CN117992923B - 基于多维数据融合的空中交通管理决策支持方法及系统 - Google Patents
基于多维数据融合的空中交通管理决策支持方法及系统 Download PDFInfo
- Publication number
- CN117992923B CN117992923B CN202410381432.5A CN202410381432A CN117992923B CN 117992923 B CN117992923 B CN 117992923B CN 202410381432 A CN202410381432 A CN 202410381432A CN 117992923 B CN117992923 B CN 117992923B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- air traffic
- traffic management
- management decision
- airspace
- 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 70
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 238000005457 optimization Methods 0.000 claims abstract description 59
- 230000000739 chaotic effect Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 10
- 238000011161 development Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 108020001568 subdomains Proteins 0.000 claims description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 2
- 230000000630 rising effect Effects 0.000 claims description 2
- 101000764350 Homo sapiens Protein Tob2 Proteins 0.000 claims 4
- 102100026880 Protein Tob2 Human genes 0.000 claims 4
- 238000007726 management method Methods 0.000 description 92
- 230000000875 corresponding effect Effects 0.000 description 81
- 238000004590 computer program Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000010006 flight Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 108700028369 Alleles Proteins 0.000 description 1
- 241000282817 Bovidae Species 0.000 description 1
- 241000282994 Cervidae Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 241000282320 Panthera leo Species 0.000 description 1
- 241000282373 Panthera pardus Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Genetics & Genomics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Nonlinear Science (AREA)
- Pure & Applied Mathematics (AREA)
- Physiology (AREA)
- Algebra (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于多维数据融合的空中交通管理决策支持方法及系统，涉及空中交通管理技术领域。所述方法是先根据气象预报数据和军事活动数据，确定在目标空域内的且在下一个单位时期的禁飞子空域，然后根据禁飞子空域和所有民航飞机的当前航班飞行数据，通过多次采用猎食者优化算法寻优空中交通管理决策方案，得到在目标空域内的且在下一个单位时期的空中交通管理决策最终方案，最后从该最终方案中提取出相应民航飞机在目标空域内的且在下一个单位时期内各个时刻的航班运行诸元信息，并将提取结果传送至相应民航飞机予以施行，如此相对现有间隔控制方案，可以提供实时的飞行建议，优化空中流量管理，有效提高空中交通运行效率。
Description
技术领域
本发明属于空中交通管理技术领域，具体涉及一种基于多维数据融合的空中交通管理决策支持方法及系统。
背景技术
随着社会经济的持续增长，人们的生活水平不断提升，对于交通运输的需求在逐渐增加。空中交通运输是现代运输系统中的重要组成部分，针对空中交通流量进行有效控制，已经逐渐成为当前空中交通管理工作的重要内容。空中交通流量管理，是指在空中交通流量达到或者接近一空中交通管制可用能力时，对空中交通流量进行适时地调整，从而保证空中交通航班最佳地流入或通过特定区域，从而提高机场以及空域的可用能力。
目前，现有关于空中交通流量管理经常采用的技术方案就是间隔控制法，间隔控制法就是通过控制航班经过特定一点/线的间隔，得到进出各点/线航班数量，最终获取相应空中区域内的航线数量。但是这种间隔控制方案明显存在因无法应对现实因素影响进行自适应调整而使得空中交通运行效率受限的问题，因此如何基于多维现实数据融合进行空中交通管理决策支持，以便提供实时的飞行建议，优化空中流量管理，是本领域技术人员亟需研究的课题。
发明内容
本发明的目的是提供一种基于多维数据融合的空中交通管理决策支持方法、系统、计算机设备、计算机可读存储介质及计算机程序产品，用以解决现有间隔控制方案明显存在因无法应对现实因素影响进行自适应调整而使得空中交通运行效率受限的问题。
为了实现上述目的，本发明采用以下技术方案：
第一方面，提供了一种基于多维数据融合的空中交通管理决策支持方法，包括：
获取目标空域在下一个单位时期的气象预报数据和军事活动数据，以及还获取请求在所述下一个单位时期且在所述目标空域内飞行的所有民航飞机的当前航班飞行数据；
根据所述气象预报数据和所述军事活动数据，确定在所述目标空域内的且在所述下一个单位时期的禁飞子空域；
