CN117133158A - 一种协同运行下的机场群交通流战略冲突告警方法 - Google Patents
一种协同运行下的机场群交通流战略冲突告警方法 Download PDFInfo
- Publication number
- CN117133158A CN117133158A CN202311077996.1A CN202311077996A CN117133158A CN 117133158 A CN117133158 A CN 117133158A CN 202311077996 A CN202311077996 A CN 202311077996A CN 117133158 A CN117133158 A CN 117133158A
- Authority
- CN
- China
- Prior art keywords
- conflict
- track
- aircraft
- airport
- traffic flow
- 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 43
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 239000000203 mixture Substances 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 22
- 239000002131 composite material Substances 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000010006 flight Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012360 testing method 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]
- G08G5/04—Anti-collision systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Aviation & Aerospace Engineering (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种协同运行下的机场群交通流战略冲突告警方法,预先获取历史轨迹数据、飞行计划数据、航班计划数据和机场群空域信息;采用高斯混合模型生成计划飞行轨迹;计划飞行轨迹与空域单元匹配,构建日流量矩阵;采用启发式算法识别航空器冲突,为构建交通流冲突指标提供依据;构建冲突航空器数量、超过容量的架次和涉及冲突机场数量三个交通流冲突指标;用层次分析法来设定交通流冲突指标的权重参数;基于阈值的冲突告警。本发明从宏观层面分析机场群交通流冲突,通过构建交通流冲突指标体系、计算综合指数以及设定综合指数阈值,为冲突告警提供全面的判断依据。
Description
技术领域
本发明属于民航空管自动化与智能化技术领域,具体涉及一种协同运行下的机场群交通流战略冲突告警方法。
背景技术
随着城市经济的持续发展和区域一体化进程的不断推进,城市之间的人员流动、货物运输等需求呈现日益增长的趋势。然而,现阶段区域单一机场的处理能力已无法适应吞吐量迅速增长所带来的挑战。因此,在国家相关政策和规划的引领下,为实现城市间航空运输资源的优化整合,构建高效、便捷的航空运输网络,建设机场群已成为必然选择。机场群协同运行可以实现多个机场之间资源的优化配置和整合利用,同时还能提高空域资源的利用率、缓解空域压力、降低航班延误以及促进区域经济发展等。
虽然机场群协同运行理论上占据诸多优势,但在实际运行层面协同管控决策仍依赖于人工经验,缺乏与之相匹配的运行模式、方法和手段,加上在机场群协同运行的过程中,机场群内部错综复杂的交叉网络以及流量间的相互作用往往会导致机场间存在潜在的交通流冲突,从而进一步使得机场群安全协同运行品质不高,难以发挥机场群整体效益。因此,如何在战略层面进行交通流冲突告警对于实现机场群运行的安全与高效至关重要,它可以为交通管理部门和航空公司提供辅助决策信息,避免在实际运行时出现交通流冲突。
现在虽然很多有关空域拥堵的研究,然而,冲突和拥堵在本质上是不同的概念,拥堵主要体现的是空域运行时出现航班密集的情况,而冲突则涉及航空器之间的潜在碰撞风险,因此仅仅解决拥堵问题并不能完全避免交通流冲突。另一方面,虽然部分研究者着眼于航空器间的冲突研究,但大多数研究仍处于微观层面,专注于解决特定空域内的航空器冲突问题,而目前尚未有研究者对交通流冲突进行深入研究。因此,本发明旨在填补这一研究空白,通过构建合理的交通流冲突指标对战略层面的交通流冲突告警进行研究,从而更全面地优化机场群安全协同运行品质,提高整个机场群系统的效率和安全性,促进我国民航高质量发展具有重要的战略意义和实际价值。
