CN114124461B - 空中交通风险热点识别方法、关键航空器识别方法及系统 - Google Patents
空中交通风险热点识别方法、关键航空器识别方法及系统 Download PDFInfo
- Publication number
- CN114124461B CN114124461B CN202111247208.XA CN202111247208A CN114124461B CN 114124461 B CN114124461 B CN 114124461B CN 202111247208 A CN202111247208 A CN 202111247208A CN 114124461 B CN114124461 B CN 114124461B
- Authority
- CN
- China
- Prior art keywords
- air traffic
- aircraft
- node
- traffic risk
- aircrafts
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005065 mining Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 101150106848 rnp-2 gene Proteins 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种空中交通风险热点识别方法、关键航空器识别方法及系统,本发明基于航空器的瞬时冲突概率构建空中交通风险态势网络,可直观反映监测扇区内空中交通的安全状态,基于复杂网络理论对空中交通风险态势网络进行分析,采用发掘网络团簇方法可以快速识别监测扇区内空中交通风险热点区域,方法简单、快速,可以有效缓解空中交通管制人员的安全调控负荷,为空中交通的安全、高效、智慧运行提供技术支撑;同时本发明基于航空器数量确定规模最大风险热点区域,基于航空器的重要度,识别需要关注的关键航空器,辅助管制人员管理调控。
Description
技术领域
本发明涉及一种空中交通风险热点识别方法、关键航空器识别方法及系统,属于空中交通管理领域。
背景技术
保障航班运行安全是民航运输行业的关键目标,也是新一代航空运输系统的最基本特征。安全问题的防治离不开有效的安全感知,而如何有效识别空中交通的运行风险热点是安全防控的关键所在。目前还没有有效的空中交通风险热点识别方法。
发明内容
本发明提供了一种空中交通风险热点识别方法、关键航空器识别方法及系统,解决了背景技术中披露的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
空中交通风险热点识别方法,包括:
计算扇区内任意两架航空器的瞬时冲突概率;
根据瞬时冲突概率,构建空中交通风险态势网络;
基于复杂网络理论对空中交通风险态势网络进行分析,采用发掘网络团簇方法,识别空中交通风险热点区域。
瞬时冲突概率计算公式为:
其中,Pca为扇区内两架航空器的瞬时冲突概率,Varea为两架航空器的组合冲突区域,fca为冲突概率密度函数,(xR,yR,zR)、(xS,yS,zS)分别为两架航空器的位置坐标,dv为三重积分公式内的体积元素。
空中交通风险态势网络:以航空器为节点,航空器间的冲突关系为边;其中,若两架航空器的瞬时冲突概率大于0,则两架航空器建立连边。
基于复杂网络理论对空中交通风险态势网络进行分析,采用发掘网络团簇方法,识别空中交通风险热点区域,包括:
基于复杂网络理论对空中交通风险态势网络进行分析,采用发掘网络团簇方法,获取空中交通风险态势网络中的团簇,将团簇作为空中交通风险热点区域。
空中交通风险热点识别系统,包括:
概率计算模块:计算扇区内任意两架航空器的瞬时冲突概率;
网络构建模块:根据瞬时冲突概率,构建空中交通风险态势网络;
识别模块:基于复杂网络理论对空中交通风险态势网络进行分析,采用发掘网络团簇方法,识别空中交通风险热点区域。
关键航空器识别方法,包括:
采用空中交通风险热点识别方法,识别空中交通风险热点区域;
计算空中交通风险热点区域中的航空器数量,将航空器数量最多的空中交通风险热点区域作为规模最大风险热点区域;
计算规模最大风险热点区域中航空器的重要度;
根据重要度,确定需要关注的关键航空器。
重要度计算公式为:
其中,n为规模最大风险热点区域中航空器的数量,Ii为第i个航空器的重要度,Bi为第i个航空器的介数,Bj为第j个航空器的介数,Cj为第j个航空器的紧密度;
其中,Bi为第i个航空器的介数,god为第o个航空器和第d个航空器之间不同的最短路径数,god(i)为god中经过第i个航空器的最短路径条数;
其中,dji为第j个航空器和第i个航空器之间的距离。
