CN107424441A - 基于Hotelling′s T2统计量的航空器航迹变点检测与估计方法 - Google Patents
基于Hotelling′s T2统计量的航空器航迹变点检测与估计方法 Download PDFInfo
- Publication number
- CN107424441A CN107424441A CN201710425966.3A CN201710425966A CN107424441A CN 107424441 A CN107424441 A CN 107424441A CN 201710425966 A CN201710425966 A CN 201710425966A CN 107424441 A CN107424441 A CN 107424441A
- Authority
- CN
- China
- Prior art keywords
- data
- height
- point
- window
- change
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0095—Aspects of air-traffic control not provided for in the other subgroups of this main group
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于Hotelling's T2统计量的航空器航迹变点检测与估计方法。航空器飞行阶段的有效划分是支撑航空排放主动监测的重要技术手段,采用变点检测的方法可以有效地实现对航空器飞行阶段的划分。本发明根据多变量Hotelling's T2统计量的特点,在数据整体参数一致性假设下,提出了一种采用顺序双滑窗的航空器航迹变点检测与估计方法。仿真与实验结果表明,该方法对窗口长度较为敏感,在适宜的窗口长度下可以有效地解决航迹的变点检测问题。本发明根据航空器航迹的特点,选择了适当的窗口长度,可以有效进行变点检测与位置估计,为解决航迹的阶段划分提供了一种手段。
Description
技术领域
本发明属于变点检测技术领域,特别是涉及一种基于Hotelling's T2统计量的变点检测与估计方法。
背景技术
国际民航组织(International Civil Aviation Organization,ICAO)预测2050年航空排放将比2010年增长300%左右,因此,在国际气候变化谈判中,民用航空的节能减排成为其前沿问题和各国斗争的焦点之一。我国民航2016年运输总周转量比上年同期增长12.8%,随着运输量的增加,我国民航也面临严峻的航空节能减排压力,推进民航节能减排成为近年来我国民航管理部门的重点工作。民航节能减排需要有效的主动核查与监测手段。根据航空器不同飞行阶段的能耗模型,结合航空器航迹信息,可以实现对航空器排放的主动监测。因此,基于航空器航迹信息的飞行阶段划分技术是实现航空排放主动监测任务的核心技术之一。
在民航监视领域,二次雷达***和广播式自动相关监视(Automatic DependentSurveillance-Broadcast,ADS-B)***可以获得航空器呼号、经度、纬度、高度、地速、航向和升降率等信息。利用与航空器航迹相关的高度、地速和升降率等信息可以进行飞行阶段的划分。目前航空器飞行阶段的划分主要涉及对特定飞行阶段的提取和对全航程飞行阶段的划分两类。
对特定飞行阶段的提取主要是用于研究在特定飞行阶段,如爬升、巡航和下降等,航空器所涉及的飞行动作和姿态的变化、燃油消耗和噪声等问题,相应的飞行阶段的提取通常采用变点分析方法、遗传算法和隐马尔可夫模型等方法实现。对全航程飞行阶段的划分主要采用支持向量机方法,该方法依赖人工获取的标签,仅是对历史数据的回顾性分析。单窗口Hotelling's T2统计量方法可以对航迹中的变点进行检测,现有方法重点在变点检测上,一旦检测出变点就停止,无法实现连续地变点检测。双窗口距离测度方法通过比较两个窗口内数据的差异性来完成变点检测,但该方法未能有效解决数据更新问题,也无法实现对实时航迹的变点检测。因此,现有对特定飞行阶段的提取和对全航程飞行阶段划分的研究成果均不具备对航迹数据实时处理的能力,无法为航空排放的主动监测提供实时的阶段划分。
