CN105205565A - 一种基于多重回归模型的管制员工作负荷预测方法和*** - Google Patents
一种基于多重回归模型的管制员工作负荷预测方法和*** Download PDFInfo
- Publication number
- CN105205565A CN105205565A CN201510645215.3A CN201510645215A CN105205565A CN 105205565 A CN105205565 A CN 105205565A CN 201510645215 A CN201510645215 A CN 201510645215A CN 105205565 A CN105205565 A CN 105205565A
- Authority
- CN
- China
- Prior art keywords
- sector
- index
- controller workload
- aircraft
- regression model
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开一种管制员工作负荷预测方法和***。一种管制员工作负荷预测方法包括步骤:根据管制员工作负荷预测相关指标和管制员工作负荷预测样本数据构建多重回归模型;将管制扇区空中交通流态势指标预测数据导入多重回归模型,得到管制员工作负荷的预测结果。本发明将影响管制员工作负荷的空中交通流态势多维度指标进行全面、综合考虑,从而实现对管制员工作负荷的有效预测。所设计的管制员工作负荷预测***,能够应用于工程单位,具有很强的操作性。
Description
技术领域
本发明涉及监控领域,尤指一种管制员工作负荷预测方法和***。
背景技术
伴随着航空运输业的发展,为了保证各类飞行活动的安全和有序,空中交通管制服务应运而生并不断得到发展完善,至20世纪80年代趋于成熟。现代空中交通管制服务的主要内容是:空中交通管制员(简称为“管制员”,下同)依托现代通信、导航、监视技术,对所辖航空器实施管理和控制,协调和指导其运动路径和模式,以防止空中航空器与航空器相撞及在机场机动区内航空器与障碍物相撞,维护和加快空中交通的有序流动。这项任务的执行者是空中交通管制员(简称为“管制员”,下同)。管制员主要工作是通过雷达显示的实时信息,密切监控飞行动态,并通过无线电通信设备向机组发布各种指令,是一个集眼、手、嘴等多感官共同协调的工作。最繁忙时段,个体管制员需同时管制十几架航空器,因此,管制员脑力劳动强度大、工作负荷高,经常需要倒班,容易出现不同水平的疲劳状态,对管制员工作负荷进行预测并对可能产生超负荷的时段进行干预,可以有效避免疲劳状态的产生。
专利文献CN104636890A于2015年05月20日公开了一种空中交通管制员工作负荷测量方法。该方法包括步骤A:确定管制负荷测量指标,该管制负荷测量指标包括眼动指标和语音指标;步骤B:实时记录各眼动指标对应的眼动指标数据,以及各语音指标对应的语音指标数据;步骤C:对记录的眼动指标数据进行因子分析,计算出眼动指标数据的眼动综合因子;步骤D:以眼动综合因子和语音指标为输入因素,管制工作负荷值为输出因素,建立管制负荷回归模型。
专利文献CN102306297A于2012年01月04公开了一种空中交通管制员工作负荷测量方法。该方法首先对基本空中交通事件进行分类,其次基于人类工效学确立基本管制行为的分类,并通过雷达语音记录仪统计分析管制通话,建立易观测的管制员工作负荷统计模型,然后通过机器学习,得到通过空中交通事件确定的基本管制单元工作负荷,并确定该工作负荷的修正系数,最后利用该系数修正易观测的管制员工作负荷统计模型,确定管制员工作负荷测量模型。本发明可实现对于管制员工作负荷准确量化度量,为民航管制技能培训、空域扇区容量评估及空域规划设计提供了依据。
关于管制员工作负荷预测的研究,目前主要体现在管制员工作负荷的测评技术上,自20世纪70年代以来陆续演化出了三类管制员工作负荷测评方法,即:
(1)根据管制员生理、行为特征分析,得出管制工作负荷强度。测量的生理指标包括电击皮肤的反应、心率、心电图、血压、体液等,行为指标包括设备操作次数、陆空通话时间记录等。
(2)采取观察和问卷形式的主观测评方法,如ATWIT技术(airtrafficworkloadinputtechnique,美国联邦航空局的空中交通负荷输入技术)、NASA-TLX量表(taskloadindex,美国国家航空航天局的任务负荷量表)、SWAT量表(subjectiveworkloadanalysistechnique,主观工作负荷分析技术)和MCH法(modifiedcooper-harperratings,库柏-哈柏修正法)等。
(3)将管制员工作进行细分,对于看得见的工作测计所消耗的时间,对于看不见的工作转化为时间上的消耗,以时间度量方式实现对管制员工作负荷的定量评估。此类方法包括ICAO推荐的DORATASK法(DirectorateofOperationResearchandAnalysisoftheUnitedKingdom,英国运筹研究与分析理事会提出)和MBB法(Messerschmidt,BglkowandBlohmofGermany,德国梅塞施密特、特尔科和布卢姆提出),以及RAMS法(Re-organizedATCMathematicalSimulator,欧洲空管实验中心提出)。
目前管制员工作负荷预测的相关研究内容,主要存在以下不足:(1)研究方法方面,定性研究较多,定量研究较少,导致客观性不足。(2)研究指标方面,多从直接反映管制员工作负荷的指标入手,较少考虑管制员工作负荷的影响因子指标,指标维度较为单一,不够全面、综合,预测可靠性不高。(3)应用性方面,既有研究仍停留在实验室研究阶段,主要服务于战略决策,而面向空中交通管制单位的实际工程应用少。由于上述不足,导致目前国内外对于管制员工作负荷预测的研究在客观性、全面性、综合性、准确性和可操作性等方面均有所欠缺。
发明内容
本发明提供一种更高效的、可提高客观性、预测准确性的管制员工作负荷预测方法和***。
