CN116543602B - 面向航空器集群的态势复杂性识别方法及系统 - Google Patents
面向航空器集群的态势复杂性识别方法及系统 Download PDFInfo
- Publication number
- CN116543602B CN116543602B CN202310808057.3A CN202310808057A CN116543602B CN 116543602 B CN116543602 B CN 116543602B CN 202310808057 A CN202310808057 A CN 202310808057A CN 116543602 B CN116543602 B CN 116543602B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- cluster
- airspace
- situation
- protection
- 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 27
- 230000001419 dependent effect Effects 0.000 claims abstract description 30
- 230000001681 protective effect Effects 0.000 claims description 6
- 239000006185 dispersion Substances 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000009472 formulation Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 230000008878 coupling Effects 0.000 description 7
- 238000010168 coupling process Methods 0.000 description 7
- 238000005859 coupling reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 235000006629 Prosopis spicigera Nutrition 0.000 description 1
- 240000000037 Prosopis spicigera Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 108010015046 cell aggregation factors Proteins 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- WBWWGRHZICKQGZ-HZAMXZRMSA-M taurocholate Chemical compound C([C@H]1C[C@H]2O)[C@H](O)CC[C@]1(C)[C@@H]1[C@@H]2[C@@H]2CC[C@H]([C@@H](CCC(=O)NCCS([O-])(=O)=O)C)[C@@]2(C)[C@@H](O)C1 WBWWGRHZICKQGZ-HZAMXZRMSA-M 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0043—Traffic management of multiple aircrafts from the ground
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/08—Trunked mobile radio systems
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及空中交通管制技术领域，具体涉及面向航空器集群的态势复杂性识别方法及系统，该方法包括步骤：采集空域中航空器的实时轨迹数据与飞行参数；搭建多层结构的航空器保护区模型，并基于保护区模型和轨迹数据、飞行参数计算两两航空器之间的态势权重，并基于态势权重生成航空器集群；基于航空器集群、空域关键点、管制员，搭建多层结构的相依网络框架；设定基于相依网络框架的态势复杂性指标集合，并计算指标集合中各个指标的数据值；将计算得到的各个指标的数据值作为输入，通过GRU‑Attention模型实现航空器集群的态势复杂性识别。本发明可以提高航空器集群态势复杂性的识别准确性，为空中交通管制更合理制定提供技术支持。
Description
技术领域
本发明涉及空中交通管制技术领域，特别涉及一种面向航空器集群的态势复杂性识别方法及系统。
背景技术
随着世界民航产业的不断复苏，我国民航业也正呈现出稳健的恢复发展态势。日益增长的航空运输需求导致了空域中飞行量和航空器密度的激增，在某些航空器密度较大的区域出现了明显的航空器集群现象。这些飞行间隔小和具有相互干扰趋势的航空器集群，不仅给空中交通管制员（ATC）带来了巨大的挑战，也给空中交通管理（ATM）带来了明显的风险。因此，描述和评估集群现象的复杂性将是民航界关注的焦点。
