CN118332371A - 一种机场场面运行时间序列分类划分方法、装置及存储介质 - Google Patents
一种机场场面运行时间序列分类划分方法、装置及存储介质 Download PDFInfo
- Publication number
- CN118332371A CN118332371A CN202410348304.0A CN202410348304A CN118332371A CN 118332371 A CN118332371 A CN 118332371A CN 202410348304 A CN202410348304 A CN 202410348304A CN 118332371 A CN118332371 A CN 118332371A
- Authority
- CN
- China
- Prior art keywords
- sliding
- node
- cluster
- time sequence
- scene
- 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 60
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000000691 measurement method Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000011425 standardization method Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000001174 ascending effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- CNYFJCCVJNARLE-UHFFFAOYSA-L calcium;2-sulfanylacetic acid;2-sulfidoacetate Chemical compound [Ca+2].[O-]C(=O)CS.[O-]C(=O)CS CNYFJCCVJNARLE-UHFFFAOYSA-L 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Abstract
本发明公开了一种机场场面运行时间序列分类划分方法、装置及存储介质,所述方法包括:步骤1,构建场面滑行网络模型,所述场面滑行网络模型中包括:滑行节点和边;步骤2,构建评价场面滑行网络中滑行节点的多维特征指标;步骤3,基于多维特征指标对各滑行节点进行客观评价,获得各滑行节点在不同时段内的排名,以此作为时间序列;步骤4,采用基于形状的距离度量方法以及K‑shape聚类方法对时间序列进行分析,根据分析结果将滑行节点划分为不同的簇;本发明从多维视角对场面运行节点的时间序列进行深入分析,基于相似性度量对场面运行节点时间序列进行有效划分,从而能够有效把握场面运行规律,提升场面运行效率。
Description
技术领域
本发明涉及一种时间序列分类划分方法、装置及存储介质,特别是一种机场场面运行时间序列分类划分方法、装置及存储介质。
背景技术
随着航空运输需求不断增长,机场作为航空器起降和地面活动的主要场所面临着日益增长的交通压力。由于机场场面具有滑行网络复杂、时空耦合关联等显著特点,导致机场场面运行的动态特性难以捕捉,因此,为明晰场面交通系统蕴含的时空演变特征,需结合场面运行时间序列数据进行有效分析。
航空器在不同时间段内的运行模式和规律存在显著差异,例如跑道运行模式的改变和一天内早晚航空器流量密度的变化,这种差异形成了典型的时间序列数据。为了分析多时空粒度下的场面节点趋势特征,对其进行聚类分析是一种有效手段。聚类作为一种无监督分析方法可以将具有相同变化趋势的节点划分为同一簇,从而识别出具有相似特征的数据集合,并从中提取有用的信息。
目前,利用机场场面运行时间序列数据进行分析的研究相对较少,现有技术中,存在场面运行特征分析静态固化的问题。
发明内容
发明目的:本发明所要解决的技术问题是针对现有技术的不足,提供一种机场场面运行时间序列分类划分方法、装置及存储介质。
为了解决上述技术问题,本发明公开了一种机场场面运行时间序列分类划分方法、装置及存储介质。
