CN113362604A - 一种基于扇区动态交通特征的管制员工作负荷评估方法 - Google Patents

Abstract

本发明提供了一种基于扇区动态交通特征的管制员工作负荷评估方法，包括构建扇区动态交通特征度量指标集合，并以等长时间片为单位构建分时交通动态交通样本数据集；采用高斯混合聚类算法进行交通样本聚类，实现对样本特征的识别与分类；针对每个分类，采用熵权法对样本包含的各个交通指标进行客观赋权，实现交通特征度量向管制员工作负荷度量的演进；基于随机森林算法建立扇区交通运行场景分类模型，以聚类结果为分类标签，对待评估样本进行分类决策，并依托分类结果进行管制员工作负荷度量。本方法消除了现有管制员工作负荷评估方法中人为因素对于评估结果干扰性大的问题，提升了评估结果的客观性与精确。

Description

一种基于扇区动态交通特征的管制员工作负荷评估方法

技术领域

本发明涉及一种基于扇区动态交通特征的管制员工作负荷评估方法。

背景技术

随着空中交通流量不断增长，扇区交通复杂性不断提高，如何客观度量管制员工作负荷是当下的热点问题。准确合理的评估管制员的工作负荷对于识别运行潜在安全风险，提升管制员工作效率具有重要意义。

目前，管制员工作负荷评估方法大致分有三类：一是利用管制员生理反应，通过测量管制员通话、心率等行为或心理特征，评估管制员工作负荷；二是通过调查问卷等主观询问的方式由管制员自评工作负荷；三是通过管制模拟机的训练数据统计管制员工作负荷。其中测量管制员生理特征的方法会干扰管制员的管制行为，且管制员个体间差异性较大，操作难度大；调查问卷等主观询问的方法无法量化度量管制员的工作负荷，各负荷分级之间界限模糊。通过管制模拟机评估的方式评估周期长，成本较高。此外，上述方法缺乏针对特定场景的战术级管制员工作负荷评估能力，因此导致评估方法的应用领域较为狭隘。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于扇区动态交通特征的管制员工作负荷评估方法，旨在依托扇区交通运行特征，实现对不同运行场景下管制员工作负荷的客观度量。所述方法包括构建扇区动态交通特征度量指标集合，并以等长时间片为单位构建分时交通动态交通样本数据集；采用高斯混合聚类算法进行交通样本聚类，实现对样本特征的识别与分类；针对每个分类，采用熵权法对样本包含的各个交通指标进行客观赋权，实现交通特征度量向管制员工作负荷度量的演进；基于随机森林算法建立扇区交通运行场景分类模型，以聚类结果为分类标签，对待评估样本进行分类决策，并依托分类结果进行管制员工作负荷度量。本方法消除了现有管制员工作负荷评估方法中人为因素对于评估结果干扰性大的问题，提升了评估结果的客观性与精确。

本发明方法包括如下步骤：

步骤1，构建扇区动态交通特征度量指标集合；

步骤2，构建动态交通样本数据集；

步骤3，基于自适应高斯混合聚类算法进行交通特征分类；

步骤4，基于熵权法进行扇区动态交通特征指标赋权；

步骤5，基于随机森林进行管制员工作负荷评估。

步骤1包括：构建扇区动态交通特征度量指标集合W＝{L₁,L₂,L₃}，其中L₁为管制员思考负荷相关联的交通特征指标集合，L₁＝{L_flightlevel,L_Areaspecial,L_Numspecial,L_mix,L_route,L_border}，L₂为管制员通话负荷相关联的交通特征指标集合，L₂＝{L_ACtime,L_ACdis,L_c,L_d,L_h}，L₃为管制员操作负荷相关联的交通特征指标集合，L₃＝{L_ACnum,L_ACover}；

其中各指标说明如下：

L_flightlevel：扇区所用高度层个数，指统计时段内，航空器占用飞行高度层的个数；

L_Areaspecial：特殊空域面积，指统计时段内，不能正常使用的危险区、禁止区、限制区和警告区域面积之和；

L_Numspecial：特殊空域个数，指统计时段内，不能正常使用的危险区、禁止区、限制区和警告区的个数；

L_mix：机队混合指数，指统计时段内，扇区内运行航空器机型种类数量；

L_route：扇区路径数量，指统计时段内，扇区进离扇区飞行路径数量之和；

L_border：扇区边界接近数量，指统计时段内，扇区内飞行的航空器距离扇区边界距离小于Z₁海里的事件次数；

L_ACtime：航空器飞行时间，指统计时段内，航空器在扇区内飞行时间的平均值，起飞航空器的飞行时间从起飞开始至离开扇区，着陆航空器的飞行时间从进入扇区开始至降落；