发明内容
为了解决上述问题,本发明的目的在于提供一种基于Hotelling's T2统计量的航空器航迹变点检测与估计方法。
为了达到上述目的,本发明提供的基于Hotelling's T2统计量的航空器航迹变点检测与估计方法包括按顺序进行的下列步骤:
(1)从航空监视***提供的动态信息中提取出航空器飞行高度、地速和升降率在内参数的一阶差分序列数据的S1阶段;
(2)根据航迹特点建立顺序等长的双滑动数据窗口,利用双滑动数据窗口对步骤(1)得到的一阶差分序列数据进行截取,得到双窗口数据的S2阶段;
(3)对步骤(2)得到的双窗口数据,构建其均值矢量的假设检验模型,并计算相应的Hotelling's T2统计量,以进行变点检测的S3阶段;
(4)当在步骤(3)中检测到变点时,采用极大似然估计方法定位变点在滑动数据窗口中位置的S4阶段;
(5)根据步骤(3)变点检测的情况以及步骤(4)确定的变点位置,对变点位置连续实时地进行记录的S5阶段。
在步骤(1)中,所述的从航空监视***提供的动态信息中提取出航空器飞行高度、地速和升降率在内参数的一阶差分序列数据的方法是:根据航空监视***提供的航空器动态信息,提取出与航空器航迹相关的飞行高度、地速和升降率在内的参数的数据,构成原始观测矢量,然后采用一阶差分的方法消除原始观测矢量的时间相关性,得到一阶差分序列数据。
在步骤(2)中,所述的根据航迹特点建立顺序等长的双滑动数据窗口,利用双滑动数据窗口对步骤(1)得到的一阶差分序列数据进行截取,得到双窗口数据的方法是:根据航空器航迹阶段变化特点顺序地建立两个等长的滑动数据窗口,其中以航空器航迹阶段持续时间和航空监视***中数据更新时间来选择相应的窗口长度l1和l2,由双滑动数据窗口截取步骤(1)生成的一阶差分序列数据,得到相应的双窗口数据。
在步骤(3)中,所述的对步骤(2)得到的双窗口数据,构建其均值矢量的假设检验模型,并计算相应的Hotelling's T2统计量,以进行变点检测的方法是:分别计算双窗口数据的均值和协方差矩阵,进而得到两个滑动数据窗口内总体数据的合并协方差矩阵,构建两个滑动数据窗口内总体数据的均值向量的Hotelling's T2统计量,由假设检验来判定双窗口数据的均值矢量是否发生显著变化,进而判定是否有变点发生。
在步骤(4)中,所述的当在步骤(3)中检测到变点时,采用极大似然估计方法定位变点在滑动数据窗口中位置的方法是:当检测到变点发生时,变点通常位于后一个滑动数据窗口中,对该滑动数据窗口的数据矩阵修正后,采用极大似然估计方法确定出变点的准确位置。
在步骤(5)中,所述的根据步骤(3)变点检测的情况以及步骤(4)确定的变点位置,对变点位置连续实时地进行记录的方法是:如果步骤(3)中没有检测出变点,则双滑动数据窗口由原截取位置沿航迹顺序地滑动1个单位,两个滑动数据窗口内的数据矩阵分别更新为和重复步骤(3)及其以后步骤,并对步骤(4)估计出的变点位置进行连续实时地记录;
如果步骤(3)中检测出变点,并且步骤(4)中确定了变点的位置k,则两个滑动数据窗口以航迹中变点的位置k为起始点顺序地截取步骤(1)获得的一阶差分序列中的数据,得到变点后的双窗口数据矩阵和重复步骤(3)及其以后步骤,并对步骤(4)估计出的变点位置进行连续实时地记录。
本发明提供的基于Hotelling's T2统计量的航空器航迹变点检测与估计方法利用顺序双滑动数据窗口截取航迹数据,根据多变量T2统计量的特点,在数据整体参数一致性假设下,提出了一种采用顺序双滑窗的航空器航迹变点检测与估计的方法。实验结果表明,该方法对窗口长度较为敏感,在适宜的窗口长度下可以有效地解决航迹的变点检测问题。根据航空器航迹的特点,选择适当的窗口长度前提下,有效的解决了B737-800航迹数据的实时变点检测与估计问题。
附图说明
图1为本发明提供的基于Hotelling's T2统计量的航空器航迹变点检测与估计方法流程图。
图2为检测门限和仿真数据统计量曲线;(a)检测门限和滑动数据窗口的数据长度为30时的统计量曲线;(b)图(a)中虚线窗口的局部放大。
图3为不同滑动数据窗口的数据长度时的统计量曲线。
图4为仿真数据的变点检测和位置估计,l1=l2=30,α=10-3。
