CN113284371A - 一种强对流天气条件下飞行禁止区划设方法 - Google Patents
一种强对流天气条件下飞行禁止区划设方法 Download PDFInfo
- Publication number
- CN113284371A CN113284371A CN202110575666.XA CN202110575666A CN113284371A CN 113284371 A CN113284371 A CN 113284371A CN 202110575666 A CN202110575666 A CN 202110575666A CN 113284371 A CN113284371 A CN 113284371A
- Authority
- CN
- China
- Prior art keywords
- flight
- weather
- abnormal
- strong convection
- data
- 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 44
- 230000002159 abnormal effect Effects 0.000 claims abstract description 50
- 230000010006 flight Effects 0.000 claims abstract description 25
- 238000007637 random forest analysis Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 12
- 239000007788 liquid Substances 0.000 claims description 4
- 238000002310 reflectometry Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 2
- 230000003628 erosive effect Effects 0.000 claims description 2
- 238000011217 control strategy Methods 0.000 description 5
- 230000001934 delay Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0073—Surveillance aids
- G08G5/0091—Surveillance aids for monitoring atmospheric conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/003—Flight plan management
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及航空领域,公开了一种强对流天气条件下飞行禁止区划设方法,其技术方案要点是获取指定空域中相对应的气象数据和航空数据;筛选出受强对流天气干扰的异常航班和正常航班;提取天气特征因子数据,并利用随机森林方法进行特征选择,输出若干与异常航班相关性达到预设影响阈值的天气特征因子;将各种天气特征因子的取值进行离散化处理并进行分类组合,得到若干天气特征因子组合;基于python中的opencv代码包,进行初步落区识别;并统计各个天气特征因子组合的飞行禁止区划设成功率,选择划设成功率最高的天气特征因子组合作为飞行禁止区划设标准;根据飞行禁止区划设标准和待测空域的天气数据,得到待测空域内强对流天气下的飞行禁止区。
Description
技术领域
本发明涉及航空领域,更具体地说,它涉及一种强对流天气条件下飞行禁止区划设方法。
背景技术
随着民航业整体规模和运输量的日益增长,传统的空中交通管理模式下空域资源与民航交通运输的需求间矛盾逐步加剧,民航运输拥堵问题日益严重,导致大面积延误事件时常发生。经过学者们的研究分析,高达76%的航班延误是和天气因素相关的,而在众多与天气相关的航班延误中,有60%是由强对流天气导致的。同样的,空域资源与民航交通运输需求之间的失衡问题,也会引发潜在的安全问题。一般而言,对民航飞行安全产生影响的因素包括强对流天气、人为因素以及机械故障等。其中,强对流天气指短期内发生的雷暴、大风等极端天气现象,其突发性强,作用范围不定,是影响民航飞行安全的主要因素之一。综上所述,变化迅速的强对流天气已经成为影响航班安全以及航班延误的一个重要因素,因此如何在强对流天气情况下提升空域资源的利用率,保障民航运输安全是亟待解决的问题。