对于现阶段的空中交通管制技术特点而言，管制员通常侧重于保持航空器间的飞行间隔和解决两两航空器的飞行冲突。但是这些控制策略在面对航空器集群时则表现出了明显的不足，单一从航空器对的态势复杂性判断很容易忽视集群间的相互影响，从而引发更为严重的冲突连锁反应。
发明内容
本发明的目的在于提供一种面向航空器集群的态势复杂性识别方法及系统，可以提高航空器集群态势复杂性的识别准确性，为空中交通管制更合理制定提供技术支持。
为了实现上述发明目的，本发明实施例提供了以下技术方案：
一种面向航空器集群的态势复杂性识别方法，包括以下步骤：
采集空域中航空器的实时轨迹数据与飞行参数，轨迹数据包括经纬度与飞行高度，飞行参数包括速度、航向；
搭建多层结构的航空器保护区模型，并基于保护区模型和轨迹数据、飞行参数计算两两航空器之间的态势权重，并基于态势权重生成航空器集群；
基于航空器集群、空域关键点、管制员，搭建多层结构的相依网络框架；
设定基于相依网络框架的态势复杂性指标集合，并计算指标集合中各个指标的数据值；
将计算得到的各个指标的数据值作为输入，通过GRU-Attention模型实现航空器集群的态势复杂性识别。
上述方案中，搭建的相依网络框架包含了管制员、航空器集群、空域关键点，即态势复杂性识别时融合了他们之间的耦合关系和无序性影响，从多个维度更全面地刻画集群交通态势的耦合特征，提高了识别结果的准确性。通过搭建保护区模型，并计算各个航空器与保护区是否存在交点，可以准确描述空域的静态结构和交通行为的无序性所带来的感知负荷，保障空中交通安全。通过GRU-Attention模型进行态势复杂性识别，只需要输入指标数据值即可，效率高，且准确性高。
所述航空器保护区模型包括三层结构，分别为保护区Ⅰ、保护区Ⅱ、保护区Ⅲ；针对于航空器i，其保护区Ⅰ、保护区Ⅱ、保护区Ⅲ的数学表达式分别为：
=1，保护区Ⅰ (1)
，保护区Ⅱ (2)
，保护区Ⅲ (3)
其中，a 1 =b 1 =航空器的雷达告警阈值距离，a 2 =b 2 =设定的缓冲距离，a 3 =b 3 =空中防撞
系统通信距离，c 1 、c 2 、c 3 分别为设定的保护区Ⅰ、保护区Ⅱ、保护区Ⅲ在Z轴上的半轴长度，表示任意航空器的Z轴坐标长度，（x,y,z）是指任意航空器的坐标，（X i ,Y i ,Z i ）是航空器i
的坐标。
上述方案中，保护区模型采用三层结构，当航空器进入保护区Ⅲ时开始检测冲突关系，三层结构可以更好地实现两两航空器之间权重的分级机制。
所述基于保护区模型和轨迹数据、飞行参数计算两两航空器之间的态势权重，包括以下步骤：
计算航空器j相对航空器i的矢量相对速度，其中，为航空器j的矢
量速度，由航空器j的飞行参数确定，为航空器i的矢量速度，由航空器i的飞行参数确定；
计算航空器j的矢量相对速度与航空器i的保护区Ⅰ、保护区Ⅱ的相交关系，确定出是否存在交点；
根据航空器之间的位置关系以及矢量相对速度与保护区Ⅰ、保护区Ⅱ的相交关系，
确定航空器j和航空器i之间的态势权重，
其中，、、、分别表示不同修正系数，表示航空器i和航空器j的距离
向量，j∈Ⅰ表示航空器j在航空器i的保护区Ⅰ内，PⅠ=0表示航空器j与航空器i的保护区Ⅰ没
有交点，PⅠ≠0表示航空器j与航空器i的保护区Ⅰ有交点，PⅡ=0表示航空器j与航空器i的保
护区Ⅱ没有交点，PⅡ≠0表示航空器j与航空器i的保护区Ⅱ有交点。
所述计算航空器j的矢量相对速度与航空器i的保护区Ⅰ、保护区Ⅱ的相交关系，确定出是否存在交点，包括：
列等式== （4）
分别联解公式（1）与公式（4）、公式（2）与公式（4），如果联解公式（1）与（4）有解，则航空器j和航空器i的保护区Ⅰ存在交点，否则不存在交点；如果联解公式（2）与（4）有解，则航空器j和航空器i的保护区Ⅱ存在交点，否则不存在交点；
其中，v x 、v y 、v z 分别表示航空器j相对航空器i的矢量相对速度在X轴、Y轴、Z轴的
分量。
基于态势权重生成航空器集群，包括：若两两航空器之间的态势权重不为零，则该两两航空器之间存在连边；若航空器之间存在连边，则所有相互存在连边的航空器组成航空器集群。
所述相依网络框架包括航空器集群层、空域关键点层和管制员层，航空器集群层中包括若干个航空器，空域关键点层中包括若干个空域关键点，管制员层中包括若干个管制员；对于航空器集群层与空域关键点层，若某航空器存在向某空域关键点运动的趋势，则该航空器与该空域关键点存在超边；对于航空器集群层与管制员层，若某航空器位于某管制员的管辖扇区，则该航空器与该管制员存在超边，若两管辖扇区边界相邻，则管辖扇区对应的管制员间存在连边。
上述方案中，如此构建相依网络框架，方便于构建相应的指标，通过相依网络框架的相关指标可以揭示航空器集群、管制员、空域关键点这三种复杂要素耦合下集群复杂特征，继而提高态势复杂性识别的准确性。
所述指标集合中所包含的指标有：航空器集群l的节点度集合，与航空器集
群l相连的空域关键点超度集合，与航空器集群l相连的管制员超度集合，航空器集群l的边权分散系数，航空器集群l的点强，时间戳T，航空器
集群l的平均加权集聚系数，所谓度就是连边的数量，超度就是超边的数量；
；
；
；
；
；
；
；
，，；
表示航空器i的度，表示第个航空器的度，表示航空器集群l中的航