关键航空器识别系统,包括:
空中交通风险热点识别系统:采用空中交通风险热点识别方法,识别空中交通风险热点区域;
规模最大风险热点区域获取模块:计算空中交通风险热点区域中的航空器数量,将航空器数量最多的空中交通风险热点区域作为规模最大风险热点区域;
重要度计算模块:计算规模最大风险热点区域中航空器的重要度;
关键航空器确定模块:根据重要度,确定需要关注的关键航空器。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行空中交通风险热点识别方法或关键航空器识别方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行空中交通风险热点识别方法或关键航空器识别方法的指令。
本发明所达到的有益效果:1、本发明基于航空器的瞬时冲突概率构建空中交通风险态势网络,可直观反映监测扇区内空中交通的安全状态,基于复杂网络理论对空中交通风险态势网络进行分析,采用发掘网络团簇方法可以快速识别监测扇区内空中交通风险热点区域,方法简单、快速,可以有效缓解空中交通管制人员的安全调控负荷,为空中交通的安全、高效、智慧运行提供技术支撑;2、本发明基于航空器数量确定规模最大风险热点区域,基于航空器的重要度,识别需要关注的关键航空器,辅助管制人员管理调控。
附图说明
图1为空中交通风险热点识别方法的流程图;
图2为空中交通风险态势网络图;
图3为使用遍历算法对图的连通分量进行搜索的流程图;
图4为空中交通风险态势网络中的团簇结构;
图5为依据重要度排序删除关键航空器后的团簇结构。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,空中交通风险热点识别方法,包括以下步骤:
步骤1,计算扇区内任意两架航空器的瞬时冲突概率;
步骤2,根据瞬时冲突概率,构建空中交通风险态势网络;
步骤3,基于复杂网络理论对空中交通风险态势网络进行分析,采用发掘网络团簇方法,识别空中交通风险热点区域。
上述方法基于航空器的瞬时冲突概率构建空中交通风险态势网络,可直观反映监测扇区内空中交通的安全状态,基于复杂网络理论对空中交通风险态势网络进行分析,采用发掘网络团簇方法可以快速识别监测扇区内空中交通风险热点区域,方法简单、快速,可以有效缓解空中交通管制人员的安全调控负荷,为空中交通的安全、高效、智慧运行提供技术支撑。
在计算瞬时冲突概率之前,先提取待监测扇区边界数据和航空器航迹数据,其中,航空器航迹数据包括扇区内任意时刻每架航空器的经度、纬度、速度、高度、航向信息。
然后依据航班运行的PBN导航规范计算扇区内航空器的航迹偏差,计算扇区内任意两架航空器的瞬时冲突概率,计算公式可以为:
依据PBN导航规范选择适用于陆地航路运行阶段的RNP2标准,设定定位误差服从高斯分布,则有:
其中,s为允许偏离航路中心线的距离,此时的纵向航迹偏差σ=1.02海里。
定义参照航空器R(reference)和随机航空器S(stochastic),设定两架航空器之间飞行轨迹误差相互独立,实时位置分别为(xR,yR,zR)、(xS,yS,zS)。
冲突概率的计算可以转换为Varea内对概率密度函数的积分;考虑航空器的水平间隔标准10km、垂直间隔标准300m,在航迹误差的基础上两架航空器瞬时冲突概率计算公式可以为:
其中,(xR,yR,zR)、(xS,yS,zS)分别为两架航空器的位置坐标。
当前扇区内活跃航空器编号如表1所示,航空器之间的冲突概率计算结果如表2所示。
表1航空器编号
表2航空器对冲突概率
根据上述瞬时冲突概率,可构建空中交通风险态势网络。空中交通风险态势网络G(V,E):以航空器为节点V,航空器间的冲突关系为边E;其中,若两架航空器的瞬时冲突概率大于0,则两架航空器建立连边。具体如图2所示,以某扇区10:46:40时刻活跃航空器为节点,依据航空器之间的冲突概率为参考阈值建立空中交通风险态势网络G(V,E)。
基于复杂网络理论对空中交通风险态势网络进行分析,采用发掘网络团簇方法,获取空中交通风险态势网络中的团簇。
如图3所示,依据图的连通分量搜索每一时刻空中交通风险态势网络中的团簇,具体步骤可如下:
1)获取当前时刻空中交通风险态势网络的节点集Vnodes={v1,v2,...,vn},取出最后一位节点作为起始节点开始搜索,并在原节点集中移除该节点;
2)建立含该起始节点的群组Ggroup与队列集Qqueue;
3)取出队列集Qqueue中的第1位节点,获取与该节点相连的邻居集Nneighbors;
4)移除已在群组Ggroup内的邻居节点与已在Nneighbors内的原始节点;
5)更新群组Ggroup,更新队列集Qqueue;
6)若队列集Qqueue不为空,返回2),若队列集Qqueue为空,记录当前Ggroup;
7)若节点集Vnodes不为空,返回1)搜索下一个Ggroup,若节点集Vnodes为空,结束搜索。
将获得团簇作为空中交通风险热点区域,具体如图4所示,即获得3个空中交通风险热点区域。
基于上述方法,本申请公开了相应的软件系统,即空中交通风险热点识别系统,包括:
概率计算模块:计算扇区内任意两架航空器的瞬时冲突概率;
网络构建模块:根据瞬时冲突概率,构建空中交通风险态势网络;
识别模块:基于复杂网络理论对空中交通风险态势网络进行分析,采用发掘网络团簇方法,识别空中交通风险热点区域。
上述各模块的数据处理流程,与上述方法一致,这里不重复描述了。
如图4所示,关键航空器识别方法,包括:
S1)采用空中交通风险热点识别方法,识别空中交通风险热点区域;
S2)计算空中交通风险热点区域中的航空器数量,将航空器数量最多的空中交通风险热点区域作为规模最大风险热点区域;
S3)计算规模最大风险热点区域中航空器的重要度;
S4)根据重要度,确定需要关注的关键航空器。
上述方法基于航空器数量确定规模最大风险热点区域,基于航空器的重要度,识别需要关注的关键航空器,辅助管制人员管理调控。
基于空中交通风险热点识别方法,可获得空中交通风险热点区域,计算每个时刻空中交通风险热点区域的节点数,获得节点最多的区域,即航空器数量最多的区域,将该区域作为规模最大风险热点区域。
以图4为例,3个不同规模大小的空中交通风险热点区域,其中,“航班AK113”(1个节点)、“航班GS6451和航班GS7441”(2个节点)、“航班CZ8545、航班MU2779、航班KA886、航班MU5302、航班CA773、航班3U8782、航班CZ6559、航班ZH8796”(8个节点),因此8个节点的区域即为规模最大风险热点区域。
对规模最大风险热点区域内的航空器进行重要度排序,确定需要关注的关键航空器,具体步骤可以如下:
A1)确定节点介数,亦即网络中所有节点对的最短路径中经过该节点的数量比;
其中,Bi为第i个航空器(即第i个节点,后续全部用节点表述)的介数,god为第o个节点和第d个节点之间不同的最短路径数,god(i)为god中经过第i个节点的最短路径条数,god(i)/god表示第i个节点对第o个节点和第d个节点的介数贡献值。
模最大风险热点区域中8个节点的节点介数为B=[0.250.750.250.250.250.250.250.46]。
A2)确定节点距离;
dij为第i个节点和第j个节点之间的距离,亦即第i个节点和第j个节点之间最短路径上的边数,若两者之间不存在路径,则定义dij=∞。
模最大风险热点区域中8个节点的相对距离为:
A3)确定节点紧密度;
其中,Cj为第j个节点的紧密度,即第j个节点到达所有其他节点的距离之和的倒数,dji=dij;
模最大风险热点区域中8个节点的节点紧密度为C=[0.64 0.88 0.39 0.50 0.640.64 0.64 0.58]。
A4)确定节点贡献度矩阵;
在节点数为n的无向网络中,依据第j个节点的节点紧密度Cj、第i个节点和第j个节点的节点距离dij来表示网络中第j个节点对第i个节点的重要度贡献值Cj/dij,可得节点间重要度贡献矩阵,记为:
其中,对角线上数字代表节点对自身的贡献值为1。
A5)确定节点重要度评估矩阵;
依据节点介数以及节点贡献度矩阵来描述节点的重要度评估矩阵,即:
A6)计算每个节点的重要度;
依据节点重要度评估矩阵、节点介数和、节点贡献度,可以得到节点的重要度:
其中,n为规模最大风险热点区域中航空器的数量,Ii为第i个节点的重要度,Bi为第i个节点的介数,Bj为第j个节点的介数。
规模最大风险热点区域中8个节点重要度计算结果如表3所示,从中可以看出,重要度最高的为航班MU2779,其为需要关注的关键航空器。
依据重要度排序结果移除MU2779后,当前空中交通风险态势网络内的航空器团簇如图5所示,有效降低了风险区域内的网络复杂性。这里展示删除后的团簇情况只是为了表示:删除的节点非常重要,因为删除后,整个空域内的团簇结构被迅速“打散”的感觉,从而体现删除节点的“关键”所在。
表3节点重要度排序
基于上述方法,本申请公开了相应的软件系统,即关键航空器识别系统,包括:
空中交通风险热点识别系统:采用空中交通风险热点识别方法,识别空中交通风险热点区域;
规模最大风险热点区域获取模块:计算空中交通风险热点区域中的航空器数量,将航空器数量最多的空中交通风险热点区域作为规模最大风险热点区域;
重要度计算模块:计算规模最大风险热点区域中航空器的重要度;
关键航空器确定模块:根据重要度,确定需要关注的关键航空器。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行空中交通风险热点识别方法或关键航空器识别方法。
一种计算设备,包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行空中交通风险热点识别方法或关键航空器识别方法的指令。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (7)
1.空中交通风险热点识别方法,其特征在于,包括:
计算扇区内任意两架航空器的瞬时冲突概率,其中,瞬时冲突概率计算公式为:
其中,Pca为扇区内两架航空器的瞬时冲突概率,Varea为两架航空器的组合冲突区域,fca为冲突概率密度函数,(xR,yR,zR)、(xS,yS,zS)分别为两架航空器的位置坐标,dv为三重积分公式内的体积元素;
根据瞬时冲突概率,构建空中交通风险态势网络,其中,空中交通风险态势网络:以航空器为节点,航空器间的冲突关系为边;其中,若两架航空器的瞬时冲突概率大于0,则两架航空器建立连边;
基于复杂网络理论对空中交通风险态势网络进行分析,采用发掘网络团簇方法,获取空中交通风险态势网络中的团簇,将获得团簇作为空中交通风险热点区域,其中,获取空中交通风险态势网络中的团簇包括:
1)获取当前时刻空中交通风险态势网络的节点集Vnodes={v1,v2,...,vn},取出最后一位节点作为起始节点开始搜索,并在原节点集中移除该节点;
2)建立含该起始节点的群组Ggroup与队列集Qqueue;
3)取出队列集Qqueue中的第1位节点,获取与该节点相连的邻居集Nneighbors;
4)移除已在群组Ggroup内的邻居节点与已在Nneighbors内的原始节点;
5)更新群组Ggroup,更新队列集Qqueue;
6)若队列集Qqueue不为空,返回2),若队列集Qqueue为空,记录当前Ggroup;
7)若节点集Vnodes不为空,返回1)搜索下一个Ggroup,若节点集Vnodes为空,结束搜索。
2.根据权利要求1所述的空中交通风险热点识别方法,其特征在于,基于复杂网络理论对空中交通风险态势网络进行分析,采用发掘网络团簇方法,识别空中交通风险热点区域,包括:
基于复杂网络理论对空中交通风险态势网络进行分析,采用发掘网络团簇方法,获取空中交通风险态势网络中的团簇,将团簇作为空中交通风险热点区域。
3.空中交通风险热点识别系统,其特征在于,包括:
概率计算模块:计算扇区内任意两架航空器的瞬时冲突概率,其中,瞬时冲突概率计算公式为:
其中,Pca为扇区内两架航空器的瞬时冲突概率,Varea为两架航空器的组合冲突区域,fca为冲突概率密度函数,(xR,yR,zR)、(xS,yS,zS)分别为两架航空器的位置坐标,dv为三重积分公式内的体积元素;
网络构建模块:根据瞬时冲突概率,构建空中交通风险态势网络,其中,空中交通风险态势网络:以航空器为节点,航空器间的冲突关系为边;其中,若两架航空器的瞬时冲突概率大于0,则两架航空器建立连边;
识别模块:基于复杂网络理论对空中交通风险态势网络进行分析,采用发掘网络团簇方法,获取空中交通风险态势网络中的团簇,将获得团簇作为空中交通风险热点区域,其中,获取空中交通风险态势网络中的团簇包括:
1)获取当前时刻空中交通风险态势网络的节点集Vnodes={v1,v2,...,vn},取出最后一位节点作为起始节点开始搜索,并在原节点集中移除该节点;
2)建立含该起始节点的群组Ggroup与队列集Qqueue;
3)取出队列集Qqueue中的第1位节点,获取与该节点相连的邻居集Nneighbors;
4)移除已在群组Ggroup内的邻居节点与已在Nneighbors内的原始节点;
5)更新群组Ggroup,更新队列集Qqueue;
6)若队列集Qqueue不为空,返回2),若队列集Qqueue为空,记录当前Ggroup;
7)若节点集Vnodes不为空,返回1)搜索下一个Ggroup,若节点集Vnodes为空,结束搜索。
4.关键航空器识别方法,其特征在于,包括:
采用权利要求1~2任意一项所述的方法,识别空中交通风险热点区域;
计算空中交通风险热点区域中的航空器数量,将航空器数量最多的空中交通风险热点区域作为规模最大风险热点区域;
计算规模最大风险热点区域中航空器的重要度,其中,重要度计算公式为:
其中,n为规模最大风险热点区域中航空器的数量,Ii为第i个航空器的重要度,Bi为第i个航空器的介数,Bj为第j个航空器的介数,Cj为第j个航空器的紧密度;
其中,Bi为第i个航空器的介数,god为第o个航空器和第d个航空器之间不同的最短路径数,god(i)为god中经过第i个航空器的最短路径条数;
其中,dji为第j个航空器和第i个航空器之间的距离;
根据重要度,确定需要关注的关键航空器。
5.关键航空器识别系统,其特征在于,包括:
空中交通风险热点识别系统:采用权利要求1~2任意一项所述的方法,识别空中交通风险热点区域;