一直以来,我国国内针对强对流天气影响空中交通运输的研究工作仍处于初级阶段,多数学者一般会考虑将气象雷达回波图中雷达回波≥35dBz或41dBz的区域划设为飞行禁止区,但这种方法是采用一个假设、预定的天气信息对飞行禁止区进行笼统的划设,缺少一定的实际意义,不能很好的用于实际。对于飞行禁止区划设方面的研究缺失,导致无法将强对流天气对于空域的影响范围、影响程度以及空中交通的通行能力进行客观预测及定量评估。
在目前预报员和管制员的工作中,值班预报员一般无法根据气象信息为管制员提供辅助决策支持,而值班管制员往往依据自身经验及主观判断当前空域或航路是否具备通行能力,为所负责空域内的航空器提供管制服务,并发布流量管制策略。一般管制员所采用的流量管理策略包括地面等待、空中等待、改航绕飞等。在实际管制工作中,改航绕飞对于管制员来说是一个极为复杂、危险系数较高、出错率较高的阶段。民航管制员需要相关的辅助决策工具来帮助其在强对流天气中,利用航空气象系统所提供的天气信息,确定天气对于航空器运行的影响,制定战术决策以减轻天气对于航空运输的影响。而由于无法将强对流天气信息转化为对于空域资源约束的定量约束,因此这种流量管理策略只能根据经验,人工预判强对流天气影响下的空域容量,不同个体直接的预判差异很大,无法对个体的评估进行校正和优化。
因此,空中交通管理工作当中迫切需要将强对流天气的影响进行量化,明确航空器需要规避的飞行禁止区。
发明内容
本发明的目的是提供一种强对流天气条件下飞行禁止区划设方法,可以提升航空运输的安全性,减轻管制员的工作负荷,同时缓解空中交通延误并提升民用航空运输效率。
本发明的上述技术目的是通过以下技术方案得以实现的:一种强对流天气条件下飞行禁止区划设方法,包括如下步骤:
获取指定空域中相对应的气象数据和航空数据;
根据获取的气象数据和航空数据,筛选出受强对流天气干扰的异常航班和正常航班;
根据受强对流天气干扰的异常航班和正常航班,提取天气特征因子数据,并利用随机森林方法进行特征选择,输出若干与异常航班相关性达到预设影响阈值的天气特征因子;
将各种天气特征因子的取值进行离散化处理并进行分类组合,得到若干天气特征因子组合;
根据天气特征因子组合,基于python中的opencv代码包,进行初步落区识别;
根据落区识别结果,统计各个天气特征因子组合的飞行禁止区划设成功率,选择划设成功率最高的天气特征因子组合作为飞行禁止区划设标准;
根据飞行禁止区划设标准和待测空域的天气数据,得到待测空域内强对流天气下的飞行禁止区。
作为本发明的一种优选技术方案,指定空域的气象数据包括:雷达反射率、垂直累积液态水含量、回波顶高、闪电数。
作为本发明的一种优选技术方案,航空数据包括指定空域内的航班集合及其对应的实际航迹数据、计划航迹数据。
作为本发明的一种优选技术方案,所述根据获取的气象数据和航空数据,筛选出受强对流天气干扰的异常航班和正常航班的步骤还包括如下子步骤:
设立异常航班判定条件;
根据所述异常航班判定条件,对获取的气象数据和航空数据进行判定,得到强对流天气时段中的的异常航班和正常航班;
对强对流天气时段中的异常航班进行清洗,滤除计划航迹没有经过强对流天气区域的航迹,得出受强对流天气干扰的异常航班和正常航班。
作为本发明的一种优选技术方案,设立异常航班判定条件的步骤包括:
以指定空域内不受天气因素影响的航空器实际航迹、计划航迹作为输入;
根据航空器实际飞行速度、飞行高度计算航空器在该指定空域的计划飞行时间,若计划飞行时间大于预设飞行时间阈值,且航空器计划飞行航迹高度始终保持在预设飞行高度阈值以上,则判断该航班可用,输出可用的航班集合及其对应计划航迹、实际航迹;
对初步输出的航班集合进行二次过滤,滤除实际航迹异常绕飞及飞行距离小于预设飞行距离阈值的航班;
根据二次滤除后的航班集合的计划航迹、实际航迹进行航迹偏差统计分析,计算每个航班其计划航迹上每个点到实际航迹上最近点的距离均值,取集合内所有航空器的距离均值的90百分位,作为异常航空器判定条件。
作为本发明的一种优选技术方案,所述根据受强对流天气干扰的异常航班和正常航班,提取天气特征因子数据的具体过程为:
根据受强对流天气干扰的异常航班和正常航班,分别提取异常航班和正常航班的计划航迹上各点在若干级覆盖范围内的天气特征因子数据。
作为本发明的一种优选技术方案,在进行初步落区识别的同时,进行图像操作,对生成的凸包多边形进行去噪或合并处理。
作为本发明的一种优选技术方案,所述图像操作包括腐蚀和膨胀。
作为本发明的一种优选技术方案,天气特征因子组合的飞行禁止区划设成功率的统计过程包括:根据受强对流天气影响的异常航班的实际航迹,如果实际航迹避开天气特征因子组合对应的凸包多边形区域,或实际航迹与天气特征因子组合对应的凸包多边形区域的交叉最远距离小于预设最小距离阈值,则飞行禁止区划设成功;若实际航迹与天气特征因子组合对应的凸包多边形区域的交叉最远距离大于预设最小距离阈值,或实际航迹与天气特征因子组合对应的凸包多边形区域的最远距离大于预设最大距离阈值,则飞行禁止区划设失败;
统计每一天气特征因子组合对应的凸包多边形区域的飞行禁止区划设成功和失败的数量,计算得到天气特征因子的飞行禁止区划设成功率。