L_dis：航空器扇区内平均飞行距离，指统计时段内，航空器在扇区飞行的水平距离的平均值；

L_c：爬升航空器数量，指统计时段内，在扇区飞行过程中航空器出现爬升动作的次数之和；

L_d：下降航空器数量，指统计时段内，在扇区飞行过程中航空器出现下降动作的次数之和；

L_h：巡航航空器数量，指统计时段内，在扇区飞行过程中一直保持平飞动作航空器数量之和；

L_ACnum：航空器数量，指统计时段内，进离扇区的航空器数量，所述进离扇区的航空器包括起降航空器和飞越航空器；

L_ACover：飞越航空器数量，指统计时段内，飞越扇区的航空器数量。

步骤2包括：根据采集的交通数据，以等长时间片为单位进行统计计算，形成动态交通样本数据集T：

其中N为样本总量，M为交通特征度量指标数量，x_NM为第N个样本的第M个指标的样本值，X_N为第N个样本的指标横向量，Y_M为第M个指标的样本竖向量。

步骤3包括：步骤3.1，对动态交通样本数据集T进行MAX-MIN(最大值-最小值)标准化处理，对于全体M个交通度量指标，针对第m个指标，第n个样本，标准化处理后的指标为：

其中，max(Y_m)是动态交通样本数据集T中第m个指标的最大值，min(Y_m)是动态交通样本数据集T第m个指标的最小值，并设置聚类类别个数为K_initial＝2，最大聚类类别个数K；

步骤3.2，如果K_initial≤K，则表明尚未完成各个分类数的聚类，执行步骤3.3；如果K_initial>K，则表明已完成各个分类数的聚类，执行步骤3.7；

步骤3.3，以K_initial为分类类别数，并以K_initial为初始参数构建高斯混合模型：

式中：P(x)为满足高斯混合模型的概率函数，x为动态交通样本数据集T中的随机向量，λ_i为第i个高斯分布的混合系数，并且满足：λ_i>0,

并且p(x|u_i,Σ_i)为服从均值u_i和协方差Σ_i的第i个高斯分布的概率密度函数：

步骤3.4，对于动态交通样本数据集T中第n个样本x_n，判断所属分类，n≤N；

步骤3.5，计算聚类类别数为K_initial时聚类结果的轮廓系数

其中s(n)为第n个样本的轮廓系数，且

a(n)为样本x_n到同簇其他样本x_m的平均距离，

b(n)为平均不相似度，指样本x_n到其他簇中样本x_m'的平均距离，

其中，|C_q|为样本x_n的同簇样本数量，d(n,m)为样本x_n到样本x_m之间的距离，|C_p|为第p簇的样本数量，第p簇与样本x_n非同簇，d(n,m')为样本x_n到样本x_m'之间的距离；将轮廓系数S(K_initial)添加至集合R中；

步骤3.6，迭代更新分类数量K_initial＝K_initial+1，执行步骤3.3；

步骤3.7，选择集合R中的最大值，其对应的K_initial为最佳聚类类别数K_optimal；以最佳聚类数K_optimal对应的聚类结果作为最终聚类结果，完成交通特征分类。