空器数量；表示第个与航空器集群l相连的空域关键点的超度，表示与航
空器集群l相连的空域关键点数量；表示第个与航空器集群l相连的管制员的
超度，表示与航空器集群l相连的管制员数量；表示航空器集群l的权重集合中的
中位数，表示航空器集群l的权重集合中的最大值，表示航空器集群l的边集合；均表示航空器集群l边集合的邻接矩阵，若，则=1，表示航空器i、j之间存在连边，否则=0；=1表示航空器i、j、k之间构成三角形，形成集聚效
应。
上述指标集合中的各个指标囊括了航空器态势复杂性的典型描述，实验结果表明，采用上述指标集合识别航空器的态势复杂性，准确性及安全性高，可以有效避免冲突。
GRU-Attention模型输出态势等级。等级方式简单明了，便于工作人人员基于等级结果快速做出响应。
一种面向航空器集群的态势复杂性识别系统，包括：
数据采集模块，用于采集空域中航空器的实时轨迹数据与飞行参数，轨迹数据包括经纬度与飞行高度，飞行参数包括速度、航向；
航空器集群生成模块，用于搭建多层结构的航空器保护区模型，并基于保护区模型和轨迹数据、飞行参数计算两两航空器之间的态势权重，并基于态势权重生成航空器集群；
相依网络框架搭建模块，用于基于航空器集群、空域关键点、管制员，搭建多层结构的相依网络框架；
指标计算模块，用于设定基于相依网络的态势复杂性指标集合，并计算指标集合中各个指标的数据值；
态势复杂性识别模块，用于将计算得到的各个指标的数据值作为输入，通过GRU-Attention模型实现航空器集群的态势复杂性识别。
与现有技术相比，本发明从管制员、航空器集群、空域关键点之间的耦合关系和无序性影响出发，开发面向集群的多因素耦合态势复杂性评价方法，从无序性等多个维度更全面地刻画集群交通态势的耦合特征。此外，它还可以准确描述空域的静态结构和交通行为的无序性所带来的感知负荷。本发明方法的提出，可以基于航空器集群的耦合特征，针对部分航班实施航迹调整，引导、疏解复杂交通集群现象，有效减少冲突链式反应以及由之带来的工作负荷，极大提升空中交通管制效能。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍， 应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为实施例中提供的面向航空器集群的态势复杂性识别方法的流程图。
图2为实施例中涉及的三层航空器保护区模型示意图。
图3为实施例中涉及的空间速度障碍法计算模型示意图。
图4为实施例中涉及的多层相依网络框架示意图。
图5为实施例中涉及的基于GRU-Attention的态势复杂性识别模型示意图。
图6为试验例中航空器集群的态势复杂性识别结果展示图。
图7为实施例中提供的面向航空器集群的态势复杂性识别系统的结构框图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本实施例中提供的面向航空器集群的态势复杂性识别方法，包括以下步骤：
S10，采集空域中航空器的实时轨迹数据与飞行参数。
轨迹数据可以包括经纬度与飞行高度，飞行参数可以包括速度、航向、上升率、下降率。
S20，搭建多层结构的航空器保护区模型，并基于保护区模型和轨迹数据、飞行参数计算两两航空器之间的态势权重，并基于态势权重生成航空器集群。
针对每一个航空器，都有一个保护区模型。本实施例中，如图2所示，航空器保护区模型包括三层结构，三层结构可以更好地实现两两航空器之间权重的分级机制。三层结构分别为保护区Ⅰ、保护区Ⅱ、保护区Ⅲ，其中，针对于航空器i，其保护区Ⅰ、保护区Ⅱ、保护区Ⅲ的数学表达式分别为：
=1，保护区Ⅰ (1)
，保护区Ⅱ (2)
，保护区Ⅲ (3)
其中，10km是航空器的雷达告警的阈值，所以椭球在X轴、Y轴上的半轴长分别为a 1 =b 1 =10km，设定缓冲距离为15km，所以a 2 =b 2 =15km，26km是TCAS防撞系统通信距离，所以a 3 =b 3 =26km，在Z轴上的半轴长分别为c 1 =0.3km ,c 2 =0.9km ，c 3 =1.5km。表示任意航空器的Z轴
坐标长度，（x,y,z）是指任意航空器的坐标，（X i ,Y i ,Z i ）是航空器i的坐标。
如图3所示，计算航空器j相对航空器i的矢量相对速度，为航空器j
的矢量速度，由航空器j的飞行参数（速度和航向）确定，为航空器i的矢量速度，由航空器i的飞行参数（速度和航向）确定。利用空间速度障碍法，计算航空器j的矢量相对速度与航
空器i的保护区Ⅰ、Ⅱ的相交关系，即分别联解公式（1）与（4）、（2）与（4）来判断交点PⅠ、PⅡ是
否存在。判断交点是否存在即是判断联解方程组是否有解，例如，如果联解公式（1）与（4）有
解，就表示航空器j和航空器i的保护区Ⅰ存在交点；又例如联解公式（2）和（4）有解，就表示
表示航空器j和航空器i的保护区Ⅱ存在交点。
(4)
其中，v x 、v y 、v z 分别表示航空器j相对航空器i的矢量相对速度在X轴、Y轴、Z轴的
分量。
根据航空器之间的位置关系以及矢量相对速度与保护区Ⅰ、Ⅱ的相交关系，确定两
两航空器（航空器j和航空器i）之间的态势权重。
(5)
其中，、、、分别表示不同修正系数，基于试验例，=exp（-8.28），=