本发明的目的是通过以下技术方案来实现的:
一种管制员工作负荷预测方法,包括步骤:
步骤1:选取一定时间间隔的管制扇区空中交通流态势指标,及态势指标对应的管制员工作负荷指数作为样本数据;
步骤2:根据上述样本数据,建立线性回归模型和非线性回归模型;
步骤3:通过拟合度、显著性和误差分析,对线性回归模型和非线性回归模型进行比对,确定管制员工作负荷预测多重回归模型;
步骤4:将实时管制扇区空中交通流态势指标导入管制员工作负荷预测多重回归模型,得到管制员工作负荷指数。
进一步的,所述步骤1中的管制扇区空中交通流态势指标包括扇区运行通行性指标、扇区运行复杂性指标、扇区运行安全性指标和扇区运行经济性指标。
进一步的,所述管制扇区空中交通流态势指标包括扇区运行通行性指标、扇区运行复杂性指标、扇区运行安全性指标和扇区运行经济性指标;
扇区通行性检测指标分别包括扇区流量、扇区航行里程、扇区航行时间和扇区交通流密度;
扇区复杂性检测指标包括扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改航次数;
扇区安全性检测指标包括扇区短期冲突告警频率和扇区最低安全高度告警频率;
扇区经济性检测指标包括扇区饱和度、扇区排队长度、扇区航空器延误架次率、扇区航空器延误时间、扇区航空器平均延误时间。
进一步的,所述步骤2中对样本数据进行标准化转换;标准化转换过程如下:
令xij、x′ij分别表示第i个样本的原始数据和经过标准化转换后的数据,sj分别表示第j个指标数据的均值和方差,则:
进一步的,所述步骤2具体包括:
根据上述标准化样本数据x'ij(i=1,2,…m,j=1,2,…n),分别建立多重线性回归模型和多重非线性回归模型,并求解系数bi,
其中多重线性回归模型为:
Y=XB+U(式1)
其中,
多重非线性回归模型为:
Y=f[(b1,b2,…,bk);X1,X2,…,Xn](式2)
其中因变量Y为管制员负荷指数,自变量X为n项管制扇区空中交通流态势指标,m表示m组时间间隔下的管制扇区运行性能指标样本,U为除了m个自变量对因变量Y的影响之外的随机误差,服从正态分布,f表示非线性回归函数。
进一步的,所述步骤3具体包括:
根据各模型返回的可决系数R2值、F检验、t检验,分别验证并比较两种回归模型的拟合度、显著性,在模型拟合度较高、显著性明显的基础上,计算两种回归模型的检测误差,并选取误差最小的一种模型,作为管制员工作负荷预测的多重回归模型。
进一步的,步骤4中的实时管制扇区空中交通流态势指标在输入多重回归模型之前要进行标准化转换;标准化转换过程如下:
根据m组时间间隔的样本数据的n项指标的均值方差sj,对管制扇区空中交通流态势指标tj(j=1,2,...,n)进行标准化转换:将转换后的数据tj'导入到管制员工作负荷预测多重回归模型中。
进一步的,所述方法还包括步骤5,当管制员工作负荷指数超出阈值,管制员工作负荷响应告警。
一种管制员工作负荷的预测***,包括:构件模块:选取管制扇区空中交通流态势指标,将相关指标对应的管制员工作负荷预测样本数据代入多重线性回归模型和多重非线性回归模型中进行拟合;得到多重线性回归模型和多重非线性回归模型的参数估计值;通过统计检验,计算检测误差,确定管制员工作负荷预测多重回归模型;预测模块:将管制扇区空中交通流态势指标预测数据导入管制员工作负荷预测多重回归模型,得到管制员工作负荷的预测结果。
进一步的,***还包括,标准化转换模块:用于对样本数据以及管制扇区空中交通流态势指标实时数据进行标准化转换;报警模块:当预测结果超出阈值,管制员工作负荷响应告警。
进一步的,所述预测***还包括管制扇区交通流态势检测数据库,与所述管制扇区交通流态势检测数据库耦合的数据引接装置和指标采集装置;
所述数据引接装置包括分别与所述管制扇区交通流态势检测数据库耦合的电报数据接口、综合航迹数据接口和管制语音数据接口;
所述指标采集装置用于采集管制扇区空中交通流态势指标,所述管制扇区空中交通流态势指标包括扇区运行通行性指标、扇区运行复杂性指标、扇区运行安全性指标和扇区运行经济性指标;扇区通行性检测指标分别包括扇区流量、扇区航行里程、扇区航行时间和扇区交通流密度;扇区复杂性检测指标包括扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改航次数;扇区安全性检测指标包括扇区短期冲突告警频率和扇区最低安全高度告警频率;扇区经济性检测指标包括扇区饱和度、扇区排队长度、扇区航空器延误架次率、扇区航空器延误时间、扇区航空器平均延误时间;
所述构件模块从所述管制扇区交通流态势检测数据库中读取所述管制员工作负荷预测相关指标和管制员工作负荷预测样本数据;所述预测模块从所述管制扇区交通流态势指标检测数据库中读取所述管制扇区空中交通流态势指标预测数据。
本发明的有益效果:
本发明采用定量分析方法,通过对海量运行数据的不间断检测和计算分析,推算出精确的未来时段空中交通流态势指标数据,并依靠对历史数据的挖掘,获取空中交通流态势与管制员工作负荷之间的关系,在此基础上对管制员工作负荷进行预测,具有客观、高效、准确的优势,规避了人工预测易疲劳、易主观化等经验型管理的缺陷问题。更为重要的是,所提***能够满足空中交通管制单位对管制员工作负荷进行实时预测和告警的实际需求,对于提升管制运行管理水平、优化管制空域结构具有数据支持作用。本发明将影响管制员工作负荷的空中交通流态势多维度指标进行全面、综合考虑,从而实现对管制员工作负荷的有效预测。所设计的管制员工作负荷预测***,能够应用于工程单位,具有很强的操作性。
附图说明
图1是本发明实施例一管制员工作负荷预测方法的示意图;
图2是本发明实施例一管制员工作负荷预测***的示意图;
图3是本发明实施例二管制员工作负荷预测的***逻辑结构示意图;
图4是本发明实施例二管制员工作负荷预测的***网络结构示意图;
图5是本发明实施例二管制员工作负荷预测的***功能结构示意图;
图6是本发明实施例三综合航迹数据采集功能结构示意图;
图7是本发明实施例三语音数据采集流程示意图;
图8是本发明实施例三电报数据采集功能结构示意图;
图9是本发明实施例四管制员工作负荷预测的方法示意图;