步骤3.4包括：

步骤3.4.1，根据贝叶斯定理，求出初始参数下样本x_n由第j个高斯成分组成的后验概率γ_nj，其中：

其中，λ_j为第j个高斯分布的混合系数，并且满足：λ_j>0,

p(x_n|u_j,Σ_j)为服从均值u_j和协方差Σ_j的第j个高斯分布的概率密度函数；

步骤3.4.2，根据后验概率γ_nj和初始设定的分类类别，利用最大似然估计更新{λ_i,u_i,Σ_i}后，再次计算后验概率γ_ij；

步骤3.4.3，判断结果是否收敛，如果收敛则执行步骤3.4.4，否则执行步骤3.4.2；

步骤3.4.4，选择后验概率γ_ij最大的类别作为样本x_n所属类别。

步骤4包括：

步骤4.1，设置聚类类别为k，初始化k＝1，对于第k个类别，存在M个评价指标，有N_k个样本数据，则经过归一化后得到非负矩阵：

其中

是指第k个类别下，第N_k个样本向量中第M个评价指标归一化后的数值；

步骤4.2，根据非负矩阵计算概率矩阵，对于非负矩阵的第g行第m列的元素x_gm，其概率p_gm为：

步骤4.3，计算第k类别下，第m个指标的信息熵e_km和信息效用值d_km，最终计算权重ω_km，其中：

d_km＝1-e_km，

步骤4.4，计算第k类别各指标权重后，继续计算下一类别指标权重，令k＝k+1，判断k<＝K_initial是否成立，如果不成立则表明所有类别下的指标权重计算完毕，执行步骤4.5，否则继续计算第k类别下各指标权重；

步骤4.5，得到指标权重矩阵V，并根据指标权重矩阵计算管制员工作负荷L_nk：

式中L_nk为所属类别为k类的样本向量x_n的管制员工作负荷指标，x_nm为样本向量x_n第m个指标数值，ω_km为第k类下第m个指标权重，则

为第K_initial个类别下第M个评价指标的权重。

步骤4.6，得到各个样本的管制员工作负荷指标后，选择最大值和最小值，利用步骤3.1所描述的最大值-最小值标准化处理方法，将管制员工作负荷指标归一化，归一化后的管制员工作负荷指标最大值为1，最小值为0。

步骤5包括：

步骤5.1，根据聚类结果对样本数据进行标记，得到标记后的动态交通样本数据集T，在动态交通样本数据集T中，随机抽取一部分作为测试集T_test，剩余的作为训练集T_train，其中训练集样本个数为N_train；

步骤5.2，选择决策树最大个数n_estimators和最大特征数m_features作为可调节参数，根据样本个数和指标个数设置参数调优范围为：n_estimators＝{10,11,...,20}，m_features＝{1,2,...,M}，其中n_estimators为基决策树个数，m_features为最大特征数；

步骤5.3，利用网格搜索方法，对n_estimators和m_features进行遍历；

步骤5.4，当m_features＝d，n_estimators＝r时，其中，d为决策树最大个数参数值，r为最大特征数参数值，有放回抽取N_train次样本，获得与N_train大小相同的数据集

随机选择n_t个特征值，重复r次，建立r棵决策树，其中n_t＜M；

步骤5.5，计算每棵决策树的结果，通过多数投票法，对所有叶子节点的输出结果进行累计处理，取预测概率总和最大的那一类作为分类结果；

步骤5.6，利用十折交叉验证计算分类准确性P_dr，并存储P_dr；

步骤5.7，判断遍历是否结束，如果没有则按照网格将n_estimators和m_features移至下一网格处，重新调整参数执行步骤5.4，如果结束则执行步骤5.8；

步骤5.8，选择P_dr最大的参数作为最优参数，以此建立基于随机森林的扇区交通运行场景分类模型。

步骤5.9，根据扇区交通运行场景分类模型，确定已采集的指定统计时间段内的动态交通样本数据的类别，并提取该类别对应的指标权重，利用指标值和指标权重加权求和的方法计算统计时间段内的管制员工作负荷指数。

利用利用步骤3.1所描述的最大值-最小值标准化处理方法，将得到的管制员工作负荷指数归一化，归一化后的数值越靠近1，则表明该时间段内的管制员工作负荷强度越大，反之，归一化之后的数值越接近0.则表明该时间段内的管制员工作负荷强度越小，从而实现管制员工作负荷的评估。

有益效果：本发明提出了一种基于扇区动态交通特征的管制员工作负荷评估方法，通过提取交通运行特征、交通域向负荷域的特征演进、决策模型构建实现了客观的管制员工作负荷评估，为动态、实时、精细的管制员工作负荷评估提供了理论支撑。

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是本发明方法流程图。

具体实施方式

本发明提出一种基于扇区动态交通特征的管制员工作负荷评估方法，能够依据扇区交通运行特征，客观度量扇区管制员工作负荷。

本发明针对扇区结构和航班流分布，构建扇区交通运行特征度量指标集合以及样本集，利用高斯混合聚类算法对样本进行聚类，实现交通运行特征提取；利用熵权法对实现交通特征度量向管制员工作负荷度量的演进；利用决策森林模型对待评估样本进行分类，从而计算对应的管制员工作负荷。