发明内容
发明目的:本发明提出一种协同运行下的机场群交通流战略冲突告警方法,通过深入研究机场群系统的流量结构和交通流冲突指标,提高交通流冲突告警的准确性和效率,进而在战略层面为交通管理部门和航空公司提供辅助决策信息,避免在实际运行时出现交通流冲突。
技术方案:本发明所述的一种协同运行下的机场群交通流战略冲突告警方法,具体包括以下步骤:
(1)预先获取历史轨迹数据、飞行计划数据、航班计划数据和机场群空域信息;
(2)采用高斯混合模型生成计划飞行轨迹;
(3)计划飞行轨迹与空域单元匹配,构建日流量矩阵;
(4)采用启发式算法识别航空器冲突,为构建交通流冲突指标提供依据;
(5)构建冲突航空器数量、超过容量的架次和涉及冲突机场数量三个交通流冲突指标;
(6)基于层次分析法设定交通流冲突指标的权重参数;
(7)进行综合指标阈值计算,进行相应的冲突告警。
进一步地,步骤(1)所述历史轨迹数据包括航空器在过去的不同时间点记录的位置、高度、速度、航向信息。
进一步地,所述步骤(2)包括以下步骤:
对历史轨迹数据按进离场划分,其次采用K-means算法分别对进离场轨迹数据聚类,最后整合每一类轨迹簇ci∈{1,...,K}以及对应的中心轨迹μj;
将历史飞行轨迹建模为高斯混合模型,对于每一类轨迹簇ci,根据协方差矩阵计算公式,得到簇内的协方差矩阵Qj;将协方差矩阵Qj进行奇异值分解,去除Qj中的噪音:
其中,Uj表示具有前r个奇异值的正交矩阵,Σj表示具有前r个奇异值的对角矩阵;将飞行计划轨迹与中心轨迹μj匹配,获取轨迹生成的初始时间戳;构建轨迹生成模型进行轨迹生成:
其中,ε服从均值为0协方差为单位矩阵的正态分布。
进一步地,所述步骤(3)包括以下步骤:
(31)计划飞行轨迹与扇区匹配:
将计划飞行轨迹点的特征和扇区的特征输入到支持向量机模型中进行训练;特征包括轨迹点的经度、纬度、高度等信息,以及扇区的中心点、边界点、高度等信息;训练完成后,采用该模型来预测每条轨迹所属的扇区,得到对应扇区的交通流量,从整体表征机场群流量结构;
(32)基于动态时间规整法DTW将计划飞行轨迹与航路相匹配,得到对应航路的交通流量:
用一组有序数表示轨迹点p(x,y,z,t),体现飞机运动的时空位置,其中,x表示经度、y表示纬度,z表示高度,t表示时间;飞行轨迹T为:
T={p1,p2,p3,…,pk} (5)
其中,k表示航迹点个数;
采用欧式距离表示轨迹点间的基本距离,其中m×q的距离矩阵由航路A中任意一点pA与计划飞行轨迹T中的任意一点pT间的距离定义:
其中,D(i,j)为点与/>间的距离,i=1,2,3,...,m,j=1,2,3,...,q,||·||2表明2范数;
找到一条最优的规整路径Rbest,使得A和T累积距离值最小:
Rbest={R1,R2,…,RB} (7)
其中,max(m,q)≤B≤m+q+1;在距离矩阵中,规整路径的元素表示为Rb=(i,j)b,即序列的元素i与序列/>的元素j之间的匹配关系;从中选取累计距离最小的最优路径则是算法的关键,即:
其中,R表示有效地规整路径;将D(A,T)构造成累积距离矩阵矩阵中的每个元素表示为:
其中,D(i,j)表示点(i,j)与前一个点的匹配距离,后面的最小距离则表示与该点当前的匹配距离;
(33)构建日流量矩阵,航路匹配的结果以日流量矩阵的形式存放:
其中,n行表示航路,s列表示时间段,每个矩阵元素wij表示在j时间段内符合航路i的轨迹数;只要wij>1,表示对应航路存在流量。
进一步地,所述步骤(4)包括以下步骤:
(41)航空器冲突定义:
航路A1和A2相关联的一对计划飞行轨迹T1和T2,若存在一对轨迹点p1(x1,y1,z1,t1)∈T1和p2(x2,y2,z2,t2)∈T2满足以下最小条件,则发生航空器冲突:
其中,由上往下依次为,垂直间隔条件Cz、水平间隔条件Cd和时间间隔条件Ct,距离Qz和Qd表示与机场群空域相关的间隔最小值,系数Qt表示定义航空器冲突所需的最小时间间隔,d12表示轨迹点p1和p2之间的大圆距离;
(42)基于启发式算法的航空器冲突检测:
以一组计划飞行轨迹作为样本,提取样本中的每个属性,按行构建时空特征向量;对于样本/>中的每条轨迹,获取其第一个轨迹点的时间作为过滤样本的其他轨迹的参考,确保每条轨迹仅与具有相似时间戳的轨迹进行比较;对于/>的每个轨迹,存在包含轨迹的子集/>使得:
其中,表示包含轨迹的子集/>中任意轨迹的第一个轨迹点时间,/>表示样本/>中任意轨迹的第一个轨迹点时间,Gt是航空器在机场群终端管制区中飞行的平均时间;
对于子集中的每条轨迹,逐点比较,若满足条件Cd、Cz和Ct中的一项,则检测为一次航空器冲突,同时筛除检测到的相同点中涉及相同轨迹的航空器冲突事件;对机场群空域中识别的每个轨迹采用启发式算法进行航空器冲突检测,得出所有检测到的航空器冲突事件。
进一步地,所述步骤(5)包括以下步骤:
(51)冲突航空器数量:在某一单位时段内机场群空域中同时存在潜在冲突的航空器数量:
Nl=hl/Gt (14)
其中,表示在l时段的冲突航空器数量,Nl表示在l时段的航空器冲突次数,h表示在Gt时段的航空器冲突次数;
(52)超过容量的架次:在某一单位时段内机场群空域中超过空域容量上限的航空器架次数量:
其中,表示在l时段超出容量的架次,βl表示在l时段的飞行计划流量,γl表示在l时段国家设定的容量阈值;
(53)涉及冲突机场数量:在某一单位时段内机场群空域中涉及到存在潜在冲突的机场数量:
其中,表示在l时段内机场群空域中涉及到存在潜在冲突的机场数量count{*}表示集合内所有机场的统计个数,λl(No.i)表示在机场群l时段内第i个机场。
进一步地,所述步骤(6)实现过程如下:
将冲突航空器数量超出容量的架次/>和涉及冲突机场数量/>作为三个顶层指标,三个指标的相对重要性由上至下逐层递减;
对于每一对指标进行两两比较,找出相对重要性的比较值,比较值的范围是1到9,其中1表示相对重要性相同,9表示行指标对列指标极端重要;比较的结果以判断矩阵的形式表示;
对每个列向量ξj进行最大最小归一化处理:
其中,ξj′表示归一化后的列向量,U表示列向量ξj中的元素个数,归一化后的每一列ξj′中元素取值在0~1之间;计算每行的平均值,得到归一化后的权重向量;计算每行的平均值,得到归一化后的权重向量ω:
ω=[ω1,ω2,ω3] (18)
根据权重向量,将冲突航空器数量、超出容量的架次和涉及冲突机场数量进行加权求和,得到综合的交通流冲突评估指标F:
F=ω×σ (19)
其中,σ表示[Nc,Nr,Nm]T,综合评估指标的数值越大,表示越有可能引发交通流冲突。
进一步地,所述步骤(7)实现过程如下:
以一小时为单位时间段进行综合指数阈值告警;对于每个小时段,计算得到对应的交通流冲突综合指数,然后与预先设定的一小时综合指数阈值进行比较;若某小时段内的综合指数Xt超出其对应小时段的综合指数阈值(threshold)t,则判断该小时段存在交通流冲突,并进行相应告警措施,判断方法如下:
其中,Yt表示第t小时段判断结果,若判断结果为1则触发冲突告警,Xt表示第t小时段内的综合指数,由综合指数计算得出,(threshold)t表示第t小时段的综合指数阈值,由历史管制经验结合综合指数计算得出。
进一步地,所述飞行计划数据包括飞行的路线、高度、速度、起飞和降落时间。
进一步地,所述航班计划数据包括即将执行的航班的相关细节和时间表;所述机场群空域信息包括各个机场和其周边空域的机场信息、扇区划设、标准进离场飞行程序。
有益效果:与现有技术相比,本发明的有益效果:本发明首次从宏观层面分析机场群交通流冲突,通过构建合适的机场群交通流冲突指标,从多维度衡量机场群交通流是否存在冲突;通过构建指标体系、计算综合指数以及设定综合指数阈值等步骤为冲突告警提供全面的判断依据。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明提出一种协同运行下的机场群交通流战略冲突告警方法,具体包括以下步骤:
步骤1:预先获取历史轨迹数据、飞行计划数据、航班计划数据和机场群空域信息。
历史轨迹数据是航空器在过去的飞行中记录下来的轨迹信息。这些数据记录了航空器在不同时间点的位置、高度、速度、航向等信息。
飞行计划数据是从战略层面出发,采用飞行计划数据作为交通流冲突告警的测试数据。飞行计划数据涵盖了航空器的完整飞行信息,包括飞行的路线、高度、速度、起飞和降落时间等重要信息。
航班计划数据是由航空公司或机场管理部门制定的航班计划信息,其中包含了即将执行的航班的相关细节和时间表。通常包含航班号、起飞机场、降落机场、飞行日期和时间、飞行时间、飞机型号等。
机场群空域信息通常包含各个机场和其周边空域的相关信息,例如机场信息,扇区划设,标准进离场飞行程序等。详细的空域信息能有效地表征机场群空域系统的结构,为后续精细化交通流冲突分析提供准确的先验指导信息。
步骤2:采用高斯混合模型生成计划飞行轨迹。
对历史轨迹数据按进离场划分,其次采用K-means算法分别对进离场轨迹数据聚类,最后整合每一类轨迹簇ci∈{1,...,K}以及对应的中心轨迹μj。