图10是本发明实施例四多重非线性回归拟合结果示意图;
图11是本发明实施例四多重非线性回归拟合误差示意图;
图12是本发明实施例五管制员工作负荷预测***的结构示意图;
其中:1、构件模块;2、预测模块;3、标准化转换模块;4、报警模块:5、运行指标检测数据库;6、数据引接装置;7、指标采集装置。
具体实施方式
下面结合附图和较佳的实施例对本发明作进一步说明。
实施例一
如图1所示,本实施方式公开的管制员工作负荷预测方法,其包括步骤:
S1、选取管制扇区空中交通流态势指标,将相关指标对应的管制员工作负荷指数作为样本数据代入多重线性回归模型和多重非线性回归模型中进行拟合;得到多重线性回归模型和多重非线性回归模型参数估计值,建立重线性回归模型和多重非线性回归模型;
S2、通过拟合度、显著性和误差分析,对线性回归模型和非线性回归模型进行比对,确定管制员工作负荷预测多重回归模型;
S3、将管制扇区空中交通流态势指标实时数据导入管制员工作负荷预测多重回归模型,得到管制员工作负荷指数的预测结果。
如图2所示,本实施方式还公开一种管制员工作负荷的预测***,包括,
构件模块:选取管制员工作负荷预测相关指标,将相关指标对应的管制员工作负荷预测样本数据代入多重回归模型中进行拟合;得到多重回归模型的参数估计值和样本输出值;将参数估计值、样本输出值导入多重回归模型,得到样本回归函数;
预测模块:将管制扇区空中交通流态势指标预测数据导入样本回归函数,得到管制员工作负荷的预测结果。
回归分析是多元统计分析中的一个重要分支,它是通过一组检测变量(即自变量)来检测一个或者多个响应变量(即因变量)的统计方法。只有一个因变量的情况称为一元回归,多个因变量称为多元回归。考虑到管制员工作负荷受到多种因素影响,设定管制员工作负荷作为单一响应变量,因此,此处采用一元多重回归方法(简称多重回归),对管制员工作负荷进行预测。
根据回归函数的线性关系,可以分为多重线性回归和多重非线性回归两种基本的函数模型。本发明可以采用两种模型都用,然后选择误差小的一种作为最终的预测模型,也可以单选一种进行预测,以简化运算过程。
本发明采用定量分析方法,通过对海量运行数据的不间断检测和计算分析,推算出精确的未来时段空中交通流态势指标数据,并依靠对历史数据的挖掘,获取空中交通流态势与管制员工作负荷之间的关系,在此基础上对管制员工作负荷进行预测,具有客观、高效、准确的优势,规避了人工预测易疲劳、易主观化等经验型管理的缺陷问题。更为重要的是,所提***能够满足空中交通管制单位对管制员工作负荷进行实时预测和告警的实际需求,对于提升管制运行管理水平、优化管制空域结构具有数据支持作用。本发明将影响管制员工作负荷的空中交通流态势多维度指标进行全面、综合考虑,从而实现对管制员工作负荷的有效预测。所设计的管制员工作负荷预测***,能够应用于工程单位,具有很强的操作性。
实施例二
本实施方式公开一种***架构,作为本发明管制员工作负荷预测方***的实施平台,可用于实施本发明所述的预测方法。
本实施方式的管制员工作负荷预测***结构如图3所示。空中交通管制员工作负荷预测***主要包括一套管制扇区交通流态势检测数据库和数据引接、指标采集三大功能模块。管制扇区交通流态势检测数据库将各信息采集点采集的空中交通流态势数据(包括雷达综合航迹数据、电报数据、VHF录音数据等)归类、保存,为管制员工作负荷预测提供数据依据。
图4、5公开了一种实现本发明预测***的网络结构及相应的功能模块结构。***通过数据采集服务器收集实时数据,通过管制扇区交通流态势检测服务器和管制员工作负荷预测及告警服务器实时监视运行数据,并对未来时段的管制员工作负荷进行预测,并对工作负荷超出阈值的时段进行告警。整个***的网络平台将依托现有的管理信息网,采集平台和空管生产网络进行物理隔离,保证数据的单向传递,阻止网络攻击,以保障相关数据安全性和生产运行***可靠性。
实施例三
本实施方式公开一种管制运行数据采集方案,包括但不局限于管制员工作负荷预测相关指标、管制员工作负荷预测样本数据和管制扇区空中交通流态势指标预测数据的采集。
本研究以管制员工作负荷指数为因变量,记为Y。管制扇区空中交通流态势指标共计15项,记自变量X为:
X={Xi,i=1,2,…,15}(式3.1)
其中,扇区通行性检测指标为{X1,X2,X3,X4},分别表示扇区流量、扇区航行里程、扇区航行时间和扇区交通流密度;扇区复杂性检测指标为{X5,X6,X7,X8},分别表示扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改航次数;扇区安全性检测指标为{X9,X10},分别表示扇区短期冲突告警频率和扇区最低安全高度告警频率;扇区经济性检测指标为{X11,X12,X13,X14,X15},分别表示扇区饱和度、扇区排队长度、扇区航空器延误架次率、扇区航空器延误时间、扇区航空器平均延误时间。这些参数指标的主要从以下几个方面采集获得。
综合航迹采集
空管自动化***对航管一、二次雷达等监视信号进行数据融汇和数据处理,输出综合航迹信息,其主要的处理模块包括雷达前端处理模块,雷达数据处理模块和飞行计划处理模块。
本技术方案从空管自动化***采集综合航迹数据,通过网络的方式进行传输。数据采集服务器对采集的综合航迹数据进行解析,获取航空器的高度、速度、位置等信息用于指标的计算。
综合航迹数据采集模块包括航迹数据格式转换模块、航迹数据解析模块、航迹数据存储模块,如图6所示。
语音数据采集
管制员与飞行员通过VHF通信***实现陆空语音通话。该***由甚高频(VeryHighFrequency,VHF)收发电台及信号传输、处理装置组成。
语音数据采集从配线架上并接采集语音信号,将陆空通话信息进行解码和存储,用于管制员管制指挥通话负荷的分析。
如图7所示,席位语音数据由内话***配线架通过带屏蔽网线并接引入***数据采集服务器,语音通道与席位(扇区)对应。
语音信号从配线架上高阻抗(录音模块为200K欧姆)采集(管制员地空通话)席位语音,不影响地空通话和语音记录,采用多对电缆线将语音信号从配线架引接至语音处理器,实现对多个席位语音的采集和分析。