exp（-8.95），=exp（-9.78），=exp（-11.52）。表示航空器j相对航空器i的矢量相对速
度，表示航空器i和航空器j的距离向量，由航空器i和航空器j的坐标（轨迹数据）确定。j
∈Ⅰ表示航空器j在航空器i的保护区Ⅰ内，PⅠ=0表示航空器j与航空器i的保护区Ⅰ没有交点，
PⅠ≠0表示航空器j与航空器i的保护区Ⅰ有交点。PⅡ=0表示航空器j与航空器i的保护区Ⅱ没
有交点，PⅡ≠0表示航空器j与航空器i的保护区Ⅱ有交点。
基于态势权重生成航空器集群。本实施例中，作为可实施方式的举例，若两两航空器之间的态势权重不为零，则该两两航空器之间存在连边；若航空器之间存在连边，则所有相互存在连边的航空器组成航空器集群。
航空器集群中，两两航空器之间存在一个态势权重，所有的态势权重组成权重集合。
S30，基于航空器集群、空域关键点、管制员，搭建多层结构的相依网络框架。
如图4所示，本实施例中，所述相依网络框架中包括航空器集群（简写为AC）层、空域关键点（简写为AK）层和管制员（简写为ATC）层，航空器集群层中包括若干个航空器，空域关键点层中包括若干个空域关键点，空域关键点包括移交点和交叉点，在图4中移交点用圆点表示，交叉点用五角星表示，管制员层中包括若干个管制员。如图4所示，对于航空器集群层与空域关键点层，若某航空器存在向某空域关键点运动的趋势，则该航空器与该空域关键点存在超边（即跨层的连边）；对于航空器集群层与管制员层，若某航空器位于某管制员的管辖扇区，则该航空器与该管制员存在超边。若两管辖扇区边界相邻，则管辖扇区对应的管制员间存在连边。
由于空域关键点和管制员是确定的，因此相依网络框架中空域关键点层和管制员层的结构是固定的，而航空器的数量和连边关系（态势权重是否为0）是实时变化的，所以航空器集群层的结构是动态变化的。
S40，设定基于相依网络的态势复杂性指标集合，计算指标集合中各个指标的数据值。
其中，指标集合中所包含的指标有：航空器集群l的节点度集合，与航空器集
群l相连的空域关键点超度集合，与航空器集群l相连的管制员超度集合，航空器集群l的边权分散系数，航空器集群l的点强，时间戳T ，航空
器集群l的平均加权集聚系数，所谓度就是连边的数量，超度就是超边的数量。
各个指标的计算方式如下：
；（6）
；（7）
；（8）
；（9）
；（10）
；（11）
；
，，；
表示航空器i的度，表示第个航空器的度，表示航空器集群l中的航
空器数量；表示第个与航空器集群l相连的空域关键点的超度，表示与航
空器集群l相连的空域关键点数量；表示第个与航空器集群l相连的管制员的
超度，表示与航空器集群l相连的管制员数量；表示航空器集群l的权重集合中的
中位数，表示航空器集群l的权重集合中的最大值，表示航空器集群l所有边的边
集合；均表示航空器集群l边集合的邻接矩阵，若，则=1，表示
航空器i、j之间存在连边，否则=0；若，则=1，表示航空器i、k之间存在连
边，否则=0；若，则=1，表示航空器j、k之间存在连边，否则=0；=1表示航空器i、j、k之间构成三角形，形成集聚效应。
本实施例中采用的这些指标，航空器集群l的节点度集合反映了航空器集群的大小和复杂程度；与航空器集群l相连的空域关键点超度集合反映了航空器集群相对于不同关键点的汇聚程度；与航空器集群l相连的管制员超度集合反映了集群对应的管制员的工作负荷；航空器集群l的边权分散系数反映了不同航空器对在集群中的冲突复杂程度分布；航空器集群l的点强反映了不同航空器与周围航空器的冲突复杂程度；时间戳表示航空器集群在该时刻的时间关联属性；平均加权集聚系数代表了航空器集群的聚集程度。这些指标包括了面向态势复杂性的相依网络微观指标，实验证明这些指标对于航空器集群的态势复杂性识别具有重要意义，有助于提高识别结果的准确度。
S50，将计算得到的各个指标的数据值作为输入，通过GRU-Attention模型实现航空器集群的态势复杂性识别。
本实施例中采用的GRU-Attention模型的结构如图5所示，包括输入层、GRU处理层、Attention机制层和输出层。
1) 输入层: 实现数据输入，即输入步骤S30计算得到的各个指标的数据值。
2) GRU处理层: GRU网络按照时间步和输入维度，从输入层获取输入的数据，更新网络权重，并输出重要信息。
3) Attention 层: Permute交换单元按照向量指定的顺序重新排列输入的维度，Multiply层将 Attention 层的输出与GRU单元输出完成对应位的相乘输出， 则实现了对隐层单元的动态加权过程。
4) 输出层: Flatten 层将 Attention 层的输出一维化后接入全连接层， 再利用softmax 输出判别结果。
GRU单元可以将节点的输入和输出和上一个节点联系起来，需要控制的参数少，训练速度快且有较好的收敛性，更加符合人类思维行为。Attention机制的引入对于输入信息赋予不同的权重，使模型更加注重有用信息而减弱无用信息的影响，可以提高对重要信息的识别能力。
容易理解的是，上述方法步骤中，除非有明确的逻辑关联性，否则各个步骤的执行顺序可以没有先后之分，例如步骤S30也可以执行在S20之前。