技术方案：本发明是这样实现的，一种基于扇区动态交通特征的管制员工作负荷评估方法，所述方法包括以下步骤，流程图如图1所示。

步骤1：构建扇区动态交通特征度量指标集合

管制员工作负荷是在给扇区内航空器提供各类管制服务过程中管制员所承担的心理和生理压力，管制员工作的主要内容包括指挥航空器运行、维持航空器安全间隔、为飞行员提供情报、与其他管制员协调等，因此，国内外相关研究机构通常将管制员工作负荷细分为思考负荷、通讯负荷和操作负荷三大类。

其中，管制员的思考负荷来源于对扇区结构和扇区交通流态势的感知，以及在感知的基础上进行冲突解脱所作出的决策。航空器在扇区运行过程中，管制员会根据扇区内航空器占用的高度层个数、特殊空域面积、特殊空域个数、机队混合指数、路径数量、扇区边界接近数量进行大致判断。

管制员的通话负荷来源于保障航空器正常运行的基础通话和进行冲突解脱的附加通话。正常运行情况下，航空器在扇区内的飞行时间和飞行距离决定了管制员的基础通话数量，冲突解脱过程中，飞行员根据指令采取爬升、下降、巡航等操作，因此爬升航空器数量、下降航空器数量、巡航航空器数量等指标与管制员附加通话相关；

管制员的操作负荷来源于管制过程中管制员记录信息和协调移交。扇区内飞行的航空器数量、飞越扇区的航空器数量等因素都会影响管制员的操作负荷。

综合以上分析，本发明基于管制员产生负荷的工作流程，梳理扇区动态交通特征中与管制员思考、通讯和操作负荷相关联的因素，以此构建扇区动态交通特征度量指标集合。包括：扇区所用高度层个数、特殊空域面积、特殊空域个数、扇区路径数量、航空器数量、航空器飞行时间、机队混合指数、航空器扇区内平均飞行距离、爬升航空器数量、下降航空器数量、巡航航空器数量、飞越航空器数量、扇区边界接近数量。

扇区动态交通特征指标集合表示为W＝{L₁,L₂,L₃}，其中L₁为管制员思考负荷相关联的交通特征指标集合，L₁＝{L_flightlevel,L_Areaspecial,L_Numspecial,L_mix,L_route,L_border}，L₂为管制员通话负荷相关联的交通特征指标集合，L₂＝{L_ACtime,L_ACdis,L_c,L_d,L_h}，L₃为管制员操作负荷相关联的交通特征指标集合，L₃＝{L_ACnum,L_ACover}

其中各指标说明如下：

L_flightlevel：扇区所用高度层个数，指统计时段内，航空器占用飞行高度层的个数；

L_Areaspecial：特殊空域面积，指统计时段内，不能正常使用的危险区、禁止区、限制区和警告区域面积之和；

L_Numspecial：特殊空域个数，指统计时段内，不能正常使用的危险区、禁止区、限制区和警告区的个数；

L_mix：机队混合指数，指统计时段内，扇区内运行航空器机型种类数量；

L_route：扇区路径数量，指统计时段内，扇区进离扇区飞行路径数量之和；

L_border：扇区边界接近数量，指统计时段内，扇区内飞行的航空器距离扇区边界距离小于Z₁(一般取值为10)海里的事件次数；

L_ACtime：航空器飞行时间，指统计时段内，航空器在扇区内飞行时间的平均值，起飞航空器的飞行时间从起飞开始至离开扇区，着陆航空器的飞行时间从进入扇区开始至降落；

L_dis：航空器扇区内平均飞行距离，指统计时段内，航空器在扇区飞行的水平距离的平均值；

L_c：爬升航空器数量，指统计时段内，在扇区飞行过程中航空器出现爬升动作的次数之和；

L_d：下降航空器数量，指统计时段内，在扇区飞行过程中航空器出现下降动作的次数之和；

L_h：巡航航空器数量，指统计时段内，在扇区飞行过程中一直保持平飞动作航空器数量之和；

L_ACnum：航空器数量，指统计时段内，进离扇区的航空器数量，所述进离扇区的航空器包括起降航空器和飞越航空器；

L_ACover：飞越航空器数量，指统计时段内，飞越扇区的航空器数量；

步骤2：构建交通样本集

根据国际民航组织9971文件中描述，扇区管制员工作负荷通常以15分钟或60分钟为单位进行度量。因此，根据采集的交通数据，以等长时间片为单位进行统计计算，形成动态交通动态交通样本数据集T：