规模最大风险热点区域获取模块:计算空中交通风险热点区域中的航空器数量,将航空器数量最多的空中交通风险热点区域作为规模最大风险热点区域;
重要度计算模块:计算规模最大风险热点区域中航空器的重要度,其中,重要度计算公式为:
其中,n为规模最大风险热点区域中航空器的数量,Ii为第i个航空器的重要度,Bi为第i个航空器的介数,Bj为第j个航空器的介数,Cj为第j个航空器的紧密度;
其中,Bi为第i个航空器的介数,god为第o个航空器和第d个航空器之间不同的最短路径数,god(i)为god中经过第i个航空器的最短路径条数;
其中,dji为第j个航空器和第i个航空器之间的距离;
关键航空器确定模块:根据重要度,确定需要关注的关键航空器。
6.一种存储一个或多个程序的计算机可读存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1~2、4所述的方法中的任一方法。
7.一种计算设备,其特征在于:包括,
一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1~2、4所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111247208.XA CN114124461B (zh) | 2021-10-26 | 2021-10-26 | 空中交通风险热点识别方法、关键航空器识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111247208.XA CN114124461B (zh) | 2021-10-26 | 2021-10-26 | 空中交通风险热点识别方法、关键航空器识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114124461A CN114124461A (zh) | 2022-03-01 |
CN114124461B true CN114124461B (zh) | 2022-08-19 |
Family
ID=80376741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111247208.XA Active CN114124461B (zh) | 2021-10-26 | 2021-10-26 | 空中交通风险热点识别方法、关键航空器识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114124461B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019139401A (ja) * | 2018-02-08 | 2019-08-22 | 株式会社デンソー | 衝突回避支援装置、プログラム、衝突回避支援方法 |
CN110544380A (zh) * | 2019-09-17 | 2019-12-06 | 东南大学 | 一种面向道路合流区域的实时车道级安全态势评估方法 |
CN110796901A (zh) * | 2019-11-04 | 2020-02-14 | 中国民航大学 | 一种空中交通态势风险热点识别方法 |
CN111160631A (zh) * | 2019-12-17 | 2020-05-15 | 西北工业大学 | 一种基于四维航迹运行的冲突探测及消解方法 |
CN112015843A (zh) * | 2020-09-02 | 2020-12-01 | 中国科学技术大学 | 基于多车意图交互结果的行车风险态势评估方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10699305B2 (en) * | 2016-11-21 | 2020-06-30 | Nio Usa, Inc. | Smart refill assistant for electric vehicles |
-
2021
- 2021-10-26 CN CN202111247208.XA patent/CN114124461B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019139401A (ja) * | 2018-02-08 | 2019-08-22 | 株式会社デンソー | 衝突回避支援装置、プログラム、衝突回避支援方法 |
CN110544380A (zh) * | 2019-09-17 | 2019-12-06 | 东南大学 | 一种面向道路合流区域的实时车道级安全态势评估方法 |