图6为试验例中航空器集群的态势复杂性识别结果展示图，作为一种举例方式，态势复杂性等级可分为L1~L6级。展示界面为某地区进近空域，试验系统可以实现航空器之间的自动连边与集群的自动识别和标识，并通过GRU-Attention模型输出航空器集群的态势等级。
本方法基于搭建的航空器集群生成框架和相依网络框架，利用空域中航空器的实时轨迹数据（经纬度与飞行高度）与飞行参数（速度、航向、上升下降率）完成各层网络连边与权重计算，并实现航空器集群的自动识别和标识，最终通过GRU-Attention模型输出航空器集群的态势等级，具有识别精度高，操作强等特点。
如图7所示，基于相同的发明构思，本实施例还提供了一种面向航空器集群的态势复杂性识别系统，包括：
数据采集模块100，用于采集空域中航空器的实时轨迹数据与飞行参数，轨迹数据包括经纬度与飞行高度，飞行参数包括速度、航向；
航空器集群生成模块200，用于搭建多层结构的航空器保护区模型，并基于保护区模型和轨迹数据、飞行参数计算两两航空器之间的态势权重，并基于态势权重生成航空器集群；
相依网络框架搭建模块300，用于基于航空器集群、空域关键点、管制员，搭建多层结构的相依网络框架；
指标计算模块400，用于设定基于相依网络的态势复杂性指标集合，并计算指标集合中各个指标的数据值；
态势复杂性识别模块500，用于将计算得到的各个指标的数据值作为输入，通过GRU-Attention模型实现航空器集群的态势复杂性识别。
本系统中，各个功能模块的具体执行方式请见前述方法实施例的相关描述，此处不再赘述。
以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (5)
1.一种面向航空器集群的态势复杂性识别方法，其特征在于，包括以下步骤：
采集空域中航空器的实时轨迹数据与飞行参数，轨迹数据包括经纬度与飞行高度，飞行参数包括速度、航向；
搭建多层结构的航空器保护区模型，并基于保护区模型和轨迹数据、飞行参数计算两两航空器之间的态势权重，并基于态势权重生成航空器集群；
基于航空器集群、空域关键点、管制员，搭建多层结构的相依网络框架；
设定基于相依网络框架的态势复杂性指标集合，并计算指标集合中各个指标的数据值；
将计算得到的各个指标的数据值作为输入，通过GRU-Attention模型实现航空器集群的态势复杂性识别；
所述基于保护区模型和轨迹数据、飞行参数计算两两航空器之间的态势权重，包括以下步骤：
计算航空器j相对航空器i的矢量相对速度 ，其中，/>为航空器j的矢量速度，由航空器j的飞行参数确定，/>为航空器i的矢量速度，由航空器i的飞行参数确定；
计算航空器j的矢量相对速度与航空器i的保护区Ⅰ、保护区Ⅱ的相交关系，确定出是否存在交点；
根据航空器之间的位置关系以及航空器j的矢量相对速度与保护区Ⅰ、保护区Ⅱ的相交关系，确定航空器j和航空器i之间的态势权重，
其中，、/>、/>、/>分别表示不同修正系数，/>表示航空器i和航空器j的距离向量，j∈Ⅰ表示航空器j在航空器i的保护区Ⅰ内，PⅠ=0表示航空器j与航空器i的保护区Ⅰ没有交点，PⅠ≠0表示航空器j与航空器i的保护区Ⅰ有交点，PⅡ=0表示航空器j与航空器i的保护区Ⅱ没有交点，PⅡ≠0表示航空器j与航空器i的保护区Ⅱ有交点，/>表示保护区/>，/>表示航空器j不在航空器i的保护区/>内；
基于态势权重生成航空器集群，包括：若两两航空器之间的态势权重不为零，则该两两航空器之间存在连边；若航空器之间存在连边，则所有相互存在连边的航空器组成航空器集群；
所述相依网络框架包括航空器集群层、空域关键点层和管制员层，航空器集群层中包括若干个航空器，空域关键点层中包括若干个空域关键点，管制员层中包括若干个管制员；对于航空器集群层与空域关键点层，若某航空器存在向某空域关键点运动的趋势，则该航空器与该空域关键点存在超边；对于航空器集群层与管制员层，若某航空器位于某管制员的管辖扇区，则该航空器与该管制员存在超边，若两管辖扇区边界相邻，则管辖扇区对应的管制员间存在连边；
所述指标集合中包含的指标有：航空器集群l的节点度集合，与航空器集群l相连的空域关键点超度集合/>，与航空器集群l相连的管制员超度集合/>，航空器集群l的边权分散系数/>，航空器集群l的点强/>，时间戳T ，航空器集群l的平均加权集聚系数/>，所谓度就是连边的数量，超度就是超边的数量；
；
；
；
；
；
；
；
，/>，/>；
表示航空器i的度，/>表示第/>个航空器的度，/>表示航空器集群l中的航空器数量；/>表示第/>个与航空器集群l相连的空域关键点的超度，/>表示与航空器集群l相连的空域关键点数量；/>表示第/>个与航空器集群l相连的管制员的超度，/>表示与航空器集群l相连的管制员数量；/>表示航空器集群l的权重集合中的中位数，/>表示航空器集群l的权重集合中的最大值，/>表示航空器集群l的边集合；均表示航空器集群l边集合的邻接矩阵，若/>，则/>=1，表示航空器i、j之间存在连边，否则/>=0；/>=1表示航空器i、j、k之间构成三角形，形成集聚效应。
2.根据权利要求1所述的面向航空器集群的态势复杂性识别方法，其特征在于，所述航空器保护区模型包括三层结构，分别为保护区Ⅰ、保护区Ⅱ、保护区Ⅲ；针对于航空器i，其保护区Ⅰ、保护区Ⅱ、保护区Ⅲ的数学表达式分别为：
=1，保护区Ⅰ (1)
，保护区Ⅱ (2)
，保护区Ⅲ (3)