根据所述禁飞子空域和所述所有民航飞机的当前航班飞行数据，按照如下步骤S31～S36确定在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最终方案：
步骤S31.将飞机准入数目初始化为/>，然后执行步骤S32，其中，/>表示所述所有民航飞机的飞机总数；
步骤S32.针对在所述所有民航飞机中的且包含有架民航飞机的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，得到对应飞机组合在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最优方案，然后执行步骤S33，其中，所述空中交通管理决策方案包含有在对应飞机组合中的各架民航飞机在所述目标空域内的且在所述下一个单位时期内各个时刻的航班运行诸元信息，所述航班运行诸元信息包含有根据对应民航飞机的当前航班飞行数据生成的对应民航飞机在对应时刻避开所述禁飞子空域的所在空域位置，所述空中交通管理决策方案的寻优目标是先根据在对应飞机组合中的各对民航飞机在所述各个时刻的所述所在空域位置，计算得到所述各对民航飞机在所述各个时刻的空间距离，然后使在所有所述空间距离中的最短空间距离最大化；
步骤S33.从与所述各个飞机组合的空中交通管理决策最优方案一一对应的各个所述最短空间距离中确定出最大空间距离，然后执行步骤S34；
步骤S34.判断所述最大空间距离是否小于预设的安全距离阈值，若是，则执行步骤S35，否则执行步骤S36；
步骤S35.判断所述飞机准入数目是否大于2，若是，则使飞机准入数目/>自减1，然后返回执行步骤S32；
步骤S36.将与所述最大空间距离对应的某个飞机组合的空中交通管理决策最优方案作为在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最终方案；
针对在所述某个飞机组合中的各架民航飞机，从所述空中交通管理决策最终方案中提取出对应民航飞机在所述目标空域内的且在所述下一个单位时期内各个时刻的航班运行诸元信息，并将提取结果传送至对应民航飞机予以施行。
基于上述发明内容，提供了一种基于气象预报数据、军事活动数据和航班飞行数据融合进行空中交通管理决策支持的新方案，即先根据气象预报数据和军事活动数据，确定在目标空域内的且在下一个单位时期的禁飞子空域，然后根据禁飞子空域和所有民航飞机的当前航班飞行数据，通过多次采用猎食者优化算法寻优空中交通管理决策方案，得到在目标空域内的且在下一个单位时期的空中交通管理决策最终方案，最后从该最终方案中提取出相应民航飞机在目标空域内的且在下一个单位时期内各个时刻的航班运行诸元信息，并将提取结果传送至相应民航飞机予以施行，如此可及时应对在气象、军事活动和航班飞行等方面的现实因素影响，并自适应调整得到使空中流量最大化的空中交通管理决策方案，进而相对现有间隔控制方案，可以提供实时的飞行建议，优化空中流量管理，有效提高空中交通运行效率，便于实际应用和推广。
在一个可能的设计中，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，包括：
在猎食者优化算法中，采用基于Tent混沌映射与对立学习策略相结合而得的TOBL策略提高种群质量，其中，所述Tent混沌映射表示如下：
式中，表示正整数，/>表示第/>次迭代产生的混沌数，/>表示第/>次迭代产生的混沌数，/>表示介于[0,1]的常数；
所述TOBL策略包括如下步骤：先随机生成个种群位置，再利用TOBL模型生成/>个混沌对立位置，随后对所述/>个种群位置和所述/>个混沌对立位置进行适应度从高至低顺序的排序，最后选取排序队列中的前/>个位置作为初始化种群，其中，/>表示在所述猎食者优化算法中的猎食者总数，所述TOBL模型表示如下：
式中，表示小于等于/>的正整数，/>表示正整数，/>表示在所述/>个混沌对立位置中的第/>个混沌对立位置的第/>维分量，/>表示在所述/>个种群位置中的第/>个种群位置的第/>维分量，/>表示所述第/>个种群位置的第/>维分量的下界，/>表示所述第/>个种群位置的第/>维分量的上界，/>表示基于所述Tent混沌映射为所述第/>个种群位置产生的混沌数。
在一个可能的设计中，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，包括：
在猎食者优化算法中的且处于探索与开发之间的平衡参数按照如下公式进行非线性递减：
式中，表示平衡参数的最小值，/>表示平衡参数的最大值，/>表示最大迭代次数，/>表示当前迭代次数，/>表示圆周率。
在一个可能的设计中，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，包括：
在猎食者优化算法中采用迭代次数为自由度的自适应t分布变异算子对猎食者和猎物位置进行扰动，具体的位置更新公式如下：
式中，表示正整数，/>表示扰动后的种群位置，/>表示第/>次迭代时的位置，表示以当前迭代次数为自由度的t分布。
在一个可能的设计中，针对在所述所有民航飞机中的且包含有架民航飞机的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，包括：
根据所述所有民航飞机的当前航班飞行数据，确定出在所述所有民航飞机中的且当前已在所述目标空域内飞行的架民航飞机以及在所述所有民航飞机中的且当前未在所述目标空域内飞行的/>架民航飞机，其中，/>表示小于等于/>的正整数；
若，则针对在所述所有民航飞机中的且包含有所述/>架民航飞机和/>架民航飞机的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，其中，所述/>架民航飞机从所述/>架民航飞机中选取得到；
若，则针对在所述所有民航飞机中的且在所述/>架民航飞机中的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优。
在一个可能的设计中，所述航班运行诸元信息还包含有根据对应民航飞机的当前航班飞行数据生成的对应民航飞机在对应时刻的航向、速度、高度和上升下降趋势以及在后续时间内的飞行路线、飞行高度和目标高度。
第二方面，提供了一种基于多维数据融合的空中交通管理决策支持系统，包括有多维数据获取单元、禁飞空域确定单元、决策方案确定单元和决策方案执行单元；
所述多维数据获取单元，用于获取目标空域在下一个单位时期的气象预报数据和军事活动数据，以及还获取请求在所述下一个单位时期且在所述目标空域内飞行的所有民航飞机的当前航班飞行数据；
所述禁飞空域确定单元，通信连接所述多维数据获取单元，用于根据所述气象预报数据和所述军事活动数据，确定在所述目标空域内的且在所述下一个单位时期的禁飞子空域；
所述决策方案确定单元，分别通信连接所述多维数据获取单元和所述禁飞空域确定单元，用于根据所述禁飞子空域和所述所有民航飞机的当前航班飞行数据，按照如下步骤S31～S36确定在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最终方案：