其中N为样本总量，M为交通特征度量指标数量，x_NM为第N个样本的第M个指标的样本值，X_N为第N个样本的指标横向量，Y_M为第M个指标的样本竖向量。

步骤3：基于自适应高斯混合聚类算法进行交通特征分类

影响管制员工作负荷的因素包含步骤1提出的各个交通度量指标，但不同的交通流时空分布会体现出不同的管制员工作负荷特征，因此需首先将复杂、多样的交通流态势提取为典型态势场景，实现交通特征的分类。本发明采用自适应的高斯混合聚类算法进行交通特征分类。

自适应的高斯混合聚类算法步骤如下所示：

步骤3.1，对动态交通样本数据集T进行MAX-MIN(最大值-最小值)标准化处理，对于全体M个交通度量指标，针对第m个指标，第n个样本，标准化处理后的指标为：

其中，max(Y_m)是动态交通样本数据集T中第m个指标的最大值，min(Y_m)是动态交通样本数据集T第m个指标的最小值，并设置聚类类别个数为K_initial＝2，最大聚类类别个数K；

步骤3.2，如果K_initial≤K，则表明尚未完成各个分类数的聚类，执行步骤3.3；如果K_initial>K，则表明已完成各个分类数的聚类，执行步骤3.7；

步骤3.3，以K_initial为分类类别数，并以K_initial为初始参数构建高斯混合模型：

式中：x为动态交通样本数据集T中的随机向量，λ_i为混合系数，并且满足：λ_i>0,

并且p(x|u_i,Σ_i)为服从均值u_i和协方差Σ_i的第i个高斯分布的概率密度函数

步骤3.4，对于动态交通样本数据集T中第n个样本x_n，判断所属分类，n≤N，具体方法为：

步骤3.4.1，根据贝叶斯定理，求出初始参数下样本x_n由第j个高斯成分组成的后验概率γ_nj，其中：

λ_j为第j个高斯分布的混合系数，并且满足：λ_j>0,

p(x_n|u_j,Σ_j)为服从均值u_j和协方差Σ_j的第j个高斯分布的概率密度函数；

步骤3.4.2，根据后验概率γ_nj和初始设定的分类类别利用最大似然估计更新{λ_i,u_i,Σ_i}后，再次计算后验概率γ_ij；

步骤3.4.3，判断结果是否收敛，如果收敛则执行步骤3.4.4，否则执行步骤3.4.2；

步骤3.4.4，选择后验概率γ_ij最大的类别作为样本x_n所属类别；

步骤3.5，计算聚类类别数为K_initial时聚类结果的轮廓系数

其中

a(n)为样本x_n到同簇其他样本x_m的平均距离，

b(n)为平均不相似度，指样本x_n到其他簇中样本x_m'的平均距离，

其中，|C_q|为样本x_n的同簇样本数量，d(n,m)为样本x_n到样本x_m之间的距离，|C_p|为样本x_n的同簇样本数量，d(n,m')为样本x_n到样本x_m'之间的距离；将轮廓系数S(K_initial)添加至集合R中；

步骤3.6，迭代更新分类数量K_initial＝K_initial+1，执行步骤3.3；

步骤3.7，选择集合R中的最大值，其对应的K_initial为最佳聚类类别数K_optimal；以最佳聚类数K_optimal对应的聚类结果作为最终聚类结果。

步骤4：基于熵权法进行扇区动态交通特征指标赋权

在完成交通特征的分类后，需要对各类交通特征所能表达的管制员工作负荷进行提取，本发明采用熵权法对扇区动态交通特征进行负荷权重赋权。

熵权法能够根据信息熵的原理，利用指标的熵值来判断指标的离散程度，熵值小，指标的离散程度大，对管制员工作负荷的影响也会越大，其具体步骤如下：

步骤4.1，设置聚类类别为k，初始化k＝1，对于第k个类别，存在M个评价指标，有N_k个样本数据，则经过归一化后得到非负矩阵：

其中

是指第k个类别下，第N_k个样本向量中第M个评价指标归一化后的数值。

步骤4.2，根据非负矩阵计算概率矩阵，对于非负矩阵的第g行第m列的元素x_gm，其概率p_gm为：

步骤4.3，计算第k类别下，第m个指标的信息熵e_km和信息效用值d_km，最终计算权重ω_km，其中：

d_km＝1-e_km

根据熵权法计算各个交通流态势下各个管制员工作负荷测量指标的权重后，便可计算出每个类别下的管制员工作负荷值；

步骤4.4，计算第k类别各指标权重后，继续计算下一类别指标权重，令k＝k+1，判断k<＝K_initial是否成立，如果不成立则表明所有类别下的指标权重计算完毕，执行步骤4.5，否则继续计算第k类别下各指标权重；