其中，a 1 =b 1 =航空器的雷达告警阈值距离，a 2 =b 2 =设定的缓冲距离， a 3 =b 3 =空中防撞系统通信距离，c 1 、c 2 、c 3 分别为设定的保护区Ⅰ、保护区Ⅱ、保护区Ⅲ在Z轴上的半轴长度，表示任意航空器的Z轴坐标长度，（x,y,z）是指任意航空器的坐标，（X i ,Y i ,Z i ）是航空器i的坐标。
3.根据权利要求2所述的面向航空器集群的态势复杂性识别方法，其特征在于，所述计算航空器j的矢量相对速度与航空器i的保护区Ⅰ、保护区Ⅱ的相交关系，确定出是否存在交点，包括：
列等式=/>=/> (4)
分别联解公式（1）与公式（4）、公式（2）与公式（4），如果联解公式（1）与（4）有解，则航空器j和航空器i的保护区Ⅰ存在交点，否则不存在交点；如果联解公式（2）与（4）有解，则航空器j和航空器i的保护区Ⅱ存在交点，否则不存在交点；
其中，v x 、v y 、v z 分别表示航空器j相对航空器i的矢量相对速度在X轴、Y轴、Z轴的分量。
4.根据权利要求1所述的面向航空器集群的态势复杂性识别方法，其特征在于，GRU-Attention模型输出态势等级。
5.一种面向航空器集群的态势复杂性识别系统，其特征在于，包括：
数据采集模块，用于采集空域中航空器的实时轨迹数据与飞行参数，轨迹数据包括经纬度与飞行高度，飞行参数包括速度、航向；
航空器集群生成模块，用于搭建多层结构的航空器保护区模型，并基于保护区模型和轨迹数据、飞行参数计算两两航空器之间的态势权重，并基于态势权重生成航空器集群；
相依网络框架搭建模块，用于基于航空器集群、空域关键点、管制员，搭建多层结构的相依网络框架；
指标计算模块，用于设定基于相依网络框架的态势复杂性指标集合，并计算指标集合中各个指标的数据值；
态势复杂性识别模块，用于将计算得到的各个指标的数据值作为输入，通过GRU-Attention模型实现航空器集群的态势复杂性识别；
所述基于保护区模型和轨迹数据、飞行参数计算两两航空器之间的态势权重，包括以下步骤：
计算航空器j相对航空器i的矢量相对速度，其中，/>为航空器j的矢量速度，由航空器j的飞行参数确定，/>为航空器i的矢量速度，由航空器i的飞行参数确定；
计算航空器j的矢量相对速度与航空器i的保护区Ⅰ、保护区Ⅱ的相交关系，确定出是否存在交点；
根据航空器之间的位置关系以及航空器j的矢量相对速度与保护区Ⅰ、保护区Ⅱ的相交关系，确定航空器j和航空器i之间的态势权重，
其中，、/>、/>、/>分别表示不同修正系数，/>表示航空器i和航空器j的距离向量，j∈Ⅰ表示航空器j在航空器i的保护区Ⅰ内，PⅠ=0表示航空器j与航空器i的保护区Ⅰ没有交点，PⅠ≠0表示航空器j与航空器i的保护区Ⅰ有交点，PⅡ=0表示航空器j与航空器i的保护区Ⅱ没有交点，PⅡ≠0表示航空器j与航空器i的保护区Ⅱ有交点，/>表示保护区/>，/>表示航空器j不在航空器i的保护区/>内；
基于态势权重生成航空器集群，包括：若两两航空器之间的态势权重不为零，则该两两航空器之间存在连边；若航空器之间存在连边，则所有相互存在连边的航空器组成航空器集群；
所述相依网络框架包括航空器集群层、空域关键点层和管制员层，航空器集群层中包括若干个航空器，空域关键点层中包括若干个空域关键点，管制员层中包括若干个管制员；对于航空器集群层与空域关键点层，若某航空器存在向某空域关键点运动的趋势，则该航空器与该空域关键点存在超边；对于航空器集群层与管制员层，若某航空器位于某管制员的管辖扇区，则该航空器与该管制员存在超边，若两管辖扇区边界相邻，则管辖扇区对应的管制员间存在连边；
所述指标集合中包含的指标有：航空器集群l的节点度集合，与航空器集群l相连的空域关键点超度集合/>，与航空器集群l相连的管制员超度集合/>，航空器集群l的边权分散系数/>，航空器集群l的点强/>，时间戳T ，航空器集群l的平均加权集聚系数/>，所谓度就是连边的数量，超度就是超边的数量；
；
；
；
；
；
；
；
，/>，/>；
表示航空器i的度，/>表示第/>个航空器的度，/>表示航空器集群l中的航空器数量；/>表示第/>个与航空器集群l相连的空域关键点的超度，/>表示与航空器集群l相连的空域关键点数量；/>表示第/>个与航空器集群l相连的管制员的超度，/>表示与航空器集群l相连的管制员数量；/>表示航空器集群l的权重集合中的中位数，/>表示航空器集群l的权重集合中的最大值，/>表示航空器集群l的边集合；均表示航空器集群l边集合的邻接矩阵，若/>，则/>=1，表示航空器i、j之间存在连边，否则/>=0；/>=1表示航空器i、j、k之间构成三角形，形成集聚效应。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310808057.3A CN116543602B (zh) | 2023-07-04 | 2023-07-04 | 面向航空器集群的态势复杂性识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310808057.3A CN116543602B (zh) | 2023-07-04 | 2023-07-04 | 面向航空器集群的态势复杂性识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116543602A CN116543602A (zh) | 2023-08-04 |
