CN117423258B - 一种基于航路点序列数据挖掘的飞行计划规划方法及装置 - Google Patents
一种基于航路点序列数据挖掘的飞行计划规划方法及装置 Download PDFInfo
- Publication number
- CN117423258B CN117423258B CN202311744671.4A CN202311744671A CN117423258B CN 117423258 B CN117423258 B CN 117423258B CN 202311744671 A CN202311744671 A CN 202311744671A CN 117423258 B CN117423258 B CN 117423258B
- Authority
- CN
- China
- Prior art keywords
- route
- sequence
- flight plan
- flight
- candidate
- 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 24
- 238000007418 data mining Methods 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 230000000875 corresponding effect Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000000306 recurrent effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 238000009411 base construction Methods 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 208000002173 dizziness Diseases 0.000 claims description 2
- 239000000446 fuel Substances 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing 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]
- G08G5/003—Flight plan management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0047—Navigation or guidance aids for a single aircraft
- G08G5/0065—Navigation or guidance aids for a single aircraft for taking-off
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于航路点序列数据挖掘的飞行计划规划方法及装置，可以从飞行计划路线实际运行大数据中挖掘航路点序列之间的语义关系，构建候选飞行计划路线集，并通过飞行计划路线规划的评价指标筛选出奖励函数最大的飞行计划路线，为空中交通流量管理系统中的飞行计划路线编排提供推荐参考。方法包括：（1）生成基于序列到序列模型的航路点序列；（2）构建飞行计划路线规划知识库；（3）执行TOPSIS的最优飞行计划路线决策算法。
Description
技术领域
本发明涉及民航空域数据处理的技术领域，尤其涉及一种基于航路点序列数据挖掘的飞行计划规划方法，还涉及一种基于航路点序列数据挖掘的飞行计划规划装置。
背景技术
随着社会和经济的发展，航空飞行日益频繁，从而使空中交通流量管理系统中的飞行计划路线编排规则越来越复杂，依赖人工交互越来越难以适应控制交通流量管理，而且人工的频繁调整带来出错率增加、人力成本激增的问题。现有技术主要通过建立航路数据库、改航规则库的方式进行，依赖于提前制定的路线规则，灵活性差，适用性不强，不能满足高效使用航路网的需求。
发明内容
为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种基于航路点序列数据挖掘的飞行计划规划方法，其可以从飞行计划路线实际运行大数据中挖掘航路点序列之间的语义关系，构建候选飞行计划路线集，并通过飞行计划路线规划的评价指标筛选出奖励函数最大的飞行计划路线，为空中交通流量管理系统中的飞行计划路线编排提供推荐参考。
本发明的技术方案是：这种基于航路点序列数据挖掘的飞行计划规划方法，其包括以下步骤：
（1）生成基于序列到序列模型的航路点序列：通过历史实际运行飞行路线数据，基于航班起飞机场-降落机场对和航路点序列构建数据集，并设计基于序列到序列模型，考虑飞行计划路线由航路点序列组成的语义特征，在编码器语义层对起飞机场-降落机场对这一序列进行编码，压缩成指定长度的向量，表示该序列的语义，而解码器根据语义向量，生成对应的航路点序列，构建候选飞行计划路线集；
（2）构建飞行计划路线规划知识库：综合考虑航线的经济性、航线的舒适性、同原计划的差异、管制员的工作负荷因素，在此基础上设定候选飞行计划路线的评价指标为新增航程、新增大转弯角数量、平均侧向偏离距离和新增穿越管制区航段数量；
（3）执行TOPSIS的最优飞行计划路线决策算法：结合知识库的评价指标，对候选集的飞行计划路线进行判定，实现满足约束条件的飞行计划路线规划方案。
本发明采用序列到序列模型从历史数据中挖掘飞行计划路线实际运行时的典型模式，提取相邻航路点之间的交互关系，全面、全局地把握了空中交通流量管理的运行规律；考虑新增航程、平均侧向偏离距离、新增大转弯角数量、新增穿越管制区航段数量等多种评价指标，从航班飞行成本、原计划偏离程度、航班飞行舒适性、管制工作负荷等方面多角度建立起对候选飞行计划路线集的评价标准；基于TOPSIS进行最优飞行计划路线决策，将候选飞行计划路线的决策属性向量化，提高了决策的客观性；通过计算候选计划路线与最优理想策略、最差理想策略的距离，简单直观地实现了不同评价指标的综合评价；因此可以从飞行计划路线实际运行大数据中挖掘航路点序列之间的语义关系，构建候选飞行计划路线集，并通过飞行计划路线规划的评价指标筛选出奖励函数最大的飞行计划路线，为空中交通流量管理系统中的飞行计划路线编排提供推荐参考。
还提供了一种基于航路点序列数据挖掘的飞行计划规划装置，其包括：
序列生成模块，其配置来生成基于序列到序列模型的航路点序列：通过历史实际运行飞行路线数据，基于航班起飞机场-降落机场对和航路点序列构建数据集，并设计基于序列到序列模型，考虑飞行计划路线由航路点序列组成的语义特征，在编码器语义层对起飞机场-降落机场对这一序列进行编码，压缩成指定长度的向量，表示该序列的语义，而解码器根据语义向量，生成对应的航路点序列，构建候选飞行计划路线集；
知识库构建模块，其配置来构建飞行计划路线规划知识库：综合考虑航线的经济性、航线的舒适性、同原计划的差异、管制员的工作负荷因素，在此基础上设定候选飞行计划路线的评价指标为新增航程、新增大转弯角数量、平均侧向偏离距离和新增穿越管制区航段数量；
算法执行模块，其配置来执行TOPSIS的最优飞行计划路线决策算法：结合知识库的评价指标，对候选集的飞行计划路线进行判定，实现满足约束条件的飞行计划路线规划方案。
附图说明
图1是根据本发明的基于序列到序列模型的航路点序列生成模型结构示意图。
图2是根据本发明的基于TOPSIS的最优飞行计划路线决策算法的流程示意图。
图3是根据本发明的基于航路点序列数据挖掘的飞行计划规划方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
为了使本揭示内容的叙述更加详尽与完备，下文针对本发明的实施方式与具体实施例提出了说明性的描述；但这并非实施或运用本发明具体实施例的唯一形式。实施方式中涵盖了多个具体实施例的特征以及用以建构与操作这些具体实施例的方法步骤与其顺序。然而，亦可利用其它具体实施例来达成相同或均等的功能与步骤顺序。
如图3所示，这种基于航路点序列数据挖掘的飞行计划规划方法，其包括以下步骤：
（1）生成基于序列到序列模型的航路点序列：通过历史实际运行飞行路线数据，基于航班起飞机场-降落机场对和航路点序列构建数据集，并设计基于序列到序列模型，考虑飞行计划路线由航路点序列组成的语义特征，在编码器语义层对起飞机场-降落机场对这一序列进行编码，压缩成指定长度的向量，表示该序列的语义，而解码器根据语义向量，生成对应的航路点序列，构建候选飞行计划路线集；
（2）构建飞行计划路线规划知识库：综合考虑航线的经济性、航线的舒适性、同原计划的差异、管制员的工作负荷因素，在此基础上设定候选飞行计划路线的评价指标为新增航程、新增大转弯角数量、平均侧向偏离距离和新增穿越管制区航段数量；
（3）执行TOPSIS的最优飞行计划路线决策算法：结合知识库的评价指标，对候选集的飞行计划路线进行判定，实现满足约束条件的飞行计划路线规划方案。
本发明采用序列到序列模型从历史数据中挖掘飞行计划路线实际运行时的典型模式，提取相邻航路点之间的交互关系，全面、全局地把握了空中交通流量管理的运行规律；考虑新增航程、平均侧向偏离距离、新增大转弯角数量、新增穿越管制区航段数量等多种评价指标，从航班飞行成本、原计划偏离程度、航班飞行舒适性、管制工作负荷等方面多角度建立起对候选飞行计划路线集的评价标准；基于TOPSIS进行最优飞行计划路线决策，将候选飞行计划路线的决策属性向量化，提高了决策的客观性；通过计算候选计划路线与最优理想策略、最差理想策略的距离，简单直观地实现了不同评价指标的综合评价；因此可以从飞行计划路线实际运行大数据中挖掘航路点序列之间的语义关系，构建候选飞行计划路线集，并通过飞行计划路线规划的评价指标筛选出奖励函数最大的飞行计划路线，为空中交通流量管理系统中的飞行计划路线编排提供推荐参考。
优选地，所述步骤（1）中，根据航班实际运行的起飞机场、降落机场和经过航路点序列构建数据集，定义输入样本为，/>表示第k个输入样本，其中/>表示起飞机场-降落机场对序列；对应输出样本为/>，表示第k个输出航路点序列，其中/>代表有T个航路点，为Yk中第j个航路点，其中，K为数据集中航班运行数据样本数量，T与特定的起飞机场-降落机场对相关。
优选地，如图1所示，所述步骤（1）中，基于序列到序列模型包括：
编码器，其将起飞机场-降落机场对的输入序列变换成一个定长的信息向量z，并在该信息向量中编码输入序列信息；
编码器采用循环神经网络，对于输入样本，在时间步t，输入序列经过嵌入层得到对应的特征向量/>，输入到编码层中，编码层的循环神经网络将特征向量和上一时间步的隐藏状态/>变换为当前时间步的隐藏状态/>，用函数f表示循环神经网络隐藏层的变换：
（1），
编码器通过自定义函数将各时间步的隐藏状态变换为信息向量：
（2），
该信息向量中包含整个输入序列的信息；
解码器，其对于给定输入样本的输出序列，在每个时间步t'，解码器输出/>的条件概率/>将基于之前的输出序列/>和信息向量/>；
使用另一个循环神经网络作为解码器，在输出序列的时间步t'，解码器将上一时间步的输出以及信息向量/>作为输入，并将它们与上一时间步的隐藏状态/>变换得到当前时间步的隐藏状态/>，用函数g表示解码器隐藏层的变换：
（3），
航路点序列生成器，其由线性层和softmax运算组成，将解码器得到的输入到航路点序列生成器中，输出得到各个航路点的概率值，最终得到t'时刻生成的航路点：
（4）。
优选地，所述步骤（1）中，在模型训练阶段，根据最大似然估计，最大化输出序列基于输入序列的条件概率：
（5），
并得到该输出序列的交叉熵损失作为损失函数：
（6），
模型训练完毕后，通过输入起飞机场-降落机场对获得相应候选飞行计划路线。
优选地，所述步骤（2）中，
候选飞行计划路线的新增航程/>可以表示为航班候选飞行计划路线的航程，与航班的燃油消耗成本成正相关：
（7），
其中表示候选飞行计划路线CFPk的航路点序列/>中/>和/>两个航路点之间航段的航程，/>表示初始飞行计划路线的航路点序列中/>和/>两个航路点之间航段的航程；
在飞行计划路线的航路点序列中，航向改变方向大于60°的航路点数量即为大转弯角数量，候选飞行计划路线与初始飞行计划路线的大转弯角数量之差即为新增大转弯角数量，该指标用于衡量飞行的舒适性，过多的大转弯角度飞行容易使乘客产生眩晕和不适，候选飞行计划路线的新增大转弯角数量/>表示为：
（8），
其中，RNk表示候选飞行计划路线CFPk的大转弯角数量，N表示初始飞行计划路线的大转弯角数量；
平均侧向偏离距离指沿飞行计划路线的航线间隔单位距离测得的初始飞行计划路线与候选飞行计划路线的侧向距离的平均值，该指标用于衡量候选飞计划路线与初始飞行计划路线的差异，平均侧向偏离距离越大，则差异越大；
初始飞行计划路线的航路点序列为，其中/>为起飞机场，/>为降落机场，候选飞行计划路线/>的航路点序列为/>，假设候选飞行计划路线CFPk从航路点/>处与初始飞行计划路线出现差异，至航路点/>处差异消失，定义沿初始飞行计划路线从起始点/>至结束点/>，间隔单位距离LD测得的计划路线与改航飞行路线的侧向距离之和为DLk，侧向距离为过间隔点垂直于初始飞行计划路线的垂线与候选飞行计划路线CFPk的交点间的距离；
候选飞行计划路线CFPk的平均侧向偏离距离Dk计算公式为：
（9），
式中为间隔点的数量，侧向距离的累加次数；
新增穿越相邻管制区航段数量指候选飞行计划路线与初始飞行计划路线相比，新增加的穿越相邻管制区的航段数量，该指标主要用于衡量管制员及飞行员在实施飞行计划路线时的工作负荷，新增穿越相邻管制区航段数量越多，则相应工作负荷越大；
设初始飞行计划路线中穿越相邻管制区的航段数量为S，候选飞行计划路线穿越相邻管制区的航段数量为RSk，新增穿越相邻管制区航段数量为：
（10）。
优选地，如图2所示，所述步骤（3）中，
将飞行计划路线规划知识库的评价指标作为决策准则，分别对候选飞行计划路线的决策属性进行计算，构建决策矩阵D：
（11）
考虑不同决策准则的权重矩阵如下：
（12），
得到加权决策矩阵，
在加权决策矩阵中，计算每个决策准则的最优、最差决策属性，分别组成最优理想策略、最差理想策略，决策目标是最小化新增航程、新增大转弯角数量、平均侧向偏离距离和新增穿越管制区航段数量，记作：
（13），
（14），
进而计算候选飞行计划路线决策矩阵与最优理想策略、最差理想策略决策矩阵之间的欧式距离，表示如下：
（15），
（16），
最后，每个候选飞行计划路线与最差策略之间的接近度定义如下：
（17），
如果候选飞行计划路线接近度Rk=1，说明该候选飞行计划路线与最优理想策略的距离最小，满足决策准则的最优策略；反之，如果候选飞行计划路线的接近度Rk=0，表示该候选飞行计划路线是最差策略。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括上述实施例方法的各步骤，而所述的存储介质可以是：ROM/RAM、磁碟、光盘、存储卡等。因此，与本发明的方法相对应的，本发明还同时包括一种基于航路点序列数据挖掘的飞行计划规划装置，该装置通常以与方法各步骤相对应的功能模块的形式表示。该装置包括：
序列生成模块，其配置来生成基于序列到序列模型的航路点序列：通过历史实际运行飞行路线数据，基于航班起飞机场-降落机场对和航路点序列构建数据集，并设计基于序列到序列模型，考虑飞行计划路线由航路点序列组成的语义特征，在编码器语义层对起飞机场-降落机场对这一序列进行编码，压缩成指定长度的向量，表示该序列的语义，而解码器根据语义向量，生成对应的航路点序列，构建候选飞行计划路线集；
知识库构建模块，其配置来构建飞行计划路线规划知识库：综合考虑航线的经济性、航线的舒适性、同原计划的差异、管制员的工作负荷因素，在此基础上设定候选飞行计划路线的评价指标为新增航程、新增大转弯角数量、平均侧向偏离距离和新增穿越管制区航段数量；
算法执行模块，其配置来执行TOPSIS的最优飞行计划路线决策算法：结合知识库的评价指标，对候选集的飞行计划路线进行判定，实现满足约束条件的飞行计划路线规划方案。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。
Claims (7)
1.一种基于航路点序列数据挖掘的飞行计划规划方法，其特征在于：其包括以下步骤：
（1）生成基于序列到序列模型的航路点序列：通过历史实际运行飞行路线数据，基于航班起飞机场-降落机场对和航路点序列构建数据集，并设计基于序列到序列模型，考虑飞行计划路线由航路点序列组成的语义特征，在编码器语义层对起飞机场-降落机场对这一序列进行编码，压缩成指定长度的向量，表示该序列的语义，而解码器根据语义向量，生成对应的航路点序列，构建候选飞行计划路线集；
（2）构建飞行计划路线规划知识库：综合考虑航线的经济性、航线的舒适性、同原计划的差异、管制员的工作负荷因素，在此基础上设定候选飞行计划路线的评价指标为新增航程、新增大转弯角数量、平均侧向偏离距离和新增穿越管制区航段数量；
（3）执行TOPSIS的最优飞行计划路线决策算法：结合知识库的评价指标，对候选集的飞行计划路线进行判定，实现满足约束条件的飞行计划路线规划方案。
2.根据权利要求1所述的基于航路点序列数据挖掘的飞行计划规划方法，其特征在于：所述步骤（1）中，根据航班实际运行的起飞机场、降落机场和经过航路点序列构建数据集，定义输入样本为，/>表示第k个输入样本，其中/>表示起飞机场-降落机场对序列；对应输出样本为/>，/>表示第k个输出航路点序列，其中/>代表有T个航路点，/>为/>中第j个航路点，其中，K为数据集中航班运行数据样本数量，T与特定的起飞机场-降落机场对相关。
3.根据权利要求2所述的基于航路点序列数据挖掘的飞行计划规划方法，其特征在于：所述步骤（1）中，基于序列到序列模型包括：
编码器，其将起飞机场-降落机场对的输入序列变换成一个定长的信息向量，并在该信息向量中编码输入序列信息；
编码器采用循环神经网络，对于输入样本，在时间步t，输入序列经过嵌入层得到对应的特征向量/>，输入到编码层中，编码层的循环神经网络将特征向量和上一时间步的隐藏状态/>变换为当前时间步的隐藏状态/>，用函数f表示循环神经网络隐藏层的变换：
（1），
编码器通过自定义函数将各时间步的隐藏状态变换为信息向量：
（2），
该信息向量中包含整个输入序列的信息；
解码器，其对于给定输入样本的输出序列，在每个时间步t'，解码器输出/>的条件概率/>将基于之前的输出序列/>和信息向量/>；
使用另一个循环神经网络作为解码器，在输出序列的时间步t'，解码器将上一时间步的输出以及信息向量/>作为输入，并将它们与上一时间步的隐藏状态/>变换得到当前时间步的隐藏状态/>，用函数g表示解码器隐藏层的变换：
（3），
航路点序列生成器，其由线性层和softmax运算组成，将解码器得到的输入到航路点序列生成器中，输出得到各个航路点的概率值，最终得到t'时刻生成的航路点：
（4）。
4.根据权利要求3所述的基于航路点序列数据挖掘的飞行计划规划方法，其特征在于：所述步骤（1）中，在模型训练阶段，根据最大似然估计，最大化输出序列基于输入序列的条件概率：
（5），
并得到该输出序列的交叉熵损失作为损失函数：
（6），
模型训练完毕后，通过输入起飞机场-降落机场对获得相应候选飞行计划路线。
5.根据权利要求4所述的基于航路点序列数据挖掘的飞行计划规划方法，其特征在于：所述步骤（2）中，
候选飞行计划路线的新增航程/>表示为航班候选飞行计划路线的航程，与航班的燃油消耗成本成正相关：
（7），
其中表示候选飞行计划路线CFPk的航路点序列/>中/>和/>两个航路点之间航段的航程，/>表示初始飞行计划路线的航路点序列/>中/>和/>两个航路点之间航段的航程；
在飞行计划路线的航路点序列中，航向改变方向大于60°的航路点数量即为大转弯角数量，候选飞行计划路线与初始飞行计划路线的大转弯角数量之差即为新增大转弯角数量，该指标用于衡量飞行的舒适性，过多的大转弯角度飞行容易使乘客产生眩晕和不适，候选飞行计划路线的新增大转弯角数量/>表示为：
（8），
其中，RNk表示候选飞行计划路线CFPk的大转弯角数量，N表示初始飞行计划路线的大转弯角数量；
平均侧向偏离距离指沿飞行计划路线的航线间隔单位距离测得的初始飞行计划路线与候选飞行计划路线的侧向距离的平均值，该指标用于衡量候选飞计划路线与初始飞行计划路线的差异，平均侧向偏离距离越大，则差异越大；
初始飞行计划路线的航路点序列为，其中/>为起飞机场，/>为降落机场，候选飞行计划路线/>的航路点序列为/>，假设候选飞行计划路线CFPk从航路点/>处与初始飞行计划路线出现差异，至航路点/>处差异消失，定义沿初始飞行计划路线从起始点/>至结束点/>，间隔单位距离LD测得的计划路线与改航飞行路线的侧向距离之和为DLk，侧向距离为过间隔点垂直于初始飞行计划路线的垂线与候选飞行计划路线CFPk的交点间的距离；
候选飞行计划路线CFPk的平均侧向偏离距离Dk计算公式为：
（9），
式中为间隔点的数量，侧向距离的累加次数；
新增穿越相邻管制区航段数量指候选飞行计划路线与初始飞行计划路线相比，新增加的穿越相邻管制区的航段数量，该指标主要用于衡量管制员及飞行员在实施飞行计划路线时的工作负荷，新增穿越相邻管制区航段数量越多，则相应工作负荷越大；
设初始飞行计划路线中穿越相邻管制区的航段数量为S，候选飞行计划路线穿越相邻管制区的航段数量为RSk，新增穿越相邻管制区航段数量为：
（10）。
6.根据权利要求5所述的基于航路点序列数据挖掘的飞行计划规划方法，其特征在于：所述步骤（3）中，
将飞行计划路线规划知识库的评价指标作为决策准则，分别对候选飞行计划路线的决策属性进行计算，构建决策矩阵D：
（11），
考虑不同决策准则的权重矩阵W如下：
（12），
得到加权决策矩阵，
在加权决策矩阵中，计算每个决策准则的最优、最差决策属性，分别组成最优理想策略、最差理想策略，决策目标是最小化新增航程、新增大转弯角数量、平均侧向偏离距离和新增穿越管制区航段数量，记作：
（13），
（14），
进而计算候选飞行计划路线决策矩阵与最优理想策略、最差理想策略决策矩阵之间的欧式距离，表示如下：
（15），
（16），
最后，每个候选飞行计划路线与最差策略之间的接近度定义如下：
（17），
如果候选飞行计划路线接近度Rk=1，说明该候选飞行计划路线与最优理想策略的距离最小，满足决策准则的最优策略；反之，如果候选飞行计划路线的接近度Rk=0，表示该候选飞行计划路线是最差策略。
7.一种基于航路点序列数据挖掘的飞行计划规划装置，其特征在于：其包括：
序列生成模块，其配置来生成基于序列到序列模型的航路点序列：通过历史实际运行飞行路线数据，基于航班起飞机场-降落机场对和航路点序列构建数据集，并设计基于序列到序列模型，考虑飞行计划路线由航路点序列组成的语义特征，在编码器语义层对起飞机场-降落机场对这一序列进行编码，压缩成指定长度的向量，表示该序列的语义，而解码器根据语义向量，生成对应的航路点序列，构建候选飞行计划路线集；
知识库构建模块，其配置来构建飞行计划路线规划知识库：综合考虑航线的经济性、航线的舒适性、同原计划的差异、管制员的工作负荷因素，在此基础上设定候选飞行计划路线的评价指标为新增航程、新增大转弯角数量、平均侧向偏离距离和新增穿越管制区航段数量；
算法执行模块，其配置来执行TOPSIS的最优飞行计划路线决策算法：结合知识库的评价指标，对候选集的飞行计划路线进行判定，实现满足约束条件的飞行计划路线规划方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311744671.4A CN117423258B (zh) | 2023-12-19 | 2023-12-19 | 一种基于航路点序列数据挖掘的飞行计划规划方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311744671.4A CN117423258B (zh) | 2023-12-19 | 2023-12-19 | 一种基于航路点序列数据挖掘的飞行计划规划方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117423258A CN117423258A (zh) | 2024-01-19 |
| CN117423258B true CN117423258B (zh) | 2024-03-26 |
Family
ID=89530634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311744671.4A Active CN117423258B (zh) | 2023-12-19 | 2023-12-19 | 一种基于航路点序列数据挖掘的飞行计划规划方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117423258B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109542876A (zh) * | 2018-11-20 | 2019-03-29 | 南京莱斯信息技术股份有限公司 | 基于Hadoop数据挖掘航空器经验轨迹模型关键因子的提取方法 |
| CN117217089A (zh) * | 2023-09-18 | 2023-12-12 | 中国民用航空华东地区空中交通管理局 | 一种基于双向长短期记忆网络的航迹预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022016018A1 (en) * | 2020-07-15 | 2022-01-20 | Aviation Communication & Surveillance Systems, Llc | Systems and methods for intelligently displaying aircraft traffic information |
-
2023
- 2023-12-19 CN CN202311744671.4A patent/CN117423258B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109542876A (zh) * | 2018-11-20 | 2019-03-29 | 南京莱斯信息技术股份有限公司 | 基于Hadoop数据挖掘航空器经验轨迹模型关键因子的提取方法 |
| CN117217089A (zh) * | 2023-09-18 | 2023-12-12 | 中国民用航空华东地区空中交通管理局 | 一种基于双向长短期记忆网络的航迹预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 空中交通改航路径评估方法研究;李雄;徐肖豪;;飞行力学;20110215(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117423258A (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107766808B (zh) | 道路网络空间中车辆对象移动轨迹聚类的方法及系统 | |
| CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
| Liu et al. | Predicting aircraft trajectories: A deep generative convolutional recurrent neural networks approach | |
| US20210239486A1 (en) | Method and apparatus for predicting destination, electronic device and storage medium | |
| CN114047764B (zh) | 路径规划模型的训练方法和路径规划方法、装置 | |
| CN112148008B (zh) | 一种基于深度强化学习的实时无人机路径预测方法 | |
| Han et al. | DeepTEA: Effective and efficient online time-dependent trajectory outlier detection | |
| CN112015835A (zh) | Geohash压缩的地图匹配方法 | |
| WO2023040539A1 (zh) | 车流迁徙情况的展示方法、装置、设备、介质及产品 | |
| CN107145991B (zh) | 一种考虑路段相关性的时变随机网络动态路径搜索方法 | |
| CN114202120A (zh) | 一种针对多源异构数据的城市交通行程时间预测方法 | |
| CN110274609A (zh) | 一种基于行程时间预测的实时路径规划方法 | |
| CN110929951B (zh) | 一种用于电网告警信号的关联分析和预测方法 | |
| Tang et al. | A flight profile clustering method combining twed with K-means algorithm for 4D trajectory prediction | |
| CN114969532A (zh) | 一种基于异质图神经网络的多模态交通推荐方法 | |
| CN115049009A (zh) | 基于语义融合表征的轨迹预测方法 | |
| CN114548298A (zh) | 模型训练、交通信息处理方法、装置、设备和存储介质 | |
| CN115599779A (zh) | 一种城市道路交通缺失数据插值方法及相关设备 | |
| CN115481638A (zh) | 一种基于管制意图表示的航空器轨迹补齐方法 | |
| Bastas et al. | Data driven aircraft trajectory prediction with deep imitation learning | |
| Liu et al. | Modeling trajectories with multi-task learning | |
| CN117423258B (zh) | 一种基于航路点序列数据挖掘的飞行计划规划方法及装置 | |
| Wang et al. | An interval type-2 fuzzy logic-based map matching algorithm for airport ground movements | |
| Sun et al. | Research on global path planning for AUV based on GA | |
| CN114708424B (zh) | 输入为具有去重预处理的密集查询的端到端检测器 |
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 |