将历史飞行轨迹建模为高斯混合模型,对于每一类轨迹簇ci,根据协方差矩阵计算公式,得到簇内的协方差矩阵Qj。将协方差矩阵Qj进行奇异值分解,目的是尽可能多的去除Qj中的噪音:
其中,Uj表示具有前r个奇异值的正交矩阵,Σj表示具有前r个奇异值的对角矩阵。将飞行计划轨迹与中心轨迹μj匹配,以获取轨迹生成的初始时间戳。最后,构建轨迹生成模型进行轨迹生成:
其中,ε服从均值为0协方差为单位矩阵的正态分布。
步骤3:计划飞行轨迹与空域单元匹配,构建日流量矩阵。
空域单元是指航空空域的最小管理单元,通常由航路点或航路线段组成。将计划轨迹与空域单元匹配目的是为后续航空器冲突识别以及精细化流量识别提供先验指导信息,具体方法如下:
步骤3.1:计划飞行轨迹与扇区匹配。
在航空空域管理中,航空空域被划分为不同的扇区,每个扇区由一组航路点或航路线段组成,用于引导航空器的飞行路径。扇区匹配的具体方法如下:
采用支持向量机算法将计划飞行轨迹点的特征和扇区的特征输入到支持向量机分类模型中进行训练。包括轨迹点的经度、纬度、高度等信息,以及扇区的中心点、边界点、高度等信息。训练完成后,采用该模型来预测每条轨迹所属的扇区,得到对应扇区的交通流量,进一步从整体上表征机场群流量结构。
步骤3.2:计划飞行轨迹与航路匹配。
考虑到航路中航路点数量与计划飞行轨迹航迹点数量不一致问题,本发明提出了一种基于DTW的航路匹配方法。该方法将计划飞行轨迹与航路相匹配对应航路的交通流量。具体步骤如下:
步骤3.2.1:计划飞行轨迹表示。
轨迹点p用一组有序数表示,体现飞机运动的时空位置:
p(x,y,z,t) (4)
其中,x表示经度、y表示纬度,z表示高度,t表示时间;计划飞行轨迹T用一组有序的航迹点p表示:
T={p1,p2,p3,…,pk} (5)
其中,k表示航迹点个数。
步骤3.2.2:DTW算法步骤如下:
采用欧式距离表示轨迹点间的基本距离,其中m×q的距离矩阵由航路A中任意一点pA与计划飞行轨迹T中的任意一点pT间的距离定义:
其中,D(i,j)为点与/>间的距离,i=1,2,3,...,m,j=1,2,3,...,q,||·||2表明2范数。
动态时间规整(DTW)方法基于对齐原则,以实现最小的全局距离,并保持时间连续性。为了达到这个目标,需要找到一条最优的规整路径Rbest,使得A和T累积距离值最小:
Rbest={R1,R2,…,RB} (7)
其中,max(m,q)≤B≤m+q+1。
在距离矩阵中,规整路径的元素表示为Rb=(i,j)b,即序列的元素i与序列/>的元素j之间的匹配关系。然而,有效的规整路径必须满足边界性、单调性以及连续性。因此,从中选取累计距离最小的最优路径则是算法的关键,即:
其中,R表示有效地规整路径。将上述的距离构造成累积距离矩阵矩阵中的每个元素表示为:
其中,D(i,j)表示点(i,j)与前一个点的匹配距离,后面的最小距离则表示与该点当前的匹配距离,具体搜索步骤如下:从(i,j)=(1,1)开始搜索,当搜索到点(i,j)=(m,q)时,累计距离S(m,q)表示轨迹模式与实际航迹两者间的DTW匹配距离,记为DTW(A,T)。
步骤3.3:构建日流量矩阵。
航路匹配的结果以日流量矩阵的形式存放:
其中,n行表示航路,s列表示时间段。每个矩阵元素wij表示在j时间段内符合航路i的轨迹数。只要wij>1,表示对应航路存在流量。
步骤4:采用启发式算法识别航空器冲突,为构建交通流冲突指标提供理论基础。
本发明首先从微观的角度出发进行航空器冲突检测,目的是为后续交通流冲突指标体系构建提供理论依据,具体方法如下:
步骤4.1:航空器冲突定义。
以航路A1和A2相关联的一对计划飞行轨迹T1和T2为例,若存在一对轨迹点p1(x1,y1,z1,t1)∈T1和p2(x2,y2,z2,t2)∈T2满足以下最小条件,则发生航空器冲突:
其中,由上往下依次为,垂直间隔条件Cz、水平间隔条件Cd和时间间隔条件Ct,距离Qz和Qd表示与机场群空域相关的间隔最小值,系数Qt表示定义航空器冲突所需的最小时间间隔,d12表示轨迹点p1和p2之间的大圆距离。
步骤4.2:基于启发式算法的航空器冲突检测。
以一组计划飞行轨迹作为样本;提取样本中的每个属性,按行构建时空特征向量。对于样本/>中的每条轨迹,获取其第一个轨迹点的时间作为过滤样本的其他轨迹的参考。该过程确保每条轨迹仅与具有相似时间戳的轨迹进行比较。因此,对于/>的每个轨迹,存在包含轨迹的子集F,使得:
其中,表示包含轨迹的子集/>中任意轨迹的第一个轨迹点时间,/>表示样本/>中任意轨迹的第一个轨迹点时间,Gt是航空器在机场群终端管制区中飞行的平均时间。对于子集/>中的每条轨迹,逐点比较,若满足条件Cd、Cz和Ct中的一项,则检测为一次航空器冲突,同时筛除相同点中涉及相同轨迹的航空器冲突次数。对机场群终端管制区中识别的每个轨迹重复上述步骤,得到航空器冲突次数总和,然后对其进行计数用于确定冲突航空器数量。
步骤5:构建冲突航空器数量、超过容量的架次和涉及冲突机场数量三个交通流冲突指标。
步骤5.1:冲突航空器数量。
冲突航空器数量指在某一单位时段内机场群空域中同时存在潜在冲突的航空器数量。冲突可能发生在航路交叉点、航路交叉区域或扇区临界区域。计算航空器冲突数量是对交通流冲突从微观层面的一种表征。
冲突航空器数量的计算公式如下:
其中,表示在l时段的冲突航空器数量,Nl表示在l时段的航空器冲突次数,h表示在Gt时段的航空器冲突次数。
步骤5.2:超过容量的架次。
超出容量的架次指在某一单位时段内机场群空域中超过空域容量上限的航空器架次数量。空域容量是指空域能够安全容纳的交通流量的上限。超出容量的架次计算公式如下:
其中,表示在l时段超出容量的架次,βl表示在l时段的飞行计划流量,γl表示在l时段国家设定的容量阈值。
步骤5.3:涉及冲突机场数量。
涉及冲突机场数量指在某一单位时段内机场群空域中涉及到存在潜在冲突的机场数量。当多个机场的航路交叉或共用一片空域时,可能导致涉及冲突的机场增多。因此,该指标可以对机场群的空间分布特征进行量化分析。
其中,表示在l时段内机场群空域中涉及到存在潜在冲突的机场数量count{*}表示集合内所有机场的统计个数,λl(No.i)表示在机场群l时段内第i个机场。
步骤6:基于层次分析法设定交通流冲突指标的权重参数。
建立层次结构:将冲突航空器数量超出容量的架次/>和涉及冲突机场数量/>作为三个顶层指标,它们的相对重要性由上至下逐层递减。设定权重时,本发明分别考虑这三个指标在交通流冲突中的作用。
建立判断矩阵:对于每一对指标进行两两比较,由管制员给出相对重要性的比较值。比较值的范围是1到9,其中1表示相对重要性相同,9表示行指标对列指标极端重要;比较的结果以判断矩阵的形式表示;设定判断矩阵如表1所示:
表1判断矩阵
计算权重向量:首先,对每个列向量ξj进行最大最小归一化处理:
其中,ξj′表示归一化后的列向量,U表示列向量ξj中的元素个数,归一化后的每一列ξj′中元素取值在0~1之间。
其次,计算每行的平均值,得到归一化后的权重向量。归一化处理后的判断矩阵如表2所示:
表2判断矩阵归一化
最后计算每行的平均值,得到归一化后的权重向量ω:
ω=[ω1,ω2,ω3] (18)
根据权重向量,将冲突航空器数量、超出容量的架次和涉及冲突机场数量进行加权求和,得到一个综合的交通流冲突评估指标,综合评估指标F可表示为:
F=ω×σ (19)
其中,σ表示[Nc,Nr,Nm]T,综合评估指标的数值越大,表示越有可能引发交通流冲突。
步骤7:通过对交通流冲突指标的综合考虑,实现交通流冲突告警。
本发明以一小时为单位时间段进行综合指数阈值告警。对于每个小时段,计算得到对应的交通流冲突综合指数,然后与预先设定的一小时综合指数阈值进行比较。若某小时段内的综合指数Xt超出其对应小时段的综合指数阈值(threshold)t,则判断该小时段存在交通流冲突,并进行相应告警措施,判断方法如下:
其中,Yt表示第t小时段判断结果,若判断结果为1则触发冲突告警,Xt表示第t小时段内的综合指数,由综合指数计算得出,(threshold)t表示第t小时段的综合指数阈值,由历史管制经验结合综合指数计算得出。
Claims (10)
1.一种协同运行下的机场群交通流战略冲突告警方法,其特征在于,包括以下步骤:
(1)预先获取历史轨迹数据、飞行计划数据、航班计划数据和机场群空域信息;
(2)采用高斯混合模型生成计划飞行轨迹;
(3)计划飞行轨迹与空域单元匹配,构建日流量矩阵;
(4)采用启发式算法识别航空器冲突,为构建交通流冲突指标提供依据;
(5)构建冲突航空器数量、超过容量的架次和涉及冲突机场数量三个交通流冲突指标;
(6)基于层次分析法设定交通流冲突指标的权重参数;
(7)进行综合指标阈值计算,进行相应的冲突告警。
2.根据权利要求1所述的一种协同运行下的机场群交通流战略冲突告警方法,其特征在于,步骤(1)所述历史轨迹数据包括航空器在过去的不同时间点记录的位置、高度、速度、航向信息。
3.根据权利要求1所述的一种协同运行下的机场群交通流战略冲突告警方法,其特征在于,所述步骤(2)包括以下步骤:
对历史轨迹数据按进离场划分,其次采用K-means算法分别对进离场轨迹数据聚类,最后整合每一类轨迹簇ci∈{1,...,K}以及对应的中心轨迹μj;