电报数据采集
转报***是收发民用航空飞行动态固定电报的枢纽装置,民用航空飞行动态固定电报的报文由若干个规定的数据编组按固定顺序排列而成。
电报数据采集模块引接转报***输出的电报数据,并对数据进行格式转换、解析和存储,获取飞行计划数据,如图8所示。该模块将接收到的电报数据解析后存储到数据库中保存,用于扇区运行性能指标计算。
管制扇区空中交通流态势指标采集
***从空管自动化***、转报***、内话***中收集综合航迹、飞行计划、语音通信等实时运行数据,以国际民航组织(简称为“ICAO”,下同)、美国联邦航空局(FAA)相关文件为参考,建立管制扇区空中交通流态势指标体系,包括:扇区运行通行性指标,包括扇区流量、扇区航行里程、扇区航行时间和扇区交通流密度;扇区运行复杂性指标,包括扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改航次数;扇区经济性指标,包括扇区饱和度、扇区排队长度、扇区航空器延误架次率、扇区航空器延误时间、扇区航空器平均延误时间。并基于指标体系输出管制扇区空中交通流态势指标检测结果。***提供良好的人机界面,供用户查看各种实时统计图形。
扇区运行通行性指标
(1)扇区流量
扇区流量是指管制扇区单位时间内所管辖的航空器架次。***通过引接空管自动化***综合航迹数据获取空中航空器的位置信息,结合已配置的扇区边界信息,计算得到扇区流量。
(2)扇区航行里程
扇区航行里程是指管制扇区单位时间内所管辖的航空器航行里程的总和。设管制扇区单位时间内航空器架次数为n,第j架航空器的航行里程为Mi,扇区航行里程为Mtotal,则***通过引接空管自动化***综合航迹数据获取空中航空器的位置信息,结合已配置的扇区边界信息,计算得到扇区航行里程。
(3)扇区航行时间
扇区航行时间是指管制扇区单位时间内所管辖的航空器航行时间的总和。设管制扇区单位时间内航空器架次数为n,第i架航空器的航行时间为Ti,扇区航行时间为Ttotal,则***通过引接空管自动化***综合航迹数据获取空中航空器的位置信息,结合已配置的扇区边界信息,计算得到扇区航行时间。
(4)扇区交通流密度
扇区交通流密度是对管制扇区单位时间内所管辖的航空器架次密集程度的测度。设扇区面积为Ssec,单位时间内扇区流量为n,单位时间内扇区交通流密度为Dsec,则Dsec=n/Ssec。***读取配置的扇区边界信息得到扇区面积,结合扇区流量计算得到扇区交通流密度。
扇区运行复杂性指标
(1)扇区航空器爬升次数
扇区航空器爬升次数是指管制扇区单位时间内所管辖的航空器爬升次数的总和。设管制扇区单位时间内航空器架次数为n,第i架航空器的爬升次数为ci,扇区航空器爬升次数为ctotal,则***引接实时综合航迹数据,对扇区中航空器的爬升情况进行监视与统计,一个航空器爬升一个高度层为爬升一次,计算得到扇区航空器爬升次数。
(2)扇区航空器下降次数
扇区航空器下降次数是指管制扇区单位时间内航空器下降次数的总和。设管制扇区单位时间内航空器架次数为n,第i架航空器的下降次数为Di,扇区航空器下降次数为Dtotal,则***引接实时综合航迹数据,对扇区中航空器的下降情况进行监视与统计,一个航空器下降一个高度层为下降一次,计算得到扇区航空器爬升次数。
(3)扇区航空器改速次数
扇区航空器改速次数是指管制扇区单位时间内航空器速度改变次数的总和。设管制扇区单位时间内航空器架次数为n,第i架航空器的改速次数为Si,扇区航空器改速次数为Stotal,则***引接实时综合航迹数据,对扇区中航空器的速度改变情况进行监视与统计,一个航空器速度连续改变达到设定参数为一次速度改变,计算得到扇区航空器改速次数。
(4)扇区航空器改航次数
扇区航空器改航次数是指管制扇区单位时间内航空器航向改变次数的总和。设管制扇区单位时间内航空器架次数为n,第i架航空器的改航次数为Hi,扇区航空器改航次数为Htotal,则***引接实时综合航迹数据,对扇区中航空器的航向改变情况进行监视与统计,一个航空器航向连续改变达到设定参数为一次航向改变,计算得到扇区航空器改航次数。
1.1.1.1.1扇区运行安全性指标
(1)扇区短期冲突告警频率
扇区短期冲突告警频率是指管制扇区单位时间内所管辖的航空器短期冲突告警次数,由***引接空管自动化***的STCA告警数据统计得到。
(2)扇区最低安全高度告警频率
扇区最低安全高度告警频率是指管制扇区单位时间内所管辖的航空器最低安全高度告警次数,由***引接空管自动化***的MSAW告警数据统计得到。
1.1.1.1.2扇区运行经济性指标
(1)扇区饱和度
扇区饱和度是指管制扇区单位时间内流量与容量的比值,管制扇区单位时间内所能管辖的航空器最大数量标定为管制扇区容量。设管制扇区单位时间内航空器架次数为n,管制扇区容量为C,扇区饱和度为Satusec,则Satusec=n/C。***读取配置的扇区容量参数,结合扇区流量计算得到扇区饱和度。
(2)扇区排队长度
在管制扇区单位时间内所管辖的航空器中,如进入扇区时出现盘旋等待等排队状况,则定义其为排队航空器,定义扇区排队长度为排队航空器的数量。***引接综合航迹数据,判断目标航空器是否在扇区边界进行盘旋等待,并计算得到扇区排队长度。
(3)扇区航空器延误架次率
在管制扇区单位时间内所管辖的航空器中,航行时间超出了正常范围的航空器定义为延误航空器,航行时间超出正常范围的部分定义为延误时间。设管制扇区单位时间内航空器架次数为n,扇区航空器的延误架次数为d,扇区航空器的延误架次率为Dratsec,则Dratsec=d/n。***引接综合航迹数据,对每架航空器在管制扇区中的实际飞行时间与经验飞行时间进行对比,若实际飞行时间大于经验飞行时间,则视为延误航空器,并计算得到扇区航空器延误架次率。
(4)扇区航空器延误时间
在管制扇区单位时间内所管辖的航空器中,航行时间超出了正常范围的航空器定义为延误航空器,航行时间超出正常范围的部分定义为延误时间,延误时间总和定义为扇区航空器延误时间。设管制扇区单位时间内航空器架次数为n,第i架航空器的延误时间为Delayi,扇区航空器延误时间为Delaysec,则***引接综合航迹数据,对每架航空器在管制扇区中的实际飞行时间与经验飞行时间进行对比,若实际飞行时间大于经验飞行时间,则视为延误航空器,并计算得到扇区航空器延误时间。