步骤4.5，得到指标权重矩阵V，并根据指标权重矩阵计算管制员工作负荷指标L_nk：

式中L_nk为所属类别为k类的样本向量x_n的管制员工作负荷指标，x_nm为样本向量x_n第m个指标数值，ω_km为第k类下第m个指标权重，则

为第K_initial个类别下第M个评价指标的权重。

步骤4.6，得到各个样本的管制员工作负荷指标后，选择最大值和最小值，利用步骤3.1所描述的最大值-最小值标准化处理方法，将管制员工作负荷指标归一化，归一化后的管制员工作负荷指标最大值为1，最小值为0。

步骤5：基于随机森林分类模型进行管制员工作负荷评估

随机森林是一种能够利用多棵决策树对样本进行训练并进行预测的分类模型，通过投票等方式集成多棵决策树的结果最终得到更为准确分类。随机森林具有准确率高、适用于大数据集、能够处理高维特征等优点。

在高斯混合聚类算法的结果基础上，利用随机森林分类模型，对指定扇区的交通特征数据进行训练，得出给予随机森林的交通特征分类决策模型，当面对特定的待决策对象时，可以根据随机森林模型将动态交通样本进行分类，进而通过对应的管制负荷权重计算管制员工作负荷。算法具体步骤为：

步骤5.1，根据聚类结果对样本数据进行标记，得到标记后的动态交通样本数据集T，在动态交通样本数据集T中，随机抽取20％作为测试集T_test，80％作为训练集T_train，其中训练集样本个数为N_train；

步骤5.2，选择决策树最大个数n_estimators和最大特征数m_features作为可调节参数，根据样本个数和指标个数设置参数调优范围为：n_estimators＝{10,11,...,20}，m_features＝{1,2,...,M}，其中n_estimators为基决策树个数，m_features为最大特征数；

步骤5.3，利用网格搜索方法，对n_estimators和m_features进行遍历；

步骤5.4，当m_features＝d，n_estimators＝r时，其中，d为决策树最大个数参数值，r为最大特征数参数值，有放回抽取N_train次样本，获得与N_train大小相同的数据集

随机选择n_t个特征值，重复r次，建立r棵决策树。

步骤5.5，计算每棵决策树的结果，通过多数投票法，对所有叶子节点的输出结果进行累计处理，取预测概率总和最大的那一类作为分类结果；

步骤5.6，利用十折交叉验证计算分类准确性P_dr，并存储P_dr；

步骤5.7，判断遍历是否结束，如果没有则按照网格将参数移至下一网格处，重新调整参数执行步骤5.4，如果结束则执行步骤5.8；

步骤5.8，选择P_dr最大的参数作为最优参数，以此建立基于随机森林的扇区交通运行场景分类模型。

步骤5.9，根据扇区交通运行场景分类模型，确定已采集的指定统计时间段内的动态交通样本数据的类别，并提取该类别对应的指标权重，利用指标值和指标权重加权求和的方法计算统计时间段内的管制员工作负荷指数。

利用利用步骤3.1所描述的最大值-最小值标准化处理方法，将得到的管制员工作负荷指数归一化，归一化后的数值越靠近1，则表明该时间段内的管制员工作负荷强度越大，反之，归一化之后的数值越接近0.则表明该时间段内的管制员工作负荷强度越小，从而实现管制员工作负荷的评估。

本发明提供了一种基于扇区动态交通特征的管制员工作负荷评估方法，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 (7)

1.一种基于扇区动态交通特征的管制员工作负荷评估方法，其特征在于，包括如下步骤：

步骤1，构建扇区动态交通特征度量指标集合；

步骤2，构建动态交通样本数据集；

步骤3，基于自适应高斯混合聚类算法进行交通特征分类；

步骤4，基于熵权法进行扇区动态交通特征指标赋权；

步骤5，基于随机森林进行管制员工作负荷评估。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：构建扇区动态交通特征度量指标集合W＝{L₁,L₂,L₃}，其中L₁为管制员思考负荷相关联的交通特征指标集合，L₁＝{L_flightlevel,L_Areaspecial,L_Numspecial,L_mix,L_route,L_border}，L₂为管制员通话负荷相关联的交通特征指标集合，L₂＝{L_ACtime,L_ACdis,L_c,L_d,L_h}，L₃为管制员操作负荷相关联的交通特征指标集合，L₃＝{L_ACnum,L_ACover}；

其中各指标说明如下：

L_flightlevel：扇区所用高度层个数，指统计时段内，航空器占用飞行高度层的个数；

L_Areaspecial：特殊空域面积，指统计时段内，不能正常使用的危险区、禁止区、限制区和警告区域面积之和；

L_Numspecial：特殊空域个数，指统计时段内，不能正常使用的危险区、禁止区、限制区和警告区的个数；

L_mix：机队混合指数，指统计时段内，扇区内运行航空器机型种类数量；

L_route：扇区路径数量，指统计时段内，扇区进离扇区飞行路径数量之和；

L_border：扇区边界接近数量，指统计时段内，扇区内飞行的航空器距离扇区边界距离小于Z₁海里的事件次数；

L_ACtime：航空器飞行时间，指统计时段内，航空器在扇区内飞行时间的平均值，起飞航空器的飞行时间从起飞开始至离开扇区，着陆航空器的飞行时间从进入扇区开始至降落；

L_dis：航空器扇区内平均飞行距离，指统计时段内，航空器在扇区飞行的水平距离的平均值；

L_c：爬升航空器数量，指统计时段内，在扇区飞行过程中航空器出现爬升动作的次数之和；

L_d：下降航空器数量，指统计时段内，在扇区飞行过程中航空器出现下降动作的次数之和；

L_h：巡航航空器数量，指统计时段内，在扇区飞行过程中一直保持平飞动作航空器数量之和；

L_ACnum：航空器数量，指统计时段内，进离扇区的航空器数量，所述进离扇区的航空器包括起降航空器和飞越航空器；

L_ACover：飞越航空器数量，指统计时段内，飞越扇区的航空器数量。

3.根据权利要求2所述的方法，其特征在于，步骤2包括：根据采集的交通数据，以等长时间片为单位进行统计计算，形成动态交通样本数据集T：

其中N为样本总量，M为交通特征度量指标数量，x_NM为第N个样本的第M个指标的样本值，X_N为第N个样本的指标横向量，Y_M为第M个指标的样本竖向量。

4.根据权利要求3所述的方法，其特征在于，步骤3包括：步骤3.1，对动态交通样本数据集T进行MAX-MIN(最大值-最小值)标准化处理，对于全体M个交通度量指标，针对第m个指标，第n个样本，标准化处理后的指标为：

其中，max(Y_m)是动态交通样本数据集T中第m个指标的最大值，min(Y_m)是动态交通样本数据集T第m个指标的最小值，并设置聚类类别个数为K_initial＝2，最大聚类类别个数K；

步骤3.2，如果K_initial≤K，则表明尚未完成各个分类数的聚类，执行步骤3.3；如果K_initial>K，则表明已完成各个分类数的聚类，执行步骤3.7；

步骤3.3，以K_initial为分类类别数，并以K_initial为初始参数构建高斯混合模型：

式中：P(x)为满足高斯混合模型的概率函数，x为动态交通样本数据集T中的随机向量，λ_i为第i个高斯分布的混合系数，并且满足：λ_i>0,

并且p(x|u_i,Σ_i)为服从均值u_i和协方差Σ_i的第i个高斯分布的概率密度函数：

步骤3.4，对于动态交通样本数据集T中第n个样本x_n，判断所属分类，n≤N；

步骤3.5，计算聚类类别数为K_initial时聚类结果的轮廓系数

其中s(n)为第n个样本的轮廓系数，且

a(n)为样本x_n到同簇其他样本x_m的平均距离，

b(n)为平均不相似度，指样本x_n到其他簇中样本x_m'的平均距离，

其中，|C_q|为样本x_n的同簇样本数量，d(n,m)为样本x_n到样本x_m之间的距离，|C_p|为第p簇的样本数量，第p簇与样本x_n非同簇，d(n,m')为样本x_n到样本x_m'之间的距离；将轮廓系数S(K_initial)添加至集合R中；