| CN116543602B true CN116543602B (zh) | 2023-09-01 |
Family
ID=87458147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310808057.3A Active CN116543602B (zh) | 2023-07-04 | 2023-07-04 | 面向航空器集群的态势复杂性识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116543602B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116935700B (zh) * | 2023-09-18 | 2023-12-05 | 四川大学 | 一种基于多源特征的扇区交通态势预测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10003985B1 (en) * | 2012-01-23 | 2018-06-19 | Hrl Laboratories, Llc | System and method for determining reliability of nodes in mobile wireless network |
| CN108665150A (zh) * | 2018-04-24 | 2018-10-16 | 中国民航大学 | 一种航空相依网络故障传播分析方法 |
| CN108762297A (zh) * | 2018-05-18 | 2018-11-06 | 航天图景（北京）科技有限公司 | 一种无人机三维避障驾驶系统及驾驶方法 |
| CN110648561A (zh) * | 2019-11-04 | 2020-01-03 | 中国民航大学 | 一种基于双层多级网络模型的空中交通态势风险测度方法 |
| CN111653130A (zh) * | 2020-06-04 | 2020-09-11 | 中国民用航空飞行学院 | 基于ads-b的防撞检测方法 |
| CN111951613A (zh) * | 2020-07-24 | 2020-11-17 | 北京航空航天大学 | 空地协同的广域空域安全态势评估方法 |
| CN112183234A (zh) * | 2020-09-10 | 2021-01-05 | 北京华跃信息技术有限公司 | 基于图神经网络的态势感知方法及装置 |
| CN112530206A (zh) * | 2020-11-26 | 2021-03-19 | 南京航空航天大学 | 空中交通网络脆弱性分析方法 |
| CN112735188A (zh) * | 2020-11-26 | 2021-04-30 | 南京航空航天大学 | 基于复杂网络理论的空中交通网络脆弱性分析系统 |
| CN113284372A (zh) * | 2021-07-07 | 2021-08-20 | 中国民航管理干部学院 | 一种航空器运行所需空间利用权评价方法 |
| CN115494865A (zh) * | 2022-09-22 | 2022-12-20 | 中国科学技术大学 | 基于时空图卷积网络的无人机集群态势分析方法及介质 |
-
2023
- 2023-07-04 CN CN202310808057.3A patent/CN116543602B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10003985B1 (en) * | 2012-01-23 | 2018-06-19 | Hrl Laboratories, Llc | System and method for determining reliability of nodes in mobile wireless network |
| CN108665150A (zh) * | 2018-04-24 | 2018-10-16 | 中国民航大学 | 一种航空相依网络故障传播分析方法 |
| CN108762297A (zh) * | 2018-05-18 | 2018-11-06 | 航天图景（北京）科技有限公司 | 一种无人机三维避障驾驶系统及驾驶方法 |
| CN110648561A (zh) * | 2019-11-04 | 2020-01-03 | 中国民航大学 | 一种基于双层多级网络模型的空中交通态势风险测度方法 |
| CN111653130A (zh) * | 2020-06-04 | 2020-09-11 | 中国民用航空飞行学院 | 基于ads-b的防撞检测方法 |
| CN111951613A (zh) * | 2020-07-24 | 2020-11-17 | 北京航空航天大学 | 空地协同的广域空域安全态势评估方法 |
| CN112183234A (zh) * | 2020-09-10 | 2021-01-05 | 北京华跃信息技术有限公司 | 基于图神经网络的态势感知方法及装置 |