(5)扇区航空器平均延误时间
在管制扇区单位时间内所管辖的航空器中,航行时间超出了正常范围的航空器定义为延误航空器,航行时间超出正常范围的部分定义为延误时间。设扇区航空器延误时间为Delaysec,管制扇区单位时间内航空器架次数为n,扇区航空器的平均延误时间为Davgsec,则Davgsec=Delaysec/n。***引接综合航迹数据,对每架航空器在管制扇区中的实际飞行时间与经验飞行时间进行对比,若实际飞行时间大于经验飞行时间,则视为延误航空器,并计算得到扇区航空器平均延误时间。
管制员工作负荷标志指标采集
管制员为完成管制任务需承受身体上和精神上的压力,这些压力可以转化为时间上的消耗,通过时间消耗来缓解承受到的压力和完成客观任务的要求,这个时间消耗的长短就是管制员工作负荷的大小。在可测计的管制员工作时间消耗中,陆空通话信道占用率是反映管制员工作负荷的标志指标。
陆空通话信道占用率是指管制扇区单位时间内陆空通话时长占比。设管制扇区在单位时间T内共陆空通话m次,第i次陆空通话的时间长度为Ti,陆空通话信道占用率为Trate,则***引接管制语音数据,分析对应扇区管制席位的管制员与飞行员通话开始时间和结束时间,然后将每段通话的时长进行累加,从而得到扇区陆空通话时长,进而计算得到陆空通话信道占用率。
管制扇区空中交通流态势指标预测
***通过实时引接空管自动化***综合航迹数据和转报***民用航空飞行动态固定格式电报数据,获取航空器的飞行计划数据,包括航班号、起飞时间、起飞机场、落地时间、落地机场等信息,通过综合航迹获得已起飞航班在空中高度、速度和位置等信息,并通过4D航迹预测技术对未来时段航空器的位置信息进行推算。通过推算未来时段的航空器位置信息获得未来交通流态势指标的数据。其中,为实现基于4D航迹预测技术为实现精准预测,***建立了航空器基础信息与运行性能数据库,航路航线信息数据库。
实施例四
本实施方式公开一种管制员工作负荷预测方法,该方法可以选用实施例二的硬件平台来实现,其涉及的工作负荷预测相关指标的选取,管制员工作负荷预测样本数据和管制扇区空中交通流态势指标预测数据的采集可参考实施例三。
本实施方式同时采用多重线性回归和多重非线性回归模型,从两者中选择检测误差最小的模型作为最终的预测模型。
(1)多重线性回归,是利用线性函数来拟合多个自变量Xi(i=1,2,…,n)和单个因变量Y的关系,从而确定多重线性回归模型的参数bi(i=0,1,2,…,n),回归至原假设方程中,通过回归方程来检测因变量的趋势。多重线性回归模型的一般形式为:
Y=b0+b1X1+b2X2+…+biXi+…+bnXn+μ(式4.1)
其中,μ为除了n个自变量对因变量Y的影响之外的随机误差,服从正态分布。
假设统计样本有m组统计资料,则多重线性回归模型的矩阵形式可以表示为:
Y=XB+U(式4.2)
其中,
(式4.3)
(2)多重非线性回归,则是假定自变量(预测指标)和因变量(管制员工作负荷)之间呈现非线性关系,多重非线性模型一般可以表示为:
Y=f[(b1,b2,…,bk);X1,X2,…,Xn](式4.4)
其中非线性回归函数可以根据样本数据特征,采用二次函数、幂函数、指数函数、双曲线函数等形式。本实施方式以二次函数进行举例说明:
多重回归模型的参数bi估计出来后,即求出样本回归函数后,还需进一步对该样本回归函数进行统计检验,包括拟合度检验、显著性检验,以及参数的置信区间估计等,然后计算检测误差,最终选择误差小的模型作为最终的预测模型。
根据各模型返回的可决系数R2值、F检验、t检验,分别验证并比较两种回归模型的拟合度、显著性,在模型拟合度较高、显著性明显的基础上,计算两种回归模型的检测误差,并选取误差最小的一种模型,作为扇区运行性能综合检测的多重回归模型。
基于多重回归的管制员工作负荷预测算法主要包括四部分,即回归模型的构建、回归模型的比选、管制员工作负荷预测以及管制员工作负荷响应告警。参见图9,具体算法步骤为:
步骤1:选取变量
参考实施例三,根据M组以小时为时长的样本输入数据,得到前文所述15个指标的输入值。同时,以管制员陆空通话信道占用率作为管制员工作负荷指标Y。得到的样本指标数据示例如下所示:
表1管制员工作负荷预测指标样本数据示例
其中,自变量X={Xi,i=1,2,…,15}为管制扇区空中交通流态势指标,共计15项。将表1的X1~X15的1~M组数据和Y的M组数据分别代入公式4.3、4.4。
其中,扇区通行性检测指标为{X1,X2,X3,X4},分别表示扇区流量、扇区航行里程、扇区航行时间和扇区交通流密度;扇区复杂性检测指标为{X5,X6,X7,X8},分别表示扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改航次数;扇区安全性检测指标为{X9,X10},分别表示扇区短期冲突告警频率和扇区最低安全高度告警频率;扇区经济性检测指标为{X11,X12,X13,X14,X15},分别表示扇区饱和度、扇区排队长度、扇区航空器延误架次率、扇区航空器延误时间、扇区航空器平均延误时间。
步骤2:数据处理
考虑到不同指标间存在量纲不同以及数量级差异,为方便模型的回归分析,需要对指标数据进行标准化转换。
令xij、x′ij分别表示第i个样本的原始数据和经过标准化转换后的数据,sj分别表示第j(j=1,2,…,15)个指标数据的均值和方差,则:
(式4.6)
将标准化转换之后的数据x′ij,作为回归分析的输入数据。
步骤3:构建回归模型
参考实施例二、三,分别构建多重线性回归模型和多重非线性回归模型,其中,非线性回归模型选用二次函数的形式。通过对样本数据进行拟合,得到两类函数的参数估计值和样本输出值其中代表式4.4的b0~bn或式4.5的b0~b2n的估计值。
步骤4:检验回归模型
根据各模型返回的可决系数R2值、F检验、t检验,分别验证并比较两种回归模型的拟合度、显著性,在模型拟合度较高、显著性明显的基础上,计算两种回归模型的检测误差,并选取误差最小的一种模型,作为管制员工作负荷预测的多重回归模型。