步骤S31.将飞机准入数目初始化为/>，然后执行步骤S32，其中，/>表示所述所有民航飞机的飞机总数；
步骤S32.针对在所述所有民航飞机中的且包含有架民航飞机的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，得到对应飞机组合在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最优方案，然后执行步骤S33，其中，所述空中交通管理决策方案包含有在对应飞机组合中的各架民航飞机在所述目标空域内的且在所述下一个单位时期内各个时刻的航班运行诸元信息，所述航班运行诸元信息包含有根据对应民航飞机的当前航班飞行数据生成的对应民航飞机在对应时刻避开所述禁飞子空域的所在空域位置，所述空中交通管理决策方案的寻优目标是先根据在对应飞机组合中的各对民航飞机在所述各个时刻的所述所在空域位置，计算得到所述各对民航飞机在所述各个时刻的空间距离，然后使在所有所述空间距离中的最短空间距离最大化；
步骤S33.从与所述各个飞机组合的空中交通管理决策最优方案一一对应的各个所述最短空间距离中确定出最大空间距离，然后执行步骤S34；
步骤S34.判断所述最大空间距离是否小于预设的安全距离阈值，若是，则执行步骤S35，否则执行步骤S36；
步骤S35.判断所述飞机准入数目是否大于2，若是，则使飞机准入数目/>自减1，然后返回执行步骤S32；
步骤S36.将与所述最大空间距离对应的某个飞机组合的空中交通管理决策最优方案作为在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最终方案；
所述决策方案执行单元，通信连接所述决策方案确定单元，用于针对在所述某个飞机组合中的各架民航飞机，从所述空中交通管理决策最终方案中提取出对应民航飞机在所述目标空域内的且在所述下一个单位时期内各个时刻的航班运行诸元信息，并将提取结果传送至对应民航飞机予以施行。
第三方面，本发明提供了一种计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面或第一方面中任意可能设计所述的空中交通管理决策支持方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面或第一方面中任意可能设计所述的空中交通管理决策支持方法。
第五方面，本发明提供了一种计算机程序产品，包括计算机程序或指令，所述计算机程序或所述指令在被计算机执行时实现如第一方面或第一方面中任意可能设计所述的空中交通管理决策支持方法。
上述方案的有益效果：
（1）本发明创造性提供了一种基于气象预报数据、军事活动数据和航班飞行数据融合进行空中交通管理决策支持的新方案，即先根据气象预报数据和军事活动数据，确定在目标空域内的且在下一个单位时期的禁飞子空域，然后根据禁飞子空域和所有民航飞机的当前航班飞行数据，通过多次采用猎食者优化算法寻优空中交通管理决策方案，得到在目标空域内的且在下一个单位时期的空中交通管理决策最终方案，最后从该最终方案中提取出相应民航飞机在目标空域内的且在下一个单位时期内各个时刻的航班运行诸元信息，并将提取结果传送至相应民航飞机予以施行，如此可及时应对在气象、军事活动和航班飞行等方面的现实因素影响，并自适应调整得到使空中流量最大化的空中交通管理决策方案，进而相对现有间隔控制方案，可以提供实时的飞行建议，优化空中流量管理，有效提高空中交通运行效率，便于实际应用和推广。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本申请实施例提供的基于多维数据融合的空中交通管理决策支持方法的流程示意图。
图2为本申请实施例提供的基于多维数据融合的空中交通管理决策支持系统的结构示意图。
图3为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述仅仅是本发明的一些实施例，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，还可以根据这些实施例获得其他的实施例。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。
应当理解，尽管本文可能使用术语第一和第二等等来描述各种对象，但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象，同时不脱离本发明的示例实施例的范围。
应当理解，对于本文中可能出现的术语“和/或”，其仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A、单独存在B或者同时存在A和B等三种情况；又例如，A、B和/或C，可以表示存在A、B和C中的任意一种或他们的任意组合；另外，对于本文中可能出现的字符“/”，一般表示前后关联对象是一种“或”关系。
实施例
如图1所示，本实施例第一方面提供的且基于多维数据融合的空中交通管理决策支持方法，可以但不限于由具有一定计算资源的计算机设备执行，例如由平台服务器、个人计算机（Personal Computer，PC，指一种大小、价格和性能适用于个人使用的多用途计算机；台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超极本等都属于个人计算机）、智能手机、个人数字助理（Personal Digital Assistant，PDA）或可穿戴设备等电子设备执行。如图1所示，所述空中交通管理决策支持方法，可以但不限于包括有如下步骤S1～S4。
S1.获取目标空域在下一个单位时期的气象预报数据和军事活动数据，以及还获取请求在所述下一个单位时期且在所述目标空域内飞行的所有民航飞机的当前航班飞行数据。
在所述步骤S1中，所述目标空域即为进行空中交通管理的对象，可以具体但不限于为某个网格化空域或某个机场的上方空域。所述单位时期可以但不限于为小时、半小时或刻钟等。所述气象预报数据可以但不限于包含有温度、大气能见度、云层厚度、云层位置和雨量等气象参数的预报结果，其可以但不限于通过常规联网方式查询获取。所述军事活动数据可以但不限于包含有军机飞行规划区域等，其同样可以但不限于通过常规联网方式查询获取。所述当前航班飞行数据包含但不限于有对应民航飞机在当前时刻的航班运行诸元信息，其中，该航班运行诸元信息包含但不限于有对应民航飞机在当前时刻的所在空域位置、航向、速度、高度和上升下降趋势以及在后续时间内的飞行路线、飞行高度和目标高度等，其可以但不限于通过获取航班飞行计划数据、飞行路线中相关风向风速信息、飞行路线中影响航班飞行的恶劣天气/军事活动信息以及同飞行路线的其他航班历史飞行四维路线等来常规获取得到。此外，所述所有民航飞机既可包含有当前已在所述目标空域内飞行的民航飞机（例如待降落的民航飞机），也可包含有当前未在所述目标空域内飞行的民航飞机（例如待起飞的民航飞机）。
S2.根据所述气象预报数据和所述军事活动数据，确定在所述目标空域内的且在所述下一个单位时期的禁飞子空域。
在所述步骤S2中，所述禁飞子空域的具体确定方式为现有常规方式，例如将位于所述目标空域内的军机飞行规划区域或雷暴云团所在区域及下方区域作为所述禁飞子空域。
S3.根据所述禁飞子空域和所述所有民航飞机的当前航班飞行数据，按照如下步骤S31～S36确定在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最终方案。
步骤S31.将飞机准入数目初始化为/>，然后执行步骤S32，其中，/>表示所述所有民航飞机的飞机总数。
步骤S32.针对在所述所有民航飞机中的且包含有架民航飞机的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，得到对应飞机组合在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最优方案，然后执行步骤S33，其中，所述空中交通管理决策方案包含有在对应飞机组合中的各架民航飞机在所述目标空域内的且在所述下一个单位时期内各个时刻的航班运行诸元信息，所述航班运行诸元信息包含有根据对应民航飞机的当前航班飞行数据生成的对应民航飞机在对应时刻避开所述禁飞子空域的所在空域位置，所述空中交通管理决策方案的寻优目标是先根据在对应飞机组合中的各对民航飞机在所述各个时刻的所述所在空域位置，计算得到所述各对民航飞机在所述各个时刻的空间距离，然后使在所有所述空间距离中的最短空间距离最大化。
在所述步骤S32中，考虑所述所有民航飞机包含有当前已在所述目标空域内飞行的民航飞机和/或当前未在所述目标空域内飞行的民航飞机，并为了确保当前已在所述目标空域内飞行的民航飞机能优先得到继续在所述目标空域内飞行的权益，优选的，针对在所述所有民航飞机中的且包含有架民航飞机的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，包括但不限于有：根据所述所有民航飞机的当前航班飞行数据，确定出在所述所有民航飞机中的且当前已在所述目标空域内飞行的/>架民航飞机以及在所述所有民航飞机中的且当前未在所述目标空域内飞行的/>架民航飞机，其中，/>表示小于等于/>的正整数；若/>，则针对在所述所有民航飞机中的且包含有所述/>架民航飞机和/>架民航飞机的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，其中，所述/>架民航飞机从所述架民航飞机中选取得到；若/>，则针对在所述所有民航飞机中的且在所述/>架民航飞机中的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优。所述/>架民航飞机和所述/>架民航飞机的具体确定方式为现有常规方式，例如基于当前所在空域位置与所述目标空域的位置关系予以确定。此外，从所述/>架民航飞机中选取所述/>架民航飞机的具体方式可以是随机选取，也可以是基于自首次请求起的等待时长的从长到短排序结果选取排序在前的前/>架民航飞机。
在所述步骤S32中，所述猎食者优化算法是根据模拟豹子或狮子等食肉动物捕食鹿和羚羊等猎物的行为而产生的现有优化算法，其揭示的猎食者搜索机制如下所示：
式中，表示猎食者的位置，/>表示猎物的位置，/>表示所有位置的平均值，/>是自适应参数，计算公式如下：
式中，和/>分别为[0,1]范围内的随机向量，/>为[0,1]范围内的随机数，/>是满足条件(/>)的向量/>的索引数，/>表示在探索与开发之间的平衡参数，其值在迭代过程中从1减小到0.02，一般为：/>。
接下来计算猎物位置，首先，计算所有位置的平均值/>，然后根据欧几里得距离计算每个搜索个体与平均位置的距离/>。
根据狩猎场景，当猎食者捕获猎物时，猎物会死亡，下一次，猎食者会移动到新的猎物位置。为此，考虑一种递减机制，如下式所示：
式中，表示搜索种群的数量，在算法开始时，/>的值等于/>，最后一个距离搜索个体的平均位置/>最远的搜索个体被选择为猎物/>，并被猎食者捕获，如下式：
。
假设最佳安全位置是全局最佳位置，因为这将使猎物有更好的生存机会，猎食者可能会选择另一个猎物，下式用于更新猎物位置：
式中，表示猎物的当前位置，/>表示全局最优位置，/>为[0，1]内的随机数，/>函数及其输入参数允许下一个猎物位置在不同半径和角度的全局最优位置，为了选择猎食者和猎物，设置调节参数/>，/>为[0，1]内的随机数，提出下式：
。
上述猎食者优化算法中的公式符号含义为现有知识，本领域技术人员可参见网页文章《智能优化算法：猎食者优化算法-附代码》予以理解。由此可以将基于所述空中交通管理决策方案所得的所述最短空间距离作为猎食者的位置，采用所述猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，直到到达预设迭代次数（最后一次迭代所得的所述最短空间距离即为一个经过多次优化所得的最大值）。此外，前述根据对应民航飞机的当前航班飞行数据生成的对应民航飞机在对应时刻避开所述禁飞子空域的所在空域位置的具体生成方式为现有常规生成方式；以及所述航班运行诸元信息还包含但不限于有根据对应民航飞机的当前航班飞行数据生成的对应民航飞机在对应时刻的航向、速度、高度和上升下降趋势以及在后续时间内的飞行路线、飞行高度和目标高度等。
在所述步骤S32中，为提高最优解的质量，优选的，还对所述猎食者优化算法进行如下三点改进（1）～（3）。
（1）考虑群体智能优化算法通常采用随机生成初始化种群位置，无法保证种群在搜索空间中的均匀分布，将直接影响算法的收敛速度和寻优精度，而混沌序列具有多样性和遍历性好等特点，因此融合混沌序列的猎食者种群将具有更好的多样性，例如Tent映射（帐篷映射，在数学中是指一种分段的线性映射，因其函数图像类似帐篷而得名）、Cubic映射（其是一种一维离散时间动态系统，它被用来描述包含一个位点和两个等位基因的遗传学中的基因频率）、Circle映射和Logistic映射等，其中，Tent混沌映射具有很好的遍历均匀性和收敛速度，混沌序列在[0,1]之间均匀分布。另外考虑对立学习策略(Opposition-Based Learning, OBL)可以提高初始种群的质量，已被广泛应用于群体智能算法，因此本实施例优选将Tent混沌映射与OBL相结合，提出新的TOBL（Tent Opposition-BasedLearning）策略提高种群质量，即优选的，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，包括：在猎食者优化算法中，采用基于Tent混沌映射与对立学习策略相结合而得的TOBL策略提高种群质量，其中，所述Tent混沌映射表示如下：
式中，表示正整数，/>表示第/>次迭代产生的混沌数，/>表示第/>次迭代产生的混沌数，/>表示介于[0,1]的常数；所述TOBL策略包括如下步骤：先随机生成/>个种群位置，再利用TOBL模型生成/>个混沌对立位置，随后对所述/>个种群位置和所述/>个混沌对立位置进行适应度从高至低顺序的排序，最后选取排序队列中的前/>个位置作为初始化种群，其中，/>表示在所述猎食者优化算法中的猎食者总数，所述TOBL模型表示如下：
式中，表示小于等于/>的正整数，/>表示正整数，/>表示在所述/>个混沌对立位置中的第/>个混沌对立位置的第/>维分量，/>表示在所述/>个种群位置中的第/>个种群位置的第/>维分量，/>表示所述第/>个种群位置的第/>维分量的下界，/>表示所述第/>个种群位置的第/>维分量的上界，/>表示基于所述Tent混沌映射为所述第/>个种群位置产生的混沌数。由此可见，所述TOBL策略相当于以目标函数上下界限的和为中心，利用Tent混沌映射的均匀变化，来动态压缩原初始种群的分布范围，并在压缩的同时尽量让种群均匀。
（2）采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，包括：在猎食者优化算法中的且处于探索与开发之间的平衡参数按照如下公式进行非线性递减：
式中，表示平衡参数的最小值，/>表示平衡参数的最大值，/>表示最大迭代次数，/>表示当前迭代次数，/>表示圆周率。由此本实施例还提出了一种非线性递减策略来用于改进平衡参数，使得在平衡参数/>的迭代过程中，随着平衡参数/>的不断变化，将利于改善算法在探索与开发之间的平衡，有效控制全局探索和局部开发进程，使得自适应调整后的所述猎食者优化算法在迭代前期以较小的迭代速度维持一个较大的权重，增强算法的全局搜索能力，经过一定迭代后权重迅速下降，在迭代后期能够提高寻优精度，从而实现算法全局寻优与局部寻优能力的平衡。
（3）采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，包括：在猎食者优化算法中采用迭代次数为自由度的自适应t分布变异算子对猎食者和猎物位置进行扰动，具体的位置更新公式如下：
式中，表示正整数，/>表示扰动后的种群位置，/>表示第/>次迭代时的位置，表示以当前迭代次数为自由度的t分布。如此由于t分布的分布函数曲线形状与其自由度/>密切相关，通过前述扰动，可使得所述猎食者优化算法在迭代前期具有较好的全局开发能力，在迭代后期具有良好的局部探索能力，并提高算法的收敛速度，进而既可充分利用了当前位置信息，又增加了随机干扰信息，即在迭代初期，t分布接近于柯西分布，随着迭代次数的增加，逐渐接近于高斯分布，有利于增强算法的收敛速度，t分布的变异算子结合了高斯算子和柯西算子的优势，同时提高了算法的全局探索性和局部开发性。
步骤S33.从与所述各个飞机组合的空中交通管理决策最优方案一一对应的各个所述最短空间距离中确定出最大空间距离，然后执行步骤S34。
在所述步骤S33中，假设有10个飞机组合，并且与这10个飞机组合的空中交通管理决策最优方案一一对应的10个所述最短空间距离分别为1.2KM、2.3KM、1.7KM、1.9KM、3.1KM、1.4KM、2.3KM、1.7KM、2.0KM和1.5KM，则可确定出最大空间距离为3.1KM。
步骤S34.判断所述最大空间距离是否小于预设的安全距离阈值，若是，则执行步骤S35，否则执行步骤S36。
在所述步骤S34中，所述安全距离阈值可参照现有间隔控制方案得到，并可以根据在所述气象预报数据中的大气能见度予以负相关调节（即大气能见度越高，安全距离阈值越低）。由于所述飞机准入数目是初始化为/>，因此当判定所述最大空间距离小于所述安全距离阈值时，表明所述/>架民航飞机在所述目标空域内过于拥挤，无法决策出一个可以确保所述/>架民航飞机在所述下一个单位时期的飞行安全的空中交通管理决策方案，需要再减少飞机数量（也即降低空中流量）；而若判定所述最大空间距离不小于所述安全距离阈值，则表明可以得到一个既能够使空中流量最大化且还能确保所述/>架民航飞机在所述下一个单位时期的飞行安全的空中交通管理决策方案。
步骤S35.判断所述飞机准入数目是否大于2，若是，则使飞机准入数目/>自减1，然后返回执行步骤S32。
在所述步骤S35中，若判定所述飞机准入数目等于2，则表明即使两架民航飞机也在所述目标空域内过于拥挤，此时可认为所述目标空域不适合飞行，可以关闭所述目标空域，禁止任何飞机在所述下一个单位时期且在所述目标空域内飞行。
步骤S36.将与所述最大空间距离对应的某个飞机组合的空中交通管理决策最优方案作为在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最终方案。
S4.针对在所述某个飞机组合中的各架民航飞机，从所述空中交通管理决策最终方案中提取出对应民航飞机在所述目标空域内的且在所述下一个单位时期内各个时刻的航班运行诸元信息，并将提取结果传送至对应民航飞机予以施行。
在所述步骤S4中，针对不在所述某个飞机组合中的各架民航飞机，若对应民航飞机属于当前未在所述目标空域内飞行的民航飞机，则将会传送禁止对应民航飞机进入所述目标空域的指示；而若对应民航飞机属于当前已在所述目标空域内飞行的民航飞机，则还需要为对应民航飞机规划尽快撤离所述目标空域的安全飞行路线，并将该安全飞行路线传送至对应飞机予以施行（由于已通过相应技术手段确保当前已在所述目标空域内飞行的民航飞机能优先得到继续在所述目标空域内飞行的权益，因此这种情况即为少见，几乎不存在）。
由此基于前述步骤S1～S4所描述的空中交通管理决策支持方法，提供了一种基于气象预报数据、军事活动数据和航班飞行数据融合进行空中交通管理决策支持的新方案，即先根据气象预报数据和军事活动数据，确定在目标空域内的且在下一个单位时期的禁飞子空域，然后根据禁飞子空域和所有民航飞机的当前航班飞行数据，通过多次采用猎食者优化算法寻优空中交通管理决策方案，得到在目标空域内的且在下一个单位时期的空中交通管理决策最终方案，最后从该最终方案中提取出相应民航飞机在目标空域内的且在下一个单位时期内各个时刻的航班运行诸元信息，并将提取结果传送至相应民航飞机予以施行，如此可及时应对在气象、军事活动和航班飞行等方面的现实因素影响，并自适应调整得到使空中流量最大化的空中交通管理决策方案，进而相对现有间隔控制方案，可以提供实时的飞行建议，优化空中流量管理，有效提高空中交通运行效率，便于实际应用和推广。
如图2所示，本实施例第二方面提供了一种实现第一方面所述的空中交通管理决策支持方法的虚拟系统，包括有多维数据获取单元、禁飞空域确定单元、决策方案确定单元和决策方案执行单元；
所述多维数据获取单元，用于获取目标空域在下一个单位时期的气象预报数据和军事活动数据，以及还获取请求在所述下一个单位时期且在所述目标空域内飞行的所有民航飞机的当前航班飞行数据；
所述禁飞空域确定单元，通信连接所述多维数据获取单元，用于根据所述气象预报数据和所述军事活动数据，确定在所述目标空域内的且在所述下一个单位时期的禁飞子空域；