将历史飞行轨迹建模为高斯混合模型,对于每一类轨迹簇ci,根据协方差矩阵计算公式,得到簇内的协方差矩阵Qj;将协方差矩阵Qj进行奇异值分解,去除Qj中的噪音:
其中,Uj表示具有前r个奇异值的正交矩阵,Σj表示具有前r个奇异值的对角矩阵;将飞行计划轨迹与中心轨迹μj匹配,获取轨迹生成的初始时间戳;构建轨迹生成模型进行轨迹生成:
其中,ε服从均值为0协方差为单位矩阵的正态分布。
4.根据权利要求1所述的一种协同运行下的机场群交通流战略冲突告警方法,其特征在于,所述步骤(3)包括以下步骤:
(31)计划飞行轨迹与扇区匹配:
将计划飞行轨迹点的特征和扇区的特征输入到支持向量机模型中进行训练;特征包括轨迹点的经度、纬度、高度等信息,以及扇区的中心点、边界点、高度等信息;训练完成后,采用该模型来预测每条轨迹所属的扇区,得到对应扇区的交通流量,从整体表征机场群流量结构;
(32)基于动态时间规整法DTW将计划飞行轨迹与航路相匹配,得到对应航路的交通流量:
用一组有序数表示轨迹点p(x,y,z,t),体现飞机运动的时空位置,其中,x表示经度、y表示纬度,z表示高度,t表示时间;飞行轨迹T为:
T={p1,p2,p3,…,pk} (5)
其中,k表示航迹点个数;
采用欧式距离表示轨迹点间的基本距离,其中m×q的距离矩阵由航路A中任意一点pA与计划飞行轨迹T中的任意一点pT间的距离定义:
其中,D(i,j)为点与/>间的距离,i=1,2,3,...,m,j=1,2,3,...,q,||·||2表明2范数;
找到一条最优的规整路径Rbest,使得A和T累积距离值最小:
Rbest={R1,R2,…,RB} (7)
其中,max(m,q)≤B≤m+q+1;在距离矩阵中,规整路径的元素表示为Rb=(i,j)b,即序列的元素i与序列/>的元素j之间的匹配关系;从中选取累计距离最小的最优路径则是算法的关键,即:
其中,R表示有效的规整路径;将D(A,T)构造成累积距离矩阵矩阵中的每个元素表示为:
其中,D(i,j)表示点(i,j)与前一个点的匹配距离,后面的最小距离则表示与该点当前的匹配距离;
(33)构建日流量矩阵,航路匹配的结果以日流量矩阵的形式存放:
其中,n行表示航路,s列表示时间段,每个矩阵元素wij表示在j时间段内符合航路i的轨迹数;只要wij>1,表示对应航路存在流量。
5.根据权利要求1所述的一种协同运行下的机场群交通流战略冲突告警方法,其特征在于,所述步骤(4)包括以下步骤:
(41)航空器冲突定义:
航路A1和A2相关联的一对计划飞行轨迹T1和T2,若存在一对轨迹点p1(x1,y1,z1,t1)∈T1和p2(x2,y2,z2,t2)∈T2满足以下最小条件,则发生航空器冲突:
其中,由上往下依次为,垂直间隔条件Cz、水平间隔条件Cd和时间间隔条件Ct,距离Qz和Qd表示与机场群空域相关的间隔最小值,系数Qt表示定义航空器冲突所需的最小时间间隔,d12表示轨迹点p1和p2之间的大圆距离;
(42)基于启发式算法的航空器冲突检测:
以一组计划飞行轨迹作为样本,提取样本中的每个属性,按行构建时空特征向量;对于样本/>中的每条轨迹,获取其第一个轨迹点的时间作为过滤样本的其他轨迹的参考,确保每条轨迹仅与具有相似时间戳的轨迹进行比较;对于/>的每个轨迹,存在包含轨迹的子集/>使得:
其中,表示包含轨迹的子集/>中任意轨迹的第一个轨迹点时间,/>表示样本/>中任意轨迹的第一个轨迹点时间,Gt是航空器在机场群终端管制区中飞行的平均时间;
对于子集中的每条轨迹,逐点比较,若满足条件Cd、Cz和Ct中的一项,则检测为一次航空器冲突,同时筛除检测到的相同点中涉及相同轨迹的航空器冲突事件;对机场群空域中识别的每个轨迹采用启发式算法进行航空器冲突检测,得出所有检测到的航空器冲突事件。
6.根据权利要求1所述的一种协同运行下的机场群交通流战略冲突告警方法,其特征在于,所述步骤(5)包括以下步骤:
(51)冲突航空器数量:在某一单位时段内机场群空域中同时存在潜在冲突的航空器数量:
Nl=hl/Gt (14)
其中,表示在l时段的冲突航空器数量,Nl表示在l时段的航空器冲突次数,h表示在Gt时段的航空器冲突次数;
(52)超过容量的架次:在某一单位时段内机场群空域中超过空域容量上限的航空器架次数量:
其中,表示在l时段超出容量的架次,βl表示在l时段的飞行计划流量,γl表示在l时段国家设定的容量阈值;
(53)涉及冲突机场数量:在某一单位时段内机场群空域中涉及到存在潜在冲突的机场数量:
其中,表示在l时段内机场群空域中涉及到存在潜在冲突的机场数量count{*}表示集合内所有机场的统计个数,λl(No.i)表示在机场群l时段内第i个机场。