其中,所述方法,包括以下步骤:
步骤1,构建场面滑行网络模型,所述场面滑行网络模型中包括:滑行节点和边,其中,将所述机场场面路网中的交叉口抽象为节点,两节点间的路段抽象为边;
步骤2,构建评价场面滑行网络中滑行节点的多维特征指标;
步骤3,基于步骤2构建的多维特征指标对各滑行节点进行客观评价,获得各滑行节点在不同时段内的排名,以此作为时间序列;
步骤4,采用基于形状的距离度量方法以及K-shape聚类方法对步骤3中获得的时间序列进行分析,根据分析结果将滑行节点划分为不同的簇,完成机场场面运行时间序列分类划分。
进一步的,步骤1中所述的场面滑行网络,表示如下:
G=(V,E)
其中,V={v1,v2,...,vn}为滑行节点的集合,vn表示第n个滑行节点,E={e1,e2,...,em}为边的集合,em表示第m条边;
对构建好的场面滑行网络模型中的滑行节点进行编号。
进一步的,步骤2中所述的的多维特征指标,至少包括:介数中心性、累计交通流量、滑行延误时间和跑道头等待时间。
进一步的,步骤3中所述的的对各滑行节点进行客观评价,具体包括:
步骤3-1,基于所述的多维特征指标Hj的对比强度Ij和冲突性Rj,确定多维特征指标Hj的权重cj,计算如下:
Ij=σj+Ej
其中,j=1,2,3,4表示所述多维特征的编号,σj是多维特征指标Hj的标准差,Ej是多维特征指标Hj的熵,表示概率矩阵,x′ij为第i个滑行节点的第j个多维特征指标标准化后的数值,rjl是第j个多维特征指标与第l个多维特征指标的相关系数,h表示多维特征指标的数量;
步骤3-2,计算各滑行节点的群体效用值Si与个体遗憾值Ri,具体方法如下:
其中,Fj *与fj -分别为正理想解与负理想解;
步骤3-3,计算各滑行节点的综合决策评价值Qi,按照综合决策评价值Qi对场面中的滑行节点进行排序,Qi值越小则排名越高;其中,综合决策评价值Qi的计算方法如下:
其中,表示群体效用值Si的最小值,表示群体效用值Si的最大值,表示个体遗憾值Ri的最小值,表示个体遗憾值Ri的最大值,v表示决策机制系数;
步骤3-4,以小时为时间粒度对各滑行节点在不同时段内进行排序,构造预设天数内的时间序列矩阵Y,表示如下:
其中,yi,q表示第i个滑行节点在时间点q的总体排名,n表示滑行节点数目,p表示时间序列长度;
步骤3-5,采用负向指标标准化的方法对时间序列矩阵Y进行处理,具体方法如下:
其中,y′i,q为处理后的时间序列矩阵Y中的元素,yq,max=max{y1,q,y2,q,...,yn,q}表示在时间点q处的最大值,yq,min=min{y1,q,y2,q,...,yn,q}表示在时间点q处的最小值。
进一步的,步骤4中所述的采用基于形状的距离度量方法以及K-shape聚类方法对时间序列进行分析,具体包括:
步骤4-1,基于形状的距离度量计算任意两条时间序列间Y1和Y2的距离SBD(Y1,Y2),具体如下:
其中,Rk(Y1,Y2)表示时间序列Y1和Y2的相似度,k表示时间序列Y1的平移量,CCw(Y1,Y2)表示互相关序列,即:
CCw(Y1,Y2)=Rw-p(Y1,Y2)
其中,w∈{1,2,...,2p-1}表示所有可能的平移量,p表示时间序列长度,R0为两条完全相似的时间序列在不发生相对位移时对应的互相关系数;
步骤4-2,选择聚类中心即簇心,对于基于形状的距离度量而言,将簇心选择问题视为一个目标优化问题,即对于簇心最小化簇Pz内所有序列与簇心的SBD距离,过程如下:
其中,为最终提取的簇心,Pz为第z个聚类集合,Yi表示簇Pz中的时间序列,μz表示簇Pz的簇心;
步骤4-3,将时间序列集合和聚类数作为输入,将时间序列集合随机分配给不同的聚类中心,采用步骤4-1及步骤4-2的基于形状的距离度量方法计算簇中相似性,重复以上过程直至达到最大迭代次数或收敛,最终得到不同的滑行节点集群和簇心,簇心代表每个滑行节点集群中的典型曲线;
步骤4-4,采用Elbow法则确定最佳聚类数目,确定误差平方和下降速率减缓的点作为最佳聚类数目,完成簇的划分。
进一步的,步骤4-4中所述的采用Elbow法则确定最佳聚类数目,具体如下:
其中,SSE表示簇内误差平方和,Pz为第z个聚类集合,Yi表示簇Pz中的时间序列,μz表示簇Pz的簇心。
进一步的,步骤4-1中所述的决策机制系数v,设置为0.5。