综上所述,本发明具有以下有益效果:能够明确气象对于航空器飞行的影响范围,便于将气象资源约束转化为空域资源约束,客观量化气象对于空管运行的影响,可以为空中交通流量管制策略提供辅助信息,有效提升其可靠性。
能够科学评估强对流天气下的空域动态容量,辅助管制员进行决策,提升管制员的工作效率,有效减少管制员的工作负荷,同时能有效解决由于强对流天气影响而造成的航班大面积延误问题,可降低航空公司的经济损失,保障航空器在强对流天气下的安全飞行,民航交通运输效率也得以提升。
附图说明
图1是本发明的方法流程图;
图2是实施例的正常航班示意图;
图3是实施例的异常航班示意图;
图4是实施例的划设成功案例示意图;
图5是实施例的划设失败案例示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本发明提供一种强对流天气条件下飞行禁止区划设方法,如图1所示,包括如下步骤:
S1、获取指定空域中相对应的气象数据和航空数据;指定空域的气象数据包括:雷达反射率、垂直累积液态水含量(VIL)、回波顶高(ET)、闪电数;航空数据包括指定空域内的航班集合及其对应的实际航迹数据、计划航迹数据。
S2、根据获取的气象数据和航空数据,筛选出受强对流天气干扰的异常航班和正常航班;具体还包括如下子步骤:
S21、设立异常航班判定条件;
S211、以指定空域内不受天气因素影响的航空器实际航迹、计划航迹作为输入;
S212、根据航空器实际飞行速度、飞行高度计算航空器在该指定空域的计划飞行时间,若计划飞行时间大于预设飞行时间阈值,且航空器计划飞行航迹高度始终保持在预设飞行高度阈值以上,则判断该航班可用,输出可用的航班集合及其对应计划航迹、实际航迹;
S213、对初步输出的航班集合进行二次过滤,滤除实际航迹异常绕飞及飞行距离小于预设飞行距离阈值的航班;
S214、根据二次滤除后的航班集合的计划航迹、实际航迹进行航迹偏差统计分析,计算每个航班其计划航迹上每个点到实际航迹上最近点的距离均值,取集合内所有航空器的距离均值的90百分位,作为异常航空器判定条件。
S22、根据异常航班判定条件,对获取的气象数据和航空数据进行判定,得到强对流天气时段中的的异常航班和正常航班;
S23、对强对流天气时段中的异常航班进行清洗,滤除计划航迹没有经过强对流天气区域的航迹,得出受强对流天气干扰的异常航班和正常航班。
S3、根据受强对流天气干扰的异常航班和正常航班,提取天气特征因子数据,并利用随机森林方法进行特征选择,输出若干与异常航班相关性达到预设影响阈值的天气特征因子;
提取天气特征因子数据的具体过程为:
根据受强对流天气干扰的异常航班和正常航班,分别提取异常航班和正常航班的计划航迹上各点在若干级覆盖范围内的天气特征因子数据;例如考虑以航空器计划航迹点为中心,4*4km、16*16km、32*32km、64*64km范围内的VIL、ET、DBZ等天气影响因素。VIL主要考虑覆盖范围内的90百分位、50百分位、≥2kg/m2覆盖率、≥3kg/m2覆盖率、≥4kg/m2覆盖率、≥5kg/m2覆盖率等;ET主要考虑覆盖范围内的90百分位、50百分位、≥6km覆盖率、≥7km覆盖率、≥8km覆盖率、≥9km覆盖率、≥10km覆盖率、航空器飞行高度与该覆盖范围内90百分位ET的差值,航迹点飞行高度与ET的差值等;DBZ主要考虑覆盖范围内的90百分位、50百分位、≥18dBz覆盖率、≥30dBz覆盖率、≥35dBz覆盖率、≥41dBz覆盖率等。除此之外,也考虑闪电数等天气影响因素,这些都可以根据实际应用要求来进行实际覆盖范围等级划分。
S4、将各种天气特征因子的取值进行离散化处理并进行分类组合,得到若干天气特征因子组合;例如,考虑32*32km范围内ET≥8km的覆盖率和64*64km范围内VIL的90百分位这两类天气特征因子,ET覆盖率可以0.01为间隔从0.01-1之间抽样取值,VIL可以0.5为间隔进行抽样取值,并将两类数据进行组合,输出不同的天气特征因子组合。
S5、根据天气特征因子组合,基于python中的opencv代码包,进行初步落区识别,得到凸包多边形;同时,进行包括腐蚀和膨胀在内的图像操作,对生成的凸包多边形进行去噪或合并处理。
S6、根据落区识别结果,统计各个天气特征因子组合的飞行禁止区划设成功率,选择划设成功率最高的天气特征因子组合作为飞行禁止区划设标准;
天气特征因子组合的飞行禁止区划设成功率的统计过程包括:
S61、根据受强对流天气影响的异常航班的实际航迹,如果实际航迹避开天气特征因子组合对应的凸包多边形区域,或实际航迹与天气特征因子组合对应的凸包多边形区域的交叉最远距离小于预设最小距离阈值,则飞行禁止区划设成功;若实际航迹与天气特征因子组合对应的凸包多边形区域的交叉最远距离大于预设最小距离阈值,或实际航迹与天气特征因子组合对应的凸包多边形区域的最远距离大于预设最大距离阈值,则飞行禁止区划设失败;