| CN112530206A (zh) * | 2020-11-26 | 2021-03-19 | 南京航空航天大学 | 空中交通网络脆弱性分析方法 |
| CN112735188A (zh) * | 2020-11-26 | 2021-04-30 | 南京航空航天大学 | 基于复杂网络理论的空中交通网络脆弱性分析系统 |
| CN113284372A (zh) * | 2021-07-07 | 2021-08-20 | 中国民航管理干部学院 | 一种航空器运行所需空间利用权评价方法 |
| CN115494865A (zh) * | 2022-09-22 | 2022-12-20 | 中国科学技术大学 | 基于时空图卷积网络的无人机集群态势分析方法及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 航空器智能引导机动决策奖励重塑方法;王壮，艾毅等;科学技术与工程;第23卷(第08期);3535-3543 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116543602A (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110796856B (zh) | 车辆变道意图预测方法及变道意图预测网络的训练方法 | |
| CN113032285B (zh) | 一种高精地图测试方法、装置、电子设备及存储介质 | |
| CN113408141B (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
| CN114970321A (zh) | 一种基于动态轨迹流的场景流数字孪生方法及系统 | |
| CN109491376A (zh) | 用于自动驾驶车辆的基于动态规划和梯度下降的决策和规划 | |
| CN109491377A (zh) | 用于自动驾驶车辆的基于dp和qp的决策和规划 | |
| CN116543602B (zh) | 面向航空器集群的态势复杂性识别方法及系统 | |
| US11681296B2 (en) | Scenario-based behavior specification and validation | |
| KR20200102378A (ko) | 정보 처리 방법, 장치 및 저장 매체 | |
| US11529951B2 (en) | Safety system, automated driving system, and methods thereof | |
| CN114212110A (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
| Dong et al. | Study on the resolution of multi-aircraft flight conflicts based on an IDQN | |
| EP4074569A1 (en) | Method for determining automatic driving feature, apparatus, device, medium and program product | |
| CN113470439A (zh) | 基于人工智能的中小机场管制冲突解决方法及系统 | |
| CN116295496A (zh) | 一种自动驾驶车辆路径规划方法、装置、设备及介质 | |
| CN118197103A (zh) | 基于势场理论的多航空器实时交互风险评估方法及系统 | |
| CN111402637B (zh) | 一种基于可达时空域的无冲突航迹规划方法、装置及系统 | |
| CN115855531B (zh) | 自动驾驶汽车的测试场景构建方法、设备和介质 | |
| CN116588123A (zh) | 基于安全势场模型的风险感知的预警策略方法 | |
| CN116977943A (zh) | 道路要素的识别方法、装置、电子设备和计算机存储介质 | |
| CN113276860B (zh) | 车辆控制方法、装置、电子设备以及存储介质 | |
| CN112231389B (zh) | 基于航迹的可视化冲突模型构建方法、装置、电子设备及存储介质 | |
| JP7070531B2 (ja) | 都市構造設計装置及び都市構造設計プログラム | |
| CN111623995A (zh) | 一种车辆体感测评方法、装置、电子设备及存储介质 | |
| Wang et al. | Influence of highway space alignment continuous degradation in 3-dimensional space on autonomous vehicle trajectory deviation based on PreScan simulation |
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 |