进一步的,步骤4-1中所述的距离SBD,取值在[0,2]之间,0代表两条时间序列完全相似。
本发明还提出一种机场场面运行时间序列分类划分装置,用于实现上述方法,包括:
场面滑行网络构建模块,用于生成具有邻接关系的节点集合;
多维特征指标构建模块,用于构建评价滑行网络节点的多维特征指标;
时间序列构造模块,用于计算指标权重及各节点的综合决策评价值,获得节点时间序列;
时间序列聚类模块,用于生成具有相似时间变化趋势的节点簇,实现节点时间序列划分;
本发明还提出一种存储介质,用于存储机场场面运行时间序列分类划分所需数据集合与计算机程序或指令,当计算机程序或指令被执行时,实现前述方法。
有益效果:
本发明提出的一种机场场面运行时间序列分类划分,通过分析场面内各节点在不同时段内承载的交通压力,构造了场面节点的综合排名时间序列,采用基于互相关系数的相似性度量方法以及K-shape时间序列聚类解决了现有场面运行特征分析静态固化的问题,明晰了场面交通系统蕴含的动态演变特征,从而有效把握场面运行规律,提升场面运行效率。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明,本发明的上述和/或其他方面的优点将会变得更加清楚。
图1为机场场面运行时间序列分类划分方法流程图。
图2为机场场面节点排名示意图。
图3为节点聚类结果示意图。
具体实施方式
本发明提出了一种基于相似性度量的机场场面运行时间序列分类划分方法,旨在揭示不同时间段内场面节点的动态变化规律,提取出在时间上具有相似变化趋势的节点簇,为优化场面运行管理提供理论支持和科学指导。
本发明提供一种机场场面运行时间序列分类划分方法,从而实现场面运行时间序列演变特征的动态精确分析。具体的技术方案如下:
步骤一:构建场面滑行网络模型G=(V,E),对每个节点进行编号。其中,V={v1,v2,...,vn}为节点集合,E={e1,e2,...,em}为边集合。
步骤二:构建评价滑行网络节点的多维特征指标,具体包括介数中心性、累计交通流量、滑行延误时间、跑道头等待时间。
步骤三:基于步骤二构建的指标对各滑行节点进行客观评价,获得各节点在不同时段内的排名,以此作为时间序列,具体子步骤如下:
(3.1)基于指标对比强度Ij和冲突性Rj确定指标Hj(j=1,2,3,4)的权重wj,计算如下:
式中,wj为指标Hj的权重,σj是指标Hj的标准差,Ej是指标Hj的熵, x′ij为第i个网络节点的第j个评价指标标准化后的数值,rjl是指标j与指标l的相关系数;
(3.2)计算各滑行节点的群体效用值Si与个体遗憾值Ri:
式中,fj *与fj -分别为正、负理想解;
(3.3)计算各滑行节点的综合决策评价值Qi,按照综合决策评价值Qi对场面中的滑行节点进行排序,Qi值越小则排名越高:
式中,v表示决策机制系数,当v>0.5时,侧重于群体效用占较大比例,当v<0.5时,侧重于个体遗憾占较大比例。
(3.4)以小时为时间粒度获得各节点在不同时段内的排名,构造14天内的时间序列矩阵,表示如下:
式中,yi,j表示第i个节点在时间点j的总体排名,n表示节点数目,m表示时间序列长度。
(3.5)由于节点排名表现为数值越小越好,为使其上升及下降变化趋势符合聚类结果图的正常逻辑,采用负向指标标准化的方式进行处理,计算如下:
其中,ymax{y1,j,y2,j,...,yn,j}j,max,y min{y1,j,y2,j,...,yn,j}j,min。
步骤四:采用基于SBD的相似性度量方法以及K-shape聚类算法对步骤三中获得的时间序列进行分析,根据分析结果将场面节点划分为不同的簇,同一簇内各节点的时间变化趋势相似。具体子步骤如下:
(4.1)基于SBD计算任意两条时间序列间的距离,计算如下:
式中,CCw(Y1,Y2)为互相关序列,CCw(Y1,Y2)=Rw-m(Y1,Y2),w∈{1,2,...,2m-1},m表示时间序列长度,R0为两条完全相似的时间序列在不发生相对位移时对应的互相关系数。SBD取值在[0.2]之间,0代表两条时间序列完全相似。
(4.2)对于基于形状的距离度量而言,将簇心选择问题视为一个目标优化问题,即对于簇心最小化簇Pk内所有序列与簇心的SBD距离,计算如下:
式中,为提取的簇心,Pk为第k个聚类集合。