S62、统计每一天气特征因子组合对应的凸包多边形区域的飞行禁止区划设成功和失败的数量,计算得到天气特征因子组合的飞行禁止区划设成功率。
S7、根据飞行禁止区划设标准和待测空域的天气数据,得到待测空域内强对流天气下的飞行禁止区;具体过程为:以S6得出的天气特征因子组合为标准,基于python中的opencv代码包,根据待测空域内天气数据,对其进行落区识别,同时可进行包括腐蚀和膨胀在内的图像操作,对生成的凸包多边形进行去噪或合并处理,从而得到待测空域内强对流天气下的飞行禁止区。
根据本发明的强对流天气条件下飞行禁止区划设方法,能够明确气象对于航空器飞行的影响范围,便于将气象资源约束转化为空域资源约束,客观量化气象对于空管运行的影响,可以为空中交通流量管制策略提供辅助信息,有效提升其可靠性。
能够科学评估强对流天气下的空域动态容量,辅助管制员进行决策,提升管制员的工作效率,有效减少管制员的工作负荷,同时能有效解决由于强对流天气影响而造成的航班大面积延误问题,可降低航空公司的经济损失,保障航空器在强对流天气下的安全飞行,民航交通运输效率也得以提升。
以下是本发明的一个具体实施例:以成都双流机场终端区范围作为指定空域,只考虑该区域范围内的飞越航班,分别采集终端区数据、航空器的计划航迹和实际航迹等数据,以及雷达反射率、垂直累积液态水含量VIL、回波顶高和闪电数等气象数据。利用上述数据,依次进行受天气扰动的异常航班识别、利用随机森林方法进行天气特征因子挑选以及飞行禁止区划设等工作。
首先,根据2020年7-8月指定空域的航迹数据、气象数据,对受天气扰动的异常航班进行识别,得到的正常航班航迹如图2所示,受扰动的异常航班航迹如图3所示。其中,1号线表示当前扇区边界,2号线表示航空器计划航迹,3号线为航空器实际航迹。
之后,利用随机森林方法进行特征选择,并利用相关性较高的天气特征因子进行组合分类,生成多组天气特征因子组合。最终选取划设成功率最高的特征因子,进行飞行禁止区划设。例如,根据2020年7-8月数据,针对2020年8月11日RLH5310航班飞行禁止区划设成功的案例如图4所示,针对2020年8月16日CBJ5216航班飞行禁止区划设失败的案例如图5所示。图中4号线识别的落区即为飞行禁止区,5号线围成的区域为研究的指定扇区,6号线为航空器在扇区内的计划航迹,7号线为航空器实际飞行航迹。经过实例验证,在实际使用场景下,明显体现出了该方法的便捷性和高可靠性。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种强对流天气条件下飞行禁止区划设方法,其特征是:包括如下步骤:
获取指定空域中相对应的气象数据和航空数据;
根据获取的气象数据和航空数据,筛选出受强对流天气干扰的异常航班和正常航班;
根据受强对流天气干扰的异常航班和正常航班,提取天气特征因子数据,并利用随机森林方法进行特征选择,输出若干与异常航班相关性达到预设影响阈值的天气特征因子;
将各种天气特征因子的取值进行离散化处理并进行分类组合,得到若干天气特征因子组合;
根据天气特征因子组合,基于python中的opencv代码包,进行初步落区识别;
根据落区识别结果,统计各个天气特征因子组合的飞行禁止区划设成功率,选择划设成功率最高的天气特征因子组合作为飞行禁止区划设标准;
根据飞行禁止区划设标准和待测空域的天气数据,得到待测空域内强对流天气下的飞行禁止区。
2.根据权利要求1所述的一种强对流天气条件下飞行禁止区划设方法,其特征是:指定空域的气象数据包括:雷达反射率、垂直累积液态水含量、回波顶高、闪电数。
3.根据权利要求2所述的一种强对流天气条件下飞行禁止区划设方法,其特征是:航空数据包括指定空域内的航班集合及其对应的实际航迹数据、计划航迹数据。
4.根据权利要求3所述的一种强对流天气条件下飞行禁止区划设方法,其特征是:所述根据获取的气象数据和航空数据,筛选出受强对流天气干扰的异常航班和正常航班的步骤还包括如下子步骤:
设立异常航班判定条件;
根据所述异常航班判定条件,对获取的气象数据和航空数据进行判定,得到强对流天气时段中的的异常航班和正常航班;
对强对流天气时段中的异常航班进行清洗,滤除计划航迹没有经过强对流天气区域的航迹,得出受强对流天气干扰的异常航班和正常航班。
5.根据权利要求4所述的一种强对流天气条件下飞行禁止区划设方法,其特征是:设立异常航班判定条件的步骤包括:
以指定空域内不受天气因素影响的航空器实际航迹、计划航迹作为输入;
根据航空器实际飞行速度、飞行高度计算航空器在该指定空域的计划飞行时间,若计划飞行时间大于预设飞行时间阈值,且航空器计划飞行航迹高度始终保持在预设飞行高度阈值以上,则判断该航班可用,输出可用的航班集合及其对应计划航迹、实际航迹;
对初步输出的航班集合进行二次过滤,滤除实际航迹异常绕飞及飞行距离小于预设飞行距离阈值的航班;