所述决策方案确定单元，分别通信连接所述多维数据获取单元和所述禁飞空域确定单元，用于根据所述禁飞子空域和所述所有民航飞机的当前航班飞行数据，按照如下步骤S31～S36确定在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最终方案：
步骤S31.将飞机准入数目初始化为/>，然后执行步骤S32，其中，/>表示所述所有民航飞机的飞机总数；
步骤S32.针对在所述所有民航飞机中的且包含有架民航飞机的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，得到对应飞机组合在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最优方案，然后执行步骤S33，其中，所述空中交通管理决策方案包含有在对应飞机组合中的各架民航飞机在所述目标空域内的且在所述下一个单位时期内各个时刻的航班运行诸元信息，所述航班运行诸元信息包含有根据对应民航飞机的当前航班飞行数据生成的对应民航飞机在对应时刻避开所述禁飞子空域的所在空域位置，所述空中交通管理决策方案的寻优目标是先根据在对应飞机组合中的各对民航飞机在所述各个时刻的所述所在空域位置，计算得到所述各对民航飞机在所述各个时刻的空间距离，然后使在所有所述空间距离中的最短空间距离最大化；
步骤S33.从与所述各个飞机组合的空中交通管理决策最优方案一一对应的各个所述最短空间距离中确定出最大空间距离，然后执行步骤S34；
步骤S34.判断所述最大空间距离是否小于预设的安全距离阈值，若是，则执行步骤S35，否则执行步骤S36；
步骤S35.判断所述飞机准入数目是否大于2，若是，则使飞机准入数目/>自减1，然后返回执行步骤S32；
步骤S36.将与所述最大空间距离对应的某个飞机组合的空中交通管理决策最优方案作为在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最终方案；
所述决策方案执行单元，通信连接所述决策方案确定单元，用于针对在所述某个飞机组合中的各架民航飞机，从所述空中交通管理决策最终方案中提取出对应民航飞机在所述目标空域内的且在所述下一个单位时期内各个时刻的航班运行诸元信息，并将提取结果传送至对应民航飞机予以施行。
本实施例第二方面提供的前述系统的工作过程、工作细节和技术效果，可以参见第一方面所述的空中交通管理决策支持方法，于此不再赘述。
如图3所示，本实施例第三方面提供了一种执行如第一方面所述的空中交通管理决策支持方法的计算机设备，包括有依次通信连接的存储器、处理器和收发器，其中，所述存储器用于存储计算机程序，所述收发器用于收发消息，所述处理器用于读取所述计算机程序，执行如第一方面所述的空中交通管理决策支持方法。具体举例的，所述存储器可以但不限于包括随机存取存储器（Random-Access Memory，RAM）、只读存储器（Read-OnlyMemory，ROM）、闪存（Flash Memory）、先进先出存储器（First Input First Output，FIFO）和/或先进后出存储器（First Input Last Output，FILO）等等；所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外，所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果，可以参见第一方面所述的空中交通管理决策支持方法，于此不再赘述。
本实施例第四方面提供了一种存储包含如第一方面所述的空中交通管理决策支持方法的指令的计算机可读存储介质，即所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，执行如第一方面所述的空中交通管理决策支持方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果，可以参见如第一方面所述的空中交通管理决策支持方法，于此不再赘述。
本实施例第五方面提供了一种计算机程序产品，包括计算机程序或指令，所述计算机程序或所述指令在被计算机执行时实现如第一方面所述的空中交通管理决策支持方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络或者其他可编程装置。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于多维数据融合的空中交通管理决策支持方法，其特征在于，包括：
获取目标空域在下一个单位时期的气象预报数据和军事活动数据，以及还获取请求在所述下一个单位时期且在所述目标空域内飞行的所有民航飞机的当前航班飞行数据；
根据所述气象预报数据和所述军事活动数据，确定在所述目标空域内的且在所述下一个单位时期的禁飞子空域；
根据所述禁飞子空域和所述所有民航飞机的当前航班飞行数据，按照如下步骤S31～S36确定在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最终方案：
步骤S31.将飞机准入数目初始化为/>，然后执行步骤S32，其中，/>表示所述所有民航飞机的飞机总数；
步骤S32.针对在所述所有民航飞机中的且包含有架民航飞机的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，得到对应飞机组合在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最优方案，然后执行步骤S33，其中，所述空中交通管理决策方案包含有在对应飞机组合中的各架民航飞机在所述目标空域内的且在所述下一个单位时期内各个时刻的航班运行诸元信息，所述航班运行诸元信息包含有根据对应民航飞机的当前航班飞行数据生成的对应民航飞机在对应时刻避开所述禁飞子空域的所在空域位置，所述空中交通管理决策方案的寻优目标是先根据在对应飞机组合中的各对民航飞机在所述各个时刻的所述所在空域位置，计算得到所述各对民航飞机在所述各个时刻的空间距离，然后使在所有所述空间距离中的最短空间距离最大化；
步骤S33.从与所述各个飞机组合的空中交通管理决策最优方案一一对应的各个所述最短空间距离中确定出最大空间距离，然后执行步骤S34；
步骤S34.判断所述最大空间距离是否小于预设的安全距离阈值，若是，则执行步骤S35，否则执行步骤S36；
步骤S35.判断所述飞机准入数目是否大于2，若是，则使飞机准入数目/>自减1，然后返回执行步骤S32；
步骤S36.将与所述最大空间距离对应的某个飞机组合的空中交通管理决策最优方案作为在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最终方案；
针对在所述某个飞机组合中的各架民航飞机，从所述空中交通管理决策最终方案中提取出对应民航飞机在所述目标空域内的且在所述下一个单位时期内各个时刻的航班运行诸元信息，并将提取结果传送至对应民航飞机予以施行。
2.根据权利要求1所述的空中交通管理决策支持方法，其特征在于，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，包括：
在猎食者优化算法中，采用基于Tent混沌映射与对立学习策略相结合而得的TOBL策略提高种群质量，其中，所述Tent混沌映射表示如下：
式中，表示正整数，/>表示第/>次迭代产生的混沌数，/>表示第/>次迭代产生的混沌数，/>表示介于[0,1]的常数；
所述TOBL策略包括如下步骤：先随机生成个种群位置，再利用TOBL模型生成/>个混沌对立位置，随后对所述/>个种群位置和所述/>个混沌对立位置进行适应度从高至低顺序的排序，最后选取排序队列中的前/>个位置作为初始化种群，其中，/>表示在所述猎食者优化算法中的猎食者总数，所述TOBL模型表示如下：
式中，表示小于等于/>的正整数，/>表示正整数，/>表示在所述/>个混沌对立位置中的第/>个混沌对立位置的第/>维分量，/>表示在所述/>个种群位置中的第/>个种群位置的第/>维分量，/>表示所述第/>个种群位置的第/>维分量的下界，/>表示所述第/>个种群位置的第/>维分量的上界，/>表示基于所述Tent混沌映射为所述第/>个种群位置产生的混沌数。
3.根据权利要求1所述的空中交通管理决策支持方法，其特征在于，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，包括：
在猎食者优化算法中的且处于探索与开发之间的平衡参数按照如下公式进行非线性递减：
式中，表示平衡参数的最小值，/>表示平衡参数的最大值，/>表示最大迭代次数，/>表示当前迭代次数，/>表示圆周率。
4.根据权利要求1所述的空中交通管理决策支持方法，其特征在于，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，包括：
在猎食者优化算法中采用迭代次数为自由度的自适应t分布变异算子对猎食者和猎物位置进行扰动，具体的位置更新公式如下：
式中，表示正整数，/>表示扰动后的种群位置，/>表示第/>次迭代时的位置，表示以当前迭代次数为自由度的t分布。
5.根据权利要求1所述的空中交通管理决策支持方法，其特征在于，针对在所述所有民航飞机中的且包含有架民航飞机的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，包括：
根据所述所有民航飞机的当前航班飞行数据，确定出在所述所有民航飞机中的且当前已在所述目标空域内飞行的架民航飞机以及在所述所有民航飞机中的且当前未在所述目标空域内飞行的/>架民航飞机，其中，/>表示小于等于/>的正整数；
若，则针对在所述所有民航飞机中的且包含有所述/>架民航飞机和/>架民航飞机的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，其中，所述/>架民航飞机从所述/>架民航飞机中选取得到；
若，则针对在所述所有民航飞机中的且在所述/>架民航飞机中的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优。
6.根据权利要求1所述的空中交通管理决策支持方法，其特征在于，所述航班运行诸元信息还包含有根据对应民航飞机的当前航班飞行数据生成的对应民航飞机在对应时刻的航向、速度、高度和上升下降趋势以及在后续时间内的飞行路线、飞行高度和目标高度。
7.一种基于多维数据融合的空中交通管理决策支持系统，其特征在于，包括有多维数据获取单元、禁飞空域确定单元、决策方案确定单元和决策方案执行单元；
所述多维数据获取单元，用于获取目标空域在下一个单位时期的气象预报数据和军事活动数据，以及还获取请求在所述下一个单位时期且在所述目标空域内飞行的所有民航飞机的当前航班飞行数据；
所述禁飞空域确定单元，通信连接所述多维数据获取单元，用于根据所述气象预报数据和所述军事活动数据，确定在所述目标空域内的且在所述下一个单位时期的禁飞子空域；
所述决策方案确定单元，分别通信连接所述多维数据获取单元和所述禁飞空域确定单元，用于根据所述禁飞子空域和所述所有民航飞机的当前航班飞行数据，按照如下步骤S31～S36确定在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最终方案：
步骤S31.将飞机准入数目初始化为/>，然后执行步骤S32，其中，/>表示所述所有民航飞机的飞机总数；
步骤S32.针对在所述所有民航飞机中的且包含有架民航飞机的各个飞机组合，根据所述禁飞子空域和对应飞机组合的当前航班飞行数据，采用猎食者优化算法对在所述目标空域内的且在所述下一个单位时期的空中交通管理决策方案进行寻优，得到对应飞机组合在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最优方案，然后执行步骤S33，其中，所述空中交通管理决策方案包含有在对应飞机组合中的各架民航飞机在所述目标空域内的且在所述下一个单位时期内各个时刻的航班运行诸元信息，所述航班运行诸元信息包含有根据对应民航飞机的当前航班飞行数据生成的对应民航飞机在对应时刻避开所述禁飞子空域的所在空域位置，所述空中交通管理决策方案的寻优目标是先根据在对应飞机组合中的各对民航飞机在所述各个时刻的所述所在空域位置，计算得到所述各对民航飞机在所述各个时刻的空间距离，然后使在所有所述空间距离中的最短空间距离最大化；
步骤S33.从与所述各个飞机组合的空中交通管理决策最优方案一一对应的各个所述最短空间距离中确定出最大空间距离，然后执行步骤S34；
步骤S34.判断所述最大空间距离是否小于预设的安全距离阈值，若是，则执行步骤S35，否则执行步骤S36；
步骤S35.判断所述飞机准入数目是否大于2，若是，则使飞机准入数目/>自减1，然后返回执行步骤S32；
步骤S36.将与所述最大空间距离对应的某个飞机组合的空中交通管理决策最优方案作为在所述目标空域内的且在所述下一个单位时期的空中交通管理决策最终方案；
所述决策方案执行单元，通信连接所述决策方案确定单元，用于针对在所述某个飞机组合中的各架民航飞机，从所述空中交通管理决策最终方案中提取出对应民航飞机在所述目标空域内的且在所述下一个单位时期内各个时刻的航班运行诸元信息，并将提取结果传送至对应民航飞机予以施行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410381432.5A CN117992923B (zh) | 2024-04-01 | 2024-04-01 | 基于多维数据融合的空中交通管理决策支持方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410381432.5A CN117992923B (zh) | 2024-04-01 | 2024-04-01 | 基于多维数据融合的空中交通管理决策支持方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117992923A CN117992923A (zh) | 2024-05-07 |
| CN117992923B true CN117992923B (zh) | 2024-05-31 |
Family
ID=90901437
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410381432.5A Active CN117992923B (zh) | 2024-04-01 | 2024-04-01 | 基于多维数据融合的空中交通管理决策支持方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117992923B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110349444A (zh) * | 2018-04-06 | 2019-10-18 | 杭州坚果壳科技开发有限公司 | 基于大数据的空中交通流量管理方法 |
| CN113706931A (zh) * | 2021-07-13 | 2021-11-26 | 清华大学 | 空域的流控策略推荐方法、装置、电子设备及存储介质 |
| CN113724534A (zh) * | 2021-08-18 | 2021-11-30 | 中国电子科技集团公司第二十八研究所 | 一种航班飞行轨迹多目标动态规划方法 |
| CN115479608A (zh) * | 2022-09-22 | 2022-12-16 | 中国电子科技集团公司第二十八研究所 | 一种基于时间属性的终端区进场航空器四维航迹规划方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11927972B2 (en) * | 2020-11-24 | 2024-03-12 | Lawrence Livermore National Security, Llc | Collision avoidance based on traffic management data |
-
2024
- 2024-04-01 CN CN202410381432.5A patent/CN117992923B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110349444A (zh) * | 2018-04-06 | 2019-10-18 | 杭州坚果壳科技开发有限公司 | 基于大数据的空中交通流量管理方法 |
| CN113706931A (zh) * | 2021-07-13 | 2021-11-26 | 清华大学 | 空域的流控策略推荐方法、装置、电子设备及存储介质 |
| CN113724534A (zh) * | 2021-08-18 | 2021-11-30 | 中国电子科技集团公司第二十八研究所 | 一种航班飞行轨迹多目标动态规划方法 |
| CN115479608A (zh) * | 2022-09-22 | 2022-12-16 | 中国电子科技集团公司第二十八研究所 | 一种基于时间属性的终端区进场航空器四维航迹规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117992923A (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112733421B (zh) | 一种针对有人无人机协同对地作战的任务规划方法 | |
| WO2022007179A1 (zh) | 一种多agv运动规划方法、装置和系统 | |
| CN111722643A (zh) | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 | |
| CN113705102B (zh) | 海空集群对抗的推演仿真系统及方法、设备、存储介质 | |
| US11966208B2 (en) | Methods and systems for greenspace cultivation and management in smart cities based on Internet of Things | |
| CN109978286A (zh) | 一种基于改进蚁群算法的多航空器绕飞雷暴航路规划方法 | |
| CN113706931B (zh) | 空域的流控策略推荐方法、装置、电子设备及存储介质 | |
| CN111766901A (zh) | 多无人机协同目标分配攻击方法 | |
| CN113625569B (zh) | 一种基于混合决策模型的小型无人机防控决策方法及系统 | |
| CN108805337A (zh) | 航空运行控制风险管控方法及系统 | |
| CN116518979B (zh) | 一种无人机路径规划方法、系统、电子设备及介质 | |
| CN115600782B (zh) | 一种航路规划方法、装置、存储介质及设备 | |
| CN115903897A (zh) | 一种虚实结合的集群仿真对抗系统 | |
| US11514393B1 (en) | Aerial item delivery availability | |
| CN115435787B (zh) | 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 | |
| CN111581878B (zh) | 基于改进pso算法的开阔地反无人机火力部署方法 | |
| CN111121784A (zh) | 一种无人侦察机航路规划方法 | |
| CN109558934A (zh) | 一种无人机插值飞蛾扑焰低空突防方法 | |
| CN117150757A (zh) | 一种基于数字孪生的仿真推演系统 | |
| Su et al. | An improved adaptive differential evolution algorithm for single unmanned aerial vehicle multitasking | |
| CN116400737A (zh) | 一种基于蚁群算法的安全路径规划系统 | |
| CN117008641B (zh) | 用于多个异构无人机协同低空突防的分配方法和装置 | |
| CN117992923B (zh) | 基于多维数据融合的空中交通管理决策支持方法及系统 | |
| CN117539273A (zh) | 空中无人机群协同算法仿真验证系统 | |
| CN113469359A (zh) | 基于知识图谱的弹目匹配方法、系统、设备及可读存储介质 |
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 |