(4.3)将时间序列集合和聚类数作为输入,将序列集合随机分配给不同的聚类中心,采用形状提取算法计算簇心并基于SBD算法度量簇中相似性,重复以上过程直至达到最大迭代次数或算法收敛。最终得到不同的集群和簇心,簇心代表了每个集群中的典型曲线。
(4.4)采用Elbow法则确定最佳聚类数目,确定畸变曲线先急剧下降后又缓慢降低的临界值为最佳聚类数目。
本发明包括一种机场场面运行时间序列分类划分装置,包括:
场面滑行网络构建模块,用于生成具有邻接关系的节点集合;
多维特征指标构建模块,用于构建评价滑行网络节点的多维特征指标;
时间序列构造模块,用于计算指标权重及各节点的综合决策评价值,获得节点时间序列;
时间序列聚类模块,用于生成具有相似时间变化趋势的节点簇,实现节点时间序列划分。
本发明包括一种存储介质,存储机场场面运行时间序列分类划分所需数据集合与计算机程序或指令,当计算机程序或指令被执行时,实现所述各个步骤。
实施例:
为使本发明目的、技术方案更加清晰,以下结合3个附图和具体实例对本发明作进一步说明。本实例选取国内某机场,对本发明提出的机场场面运行时间序列分类划分方法进行实证分析。以下实例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本发明提供了一种机场场面运行时间序列分类划分方法,具体实施步骤如下:
步骤一:构建场面滑行网络模型G=(V,E),对每个节点进行编号。其中,V={v1,v2,...,vn}为节点集合,E={e1,e2,...,em}为边集合。
步骤二:构建评价滑行网络节点的多维特征指标,具体的,多维特征指标包括:
(2.1)介数中心性Bi
场面网络中节点vi的介数中心性定义为节点对经过节点vi的最短路径条数与节点对间所有最短路径条数的比值,计算公式如下:
式中,Tjki为节点vj与节点vk经过节点vi的最短路径条数,Tjk为节点vj与节点vk间所有的最短路径条数;
(2.2)累计交通流量Fi
累计交通流量指特定时间内通过某滑行节点的所有进离场航空器架次,该指标用于反映滑行网络中节点的实际承载能力。计算公式如下:
Fi=Fi (arrival)+Fi (departure);
式中,Fi (arrival)表示节点vi承载的进场航空器架次,Fi (departure)表示节点vi承载的离场航空器架次;
(2.3)滑行延误时间Ti (taxiway)
将交叉口节点延误时间定义为与之相连的所有路段流入该交叉口的交通流的延误时间之和。计算公式如下:
式中,n是航空器滑行过程中在路段ei的滑行等待点个数,为航空器在滑行等待点k的延误时间,g为与交叉口vi相连的滑行路段数目;
(2.4)跑道头等待时间Ti (runway)
将交叉口节点的跑道头等待时间定义为与之相连的所有路段流入该跑道头的等待时间之和。计算公式如下:
式中,m为航空器在路段ei因跑道头排队而需停止等待的等待点个数,是航空器在等待点k的等待时间,h是与交叉口vi相连的滑行路段数目。
步骤三:基于步骤二构建的指标对各滑行节点进行客观评价,获得各节点在不同时段内的排名,以此作为时间序列,具体子步骤如下:
(3.1)基于指标对比强度Ij和冲突性Rj确定指标Hj(j=1,2,3,4)的权重wj,计算如下:
式中,wj为指标Hj的权重,σj是指标Hj的标准差,Ej是指标Hj的熵, x′ij为第i个网络节点的第j个评价指标标准化后的数值,rjl是指标j与指标k的相关系数;
(3.2)计算各滑行节点的群体效用值Si与个体遗憾值Ri:
式中,fj *与fj -分别为正、负理想解;
(3.3)计算各滑行节点的综合决策评价值Qi,按照综合决策评价值Qi对场面中的滑行节点进行排序,Qi值越小则排名越高:
式中式中,v表示决策机制系数,当v>0.5时,侧重于群体效用占较大比例,当v<0.5时,侧重于个体遗憾占较大比例。
(3.4)以小时为时间粒度获得各节点在不同时段内的排名,构造14天内的时间序列矩阵,表示如下:
式中,yi,j表示第i个节点在时间点j的总体排名,n表示节点数目,m表示时间序列长度。
(3.5)由于节点排名表现为数值越小越好,为使其上升及下降变化趋势符合聚类结果图的正常逻辑,采用负向指标标准化的方式进行处理,计算如下:
其中,ymax{y1,j,y2,j,...,yn,j}j,max,ymin{y1,j,y2,j,...,yn,j}j,min。