根据二次滤除后的航班集合的计划航迹、实际航迹进行航迹偏差统计分析,计算每个航班其计划航迹上每个点到实际航迹上最近点的距离均值,取集合内所有航空器的距离均值的90百分位,作为异常航空器判定条件。
6.根据权利要求5所述的一种强对流天气条件下飞行禁止区划设方法,其特征是:所述根据受强对流天气干扰的异常航班和正常航班,提取天气特征因子数据的具体过程为:
根据受强对流天气干扰的异常航班和正常航班,分别提取异常航班和正常航班的计划航迹上各点在若干级覆盖范围内的天气特征因子数据。
7.根据权利要求6所述的一种强对流天气条件下飞行禁止区划设方法,其特征是:在进行初步落区识别的同时,进行图像操作,对生成的凸包多边形进行去噪或合并处理。
8.根据权利要求7所述的一种强对流天气条件下飞行禁止区划设方法,其特征是:所述图像操作包括腐蚀和膨胀。
9.根据权利要求8所述的一种强对流天气条件下飞行禁止区划设方法,其特征是:天气特征因子组合的飞行禁止区划设成功率的统计过程包括:根据受强对流天气影响的异常航班的实际航迹,如果实际航迹避开天气特征因子组合对应的凸包多边形区域,或实际航迹与天气特征因子组合对应的凸包多边形区域的交叉最远距离小于预设最小距离阈值,则飞行禁止区划设成功;若实际航迹与天气特征因子组合对应的凸包多边形区域的交叉最远距离大于预设最小距离阈值,或实际航迹与天气特征因子组合对应的凸包多边形区域的最远距离大于预设最大距离阈值,则飞行禁止区划设失败;
统计每一天气特征因子组合对应的凸包多边形区域的飞行禁止区划设成功和失败的数量,计算得到天气特征因子的飞行禁止区划设成功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110575666.XA CN113284371A (zh) | 2021-05-26 | 2021-05-26 | 一种强对流天气条件下飞行禁止区划设方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110575666.XA CN113284371A (zh) | 2021-05-26 | 2021-05-26 | 一种强对流天气条件下飞行禁止区划设方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113284371A true CN113284371A (zh) | 2021-08-20 |
Family
ID=77281651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110575666.XA Pending CN113284371A (zh) | 2021-05-26 | 2021-05-26 | 一种强对流天气条件下飞行禁止区划设方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113284371A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030078719A1 (en) * | 2001-10-19 | 2003-04-24 | Zobell Stephen M. | Traffic flow management method and system for weather problem resolution |
CN111508279A (zh) * | 2020-03-18 | 2020-08-07 | 南京航空航天大学 | 一种天气避让场划设的方法 |
CN112071123A (zh) * | 2020-07-29 | 2020-12-11 | 南京航空航天大学 | 一种计算航路阻塞度的方法 |
CN112396870A (zh) * | 2020-10-14 | 2021-02-23 | 华北理工大学 | 基于坐标排序Graham-scan的飞行禁止区划设方法 |
CN112562419A (zh) * | 2020-11-03 | 2021-03-26 | 南京航空航天大学 | 一种基于离线多目标跟踪的天气规避区划设方法 |
-
2021
- 2021-05-26 CN CN202110575666.XA patent/CN113284371A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030078719A1 (en) * | 2001-10-19 | 2003-04-24 | Zobell Stephen M. | Traffic flow management method and system for weather problem resolution |
CN111508279A (zh) * | 2020-03-18 | 2020-08-07 | 南京航空航天大学 | 一种天气避让场划设的方法 |