7.根据权利要求1所述的一种协同运行下的机场群交通流战略冲突告警方法,其特征在于,所述步骤(6)实现过程如下:
将冲突航空器数量超出容量的架次/>和涉及冲突机场数量/>作为三个顶层指标,三个指标的相对重要性由上至下逐层递减;
对于每一对指标进行两两比较,找出相对重要性的比较值,比较值的范围是1到9,其中1表示相对重要性相同,9表示行指标对列指标极端重要;比较的结果以判断矩阵的形式表示;
对每个列向量ξj进行最大最小归一化处理:
其中,ξj′表示归一化后的列向量,U表示列向量ξj中的元素个数,归一化后的每一列ξj′中元素取值在0~1之间;计算每行的平均值,得到归一化后的权重向量;计算每行的平均值,得到归一化后的权重向量ω:
ω=[ω1,ω2,ω3] (18)
根据权重向量,将冲突航空器数量、超出容量的架次和涉及冲突机场数量进行加权求和,得到综合的交通流冲突评估指标F:
F=ω×σ (19)
其中,σ表示[Nc,Nr,Nm]T,综合评估指标的数值越大,表示越有可能引发交通流冲突。
8.根据权利要求1所述的一种协同运行下的机场群交通流战略冲突告警方法,其特征在于,所述步骤(7)实现过程如下:
以一小时为单位时间段进行综合指数阈值告警;对于每个小时段,计算得到对应的交通流冲突综合指数,然后与预先设定的一小时综合指数阈值进行比较;若某小时段内的综合指数Xt超出其对应小时段的综合指数阈值(threshold)t,则判断该小时段存在交通流冲突,并进行相应告警措施,判断方法如下:
其中,Yt表示第t小时段判断结果,若判断结果为1则触发冲突告警,Xt表示第t小时段内的综合指数,由综合指数计算得出,(threshold)t表示第t小时段的综合指数阈值,由历史管制经验结合综合指数计算得出。
9.根据权利要求1所述的一种协同运行下的机场群交通流战略冲突告警方法,其特征在于,所述飞行计划数据包括飞行的路线、高度、速度、起飞和降落时间。
10.根据权利要求1所述的一种协同运行下的机场群交通流战略冲突告警方法,其特征在于,所述航班计划数据包括即将执行的航班的相关细节和时间表;所述机场群空域信息包括各个机场和其周边空域的机场信息、扇区划设、标准进离场飞行程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077996.1A CN117133158A (zh) | 2023-08-25 | 2023-08-25 | 一种协同运行下的机场群交通流战略冲突告警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077996.1A CN117133158A (zh) | 2023-08-25 | 2023-08-25 | 一种协同运行下的机场群交通流战略冲突告警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117133158A true CN117133158A (zh) | 2023-11-28 |
Family
ID=88862261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311077996.1A Pending CN117133158A (zh) | 2023-08-25 | 2023-08-25 | 一种协同运行下的机场群交通流战略冲突告警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117133158A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117371640A (zh) * | 2023-12-08 | 2024-01-09 | 山东省地质测绘院 | 基于无人机遥感的测绘路线优化方法及系统 |
-
2023
- 2023-08-25 CN CN202311077996.1A patent/CN117133158A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117371640A (zh) * | 2023-12-08 | 2024-01-09 | 山东省地质测绘院 | 基于无人机遥感的测绘路线优化方法及系统 |
CN117371640B (zh) * | 2023-12-08 | 2024-04-12 | 山东省地质测绘院 | 基于无人机遥感的测绘路线优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A hybrid machine learning model for short-term estimated time of arrival prediction in terminal manoeuvring area | |
Gariel et al. | Trajectory clustering and an application to airspace monitoring | |
Ikli et al. | The aircraft runway scheduling problem: A survey | |
Wang et al. | Study on evolution characteristics of air traffic situation complexity based on complex network theory | |
Salaun et al. | Aircraft proximity maps based on data-driven flow modeling | |
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 | |
CN117133158A (zh) | 一种协同运行下的机场群交通流战略冲突告警方法 | |
CN110060513A (zh) | 基于历史轨迹数据的空中交通管制员工作负荷评估方法 | |
Samà et al. | Coordination of scheduling decisions in the management of airport airspace and taxiway operations | |
Lin et al. | Approach for 4-d trajectory management based on HMM and trajectory similarity | |
CN111581780A (zh) | 复杂空域场景下机场群空域仿真建模与验证方法及装置 | |
Lytvyn et al. | Aviation aircraft planning system project development | |
CN107657838B (zh) | 一种空中交通流特征参数指标体系中参数指标的提取方法 | |
Çeçen et al. | Conflict-free en-route operations with horizontal resolution manoeuvers using a heuristic algorithm | |
Xuhao et al. | Trajectory clustering for arrival aircraft via new trajectory representation | |
Chaimatanan et al. | Hybrid metaheuristic for air traffic management with uncertainty | |
Chen et al. | Big data platform of air traffic management | |
Rosenow et al. | Multiple Aircraft in a multi-criteria Trajectory Optimization | |
CN111652428B (zh) | 一种基于历史数据的航班预达时刻估算方法及系统 | |
Romano et al. | A static algorithm to solve the air traffic sequencing problem | |
Mirmohammadsadeghi | Improvements to Airport Systems Capacity and Efficiency Using Computer Models and Tools | |
CN114443763A (zh) | 一种基于分布式网络的大数据同步方法 | |
Dai et al. | Real-Time Prediction of Runway Occupancy Buffers | |
CN115862385A (zh) | 基于标准飞行程序的机场终端区航空器飞行模式挖掘方法 | |
Kamsing et al. | Aircraft trajectory recognition via statistical analysis clustering for Suvarnabhumi International Airport |
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 |