本实施例采用介数中心性、累计交通流量、滑行延误时间、跑道头等待时间四个指标进行权重计算,基于VIKOR实现节点排序,识别结果如图2所示,图2中排名越靠前,则该节点的交通压力越大,可以看出交通压力大的节点多集中在平行滑行道、机坪滑行道以及连接跑道头的滑行道等区域。针对142个节点,以小时为时间粒度获得各节点在不同时段内的排名,构造14天内的时间序列矩阵,并对其进行标准化处理。
步骤四:采用基于SBD的相似性度量方法以及K-shape聚类算法对步骤三中获得的时间序列进行分析,根据分析结果将场面节点划分为不同的簇,同一簇内各节点的时间变化趋势相似。具体子步骤如下:
(4.1)基于SBD计算任意两条时间序列间的距离,计算如下:
式中,CCw(Y1,Y2)为互相关序列,CCw(Y1,Y2)=Rw-m(Y1,Y2),w∈{1,2,...,2m-1},m表示时间序列长度,R0为两条完全相似的时间序列在不发生相对位移时对应的互相关系数。SBD取值在[0.2]之间,0代表两条时间序列完全相似。
(4.2)对于基于形状的距离度量而言,将簇心选择问题视为一个目标优化问题,即对于簇心最小化簇Pk内所有序列与簇心的SBD距离,计算如下:
式中,为提取的簇心,Pk为第k个聚类集合。
(4.3)将时间序列集合和聚类数作为输入,将序列集合随机分配给不同的聚类中心,采用形状提取算法计算簇心并基于SBD算法度量簇中相似性,重复以上过程直至达到最大迭代次数或算法收敛。最终得到不同的集群和簇心,簇心代表了每个集群中的典型曲线。
(4.4)采用Elbow法则确定最佳聚类数目,确定畸变曲线先急剧下降后又缓慢降低的临界值为最佳聚类数目。
在本实施例中,基于Elbow法则确定节点的最佳聚类数目为4,得到如图3所示的节点时间序列划分结果。当跑道运行模式改变时,簇1和簇4内的节点活跃度值呈现显著变化,其中向北运行时簇1内的节点活跃度值显著高于其余节点,向南运行时簇4内的节点活跃度值显著高于其余节点,向南运行时簇2内的节点活跃度值较高于向北运行时的情况,簇3内的节点活跃度值则较为稳定。
本实施例还提供了一种机场场面运行时间序列分类划分装置,
包括:
场面滑行网络构建模块,用于生成具有邻接关系的节点集合;
多维特征指标构建模块,用于构建评价滑行网络节点的多维特征指标;
时间序列构造模块,用于计算指标权重及各节点的综合决策评价值,获得节点时间序列;
时间序列聚类模块,用于生成具有相似时间变化趋势的节点簇,实现节点时间序列划分。
本实施例还提供了一种存储介质,用于存储机场场面运行时间序列分类划分所需数据集合与计算机程序或指令,当计算机程序或指令被执行时,实现所述各个步骤。
具体实现中,本申请提供计算机存储介质以及对应的数据处理单元,其中,该计算机存储介质能够存储计算机程序,所述计算机程序通过数据处理单元执行时可运行本发明提供的一种机场场面运行时间序列分类划分方法、装置及存储介质的发明内容以及各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory,ROM)或随机存储记忆体(random access memory,RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术方案可借助计算机程序以及其对应的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以计算机程序即软件产品的形式体现-出来,该计算机程序软件产品可以存储在存储介质中,包括若干指令用以使得一台包含数据处理单元的设备(可以是个人计算机,服务器,单片机,MCU或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本发明提供了一种机场场面运行时间序列分类划分方法、装置及存储介质的思路及方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (10)
1.一种机场场面运行时间序列分类划分方法,其特征在于,包括以下步骤:
步骤1,构建场面滑行网络模型,所述场面滑行网络模型中包括:滑行节点和边,其中,将所述机场场面路网中的交叉口抽象为节点,两节点间的路段抽象为边;
步骤2,构建评价场面滑行网络中滑行节点的多维特征指标;
