之间,两个指标之间关联方向为负相关;
步骤3-4包括如下步骤:
步骤3-4-1:由步骤3-3Spearman相关法计算出的Spearman秩相关系数,提取其中关联方向,即Spearman秩相关系数值在0.00与1.00之间关联方向为正相关,提取指标对(Cx,Cy)之间关联方向为+1;Spearman秩相关系数值在-1.00与0.00之间关联方向为负相关,提取指标对(Cx,Cy)之间关联方向为-1,最终得到有+1,-1组成的关联方向矩阵B=[bij];bij表示关联方向矩阵B第i行第j列的元素;
步骤3-4-2:由步骤3-2最大交互信息法计算出的最大信息系数(MIC)值作为指标之间的关联程度矩阵A=[aij],aij表示关联程度矩阵A第i行第j列的元素;得到最终关联关系程度为(A*B)ij=aijbij的78×78矩阵,其中i,j的取值范围为(1,2,...13)。
步骤3-4-3:确定如下6种分类:
(1)强关联、正相关;
(2)中等关联、正相关;
(3)弱关联、正相关;
(4)强关联、负相关;
(5)中等关联、负相关;
(6)弱关联、负相关。
有益效果:本发明具有如下技术效果:
(1)对空管塔台指标关联程度的强弱与关联方向得到准确判断,为后期指标的简化与降维提供做铺垫。
(2)为空中交通管理评价等业务运行提供了技术依据。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为本发明的具体实施流程图;
图2为空管塔台管制过程运行图;
图3MINE-Spearman模型结果可视化图;
图4为本发明详细流程图。
具体实施方式
本发明提供了一种塔台管制效能评价指标关联关系分析方法,包括:
步骤1,分析塔台管制过程中相关要素,基于运行过程和飞行计划数据选取可计算的代表性指标;
步骤2,对飞行计划数据进行数据清洗即数据预处理,并计算选取的塔台指标;
步骤3,创建指标对,两两指标对间建立MINE-Spearman模型;
步骤1包括如下步骤:
步骤1-1:根据航班的飞行过程以及飞行计划数据,分析影响塔台管制效能的相关因素,获取起飞航班从准备起飞经历放行、推出、滑出、跑道等待、跑道起飞等重要时间节点;获取降落航班从准备着陆经历脱离跑道、滑入、到达停机位等重要时间节点。
步骤1-2,根据上述步骤1-1中飞行计划数据的时间节点,选取代表性指标,包括起飞降落航班数量指标、滑出滑入时间指标、跑道等待时间指标、有关放行间隔及效率的指标,进离港延误航班指标,并定义指标计算模型。
步骤1-2包括如下步骤:
步骤1-2-1,构建指标C1,即起飞航班数,其计算公式为:
步骤1-2-2,构建指标C2,即降落航班数,其计算公式为:
步骤1-2-3,构建指标C3,即准时离港航班数,其计算公式为:
步骤1-2-4,构建指标C4,即跑道利用率,在统计时段t内跑道起降量与跑道容量的比例,其计算公式为:
步骤1-2-5,构建指标C5,即平均滑出时间,在统计时段t内航班实际撤轮档时间与实际起飞时间之间的时间长度的平均值,其计算公式:
步骤1-2-6:构建指标C6,即平均滑入时间,在统计时段t的航班实际落地时间至实际上轮档时间之间的时间长度的平均值,其计算公式:
步骤1-2-7:构建指标C7,即连续航班平均放行间隔,连续航班指同跑道,两离场航班离场时未插入进场航班,其计算公式:
步骤1-2-8:构建指标C8,即连续离场航班放行效率,统计时段t内的连续离场的航班放行间隔平均值与尾流间隔标准加权结果的比值。其计算公式:
步骤1-2-9:构建指标C9,即连续进场航班平均进场间隔,统计时段t内的连续进场航班的平均进场间隔,其中同跑道,两进场航班进场时不插入离场航班即判断为连续进场航班。其计算公式:
步骤1-2-10:构建指标C10,即跑道平均等待时间,统计时段t内的航班进入跑道时间与排队时间的时间长度的平均值。其计算公式:
步骤1-2-11:构建指标C11,即CTOT(Calculated Take-off Time,计算的起飞时间)执行符合率,在统计时段t内根据CDM放行系统计算的CTOT执行航班的数量与总离场航班数量的比例。
式中表示机场a在统计时段t内的第i架航班的实际起飞时刻值;表示机场a在统计时段t内的第i架航班的计算起飞时刻值;表示机场a在统计时段t内的第i架航班设定的提前偏差值;表示机场a在统计时段t内的第i架航班设定的滞后偏差值;表示机场a在时段t内的实际离港飞机数量;Num(B)表示集合B的数量。
步骤1-2-12:构建指标C12,即离港航班延误架次,在统计时段t内的所延误的离场航班数量。其计算公式:
步骤1-2-13:构建指标C13,即离港航班延误平均时长,在统计时段t内离场延误航班的延误时长的平均值。
式中:B代表计算的集合;表示机场a在统计时段t内的第i架航班计划撤轮档时刻;表示机场a在统计时段t内的第i架航班的实际起飞时刻值;表示机场a在统计时段t内的第i架航班的经验离港滑行时间;表示机场a在时段t内的实际离港飞机数量;N+(C)表示C的正整数集合。
步骤2包括如下步骤:
步骤2-1,对飞行计划(CDM)数据,使用Python的isnull函数查看数据缺失值;
步骤2-2,根据缺失值的比例确定处理方法;如果缺失行在5%以内,采用删除法删除缺失行;如果缺失值比例非常高(如缺失值在70%左右),删除缺失值所对应的变量;如果缺失值在50%以内,用均值替换法对缺失值进行填补。
步骤3包括如下步骤:
步骤3-1,指标两两分组,即(C1,C2),(C1,C3)…(C12,C13),共78组;
步骤3-2,指标对之间使用最大交互信息法(MINE),计算最大信息系数(MIC)值,判断关联程度强弱,越接近于1关联程度越强;
步骤3-3,指标对之间使用Spearman相关法,求取Spearman秩相关系数值,判断指标对之间关联方向;
步骤3-4,根据MINE-Spearman模型得出的空管塔台指标关联关系进行总结分类;
步骤3-2包括如下步骤:
步骤3-2-1,塔台两个指标(Cx,Cy)的联合分布为P(Cx,Cy),(Cx,Cy)取值范围为指标对(C1,C2),(C1,C3)…(C12,C13)等78组,边缘分布分别为p(cx),p(cy),互信息I(cx,cy)是联合分布p(cx,cy)与边缘分布p(cx),p(cy)的相对熵,即:
步骤3-2-2,将步骤3-2-1算出的I(cx,cy)除以log2min(nx,ny),其中nx、ny分别是指标对Cx和Cy分割的分区数量;
步骤3-2-3,计算出的互信息进行上述步骤3-2-2归一化之后,找出其中最大的互信息值,即对于指标对Cx和Cy的最大信息系数(MIC)计算公式如下:
MIC(cx,cy)=max{I(cx,cy)/log2min{nx,ny}}
步骤3-3包括如下步骤:
步骤3-3-1,定等级编秩次,求每对指标秩次之差d和d2。将指标Cx、Cy分别从大到小排序,记C'x、C'y为原始Cx、Cy在排序后列表中的位置,C'x、C'y称为Cx、Cy的秩次,秩次差d=C'x-C'y;d2=(C'x-C'y)2
步骤3-3-2:求等级相关系数rs。
步骤3-3-3:当Cx、Cy中存在相同秩次时,计算rs的校正值r′s。
步骤3-3-4:最终计算出的相关系数的含义:如果Cx的值增大,Cy的值也增大,相关系数值r′s为0.00与1.00之间,两个指标之间关联方向为正相关;如果Cx的值增大,Cy的值减少,相关系数值r′s为-1.00与0.00之间,两个指标之间关联方向为负相关;
步骤3-4包括如下步骤:
步骤3-4-1:由步骤3-3Spearman相关法计算出的Spearman秩相关系数,提取其中关联方向,即Spearman秩相关系数值在0.00与1.00之间关联方向为正相关,提取指标对(Cx,Cy)之间关联方向为+1;Spearman秩相关系数值在-1.00与0.00之间关联方向为负相关,提取指标对(Cx,Cy)之间关联方向为-1,最终得到有+1,-1组成的关联方向矩阵B=[bij]
步骤3-4-2:由步骤3-2最大交互信息法计算出的最大信息系数(MIC)值作为指标之间的关联程度矩阵A=[aij],与上述计算的关联方向矩阵B=[bij],即最终关联关系程度即为(A*B)ij=aijbij的78×78矩阵,其中i,j的取值范围为(1,2,...13)。
步骤3-4-3:确定6种分类,如表1所示:
表1
实施例
如图1和图4所示,本发明公开了一种基于MINE-Spearman模型的塔台管制效能评价指标关联关系分析方法,属于空中交通评价领域。该方法首先基于过程方法理论对塔台进行分析选取了可计算的空管塔台指标,然后进行数据清洗,保证了数据时间区间的一致性,选取了一个月的飞行计算数据,对选取的空管塔台指标进行计算,最终整理出来了744组空管塔台评价样本;然后对所选取的13个塔台指标进行两两分组,共组成78个不同组合的指标对并通过最大交互信息法求取关联程度值(MIC值),以及通过Spearman相关系数法求取指标间的Spearman秩相关系数值,以此确定关联方向。具体实施例如下:
1、结合空管塔台评价需求,重点分析空管塔台的效能,本文结合图2基于过程方法选取了满足塔台运行的相关指标,如表2所示。
表2
2、以某地区塔台为例,选取2018年12月份某地区机场飞行计划数据,计算塔台效能指标,考虑时间统一性指标均以每小时为一个时间片进行统计。得到了744组样本数据,部分样本数据与形式见表3:
表3
通过观察得到计算的数据不能轻易看出指标之间的关联程度以及关联方向,因此构建两两指标之间的关系散点图。
3、通过对上一步构建的指标间的散点图进行i行j列的划分,一张图的i,j可以有多种定义,因此有n种划分情况;分别求取同样i,j不同划分情况下的互信息值,找到同样的i,j情况下的互信息的最大值即为最大互信息值记做I1,所有的最大互信息值有I1…In,分别对其归一化并选取最大的一个I值即为最大信息系数(MIC)。
运用python的minepy包对指标进行最大信息系数的计算;
输入:空管塔台指标数据集{(Cx、Cy),(x≠y)}744;
输出:MIC(cx,cy)为次空管指标对{(Cx、Cy),(x≠y)}之间最大信息系数值即关联强度。通过以上的一系列计算得到空管塔台指标间的最大信息系数值如表4所示;
表4
4、通过spearman相关系数法求取的78组指标间的系数如表5所示;
表5
由表5可知,根据以上计算的相关系数r′s的值来判断关联方向,r′s在0.00与1.00之间,两个指标为正相关指标对;相关系数值r′s为-1.00与0.00之间,两个指标为负相关指标对;
5、最终通过上述MINE-Spearman模型结合图3所示计算的空管塔台指标关联关系主要分为几类:
(1)、强关联(MIC≥0.6)、正相关:(C1,C3)、(C2,C3)、(C4,C5)、(C7,C8),其中(C7,C8)指标对为极强关联;
(2)、中等关联(0.3≤MIC<0.6)、正相关:(C1,C2)、(C1,C11)、(C1,C12)、(C2,C6)、(C3,C12)、(C4,C6)、(C4,C12)、(C7,C9)、(C9,C8)、(C4,C10)、(C5,C10)、(C5,C12)、(C10,C12)
(3)、弱关联(MIC<0.3)、正相关:(C1,C4)、(C1,C5)、(C1,C6)、(C1,C10)、(C2,C4)、(C2,C5)、(C2,C10)、(C2,C11)、(C2,C12)、(C3,C6)、(C3,C10)、(C3,C11)、(C4,C11)、(C5,C6)、(C5,C11)、(C6,C10)、(C6,C11)、(C6,C12)、(C6,C13)、(C7,C13)、(C8,C13)、(C10,C11)、(C11,C12)、(C12,C13);
(4)、强关联(MIC≥0.6)、负相关:(C2,C9);
(5)、中等关联(0.3≤MIC<0.6)、负相关:(C1,C7)、(C2,C7)、(C2,C8)、(C3,C7)、(C1,C8)、(C3,C8)、(C6,C9)、(C1,C9)、(C3,C9);(C7,C10)、(C7,C12)、(C8,C10)、(C8,C12)、(C9,C10)、(C9,C12);
(6)、弱关联(MIC<0.3)、负相关:(C1,C13)、(C2,C13)、(C3,C4)、(C3,C5)、(C3,C13)、(C4,C7)、(C4,C8)、(C4,C9)、(C4,C13)、(C5,C7)、(C5,C8)、(C5,C9)、(C5,C13)、(C6,C7)、(C6,C8)、(C7,C11)、(C8,C11)、(C9,C11)、(C9,C13)、(C10,C13)、(C11,C13);
本发明提供了一种塔台管制效能评价指标关联关系分析方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (8)
1.一种塔台管制效能评价指标关联关系分析方法,其特征在于,包括如下步骤:
步骤1,分析塔台管制过程中相关要素,基于运行过程和计划数据选取代表性指标;
步骤2,对飞行计划数据进行预处理,并计算选取的塔台指标;
步骤3,创建指标对,两两指标对间建立MINE-Spearman模型,完成管制效能评价指标关联关系分析。
2.根据权利要求1所述的方法,其特征在于,步骤1包括如下步骤:
步骤1-1:根据航班的飞行过程以及飞行计划数据,分析影响塔台管制效能的相关因素,获取起飞航班从准备起飞经历放行、推出、滑出、跑道等待、跑道起飞的时间节点;获取降落航班从准备着陆经历脱离跑道、滑入、到达停机位的时间节点;
步骤1-2,根据步骤1-1中的时间节点,选取代表性指标,包括起飞降落航班数量指标、滑出滑入时间指标、跑道等待时间指标、有关放行间隔及效率的指标,进离港延误航班指标,并定义指标计算模型。
3.根据权利要求2所述的方法,其特征在于,步骤1-2包括如下步骤:
步骤1-2-1,构建指标C1,即起飞航班数,其计算公式为:
步骤1-2-2,构建指标C2,即降落航班数,其计算公式为:
步骤1-2-3,构建指标C3,即准时离港航班数,其计算公式为:
步骤1-2-4,构建指标C4,即跑道利用率,其计算公式为:
步骤1-2-5,构建指标C5,即平均滑出时间,其计算公式:
步骤1-2-6:构建指标C6,即平均滑入时间,其计算公式:
步骤1-2-7:构建指标C7,即连续航班平均放行间隔,连续航班指同跑道,两离场航班离场时未插入进场航班,连续航班平均放行间隔计算公式:
步骤1-2-8:构建指标C8,即连续离场航班放行效率,其计算公式:
步骤1-2-9:构建指标C9,即连续进场航班平均进场间隔,其计算公式为:
步骤1-2-10:构建指标C10,即跑道平均等待时间,其计算公式:
步骤1-2-11:构建指标C11,即CTOT执行符合率,计算公式如下:
式中表示机场a在统计时段t内的第i架航班的实际起飞时刻值;表示机场a在统计时段t内的第i架航班的计算起飞时刻值;表示机场a在统计时段t内的第i架航班设定的提前偏差值;表示机场a在统计时段t内的第i架航班设定的滞后偏差值;表示机场a在时段t内的实际离港飞机数量;表示机场a在统计时段t内的CTOT执行符合率;
步骤1-2-12:构建指标C12,即离港航班延误架次,其计算公式为:
步骤1-2-13:构建指标C13,即离港航班延误平均时长,计算公式如下:
4.根据权利要求3所述的方法,其特征在于,步骤2包括如下步骤:
步骤2-1,对飞行计划数据,使用Python的isnull函数查看数据缺失值;
步骤2-2,根据缺失值的比例确定处理方法;如果缺失行在5%以内,采用删除法删除缺失行;如果缺失值比例非常高,删除缺失值所对应的变量;如果缺失值在50%以内,用均值替换法对缺失值进行填补。
5.根据权利要求4所述的方法,其特征在于,步骤3包括如下步骤:
步骤3-1,指标两两分组,即(C1,C2),(C1,C3)…(C12,C13),共78组;
步骤3-2,指标对之间使用最大交互信息法,计算最大信息系数MIC值,判断关联程度强弱,越接近于1关联程度越强;
步骤3-3,指标对之间使用Spearman相关法,求取Spearman秩相关系数值,判断指标对之间关联方向;
步骤3-4,根据MINE-Spearman模型得出空管塔台指标关联关系,进行总结分类。
6.根据权利要求5所述的方法,其特征在于,步骤3-2包括如下步骤:
步骤3-2-1,塔台两个指标(Cx,Cy)的联合分布为P(Cx,Cy),(Cx,Cy)取值范围为指标对(C1,C2),(C1,C3)…(C12,C13)共78组,边缘分布分别为p(cx),p(cy),互信息I(cx,cy)是联合分布p(cx,cy)与边缘分布p(cx),p(cy)的相对熵,即:
步骤3-2-2,将步骤3-2-1算出的I(cx,cy)除以log2min(nx,ny),其中nx、ny分别是指标对Cx和Cy分割的分区数量;
步骤3-2-3,计算出的互信息进行上述步骤3-2-2归一化之后,找出其中最大的互信息值,即对于指标对Cx和Cy的最信息系数MIC(cx,cy)计算公式如下:
MIC(cx,cy)=max{I(cx,cy)/log2min{nx,ny}}。
7.根据权利要求6所述的方法,其特征在于,步骤3-3包括如下步骤:
步骤3-3-1,定等级编秩次,求每对指标秩次之差d和d2;将指标Cx、Cy分别从大到小排序,记C'x、C'y为原始Cx、Cy在排序后列表中的位置,C'x、C'y分别为Cx、Cy的秩次,秩次差d=C'x-C'y;d2=(C'x-C'y)2
步骤3-3-2:求等级相关系数rs:
步骤3-3-3:当Cx、Cy中存在相同秩次时,计算rs的校正值r′s:
步骤3-3-4:最终计算出的相关系数的含义:如果Cx的值增大,Cy的值也增大,相关系数值r′s为0.00与1.00之间,两个指标之间关联方向为正相关;如果Cx的值增大,Cy的值减少,相关系数值r′s为-1.00与0.00之间,两个指标之间关联方向为负相关。
8.根据权利要求7所述的方法,其特征在于,步骤3-4包括如下步骤:
步骤3-4-1:由步骤3-3Spearman相关法计算出的Spearman秩相关系数,提取其中关联方向,即Spearman秩相关系数值在0.00与1.00之间关联方向为正相关,提取指标对(Cx,Cy)之间关联方向为+1;Spearman秩相关系数值在-1.00与0.00之间关联方向为负相关,提取指标对(Cx,Cy)之间关联方向为-1,最终得到有+1,-1组成的关联方向矩阵B=[bij];bij表示关联方向矩阵B第i行第j列的元素;
步骤3-4-2:由步骤3-2最大交互信息法计算出的最大信息系数值作为指标之间的关联程度矩阵A=[aij],aij表示关联程度矩阵A第i行第j列的元素;得到最终关联关系程度为(A*B)ij=aijbij的78×78矩阵,其中i,j的取值范围为(1,2,...13);
步骤3-4-3:确定如下6种分类:
(1)强关联、正相关;
(2)中等关联、正相关;
(3)弱关联、正相关;
(4)强关联、负相关;
(5)中等关联、负相关;
(6)弱关联、负相关。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011169203.5A CN112348338A (zh) | 2020-10-28 | 2020-10-28 | 一种塔台管制效能评价指标关联关系分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011169203.5A CN112348338A (zh) | 2020-10-28 | 2020-10-28 | 一种塔台管制效能评价指标关联关系分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348338A true CN112348338A (zh) | 2021-02-09 |
Family
ID=74360238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011169203.5A Pending CN112348338A (zh) | 2020-10-28 | 2020-10-28 | 一种塔台管制效能评价指标关联关系分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348338A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610410A (zh) * | 2021-08-12 | 2021-11-05 | 中国民航大学 | 一种用于机场空侧区管制运行效能的评价方法 |
CN114511246A (zh) * | 2022-02-24 | 2022-05-17 | 应急管理部沈阳消防研究所 | 一种基于相关性原理的消防灾情数据核查方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100063716A1 (en) * | 2006-11-24 | 2010-03-11 | Raimund Brozat | Method and device for the control of air traffic management at an airport |
CN110660274A (zh) * | 2019-09-30 | 2020-01-07 | 中国电子科技集团公司第二十八研究所 | 一种机场容需平衡预测方法 |
-
2020
- 2020-10-28 CN CN202011169203.5A patent/CN112348338A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100063716A1 (en) * | 2006-11-24 | 2010-03-11 | Raimund Brozat | Method and device for the control of air traffic management at an airport |
CN110660274A (zh) * | 2019-09-30 | 2020-01-07 | 中国电子科技集团公司第二十八研究所 | 一种机场容需平衡预测方法 |
Non-Patent Citations (1)
Title |
---|
徐萌等: "空管塔台运行效能评价指标网构建及计算", 《航空计算技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610410A (zh) * | 2021-08-12 | 2021-11-05 | 中国民航大学 | 一种用于机场空侧区管制运行效能的评价方法 |
CN113610410B (zh) * | 2021-08-12 | 2023-08-04 | 中国民航大学 | 一种用于机场空侧区管制运行效能的评价方法 |
CN114511246A (zh) * | 2022-02-24 | 2022-05-17 | 应急管理部沈阳消防研究所 | 一种基于相关性原理的消防灾情数据核查方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348338A (zh) | 一种塔台管制效能评价指标关联关系分析方法 | |
CN104462184B (zh) | 一种基于双向抽样组合的大规模数据异常识别方法 | |
WO2021082394A1 (zh) | 基于大数据深度学习的场面可变滑出时间预测系统 | |
CN106131158A (zh) | 一种云数据中心环境下基于云租户信用度的资源调度装置 | |
CN107122382A (zh) | 一种基于说明书的专利分类方法 | |
CN102750367A (zh) | 在云端平台的大数据检核系统及其方法 | |
CN107086929A (zh) | 一种基于排队建模的批量流式计算系统性能保障方法 | |
CN105809280A (zh) | 一种机场容量需求预测方法 | |
CN111415039B (zh) | 一种基于非负张量分解的航班延误模式分析方法 | |
CN116307682A (zh) | 一种考虑多元指标的机场航线网络失稳状态综合评价方法 | |
CN112100903A (zh) | 一种航空发动机吸鸟环境下的鸟类风险预测与评估方法 | |
CN112749905A (zh) | 一种基于大数据挖掘的洪涝灾害评估方法 | |
Ramasubramanian et al. | Use of growth indices in Markov Chain models for crop yield forecasting | |
CN115879800A (zh) | 基于数据智能的航班管理延误事后分析方法 | |
CN109961085A (zh) | 基于贝叶斯估计的航班延误预测模型的建立方法及装置 | |
CN111090793B (zh) | 一种基于平均延误时间序列的机场日延误特征分类方法 | |
CN111680074B (zh) | 一种基于聚类算法的电力采集负荷漏点特征挖掘方法 | |
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 | |
CN110084516B (zh) | 一种民航航段运行时间标准修订方法 | |
CN113837865A (zh) | 多维度风险特征策略的提取方法 | |
CN110941767A (zh) | 一种基于多相似度集成的网络社团检测对抗增强方法 | |
CN118332371A (zh) | 一种机场场面运行时间序列分类划分方法、装置及存储介质 | |
CN115662197B (zh) | 基于信息差异赋权的空域灵活使用效能评估指标计算方法 | |
CN115511010B (zh) | 一种基于飞机着陆过程的飞行员驾驶风格分类方法及系统 | |
CN117892236A (zh) | 一种机场场面运行场景分类方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210209 |