CN112071123A (zh) * | 2020-07-29 | 2020-12-11 | 南京航空航天大学 | 一种计算航路阻塞度的方法 |
CN112396870A (zh) * | 2020-10-14 | 2021-02-23 | 华北理工大学 | 基于坐标排序Graham-scan的飞行禁止区划设方法 |
CN112562419A (zh) * | 2020-11-03 | 2021-03-26 | 南京航空航天大学 | 一种基于离线多目标跟踪的天气规避区划设方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10818192B2 (en) | Conflict alerting method based on control voice | |
CN110570693B (zh) | 一种基于可靠性的航班运行时间预测方法 | |
Zhu et al. | Analyzing commercial aircraft fuel consumption during descent: A case study using an improved K-means clustering algorithm | |
CN113379331B (zh) | 一种基于不安全事件的航班运行风险网络构建与控制方法 | |
CN107944701B (zh) | 一种飞机着陆过程中冲出跑道风险的检测方法及装置 | |
CN114664122B (zh) | 一种考虑高空风不确定性的冲突最小化航迹规划方法 | |
US11508254B2 (en) | Training and/or assistance platform for air management via air traffic management electronic system, associated method | |
CN112215416B (zh) | 智能规划巡检航线系统及方法 | |
CN112365095A (zh) | 基于天气和流量管控影响的航班延误分析及预测方法 | |
CN113706931B (zh) | 空域的流控策略推荐方法、装置、电子设备及存储介质 | |
CN114331052A (zh) | 航空运行风险的确定方法、计算设备及存储介质 | |
CN112182059B (zh) | 一种航班延误特性的高阶分析方法 | |
CN106408139B (zh) | 机场到达率预测方法及装置 | |
CN109961192B (zh) | 目标事件预测方法及装置 | |
CN113284371A (zh) | 一种强对流天气条件下飞行禁止区划设方法 | |
Dhal et al. | An operations-structured model for strategic prediction of airport arrival rate and departure rate futures | |
CN113487914B (zh) | 基于机场气象报文的低着陆运行标准识别告警方法 | |
CN102305951B (zh) | 用于判断重大天气变化的数据处理系统及方法 | |
CN112201082B (zh) | 一种航班放行时隙的n点置换方法 | |
Meyn et al. | Estimating controller intervention probabilities for optimized profile descent arrivals | |
CN116186906B (zh) | 基于顶风的尾流间隔动态缩减方法及系统 | |
Diana | Predicting arrival delays: An application of spatial analysis | |
Rakas et al. | Deterministic models for degraded airside capacity and delays | |
LU501642B1 (en) | Prediction method of departure flight delay based on timely information and deep learning | |
CN111695694B (zh) | 一种基于机器学习预测的战略性航班时刻表评估方法 |
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 |
Application publication date: 20210820 |
|
RJ01 | Rejection of invention patent application after publication |