步骤3,基于步骤2构建的多维特征指标对各滑行节点进行客观评价,获得各滑行节点在不同时段内的排名,以此作为时间序列;
步骤4,采用基于形状的距离度量方法以及K-shape聚类方法对步骤3中获得的时间序列进行分析,根据分析结果将滑行节点划分为不同的簇,完成机场场面运行时间序列分类划分。
2.根据权利要求1所述的机场场面运行时间序列分类划分方法,其特征在于,步骤1中所述的场面滑行网络,表示如下:
G=(V,E)
其中,V={v1,v2,...,vn}为滑行节点的集合,vn表示第n个滑行节点,E={e1,e2,...,em}为边的集合,em表示第m条边;
对构建好的场面滑行网络模型中的滑行节点进行编号。
3.根据权利要求2所述的一种机场场面运行时间序列分类划分方法,其特征在于,步骤2中所述的的多维特征指标,至少包括:介数中心性、累计交通流量、滑行延误时间和跑道头等待时间。
4.根据权利要求3所述的一种机场场面运行时间序列分类划分方法,其特征在于,步骤3中所述的的对各滑行节点进行客观评价,具体包括:
步骤3-1,基于所述的多维特征指标Hj的对比强度Ij和冲突性Rj,确定多维特征指标Hj的权重cj,计算如下:
Ij=σj+Ej
其中,j=1,2,3,4表示所述多维特征的编号,σj是多维特征指标Hj的标准差,Ej是多维特征指标Hj的熵,表示概率矩阵,x′ij为第i个滑行节点的第j个多维特征指标标准化后的数值,rjl是第j个多维特征指标与第l个多维特征指标的相关系数,h表示多维特征指标的数量;
步骤3-2,计算各滑行节点的群体效用值Si与个体遗憾值Ri,具体方法如下:
其中,fj *与fj -分别为正理想解与负理想解;
步骤3-3,计算各滑行节点的综合决策评价值Qi,按照综合决策评价值Qi对场面中的滑行节点进行排序,Qi值越小则排名越高;其中,综合决策评价值Qi的计算方法如下:
其中,表示群体效用值Si的最小值,表示群体效用值Si的最大值,表示个体遗憾值Ri的最小值,表示个体遗憾值Ri的最大值,v表示决策机制系数;
步骤3-4,以小时为时间粒度对各滑行节点在不同时段内进行排序,构造预设天数内的时间序列矩阵Y,表示如下:
其中,yi,q表示第i个滑行节点在时间点q的总体排名,n表示滑行节点数目,p表示时间序列长度;
步骤3-5,采用负向指标标准化的方法对时间序列矩阵Y进行处理,具体方法如下:
其中,y′i,q为处理后的时间序列矩阵Y中的元素,yq,max=max{y1,q,y2,q,...,yn,q}表示在时间点q处的最大值,yq,min=min{y1,q,y2,q,...,yn,q}表示在时间点q处的最小值。
5.根据权利要求4所述的一种机场场面运行时间序列分类划分方法,其特征在于,步骤4中所述的采用基于形状的距离度量方法以及K-shape聚类方法对时间序列进行分析,具体包括:
步骤4-1,基于形状的距离度量计算任意两条时间序列间Y1和Y2的距离SBD(Y1,Y2),具体如下:
其中,Rk(Y1,Y2)表示时间序列Y1和Y2的相似度,k表示时间序列Y1的平移量,CCw(Y1,Y2)表示互相关序列,即:
CCw(Y1,Y2)=Rw-p(Y1,Y2)
其中,w∈{1,2,...,2p-1}表示所有可能的平移量,p表示时间序列长度,R0为两条完全相似的时间序列在不发生相对位移时对应的互相关系数;
步骤4-2,选择聚类中心即簇心,对于基于形状的距离度量而言,将簇心选择问题视为一个目标优化问题,即对于簇心最小化簇Pz内所有序列与簇心的SBD距离,过程如下:
其中,为最终提取的簇心,Pz为第z个聚类集合,Yi表示簇Pz中的时间序列,μz表示簇Pz的簇心;
步骤4-3,将时间序列集合和聚类数作为输入,将时间序列集合随机分配给不同的聚类中心,采用步骤4-1及步骤4-2的基于形状的距离度量方法计算簇中相似性,重复以上过程直至达到最大迭代次数或收敛,最终得到不同的滑行节点集群和簇心,簇心代表每个滑行节点集群中的典型曲线;
步骤4-4,采用Elbow法则确定最佳聚类数目,确定误差平方和下降速率减缓的点作为最佳聚类数目,完成簇的划分。
6.根据权利要求5所述的一种机场场面运行时间序列分类划分方法,其特征在于,步骤4-4中所述的采用Elbow法则确定最佳聚类数目,具体如下:
其中,SSE表示簇内误差平方和,Pz为第z个聚类集合,Yi表示簇Pz中的时间序列,μz表示簇Pz的簇心。