步骤3.6，迭代更新分类数量K_initial＝K_initial+1，执行步骤3.3；

步骤3.7，选择集合R中的最大值，其对应的K_initial为最佳聚类类别数K_optimal；以最佳聚类数K_optimal对应的聚类结果作为最终聚类结果，完成交通特征分类。

5.根据权利要求4所述的方法，其特征在于，步骤3.4包括：

步骤3.4.1，根据贝叶斯定理，求出初始参数下样本x_n由第j个高斯成分组成的后验概率γ_nj，其中：

其中，λ_j为第j个高斯分布的混合系数，并且满足：λ_j>0,

p(x_n|u_j,Σ_j)为服从均值u_j和协方差Σ_j的第j个高斯分布的概率密度函数；

步骤3.4.2，根据后验概率γ_nj和初始设定的分类类别，利用最大似然估计更新{λ_i,u_i,Σ_i}后，再次计算后验概率γ_ij；

步骤3.4.3，判断结果是否收敛，如果收敛则执行步骤3.4.4，否则执行步骤3.4.2；

步骤3.4.4，选择后验概率γ_ij最大的类别作为样本x_n所属类别。

6.根据权利要求5所述的方法，其特征在于，步骤4包括：

步骤4.1，设置聚类类别为k，初始化k＝1，对于第k个类别，存在M个评价指标，有N_k个样本数据，则经过归一化后得到非负矩阵：

其中

是指第k个类别下，第N_k个样本向量中第M个评价指标归一化后的数值；

步骤4.2，根据非负矩阵计算概率矩阵，对于非负矩阵的第g行第m列的元素x_gm，其概率p_gm为：

步骤4.3，计算第k类别下，第m个指标的信息熵e_km和信息效用值d_km，最终计算权重ω_km，其中：

d_km＝1-e_km，

步骤4.4，计算第k类别各指标权重后，继续计算下一类别指标权重，令k＝k+1，判断k<＝K_initial是否成立，如果不成立则表明所有类别下的指标权重计算完毕，执行步骤4.5，否则继续计算第k类别下各指标权重；

步骤4.5，得到指标权重矩阵V，并根据指标权重矩阵计算管制员工作负荷L_nk：

式中L_nk为所属类别为k类的样本向量x_n的管制员工作负荷指标，x_nm为样本向量x_n第m个指标数值，ω_km为第k类下第m个指标权重，则

为第K_initial个类别下第M个评价指标的权重。

7.根据权利要求6所述的方法，其特征在于，步骤5包括：

步骤5.1，根据聚类结果对样本数据进行标记，得到标记后的动态交通样本数据集T，在动态交通样本数据集T中，随机抽取一部分作为测试集T_test，剩余的作为训练集T_train，其中训练集样本个数为N_train；

步骤5.2，选择决策树最大个数n_estimators和最大特征数m_features作为可调节参数，根据样本个数和指标个数设置参数调优范围为：n_estimators＝{10,11,...,20}，m_features＝{1,2,...,M}，其中n_estimators为基决策树个数，m_features为最大特征数；

步骤5.3，利用网格搜索方法，对n_estimators和m_features进行遍历；

步骤5.4，当m_features＝d，n_estimators＝r时，其中，d为决策树最大个数参数值，r为最大特征数参数值，有放回抽取N_train次样本，获得与N_train大小相同的数据集

随机选择n_t个特征值，重复r次，建立r棵决策树，其中n_t＜M；

步骤5.5，计算每棵决策树的结果，通过多数投票法，对所有叶子节点的输出结果进行累计处理，取预测概率总和最大的那一类作为分类结果；

步骤5.6，利用十折交叉验证计算分类准确性P_dr，并存储P_dr；

步骤5.7，判断遍历是否结束，如果没有则按照网格将n_estimators和m_features移至下一网格处，重新调整参数执行步骤5.4，如果结束则执行步骤5.8；

步骤5.8，选择P_dr最大的参数作为最优参数，以此建立基于随机森林的扇区交通运行场景分类模型；

步骤5.9，根据扇区交通运行场景分类模型，确定已采集的指定统计时间段内的动态交通样本数据的类别，并提取该类别对应的指标权重，利用指标值和指标权重加权求和的方法计算统计时间段内的管制员工作负荷指数。

Images