CN110796901A (zh) * | 2019-11-04 | 2020-02-14 | 中国民航大学 | 一种空中交通态势风险热点识别方法 |
CN111160631A (zh) * | 2019-12-17 | 2020-05-15 | 西北工业大学 | 一种基于四维航迹运行的冲突探测及消解方法 |
CN112015843A (zh) * | 2020-09-02 | 2020-12-01 | 中国科学技术大学 | 基于多车意图交互结果的行车风险态势评估方法及系统 |
Non-Patent Citations (2)
Title |
---|
《Fast_Collision_Detection_for_Small_Unmanned_Aircraft_Systems_in_Urban_Airspace》;张洪海等;《IEEE Access》;20210121;全文 * |
无人机感知避让技术分析;景晓年等;《火力与指挥控制》;20170415(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114124461A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112783195B (zh) | 多无人机的巡检路线规划方法、装置和计算机设备 | |
CN114077926A (zh) | 航行轨迹预测方法、计算机存储介质及程序产品 | |
JP2020042783A (ja) | 無人運転車に基づく障害物分類方法、装置、機器及び記憶媒体 | |
CN105488597A (zh) | 旅客目的地预测方法及系统 | |
CN113869778A (zh) | 一种基于城市管理的无人机河道巡检方法及系统 | |
CN114625162A (zh) | 基于混合算法的无人机最优路径规划方法、系统及介质 | |
Ayhan et al. | Diclerge: Divide-cluster-merge framework for clustering aircraft trajectories | |
CN117649785B (zh) | 一种无人机多运行人分布式协同冲突化解方法及系统 | |
CN114610825A (zh) | 关联网格集的确认方法、装置、电子设备及存储介质 | |
CN114124461B (zh) | 空中交通风险热点识别方法、关键航空器识别方法及系统 | |
CN110749325B (zh) | 航迹规划方法和装置 | |
US8244424B2 (en) | Database comprising topographical information on obstacles and method for generating one such database | |
CN112269848A (zh) | 一种众包轨迹数据融合方法及装置 | |
KR20190050575A (ko) | 무인 항공기의 비행경로 탐색 방법 | |
US10345106B1 (en) | Trajectory analysis with geometric features | |
He | Online detection and modeling of safety boundaries for aerospace applications using active learning and bayesian statistics | |
CN111240361A (zh) | 一种基于四维数据的飞行控制方法、装置、设备及存储介质 | |
CN110796901A (zh) | 一种空中交通态势风险热点识别方法 | |
CN114117079B (zh) | 基于大数据分析拦截的拦截反馈处理方法及信息拦截系统 | |
CN111160594A (zh) | 一种到达时间的预估方法、装置及存储介质 | |
US20230316924A1 (en) | Method and device for determining a collision probability of a vehicle with an object in a three-dimensional space | |
CN111652102B (zh) | 一种输电通道目标物辨识方法及系统 | |
CN117315998A (zh) | 检测航空器的飞行冲突的方法和装置 | |
CN111414804B (zh) | 识别框确定方法、装置、计算机设备、车辆和存储介质 | |
CN113677583B (zh) | 基于图计算的车辆驾驶数据处理方法、装置和计算机设备 |
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 |