7.根据权利要求6所述的一种机场场面运行时间序列分类划分方法,其特征在于,步骤4-1中所述的决策机制系数v,设置为0.5。
8.根据权利要求7所述的一种机场场面运行时间序列分类划分方法,其特征在于,步骤4-1中所述的距离SBD,取值在[0,2]之间,0代表两条时间序列完全相似。
9.一种机场场面运行时间序列分类划分装置,其特征在于,用于实现权利要求1至8中的任一方法,包括:
场面滑行网络构建模块,用于生成具有邻接关系的节点集合;
多维特征指标构建模块,用于构建评价滑行网络节点的多维特征指标;
时间序列构造模块,用于计算指标权重及各节点的综合决策评价值,获得节点时间序列;
时间序列聚类模块,用于生成具有相似时间变化趋势的节点簇,实现节点时间序列划分。
10.一种存储介质,其特征在于,用于存储机场场面运行时间序列分类划分所需数据集合与计算机程序或指令,当计算机程序或指令被执行时,实现权利要求1到权利要求8任一的所述方法。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118332371A true CN118332371A (zh) | 2024-07-12 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110503245B (zh) | 一种机场航班大面积延误风险的预测方法 | |
CN112216108A (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
CN107239892A (zh) | 基于大数据的区域人才供需平衡量化分析方法 | |
CN110334843A (zh) | 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置 | |
CN107122382A (zh) | 一种基于说明书的专利分类方法 | |
CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN106340004B (zh) | 一种基于模糊聚类预处理云系的并行云迹风反演方法 | |
CN112183605B (zh) | 一种基于运行特征的民航管制扇区分类方法 | |
CN111612055A (zh) | 天气形势的分型方法、空气污染状况的预测方法及装置 | |
CN116681176B (zh) | 一种基于聚类和异构图神经网络的交通流预测方法 | |
CN110164129A (zh) | 基于gernn的单交叉口多车道交通流量预测方法 | |
CN110619419A (zh) | 城市轨道交通的客流预测方法 | |
CN115564114A (zh) | 一种基于图神经网络的空域碳排放短期预测方法及系统 | |
CN116644184B (zh) | 基于数据聚类的人力资源信息管理系统 | |
CN111047078A (zh) | 交通特征预测方法、系统及存储介质 | |
CN112101779A (zh) | 基于主客观结合的结构熵权法机场场面运行综合评价系统 | |
CN116956757A (zh) | 出港航班滑行时间预测方法、电子设备和存储介质 | |
CN111292124A (zh) | 一种基于优化组合神经网络的需水预测方法 | |
CN111626366A (zh) | 基于运行特征的区域扇区场景相似识别方法 | |
CN112785876B (zh) | 终端区时序气象场景智能识别系统 | |
CN112149556B (zh) | 一种基于深度互学习和知识传递的人脸属性识别方法 | |
CN117116096A (zh) | 基于多通道交通图像与深度cnn的机场延误预测方法及系统 | |
CN118332371A (zh) | 一种机场场面运行时间序列分类划分方法、装置及存储介质 | |
CN112926809B (zh) | 一种基于聚类和改进的xgboost的航班流量预测方法及系统 | |
CN115907079A (zh) | 一种基于注意力时空图卷积网络的空域交通流量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |