CN113658454B - 一种基于聚类的机场群终端区航迹分析方法 - Google Patents

一种基于聚类的机场群终端区航迹分析方法 Download PDF

Info

Publication number
CN113658454B
CN113658454B CN202110924549.XA CN202110924549A CN113658454B CN 113658454 B CN113658454 B CN 113658454B CN 202110924549 A CN202110924549 A CN 202110924549A CN 113658454 B CN113658454 B CN 113658454B
Authority
CN
China
Prior art keywords
airport
track
terminal area
group
cluster
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.)
Active
Application number
CN202110924549.XA
Other languages
English (en)
Other versions
CN113658454A (zh
Inventor
丛玮
朱睿
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.)
Variflight Technology Co ltd
Original Assignee
Variflight Technology Co ltd
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 Variflight Technology Co ltd filed Critical Variflight Technology Co ltd
Priority to CN202110924549.XA priority Critical patent/CN113658454B/zh
Publication of CN113658454A publication Critical patent/CN113658454A/zh
Application granted granted Critical
Publication of CN113658454B publication Critical patent/CN113658454B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G08G5/0078—Surveillance aids for monitoring traffic from the aircraft
    • 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
    • G08G5/0082—Surveillance aids for monitoring traffic from a ground station

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于聚类的机场群终端区航迹分析方法，通过确定待评估机场群集合及航迹点特征，获取机场群ADS‑B航迹点数据集合；基于改进的K‑means算法对终端区航迹数据集合进行聚类，依据聚类指标确定最佳聚类数目并获得聚类结果；根据聚类结果计算三维交叉区域，结合标准航迹集合和机场群共享资源点集合获得机场群终端区航迹分析结果。本发明基于改进的K‑means聚类算法对机场群内各机场终端区航迹进行处理并与规定标准航迹进行评估，做到更程序化、科学地航迹分析。

Description

一种基于聚类的机场群终端区航迹分析方法
技术领域
本发明涉及航迹分析技术领域，尤其涉及一种基于聚类的机场群终端区航迹分析方法。
背景技术
随着中国民航业的蓬勃发展，多机场终端区的航线结构更加复杂、各机场之间的进离场使用空域会发生耦合且再航班流量航班密度增大时，机场的运行操作会互相收到其他机场的影响限制。因此从机场群的终端区的航迹分析及管制，对于各个机场到整个较大空域的飞行交通情况的把控，从而综合对具体航班进行分析，如精确预测航班未来飞行状态、合理规划航班，减少延误。
多机场终端区运行的最突出问题是多机场对于同一受限资源的竞争，如定位点，进离场走廊口点；共同受到某个流量管理方案影响等。目前业内的多机场终端区解决方式不尽相同，大都分为基于空间要素及时间要素的解耦方法。
对于机场群终端区航迹进行合理、程序化并科学的评估，能为机场从空间要素及时间要素进行解耦方式的管理具有重要意义。对于一定时间段内的机场群终端区管制及飞行情况能更好、更及时的掌握，并针对分析结果对机场终端区下一阶段的管制起到重要的辅助决策作用。然而目前业内缺少对机场群的终端区航迹进行程序化、效率较高的分析方法。
发明内容
为解决背景技术中存在的技术问题，本发明提出了一种基于聚类的机场群终端区航迹分析方法，提供了一种科学的、程序化的、高效率的终端区航迹分析方法，为机场基于空间要素及时间要素解耦提供重要支持。
本发明提出一种基于聚类的机场群终端区航迹分析方法，包括：
S1：确定待评估机场群集合F及航迹点特征，获取机场群ADS-B航迹点数据集合D；
S2：根据终端区的切分规则并结合ADS-B航迹点数据集合D的粒度及对应机场坐标，通过自定义规则区分终端区实际航迹的起飞降落情况将所有航迹进行分类处理，得到处理后的终端区航迹数据集合G'；
S3：根据待评估机场群集合F，结合终端区运行规则，构建机场群终端区标准航迹集合S和机场群共享资源点集合L；
S4：基于改进的K-means算法对终端区航迹数据集合G'进行聚类，依据聚类指标确定最佳聚类数目并获得聚类结果R；
S5：根据聚类结果R计算三维交叉区域，结合标准航迹集合S和机场群共享资源点集合L获得机场群终端区航迹分析结果。
优选地，所述步骤S1具体包括：
S101：确定待评估机场群集合F＝{f1,f2,...,fn}，其中n为机场群内机场的数目；
S102：选取航迹点特征，所述航迹点特征包括：起飞机场、降落机场、飞行识别码、时间、经度、纬度、速度、高度；
S103：根据fi(0<i<＝n)从ADS-B数据中抽取符合预设条件的数据，构建机场群集合F对应的ADS-B数据集合
Figure BDA0003208684660000021
其中
Figure BDA0003208684660000022
E表示所选取航迹点特征的数量，t代表时间间隔；所述预设条件为航迹点时间间隔为10秒，时间跨度为一周。
优选地，所述步骤S2具体包括：
S201：针对每个机场群，根据预计统计时间段的开始日Tstart和结束日Tend，选择[Tstart，Tend]，Tend＝Tstart+Toneweek作为机场群终端区航迹分析的时间范围；
S202：针对机场群内每个机场，确定对应机场经纬度坐标，根据机场群内各机场终端区划分规则划分距离机场中心200km以内的航迹点作为航迹的构成基础；
S203：针对机场群内每个机场的每一个飞行识别码范围内的航迹点数据，基于终端区规定距离对应机场中心坐标200km筛选航迹点数据获得切割航迹点；
S204：将所述切割航迹点按照时间特征升序排序，按照各机场构建机场群内单条航迹点集合G：
S205：将航迹点特征飞行速度为0的点作为分割点，将航迹点集合G分割为对应机场的两个航迹点，即G＝{g0，g1}；
S206：通过g0，g1中各自点的集合的首位点及末尾点与对应机场的距离比较，将g0，g1标记为对应机场起飞航迹点集合或降落到达航迹点集合；
S207：针对机场群的每一个机场，构建整个机场群的起飞航迹集合Gdep及降落到达航迹集合Garr，获得终端区航迹数据集合G’＝Gdep+Garr。
优选地，所述步骤S3具体包括：
S301：根据对应机场规定的终端区标准航迹集，依据fi(0＜i＜＝n)对应的机场四字码选取对应机场标准航迹；
S302：根据标准航迹中识别码获取对机场群内对应机场标准航迹集合S＝{s0,s1,...,sk}，其中k为对应机场规定标准航迹的数目；
S303：根据机场群的现行终端区运行规则，确定机场群共享资源点集合L＝{li|1≤i≤p}，其中p为机场群共享资源点数目；所述共享资源点包括机场群定位点和进离场走廊口点。
优选地，所述步骤S4具体包括：
S401：根据机场群内各机场切割好的航迹集合G'＝{g′o,g′1,...,g′m}，定义聚类数目集合为C＝{c0,c1,...,c5}，其中m为对应机场终端区航迹数目；
S402：从聚类数目集合C中取出一个聚类数目C＝{C∩ci},ci(0≤i≤5)，从G'中随机抽取ci个航迹集合作为初始聚类中心集合Hini＝{hi|1≤i≤ci}。
S403：针对航迹集合G'中每一条航迹点集g′i，通过公式1计算与聚类中心集合Hini中最近的聚类中心点，并加入该聚类中心点代表的簇，并通过公式1将每个簇内各个向量与质心点集的距离得到当前簇集合间的均方误差vart；所述公式1为：
Figure BDA0003208684660000041
其中dis地表表示点g′im(g′imx,g′imy)到hi的直线地表距离；
S404：将对现有的聚类结果的每个簇集合求得的中位数航迹作为对应簇新的质心，根据公式1重新计算当前聚类结果的均方误差vart+1；
S405：重复步骤S403、S404，直至vart+1-vart＜0.001；
S406：根据聚类评价指标计算轮廓系数矩阵SIL和CH分数矩阵CH；
所述轮廓系数矩阵计算如下：
Figure BDA0003208684660000051
其中，a(d(i))为数据样本d(i)与其所在簇内其他数据样本的平均距离，b(d(i))为数据样本d(i)与其他簇中数据样本的平均距离；
计算得到轮廓系数矩阵为SIL＝{sil1,sil2,...,silk}；
所述CH分数矩阵计算如下：
对于ci个簇集，当前簇z(1≤z≤ci)的CH分数计算公式如下：
Figure BDA0003208684660000052
其中，Bz为簇内散度均值，Wz为簇间散度，计算公式分别为：
Figure BDA0003208684660000053
Figure BDA0003208684660000054
其中，Tr(Bz)为簇间离差矩阵的迹，Bk为簇间色散平均值，Tr(Wz)为簇内离差矩阵的迹，Wk为簇内色散之间；
计算得到的CH分数矩阵为
Figure BDA0003208684660000055
S407：利用矩阵SIL和CH，确定最佳聚类数目Kbest；
S408：根据最佳聚类数目Kbest，执行步骤S405得到最终的聚类结果R和质心集合H；所述聚类结果
Figure BDA0003208684660000056
所述质心集合
Figure BDA0003208684660000057
其中n为步骤机场群集合内机场的个数。
优选地，所述步骤S403中，dis地表的计算方式具体包括：
S4031：通过经纬度坐标计算确定hi与g′im最近的点坐标为(pim,qim)；
S4032：通过公式2计算点到g′im到hi的直线地表距离dis地表，所述公式2为：
dis地表＝R*arcos[cos(g′imy)*cos(qim)*cos(g′imx-pim)+sin(g′imy)*sin(qim)]。
优选地，所述步骤S407具体包括：
S4071：对矩阵SIL和CH进行降序排序得到矩阵S'和CH'；
S4072：令变量ak初始值为1，遍历矩阵SIL'和CH'；
S4073：当top-ak(SIL',CH')为空时，则ak自加1，否则退出遍历，将ak的值赋值给Kbest，此时的Kbest即为最佳聚类数目。
优选地，所述步骤5中所述分析结果具体包括：是否发生拥堵情况、拥堵情况是否影响到机场群共享资源的使用、拥堵情况是否具有管制优化空间。
优选地，所述步骤5具体包括：
S501：根据步骤S3得到的标准航迹集合S，将质心集合H中的每条质心与标准航迹集合S按照公式1进行距离计算，求得每一簇质心对应的距离偏差最短的标准航迹及对应偏差距离；
S502：根据步骤S4得到的聚类结果R，计算机场群内每个机场中每一簇
Figure BDA0003208684660000062
的三维交叉区域，分析是否发生拥堵情况；
S503：当发生拥堵情况时，根据机场群共享资源点集L，分析拥堵情况是否影响到机场群共享资源的使用；
S504：当拥堵情况影响到机场群共享资源的使用时，根据产生三维交叉区域的对应航迹gi与对应标准航迹si的偏差距离分析是否具有管制优化空间。
优选地，所述步骤502具体包括：
S5021：根据所述公式1计算得出实际航迹点集(gm,gn)(1≤m,n≤N)，其中N为
Figure BDA0003208684660000061
内航迹条数；
S5022：时间跨度一分钟内，若gm存在连续超过6个点距离gn的距离小于0.1km，且该6个点的高度差在0.1km之内，则判定为存在三维交叉区域；
S5023：若某簇航迹集
Figure BDA0003208684660000071
存在三维交叉区域，则判定该簇航迹发生拥堵情况，否则判定该簇航迹未发生拥堵情况。
优选地，所述步骤503具体包括：
S5031：将该6个点互相距离最远的两个点的坐标均值作为圆心，两点对应高度平均值为height，两点之间对应距离作为直径，对应高度为height，将此交叉区域标记为(O，height)，产生O的对应航迹gn，最终得到所有的交叉区域集合O及对应产生三维交叉区域的区域-航迹-标准航迹-聚类中心-机场对照表X：X＝{(Oi，gi，si，hi，fi)|1≤i≤T}，其中T为三维交叉区域的数目；
S5032：计算O内各元素与机场群共享资源点集L是否发生交集：若标准航迹点集或L中存在平面上处于O经纬度坐标内的点，并满足该点对应高度与height差值小于0.1km，则判定为发生交集；
S5033：若该簇航迹产生交叉区域O且与L有交集，则判定拥堵情况影响到机场群共享资源的使用；否则判定拥堵情况未影响到机场群共享资源的使用。
优选地，所述步骤504具体包括：
S5041：判断交叉区域集合O中是否存在元素Ok与Oj相交的情况，其中(1≤k，j≤T)：若Ok与Oj发生圆面的交集且对应高度height相差小于0.1km，则判断Ok与Oj发生交集；
S5042：当判断Ok与Oj发生交集时，则通过X判断Ok与Oj是否隶属于同一机场；
S5043：若隶属于不同机场则判定为机场间终端区存在拥堵情况Situation1；若隶属于同一机场则判定为机场间终端区存在拥堵情况Situation0；
S5044：：根据产生三维交叉区域O的对应航迹gi与对应标准航迹si的偏差距离进行机场终端区管制分析：若偏差距离大于10km，则针对Situation0或Situation1判定为具有管制优化空间，否则判定为没有管制优化空间。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行上述机场群终端区航迹分析方法。
与现有技术相比，本发明具有以下的优点：
(1)本发明提供了一种基于K-means聚类算法的机场群终端区航迹分析方法，有效地对终端区航迹进行聚类，并提供了一种自定义计算航迹间距离的方式，帮助更科学、程序化地对终端区航迹进行处理、分析。
(2)本发明使用实际的ADS-B数据，保证了所提出方法的客观性，并提供了一种区分机场群航迹终端区航迹点集的自定义规则，帮助更程序化地将ADS-B数据转化为可分析、处理数据。
(3)本发明首先基于K-means聚类结果提供了一种定义航迹三维交叉区域的快速计算方法，接着将航迹对应簇的最近标准航迹与之作对比分析，提高了机场群终端区航迹分析的效率及科学性。
本发明中基于改进的K-means聚类算法对机场群内各机场终端区航迹进行处理并与规定标准航迹进行评估，做到更程序化、科学地评估。另外，在对比标准航迹与对应机场的实际航迹地聚类中心航迹时，结合机场群中的竞争资源点的情况定量分析机场群内各机场的终端区航迹，便于决策者、管理者更好的分析与评估机场群主要资源点的拥堵情况。
附图说明
图1为本发明提出的一种基于聚类的机场群终端区航迹分析方法的流程示意图；
图2为本发明提出的航迹分析方法中公式1的示意图。
具体实施方式
如图1所示，图1为本发明实施例一种基于聚类的机场群终端区航迹分析方法的流程示意图；
在本发明实施例中，将以基于上海机场群20XX年10月的实际ADS-B数据作为案例，对发明的技术方案做出进一步的描述。
参照图1，本发明实施例提出的一种基于聚类的机场群终端区航迹分析方法，包括：
S1：确定待评估机场群集合F及航迹点特征，获取机场群ADS-B航迹点数据集合D；
S2：根据终端区的切分规则并结合ADS-B航迹点数据集合D的粒度及对应机场坐标，通过自定义规则区分终端区实际航迹的起飞降落情况将所有航迹进行分类处理，得到处理后的终端区航迹数据集合G'；
S3：根据待评估机场群集合F，结合终端区运行规则，构建机场群终端区标准航迹集合S和机场群共享资源点集合L；
S4：基于改进的K-means算法对终端区航迹数据集合G'进行聚类，依据聚类指标确定最佳聚类数目并获得聚类结果R；
S5：根据聚类结果R计算三维交叉区域，结合标准航迹集合S和机场群共享资源点集合L获得机场群终端区航迹分析结果。
在本发明实施例中，将以上海机场群20XX年10月的ADS-B数据作为基础，对发明的技术方案做出进一步的描述。
在步骤S1中，其具体包括：
S101：确定待评估机场群集合F＝{f1,f2,...,fn}，其中n为机场群内机场的数目；
S102：选取航迹点特征，所述航迹点特征包括：起飞机场、降落机场、飞行识别码、时间、经度、纬度、速度、高度；
S103：根据fi(0<i<＝n)从ADS-B数据中抽取符合预设条件的数据，构建机场群集合F对应的ADS-B数据集合
Figure BDA0003208684660000101
其中
Figure BDA0003208684660000102
E表示所选取航迹点特征的数量，t代表时间间隔；所述预设条件为航迹点时间间隔为10秒，时间跨度为一周。
本发明实施例中，根据步骤是S101，通过多维指标考虑机场群终端区航迹情况，选取航迹点指标：起飞机场、降落机场、飞行识别码、时间、经度、纬度、速度、高度。并确定航迹点时间间隔为10秒，时间跨度为一周，接着确定机场群集合F＝{f1,f2,...,fn}，其中n为机场群内机场的数目。根据fi(0<i<＝n)从总ADS-B数据中抽取对应数据，从而构建得到机场群集合对应的ADS-B数据集。
如表1所示，表1为本实施例上海机场群的情况：
表1 机场群
Figure BDA0003208684660000103
Figure BDA0003208684660000111
在步骤S2中，其具体包括：
S201：针对每个机场群，根据预计统计时间段的开始日Tstart和结束日Tend，选择[Tstart，Tend]，Tend＝Tstart+Toneweek作为机场群终端区航迹分析的时间范围；
S202：针对机场群内每个机场，确定对应机场经纬度坐标，根据机场群内各机场终端区划分规则划分距离机场中心200km以内的航迹点作为航迹的构成基础；
S203：针对机场群内每个机场的每一个飞行识别码范围内的航迹点数据，基于终端区规定距离对应机场中心坐标200km筛选航迹点数据获得切割航迹点；
S204：将所述切割航迹点按照时间特征升序排序，按照各机场构建机场群内单条航迹点集合G；
S205：将航迹点特征飞行速度为0的点作为分割点，将航迹点集合G分割为对应机场的两个航迹点，即G＝{g0，g1}；
S206：通过g0，g1中各自点的集合的首位点及末尾点与对应机场的距离比较，将g0，g1标记为对应机场起飞航迹点集合或降落到达航迹点集合；
S207：针对机场群的每一个机场，构建整个机场群的起飞航迹集合Gdep及降落到达航迹集合Garr，获得终端区航迹数据集合G’＝Gdep+Garr。
本发明实施例中，根据步骤S201，针对每个机场，根据预计统计时间段的开始日(20XX年10月1日0点)和结束日(20XX年10月7日24点)作为机场终端区航迹分析的时间范围。
接着根据S202针对每个机场，确定机场经纬度坐标，根据机场终端区划分规则划分距离机场中心200KM以内地航迹点作为航迹的构成基础。然后根据步骤S203切割航迹点。
根据步骤S204针对每个机场的每一个飞行识别码范围内的航迹点数据，基于终端区规定距离对应机场中心坐标200KM筛选航迹点数据并将所切割航迹点按照时间特征升序排序。
再根据步骤(S205、S206、S207)针对每一条航迹数据点集，从而构建机场群内对应机场的起飞航迹集合及降落到达航迹集。
如表2所示，表2为上海机场群内虹桥机场某条起飞航迹。
表2 上海机场群内虹桥机场某条起飞航迹(部分)
Figure BDA0003208684660000121
在步骤S3中，其具体包括：
S301：根据对应机场规定的终端区标准航迹集，依据fi(0<i<＝n)对应的机场四字码选取对应机场标准航迹；
S302：根据标准航迹中识别码获取对机场群内对应机场标准航迹集合S＝{s0,s1,...,sk}，其中k为对应机场规定标准航迹的数目；
S303：根据机场群的现行终端区运行规则，确定机场群共享资源点集合L＝{li|1≤i≤p}，其中p为机场群共享资源点数目；所述共享资源点包括机场群定位点和进离场走廊口点。
S4：基于改进的K-means算法对终端区航迹数据集合G'进行聚类，依据聚类指标确定最佳聚类数目并获得聚类结果R。
在步骤S4中，其具体包括：
S401：根据机场群内各机场切割好的航迹集合G'＝{g′o,g′1,...,g′m}，定义聚类数目集合为C＝{c0,c1,...,c5}，其中m为对应机场终端区航迹数目；
S402：从聚类数目集合C中取出一个聚类数目C＝{C∩ci},ci(0≤i≤5)，从G'中随机抽取ci个航迹集合作为初始聚类中心集合Hini＝{hi|1≤i≤ci}。
S403：针对航迹集合G'中每一条航迹点集g′i，通过公式1计算与聚类中心集合Hini中最近的聚类中心点，并加入该聚类中心点代表的簇，并通过公式1将每个簇内各个向量与质心点集的距离得到当前簇集合间的均方误差vart；
其中公式1的具体示意图如图2所示，所述公式1为：
Figure BDA0003208684660000131
其中，dis地表表示点g′im(g′imx,g′imy)到hi的直线地表距离；其中，dis地表的计算方式具体包括：
S4031：通过经纬度坐标计算确定hi与g′im最近的点坐标为(pim,qim)；
S4032：通过公式2计算点到g′im到hi的直线地表距离dis地表，所述公式2为：
dis地表＝R*arcos[cos(g′imy)*cos(qim)*cos(g′imx-pim)+sin(g′imy)*sin(qim)]。
S404：将对现有的聚类结果的每个簇集合求得的中位数航迹作为对应簇新的质心，根据公式1重新计算当前聚类结果的均方误差vart+1；
S405：重复步骤S403、S404，直至vart+1-vart＜0.001；
S406：根据聚类评价指标计算轮廓系数矩阵SIL和CH分数矩阵CH；
所述轮廓系数矩阵计算如下：
Figure BDA0003208684660000141
其中，a(d(i))为数据样本d(i)与其所在簇内其他数据样本的平均距离，b(d(i))为数据样本d(i)与其他簇中数据样本的平均距离；
计算得到轮廓系数矩阵为SIL＝{sil1,sil2,...,silk}；
所述CH分数矩阵计算如下：
对于ci个簇集，当前簇z(1≤z≤ci)的CH分数计算公式如下：
Figure BDA0003208684660000142
其中，Bz为簇内散度均值，Wz为簇间散度，计算公式分别为：
Figure BDA0003208684660000143
Figure BDA0003208684660000144
其中，Tr(Bz)为簇间离差矩阵的迹，Bk为簇间色散平均值，Tr(Wz)为簇内离差矩阵的迹，Wk为簇内色散之间；
计算得到的CH分数矩阵为
Figure BDA0003208684660000151
S407：利用矩阵SIL和CH，确定最佳聚类数目Kbest；
需要说明的是，步骤S407具体包括：
S4071：对矩阵SIL和CH进行降序排序得到矩阵S'和CH'；
S4072：令变量ak初始值为1，遍历矩阵SIL'和CH'；
S4073：当top-ak(SIL',CH')为空时，则ak自加1，否则退出遍历，将ak的值赋值给Kbest，此时的Kbest即为最佳聚类数目。
S408：根据最佳聚类数目Kbest，执行步骤S405得到最终的聚类结果R和质心集合H；所述聚类结果
Figure BDA0003208684660000152
所述质心集合
Figure BDA0003208684660000153
其中n为步骤机场群集合内机场的个数。
本发明实施例中，根据S301对应机场规定的终端区标准航迹集，依据表1对应的机场四字码选取对应机场标准航迹。然后根据S302将对应机场标准航迹识别码(以20XX年10月终端区实际管理规则为基准)，得到机场群内对应机场标准航迹集；紧接着根据步骤S4计算出轮廓系数矩阵及CH值矩阵确定ZSSS起飞航迹的最佳聚类数目为3，得到虹桥机场起飞航迹的最终聚类结果，聚类结果及对应航迹点与聚类中心点对应偏差如表3所示，部分聚类中心结果如表4所示，聚类中心与对应最短标准航迹及其偏差结果如表5所示。
浦东机场的起飞航迹聚类结果同理可见表6-表8，其中，表6为浦东机场部分起飞航迹聚类结果；表7为浦东机场部分聚类中心点集；表8为浦东机场起飞航迹聚类中心对应部分最短标准航迹。降落航迹的分析同理。
表3 虹桥机场起飞航迹聚类结果(部分)
Figure BDA0003208684660000161
表4 虹桥机场聚类中心点集(部分)
Figure BDA0003208684660000162
Figure BDA0003208684660000171
Figure BDA0003208684660000181
Figure BDA0003208684660000191
Figure BDA0003208684660000201
Figure BDA0003208684660000211
Figure BDA0003208684660000221
Figure BDA0003208684660000231
表5 虹桥机场起飞航迹聚类中心对应最短标准航迹
Figure BDA0003208684660000232
Figure BDA0003208684660000241
表6 浦东机场起飞航迹聚类结果(部分)
Figure BDA0003208684660000242
Figure BDA0003208684660000251
Figure BDA0003208684660000261
Figure BDA0003208684660000271
Figure BDA0003208684660000281
Figure BDA0003208684660000291
Figure BDA0003208684660000301
表7 浦东机场聚类中心点集(部分)
Figure BDA0003208684660000302
Figure BDA0003208684660000311
Figure BDA0003208684660000321
Figure BDA0003208684660000331
Figure BDA0003208684660000341
Figure BDA0003208684660000351
表8 浦东机场起飞航迹聚类中心对应最短标准航迹(部分)
Figure BDA0003208684660000352
Figure BDA0003208684660000361
S5：根据聚类结果R计算三维交叉区域，结合标准航迹集合S和机场群共享资源点集合L获得机场群终端区航迹分析结果。
本发明实施例中，所述分析结果具体包括：是否发生拥堵情况、拥堵情况是否影响到机场群共享资源的使用、拥堵情况是否具有管制优化空间。
在步骤S2中，其具体包括：
S501：根据步骤S3得到的标准航迹集合S，将质心集合H中的每条质心与标准航迹集合S按照公式1进行距离计算，求得每一簇质心对应的距离偏差最短的标准航迹及对应偏差距离；
S502：根据步骤S4得到的聚类结果R，计算机场群内每个机场中每一簇
Figure BDA0003208684660000371
的三维交叉区域，分析是否发生拥堵情况；
所述步骤502具体包括：
S5021：根据所述公式1计算得出实际航迹点集(gm，gn)(1≤m，n≤N)，其中N为
Figure BDA0003208684660000372
内航迹条数；
S5022：时间跨度一分钟内，若gm存在连续超过6个点距离gn的距离小于0.1km，且该6个点的高度差在0.1km之内，则判定为存在三维交叉区域；
S5023：若某簇航迹集
Figure BDA0003208684660000373
存在三维交叉区域，则判定该簇航迹发生拥堵情况，否则判定该簇航迹未发生拥堵情况。
S503：当发生拥堵情况时，根据机场群共享资源点集L，分析拥堵情况是否影响到机场群共享资源的使用；
所述步骤503具体包括：
S5031：将该6个点互相距离最远的两个点的坐标均值作为圆心，两点对应高度平均值为height，两点之间对应距离作为直径，对应高度为height，将此交叉区域标记为(O，height)，产生O的对应航迹gn，最终得到所有的交叉区域集合O及对应产生三维交叉区域的区域-航迹-标准航迹-聚类中心-机场对照表X：X＝{(Oi，gi，si，hi，fi)|1≤i≤T}，其中T为三维交叉区域的数目；
S5032：计算O内各元素与机场群共享资源点集L是否发生交集：若标准航迹点集或L中存在平面上处于O经纬度坐标内的点，并满足该点对应高度与height差值小于0.1km，则判定为发生交集；
S5033：若该簇航迹产生交叉区域O且与L有交集，则判定拥堵情况影响到机场群共享资源的使用；否则判定拥堵情况未影响到机场群共享资源的使用。
S504：当拥堵情况影响到机场群共享资源的使用时，根据产生三维交叉区域的对应航迹gi与对应标准航迹si的偏差距离分析是否具有管制优化空间。
所述步骤504具体包括：
S5041：判断交叉区域集合O中是否存在元素Ok与Oj相交的情况，其中(1≤k,j≤T)：若Ok与Oj发生圆面的交集且对应高度height相差小于0.1km，则判断Ok与Oj发生交集；
S5042：当判断Ok与Oj发生交集时，则通过X判断Ok与Oj是否隶属于同一机场；
S5043：若隶属于不同机场则判定为机场间终端区存在拥堵情况Situation1；若隶属于同一机场则判定为机场间终端区存在拥堵情况Situation0；
S5044：：根据产生三维交叉区域O的对应航迹gi与对应标准航迹si的偏差距离进行机场终端区管制分析：若偏差距离大于10km，则针对Situation0或Situation1判定为具有管制优化空间，否则判定为没有管制优化空间。
本发明实施例中，根据表2至表8所示浦东机场及虹桥机场对应的聚类簇根据步骤S502计算对应簇是否发生三维交叉区域情况，根据步骤S503计算三维交叉区域与机场群的共享资源集合L有交集。根据浦东机场及虹桥机场对应的聚类簇结果计算，其中虹桥机场的三维交叉区域与机场群共享资源点存在交集点(对应资源点坐标(121.1789，31.401394))，通过计算得出产生三维交叉区域的航迹(对应聚类簇0中第一条航迹)与对应标准航迹(对应第4条标准航迹)偏差为0.62km，小于10km，得出不能从管制的角度去优化该拥堵问题。
然后根据步骤S504判断浦东机场与虹桥机场的航迹簇之间的三维交叉区域是否发生交集。即机场群内机场终端区未发生交错拥堵。即针对上海机场群分析得出：1)针对机场竞争资源点发生拥堵；2)机场群内机场终端区的发生交错拥堵两种情况是否发生，若发生是否具有管制优化空间。
在本发明实施例中，通过采取上海机场群20XX年10月的ADS-B数据进行分析，保证了所提出方法的客观性，并提供了一种区分机场群航迹终端区航迹点集的自定义规则，帮助更程序化地将ADS-B数据转化为可分析、处理数据。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (11)

1.一种基于聚类的机场群终端区航迹分析方法，其特征在于，包括：
S1：确定待评估机场群集合F及航迹点特征，获取机场群ADS-B航迹点数据集合D；
S2：根据终端区的切分规则并结合ADS-B航迹点数据集合D的粒度及对应机场坐标，通过自定义规则区分终端区实际航迹的起飞降落情况将所有航迹进行分类处理，得到处理后的终端区航迹数据集合G'；
S3：根据待评估机场群集合F，结合终端区运行规则，构建机场群终端区标准航迹集合S和机场群共享资源点集合L；
S4：基于改进的K-means算法对终端区航迹数据集合G'进行聚类，依据聚类指标确定最佳聚类数目并获得聚类结果R；
S5：根据聚类结果R计算三维交叉区域，结合标准航迹集合S和机场群共享资源点集合L获得机场群终端区航迹分析结果；
步骤S4具体包括：
S401：根据机场群内各机场切割好的航迹集合G'＝{g'o,g'1,...,g'm}，定义聚类数目集合为C＝{c0,c1,...,c5}，其中m为对应机场终端区航迹数目；
S402：从聚类数目集合C中取出一个聚类数目C＝{C∩ci},ci(0≤i≤5)，从G'中随机抽取ci个航迹集合作为初始聚类中心集合Hini＝{hi|1≤i≤ci}；
S403：针对航迹集合G'中每一条航迹点集g′i，通过公式1计算与聚类中心集合Hini中最近的聚类中心点，并加入该聚类中心点代表的簇，并通过公式1将每个簇内各个向量与质心点集的距离得到当前簇集合间的均方误差vart；所述公式1为：
Figure FDA0003612222270000021
其中dis地表表示点g'im(g'imx,g'imy)到hi的直线地表距离；
S404：将对现有的聚类结果的每个簇集合求得的中位数航迹作为对应簇新的质心，根据公式1重新计算当前聚类结果的均方误差vart+1；
S405：重复步骤S403、S404，直至vart+1-vart＜0.001；
S406：根据聚类评价指标计算轮廓系数矩阵SIL和CH分数矩阵CH；
所述轮廓系数矩阵计算如下：
Figure FDA0003612222270000022
其中，a(d(i))为数据样本d(i)与其所在簇内其他数据样本的平均距离，b(d(i))为数据样本d(i)与其他簇中数据样本的平均距离；
计算得到轮廓系数矩阵为SIL＝{sil1,sil2,...,silk}；
所述CH分数矩阵计算如下：
对于ci个簇集，当前簇z(1≤z≤ci)的CH分数计算公式如下：
Figure FDA0003612222270000023
其中，Bz为簇内散度均值，Wz为簇间散度，计算公式分别为：
Figure FDA0003612222270000024
Figure FDA0003612222270000025
其中，Tr(Bz)为簇间离差矩阵的迹，Bk为簇间色散平均值，Tr(Wz)为簇内离差矩阵的迹，Wk为簇内色散之间；
计算得到的CH分数矩阵为CH＝{ch1,ch2,...,chci}；
S407：利用矩阵SIL和CH，确定最佳聚类数目Kbest；
S408：根据最佳聚类数目Kbest，执行步骤S405得到最终的聚类结果R和质心集合H；所述聚类结果
Figure FDA0003612222270000031
所述质心集合
Figure FDA0003612222270000032
其中n为步骤机场群集合内机场的个数；
步骤5中所述分析结果具体包括：是否发生拥堵情况、拥堵情况是否影响到机场群共享资源的使用、拥堵情况是否具有管制优化空间。
2.根据权利要求1所述的机场群终端区航迹分析方法，其特征在于，步骤S1具体包括：
S101：确定待评估机场群集合F＝{f1,f2,...,fn}，其中n为机场群内机场的数目；
S102：选取航迹点特征，所述航迹点特征包括：起飞机场、降落机场、飞行识别码、时间、经度、纬度、速度、高度；
S103：根据fi(0<i<＝n)从ADS-B数据中抽取符合预设条件的数据，构建机场群集合F对应的ADS-B数据集合
Figure FDA0003612222270000033
其中
Figure FDA0003612222270000034
E表示所选取航迹点特征的数量，t代表时间间隔；所述预设条件为航迹点时间间隔为10秒，时间跨度为一周。
3.根据权利要求2所述的机场群终端区航迹分析方法，其特征在于，步骤S2具体包括：
S201：针对每个机场群，根据预计统计时间段的开始日Tstart和结束日Tend，选择[Tstart，Tend]，Tend＝Tstart+Tone week作为机场群终端区航迹分析的时间范围；
S202：针对机场群内每个机场，确定对应机场经纬度坐标，根据机场群内各机场终端区划分规则划分距离机场中心200km以内的航迹点作为航迹的构成基础；
S203：针对机场群内每个机场的每一个飞行识别码范围内的航迹点数据，基于终端区规定距离对应机场中心坐标200km筛选航迹点数据获得切割航迹点；
S204：将所述切割航迹点按照时间特征升序排序，按照各机场构建机场群内单条航迹点集合G；
S205：将航迹点特征飞行速度为0的点作为分割点，将航迹点集合G分割为对应机场的两个航迹点，即G＝{g0,g1}；
S206：通过g0,g1中各自点的集合的首位点及末尾点与对应机场的距离比较，将g0,g1标记为对应机场起飞航迹点集合或降落到达航迹点集合；
S207：针对机场群的每一个机场，构建整个机场群的起飞航迹集合Gdep及降落到达航迹集合Garr，获得终端区航迹数据集合G'＝Gdep+Garr。
4.根据权利要求3所述的机场群终端区航迹分析方法，其特征在于，步骤S3具体包括：
S301：根据对应机场规定的终端区标准航迹集，依据fi(0<i<＝n)对应的机场四字码选取对应机场标准航迹；
S302：根据标准航迹中识别码获取对机场群内对应机场标准航迹集合S＝{s0,s1,...,sk}，其中k为对应机场规定标准航迹的数目；
S303：根据机场群的现行终端区运行规则，确定机场群共享资源点集合L＝{li|1≤i≤p}，其中p为机场群共享资源点数目；所述共享资源点包括机场群定位点和进离场走廊口点。
5.根据权利要求1所述的机场群终端区航迹分析方法，其特征在于，所述步骤S403中，dis地表的计算方式具体包括：
S4031：通过经纬度坐标计算确定hi与g'im最近的点坐标为(pim,qim)；
S4032：通过公式2计算点到g'im到hi的直线地表距离dis地表，所述公式2为：
dis地表＝R*arcos[cos(g'imy)*cos(qim)*cos(g'imx-pim)+sin(g'imy)*sin(qim)]。
6.根据权利要求5所述的机场群终端区航迹分析方法，其特征在于，步骤S407具体包括：
S4071：对矩阵SIL和CH进行降序排序得到矩阵S'和CH'；
S4072：令变量ak初始值为1，遍历矩阵SIL'和CH'；
S4073：当top-ak(SIL',CH')为空时，则ak自加1，否则退出遍历，将ak的值赋值给Kbest，此时的Kbest即为最佳聚类数目。
7.根据权利要求1所述的机场群终端区航迹分析方法，其特征在于，步骤5具体包括：
S501：根据步骤S3得到的标准航迹集合S，将质心集合H中的每条质心与标准航迹集合S按照公式1进行距离计算，求得每一簇质心对应的距离偏差最短的标准航迹及对应偏差距离；
S502：根据步骤S4得到的聚类结果R，计算机场群内每个机场中每一簇
Figure FDA0003612222270000061
的三维交叉区域，分析是否发生拥堵情况；
S503：当发生拥堵情况时，根据机场群共享资源点集L，分析拥堵情况是否影响到机场群共享资源的使用；
S504：当拥堵情况影响到机场群共享资源的使用时，根据产生三维交叉区域的对应航迹gi与对应标准航迹si的偏差距离分析是否具有管制优化空间。
8.根据权利要求7所述的机场群终端区航迹分析方法，其特征在于，步骤502具体包括：
S5021：根据所述公式1计算得出实际航迹点集(gm,gn)(1≤m,n≤N)，其中N为
Figure FDA0003612222270000062
内航迹条数；
S5022：时间跨度一分钟内，若gm存在连续超过6个点距离gn的距离小于0.1km，且该6个点的高度差在0.1km之内，则判定为存在三维交叉区域；
S5023：若某簇航迹集
Figure FDA0003612222270000063
存在三维交叉区域，则判定该簇航迹发生拥堵情况，否则判定该簇航迹未发生拥堵情况。
9.根据权利要求8所述的机场群终端区航迹分析方法，其特征在于，步骤503具体包括：
S5031：将该6个点互相距离最远的两个点的坐标均值作为圆心，两点对应高度平均值为height，两点之间对应距离作为直径，对应高度为height，将此交叉区域标记为(O，height)，产生O的对应航迹gn，最终得到所有的交叉区域集合O及对应产生三维交叉区域的区域-航迹-标准航迹-聚类中心-机场对照表X：X＝{(Oi，gi，si，hi，fi）|1≤i≤T}，其中T为三维交叉区域的数目；
S5032：计算O内各元素与机场群共享资源点集L是否发生交集：若标准航迹点集或L中存在平面上处于O经纬度坐标内的点，并满足该点对应高度与height差值小于0.1km，则判定为发生交集；
S5033：若该簇航迹产生交叉区域O且与L有交集，则判定拥堵情况影响到机场群共享资源的使用；否则判定拥堵情况未影响到机场群共享资源的使用。
10.根据权利要求9所述的机场群终端区航迹分析方法，其特征在于，步骤504具体包括：
S5041：判断交叉区域集合O中是否存在元素Ok与Oj相交的情况，其中(1≤k,j≤T)：若Ok与Oj发生圆面的交集且对应高度height相差小于0.1km，则判断Ok与Oj发生交集；
S5042：当判断Ok与Oj发生交集时，则通过X判断Ok与Oj是否隶属于同一机场；
S5043：若隶属于不同机场则判定为机场间终端区存在拥堵情况Situation1；若隶属于同一机场则判定为机场间终端区存在拥堵情况Situation0；
S5044：根据产生三维交叉区域O的对应航迹gi与对应标准航迹si的偏差距离进行机场终端区管制分析：若偏差距离大于10km，则针对Situation0或Situation1判定为具有管制优化空间，否则判定为没有管制优化空间。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时执行如权利要求1-10任一项所述的机场群终端区航迹分析方法。
CN202110924549.XA 2021-08-12 2021-08-12 一种基于聚类的机场群终端区航迹分析方法 Active CN113658454B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110924549.XA CN113658454B (zh) 2021-08-12 2021-08-12 一种基于聚类的机场群终端区航迹分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110924549.XA CN113658454B (zh) 2021-08-12 2021-08-12 一种基于聚类的机场群终端区航迹分析方法

Publications (2)

Publication Number Publication Date
CN113658454A CN113658454A (zh) 2021-11-16
CN113658454B true CN113658454B (zh) 2022-08-12

Family

ID=78491543

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110924549.XA Active CN113658454B (zh) 2021-08-12 2021-08-12 一种基于聚类的机场群终端区航迹分析方法

Country Status (1)

Country Link
CN (1) CN113658454B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376918A (zh) * 2018-10-12 2019-02-22 南京航空航天大学 一种基于交通量的空中管型高速航路网络布局方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002099769A1 (en) * 2001-06-01 2002-12-12 The Boeing Company Air traffic management system and method
US7420501B2 (en) * 2006-03-24 2008-09-02 Sensis Corporation Method and system for correlating radar position data with target identification data, and determining target position using round trip delay data
US10037704B1 (en) * 2017-02-01 2018-07-31 David Myr Automatic real-time air traffic control system and method for maximizing landings / takeoffs capacity of the airport and minimizing aircrafts landing times
US11017678B2 (en) * 2017-09-22 2021-05-25 Vianair Inc. Terminal and en-route airspace operations based on dynamic routes
CN111125925B (zh) * 2019-12-30 2024-03-22 中国人民解放军93209部队 一种飞行器航迹数据驱动的终端区空域时空相关分析方法
CN112396871B (zh) * 2020-10-21 2022-05-06 南京莱斯信息技术股份有限公司 基于航迹预测的进场延误分配吸纳方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376918A (zh) * 2018-10-12 2019-02-22 南京航空航天大学 一种基于交通量的空中管型高速航路网络布局方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Trajectory clustering and an application to airspace monitoring;GARIEL M等;《IEEE Transactions on Intelligent Transportation Systems》;20111231;全文 *
基于平衡核函数聚类的飞行航迹数据分析方法;唐静等;《海军航空工程学院学报》;20191230(第06期);全文 *
基于聚类算法的飞行航迹分析;李琳丹等;《现代计算机(专业版)》;20181005(第28期);全文 *
机场群运行方式下的航班时刻与频率优化模型;吴刚等;《交通运输工程学报》;20130815(第04期);全文 *
终端区航迹簇的中心航迹提取方法研究;赵元棣等;《图学学报》;20141231;全文 *

Also Published As

Publication number Publication date
CN113658454A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN112116830B (zh) 一种基于空域网格化的无人机动态地理围栏规划方法
US11017678B2 (en) Terminal and en-route airspace operations based on dynamic routes
CN110503245B (zh) 一种机场航班大面积延误风险的预测方法
CN111652427B (zh) 一种基于数据挖掘分析的航班到达时刻预测方法及系统
CN111009155B (zh) 基于空域结构和航班流的空中交通流复杂性量化分析方法
CN109493644A (zh) 一种基于历史航迹数据挖掘的四维航迹推测方法
Durand et al. Metaheuristics for air traffic management
Lin et al. Approach for 4-d trajectory management based on HMM and trajectory similarity
Grabbe et al. Clustering days with similar airport weather conditions
Çeçen et al. Aircraft sequencing and scheduling in TMAs under wind direction uncertainties
CN112530206A (zh) 空中交通网络脆弱性分析方法
Zhao et al. Evaluating ground–air network vulnerabilities in an integrated terminal maneuvering area using co-evolutionary computational red teaming
KR20160036310A (ko) 궤적 패턴을 이용한 항공기 도착시간 예측 장치 및 방법
CN113658454B (zh) 一种基于聚类的机场群终端区航迹分析方法
Rosenow et al. Multiple Aircraft in a multi-criteria Trajectory Optimization
CN113284369A (zh) 一种基于ads-b实测航路数据的预测方法
CN116579552A (zh) 一种机场跑道配置自适应决策方法
Dard et al. Application of data fusion and machine learning to the analysis of the relevance of recommended flight reroutes
CN115879800A (zh) 基于数据智能的航班管理延误事后分析方法
Sergeeva Automated airspace sectorization by genetic algorithm
Evans et al. Improving operational acceptability of dynamic weather routes through analysis of commonly use routings
CN111652428A (zh) 一种基于历史数据的航班预达时刻估算方法及系统
Figuet et al. Data-driven airborne collision risk modelling using a probability density function
Šimić et al. Airport delay prediction using machine learning regression models as a tool for decision making process
Sekine et al. Extraction of speed-control strategy in en-route air traffic using multi-objective optimization and decision tree

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Clustering Based Track Analysis Method for Terminal Area of Airport Group

Effective date of registration: 20221117

Granted publication date: 20220812

Pledgee: Anhui pilot Free Trade Zone Hefei area sub branch of Huishang Bank Co.,Ltd.

Pledgor: VARIFLIGHT TECHNOLOGY CO.,LTD.

Registration number: Y2022980022057

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20231225

Granted publication date: 20220812

Pledgee: Anhui pilot Free Trade Zone Hefei area sub branch of Huishang Bank Co.,Ltd.

Pledgor: VARIFLIGHT TECHNOLOGY CO.,LTD.

Registration number: Y2022980022057