步骤5:回归模型结果输出
根据N组样本数据得到的15个指标的均值方差sj,将管制扇区空中交通流态势指标预测数据作为输入数据,并进行标准化转换,为处理后的输入数据。进行标准化处理之后,将导入到管制员工作负荷预测回归模型中,得到管制员工作负荷指数的预测结果。
步骤6:管制员工作负荷响应告警
根据管制员工作负荷的预测结果,参照设定的管制员工作负荷响应告警标准,对达到告警标准的,由***产生告警。
根据上述算法流程,采集成都ACC01扇区相关指标数据共计400组,分别采用线性函数和非线性函数(二次函数)对样本数据进行拟合,拟合计算得到两类函数的R2、p值,以及平均误差、最大误差、最小误差等拟合性能数据。对基于多重线性回归模型和非线性回归模型的管制员工作负荷预测模型分别比较拟合效果。结论如下:
表2多重回归拟合效果对比
根据上表,本实施方式的非线性函数的拟合度、显著性和误差等指标都略优于线性函数。因此,此处选取非线性函数,作为管制员工作负荷的预测模型。该模型的拟合效果图和预测误差图如图10、11所示:
综上,基于多重非线性回归的管制员工作负荷预测模型为:
(式4.7)
根据式4.7,对管制员工作负荷进行预测。根据管制扇区空中交通流态势预测结果,获取未来5个时段的交通流态势指标数据。经过标准化处理之后,带入式4.7中,计算得到未来5个时段的管制员工作负荷预测结果,如下表所示。
表3管制员工作负荷预测实例分析
根据管制员工作负荷告警标准,对未来时段管制员的工作负荷达到告警标准的,进行相应告警。
本预测方法以及相应的***在投入运行后,需要进行相应的管理。推荐的***管理有以下几条:
①管理使用用户权限,为每位用户分配用户名和权限,保证数据的安全性,防止数据外泄。
②每位用户对应0到多个角色,每个角色可以由管理人员灵活分配访问和操作的权限。
③设置***运行必须的参数,包括地图参数、电报处理与雷达数据处理参数、长期班期时刻表、***显示参数设置、其他需要设置的参数。
④提供日志管理功能,负责纪录***的操作,保留重要数据的操作信息。包括:日志纪录模块、日志查询模块、日志备份与清除模块。
⑤提供参数配置功能,为***维护人员提供参数配置的工具。
⑥提供数据导入导出功能。
实现本发明预测方法和***的建议配置如下:
实施例五
本实施方式的管制员工作负荷预测方法,包括步骤:
根据管制员工作负荷预测相关指标和管制员工作负荷预测样本数据构建多重回归模型。根据M组以小时为时长的样本输入数据,得到管制员工作负荷预测相关指标的输入值;以管制员陆空通话信道占用率作为管制员工作负荷指标,得到管制员工作负荷预测样本数据。
将管制扇区空中交通流态势指标预测数据导入多重回归模型。
考虑到不同指标间存在量纲不同以及数量级差异,在构建多重回归模型之前,先对输入的管制员工作负荷预测相关指标和管制员工作负荷预测样本数据进行标准化转换;相应的,对导入多重回归模型的管制扇区空中交通流态势指标预测数据先进行标准化转换;这样可以方便模型的回归分析。
多重回归模型包括多重线性回归模型和多重非线性回归模型,其中,非线性回归模型选用二次函数。模型函数参考上述实施例。
分别通过多重线性回归模型和多重非线性回归模型对管制员工作负荷预测样本数据进行拟合,得到两组样本回归函数,对两组样本回归函数进行统计检验,所述统计检验步骤包括拟合度和显著性检验,在拟合度和显著性超过预设值时,再计算检测误差。
将管制扇区空中交通流态势指标预测数据导入检测误差最小的一种多重回归模型,得到预测结果。
当预测结果超出阈值,管制员工作负荷响应告警。
所述管制扇区空中交通流态势指标包括扇区运行通行性指标、扇区运行复杂性指标、扇区运行安全性指标和扇区运行经济性指标;扇区通行性检测指标分别包括扇区流量、扇区航行里程、扇区航行时间和扇区交通流密度;扇区复杂性检测指标包括扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改航次数;扇区安全性检测指标包括扇区短期冲突告警频率和扇区最低安全高度告警频率;扇区经济性检测指标包括扇区饱和度、扇区排队长度、扇区航空器延误架次率、扇区航空器延误时间、扇区航空器平均延误时间。
如图12所示,本实施方式还公开一种管制员工作负荷的预测***。其包括运行指标检测数据库,与管制扇区运行指标检测数据库耦合的数据引接装置和指标采集装置。
数据引接装置包括分别与管制扇区运行指标检测数据库耦合的电报数据接口、综合航迹数据接口和管制语音数据接口;指标采集装置用于采集管制扇区空中交通流态势指标,管制扇区空中交通流态势指标包括扇区运行通行性指标、扇区运行复杂性指标、扇区运行安全性指标和扇区运行经济性指标。
构件模块:选取管制扇区空中交通流态势指标,将相关指标对应的管制员工作负荷预测样本数据代入多重线性回归模型和多重非线性回归模型中进行拟合;得到多重线性回归模型和多重非线性回归模型的参数估计值;通过统计检验,计算检测误差,确定管制员工作负荷预测多重回归模型;
预测模块:将管制扇区空中交通流态势指标预测数据导入管制员工作负荷预测多重回归模型,得到管制员工作负荷的预测结果。
标准化转换模块:用于对样本数据以及管制扇区空中交通流态势指标实时数据进行标准化转换;
报警模块:当预测结果超出阈值,管制员工作负荷响应告警。
构件模块从管制扇区运行指标检测数据库中读取管制员工作负荷预测相关指标和管制员工作负荷预测样本数据;预测模块从管制扇区运行指标检测数据库中读取管制扇区空中交通流态势指标预测数据。
所述指标采集装置用于采集管制扇区空中交通流态势指标,所述管制扇区空中交通流态势指标包括扇区运行通行性指标、扇区运行复杂性指标、扇区运行安全性指标和扇区运行经济性指标;扇区通行性检测指标分别包括扇区流量、扇区航行里程、扇区航行时间和扇区交通流密度;扇区复杂性检测指标包括扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改航次数;扇区安全性检测指标包括扇区短期冲突告警频率和扇区最低安全高度告警频率;扇区经济性检测指标包括扇区饱和度、扇区排队长度、扇区航空器延误架次率、扇区航空器延误时间、扇区航空器平均延误时间.
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (11)
1.一种管制员工作负荷预测方法,其特征在于,包括步骤:
步骤1:选取一定时间间隔的管制扇区空中交通流态势指标,及态势指标对应的管制员工作负荷指数作为样本数据;
步骤2:根据上述样本数据,建立线性回归模型和非线性回归模型;
步骤3:通过拟合度、显著性和误差分析,对线性回归模型和非线性回归模型进行比对,确定管制员工作负荷预测多重回归模型;
步骤4:将实时管制扇区空中交通流态势指标导入管制员工作负荷预测多重回归模型,得到管制员工作负荷指数。
2.如权利要求1所述的管制员工作负荷预测方法,其特征在于,所述步骤1中的管制扇区空中交通流态势指标包括扇区运行通行性指标、扇区运行复杂性指标、扇区运行安全性指标和扇区运行经济性指标。
3.如权利要求2所述的管制员工作负荷预测方法,其特征在于,所述管制扇区空中交通流态势指标包括扇区运行通行性指标、扇区运行复杂性指标、扇区运行安全性指标和扇区运行经济性指标;
扇区通行性检测指标分别包括扇区流量、扇区航行里程、扇区航行时间和扇区交通流密度;
扇区复杂性检测指标包括扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改航次数;
扇区安全性检测指标包括扇区短期冲突告警频率和扇区最低安全高度告警频率;
扇区经济性检测指标包括扇区饱和度、扇区排队长度、扇区航空器延误架次率、扇区航空器延误时间、扇区航空器平均延误时间。
4.如权利要求1或3所述的管制员工作负荷预测方法,其特征在于,所述步骤2中对样本数据进行标准化转换;标准化转换过程如下:
令xij、x′ij分别表示第i个样本的原始数据和经过标准化转换后的数据,sj分别表示第j个指标数据的均值和方差,则:
5.如权利要求1所述的管制员工作负荷预测方法,其特征在于,所述步骤2具体包括:
根据上述标准化样本数据x'ij(i=1,2,…m,j=1,2,…n),分别建立多重线性回归模型和多重非线性回归模型,并求解系数bi,
其中多重线性回归模型为:
Y=XB+U(式1)
其中,
多重非线性回归模型为:
Y=f[(b1,b2,…,bk);X1,X2,…,Xn](式2)
其中因变量Y为管制扇区运行性能综合指数,自变量X为n项管制扇区运行性能综合检测指标,m表示m组时间间隔下的管制扇区运行性能指标样本,U为除了m个自变量对因变量Y的影响之外的随机误差,服从正态分布,f表示非线性回归函数。
6.如权利要求1所述的管制员工作负荷预测方法,其特征在于,所述步骤3具体包括:
根据各模型返回的可决系数R2值、F检验、t检验,分别验证并比较两种回归模型的拟合度、显著性,在模型拟合度较高、显著性明显的基础上,计算两种回归模型的检测误差,并选取误差最小的一种模型,作为管制员工作负荷预测的多重回归模型。
7.如权利要求1所述的管制员工作负荷预测方法,其特征在于,步骤4中的实时管制扇区空中交通流态势指标在输入多重回归模型之前要进行标准化转换;标准化转换过程如下:
根据m组时间间隔的样本数据的n项指标的均值方差sj,对管制扇区空中交通流态势指标tj(j=1,2,...,n)进行标准化转换:将转换后的数据tj'导入到管制员工作负荷预测多重回归模型中。
8.如权利要求1所述的管制员工作负荷预测方法,其特征在于,所述方法还包括步骤5,当管制员工作负荷指数超出阈值,管制员工作负荷响应告警。
9.一种管制员工作负荷的预测***,其特征在于,包括,
构件模块:选取管制扇区空中交通流态势指标,将相关指标对应的管制员工作负荷预测样本数据代入多重线性回归模型和多重非线性回归模型中进行拟合;得到多重线性回归模型和多重非线性回归模型的参数估计值;通过统计检验,计算检测误差,确定管制员工作负荷预测多重回归模型;
预测模块:将管制扇区空中交通流态势指标预测数据导入管制员工作负荷预测多重回归模型,得到管制员工作负荷的预测结果。
10.如权利要求9所述的管制员工作负荷的预测***,其特征在于,还包括,标准化转换模块:用于对样本数据以及管制扇区空中交通流态势指标实时数据进行标准化转换;
报警模块:当预测结果超出阈值,管制员工作负荷响应告警。
11.如权利要求10所述的管制员工作负荷的预测***,其特征在于,还包括管制扇区交通流态势检测数据库,与所述管制扇区交通流态势检测数据库耦合的数据引接装置和指标采集装置;
所述数据引接装置包括分别与所述管制扇区交通流态势检测数据库耦合的电报数据接口、综合航迹数据接口和管制语音数据接口;
所述指标采集装置用于采集管制扇区空中交通流态势指标,所述管制扇区空中交通流态势指标包括扇区运行通行性指标、扇区运行复杂性指标、扇区运行安全性指标和扇区运行经济性指标;扇区通行性检测指标分别包括扇区流量、扇区航行里程、扇区航行时间和扇区交通流密度;扇区复杂性检测指标包括扇区航空器爬升次数、扇区航空器下降次数、扇区航空器改速次数、扇区航空器改航次数;扇区安全性检测指标包括扇区短期冲突告警频率和扇区最低安全高度告警频率;扇区经济性检测指标包括扇区饱和度、扇区排队长度、扇区航空器延误架次率、扇区航空器延误时间、扇区航空器平均延误时间;
所述构件模块从所述管制扇区交通流态势检测数据库中读取所述管制员工作负荷预测相关指标和管制员工作负荷预测样本数据;所述预测模块从所述管制扇区交通流态势检测数据库中读取所述管制扇区空中交通流态势指标预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510645215.3A CN105205565A (zh) | 2015-09-30 | 2015-09-30 | 一种基于多重回归模型的管制员工作负荷预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510645215.3A CN105205565A (zh) | 2015-09-30 | 2015-09-30 | 一种基于多重回归模型的管制员工作负荷预测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105205565A true CN105205565A (zh) | 2015-12-30 |
Family
ID=54953234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510645215.3A Pending CN105205565A (zh) | 2015-09-30 | 2015-09-30 | 一种基于多重回归模型的管制员工作负荷预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105205565A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944472A (zh) * | 2017-11-03 | 2018-04-20 | 北京航空航天大学 | 一种基于迁移学习的空域运行态势计算方法 |
CN108171379A (zh) * | 2017-12-28 | 2018-06-15 | 无锡英臻科技有限公司 | 一种用电负荷预测方法 |
CN111091244A (zh) * | 2019-12-16 | 2020-05-01 | 武汉材料保护研究所有限公司 | 一种发动机润滑油换油周期预测方法 |
CN111126685A (zh) * | 2019-12-16 | 2020-05-08 | 武汉材料保护研究所有限公司 | 一种发动机润滑油质量预测模型建立方法 |
CN111968414A (zh) * | 2020-08-26 | 2020-11-20 | 成都民航空管科技发展有限公司 | 基于大数据和ai的4d轨迹预测方法、装置及电子设备 |
CN114530059A (zh) * | 2022-01-14 | 2022-05-24 | 南京航空航天大学 | 一种多扇区监控席位的动态配置方法及*** |
CN117978916A (zh) * | 2024-04-01 | 2024-05-03 | 中国民用航空飞行学院 | 一种管制员通话负荷预测方法及设备 |
-
2015
- 2015-09-30 CN CN201510645215.3A patent/CN105205565A/zh active Pending
Non-Patent Citations (6)
Title |
---|
何元清 等: "《大学计算机基础》", 31 August 2013 * |
周品: "《MATLAB概率与数理统计》", 30 November 2012 * |
李鸿吉: "《Visual Basic 6.0数理统计实用算法》", 30 September 2003, 科学出版社 * |
袁霄 等: ""基于扇区动态复杂性因素的航空管制员工作负荷计算"", 《安全与环境学报》 * |
郭少英 等: "《市场调研与分析技术》", 31 October 2008 * |
麦好: "《机器学习实践指南 案例应用解析》", 30 April 2014 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107944472B (zh) * | 2017-11-03 | 2019-05-28 | 北京航空航天大学 | 一种基于迁移学习的空域运行态势计算方法 |
CN107944472A (zh) * | 2017-11-03 | 2018-04-20 | 北京航空航天大学 | 一种基于迁移学习的空域运行态势计算方法 |
CN108171379B (zh) * | 2017-12-28 | 2021-12-17 | 无锡英臻科技有限公司 | 一种用电负荷预测方法 |
CN108171379A (zh) * | 2017-12-28 | 2018-06-15 | 无锡英臻科技有限公司 | 一种用电负荷预测方法 |
CN111091244A (zh) * | 2019-12-16 | 2020-05-01 | 武汉材料保护研究所有限公司 | 一种发动机润滑油换油周期预测方法 |
CN111126685A (zh) * | 2019-12-16 | 2020-05-08 | 武汉材料保护研究所有限公司 | 一种发动机润滑油质量预测模型建立方法 |
CN111091244B (zh) * | 2019-12-16 | 2023-02-03 | 武汉材料保护研究所有限公司 | 一种发动机润滑油换油周期预测方法 |
CN111126685B (zh) * | 2019-12-16 | 2023-02-03 | 武汉材料保护研究所有限公司 | 一种发动机润滑油质量预测模型建立方法 |
CN111968414A (zh) * | 2020-08-26 | 2020-11-20 | 成都民航空管科技发展有限公司 | 基于大数据和ai的4d轨迹预测方法、装置及电子设备 |
CN111968414B (zh) * | 2020-08-26 | 2022-08-05 | 成都民航空管科技发展有限公司 | 基于大数据和ai的4d轨迹预测方法、装置及电子设备 |
CN114530059A (zh) * | 2022-01-14 | 2022-05-24 | 南京航空航天大学 | 一种多扇区监控席位的动态配置方法及*** |
CN114530059B (zh) * | 2022-01-14 | 2023-03-10 | 南京航空航天大学 | 一种多扇区监控席位的动态配置方法及*** |
CN117978916A (zh) * | 2024-04-01 | 2024-05-03 | 中国民用航空飞行学院 | 一种管制员通话负荷预测方法及设备 |
CN117978916B (zh) * | 2024-04-01 | 2024-05-28 | 中国民用航空飞行学院 | 一种管制员通话负荷预测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105205565A (zh) | 一种基于多重回归模型的管制员工作负荷预测方法和*** | |
CN103530704B (zh) | 一种终端空域空中交通动态容量预测***及其方法 | |
CN104835354B (zh) | 一种管制负荷管理***及其管制员工作负荷的评估方法 | |
CN105160201A (zh) | 一种基于gabp神经网络的管制员工作负荷的预测方法及*** | |
CN107146065A (zh) | 铁路工程管理平台*** | |
CN105261240B (zh) | 一种基于聚类分析的扇区运行性能综合检测方法及*** | |
CN105225007A (zh) | 一种基于gabp神经网络的扇区运行性能综合检测方法及*** | |
CN105225539A (zh) | 基于主成分分析的扇区运行性能综合指数的方法及*** | |
CN103489053A (zh) | 一种基于云计算与专家***的智能水资源管控平台 | |
CN105225193A (zh) | 一种基于多重回归模型的扇区运行性能综合指数的方法及*** | |
CN113592128A (zh) | 一种大数据电网运行监测*** | |
CN105023228B (zh) | 一种基于航班离港时刻的旅客聚集监测***和监测方法 | |
CN102306297A (zh) | 一种空中交通管制员工作负荷测量方法 | |
TWI604324B (zh) | Performance evaluation system and method | |
CN102147982A (zh) | 一种扇区动态容量预测的方法 | |
CN113643539A (zh) | 一种基于大数据的智慧交通管控*** | |
CN105206115A (zh) | 一种基于主成分分析的空中交通管制扇区通行能力检测方法 | |
CN109190948B (zh) | 一种大型航空枢纽运行与城市交通拥堵的关联分析方法 | |
Mott et al. | Estimation of aircraft operations at airports using nontraditional statistical approaches | |
CN105118333A (zh) | 一种基于多重回归模型的空中交通管制模拟仿真异常检测方法和装置 | |
CN113793047A (zh) | 一种飞行员合作交流能力测评方法和装置 | |
CN204856924U (zh) | 一种管制负荷管理*** | |
CN105096661A (zh) | 基于垂直剖面视图的空中交通流管理***与方法 | |
CN110928752A (zh) | 空管台站健康度评估方法、装置及设备 | |
CN116128197A (zh) | 一种智慧机场管理***和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151230 |
|
RJ01 | Rejection of invention patent application after publication |