图5为巡航阶段部分数据的参数变化和一阶差分曲线;(a)巡航阶段的原始数据的变化曲线;(b)原始数据的一阶差分波形。
图6为巡航阶段航空数据的统计量曲线与变点估计,l1=l2=60;(a)统计量曲线;(b)变点估计结果,α=10-3。
图7为航空器一次完整飞行过程的变点检测与估计,l1=l1=60,α=10-5。
具体实施方式
下面结合附图和具体实例对本发明提供的基于Hotelling’s T2统计量的航空器航迹变点检测与估计方法进行详细说明。
如图1所示,本发明提供的基于Hotelling's T2统计量的航空器航迹变点检测与估计方法包括按顺序进行的下列步骤:
(1)从航空监视***提供的动态信息中提取出航空器飞行高度、地速和升降率在内的参数的一阶差分序列数据的S1阶段;
航空器动态信息中的飞行高度、地速和升降率可用于描述飞行阶段,设航空器航迹在第n个位置点的原始测量矢量为:
式中,hn、vn和rn分别表示航空器在第n个位置点的飞行高度、地速与升降率的测量值。由于原始测量矢量受诸多因素的影响,可以假设其服从多维高斯分布。由各位置点的原始测量矢量构成的序列反映了航空器航迹,可利用其进行相应的变点检测。
由于上述序列具有时间相关性,对于采用独立样本进行变点检测的方法不利,因此需要采取差分或对数化的方式来消除样本间的时间相关性,因此本发明先对原始测量矢量进行一阶差分处理,即:
本发明将根据一阶差分序列{xn}进行变点检测与变点估计。
(2)根据航迹特点建立顺序等长的双滑动数据窗口,利用双滑动数据窗口对步骤(1)得到的一阶差分序列数据进行截取,得到双窗口数据的S2阶段;
航空器航迹变点是两个顺序飞行阶段的转换点,即变点前后的样本在统计特征上存在差异,利用此差异能够进行变点存在与否的检测。
基于上述考虑,可以建立两个顺序且等长的滑动数据窗口,航空器航迹变点检测的核心问题就是判断这两个滑动数据窗口内数据矩阵的均值矢量是否发生显著变化。
设两个滑动数据窗口的数据长度分别为l1和l2,数据长度l1与l2的大小会影响Hotelling’s T2统计量的变点检测性能。较长滑动数据窗口有利于保持数据统计特征的稳定性,但对于相距较近的变点检测造成困难,可能会导致漏检。较短滑动数据窗口能较好地刻画航迹参数变化特征,但易受随机因素的影响,虚警率较高。在一般的变点检测问题中,为了满足样本有效性,滑动数据窗口的数据长度至少要满足l1>2d,l2>2d,其中d是原始测量矢量的维度。在航空器航迹变点检测中,滑动数据窗口的数据长度选择需要充分考虑航空器航迹变化特点,尽可能地选择较长数据长度的滑动数据窗口,本发明主要以航空器阶段持续时间和航空监视***的数据更新时间来选择滑动数据窗口的数据长度。
表1、起、降阶段各工作状态持续时间
航空器的起、降阶段主要在相对地面高度(Altitude above Ground Level,AGL)3000英尺以下空域。在此空域内,航空器主要涉及慢车、起飞、爬升和进近四个工作状态,ICAO对各工作状态持续时间的建议值如表1所示,由表1可见,在AGL 3000英尺以下空域内,状态持续时间最短的起飞过程也需要0.7分钟,即42秒。
在AGL 3000英尺以上空域,航空器逐渐爬升进入巡航阶段。在巡航阶段时,航空器会因冲突、天气等原因而需要进行高度层的调整。根据我国民航高度层划分规则,同方向高度层间的最小垂直间隔为2000英尺,以在30000英尺高空巡航的总重50吨的波音737航空器为例,当进行高度层迁徙时,升降率为2000英尺/分钟,则该航空器至少需要1分钟完成邻近高度层间的变迁。所以,航空器的状态持续时间均不小于0.5分钟。
以航空监视***中的ADS-B地面接收站为例,其所提供的航迹信息为每0.5秒更新一次,即在0.5分钟内可提供60组数据,因此滑动数据窗口的数据长度设置为:
l1=l2=60 (3)
根据上述分析,利用双滑动数据窗口截取上述步骤(1)获得的一阶差分序列数据,设当前接收到的数据为xn,则双滑动数据窗口内的数据矩阵分别为:
其中,n1和n2分别为两个滑动数据窗口内的数据起始时刻,l1和l2分别为两个滑动数据窗口的数据长度。
(3)对步骤(2)得到的双窗口数据,构建其均值矢量的假设检验模型,并计算相应的Hotelling's T2统计量,以进行变点检测的S3阶段;
设两个滑动数据窗口内总体数据的协方差矩阵为C,数据矩阵W1的均值矢量与协方差矩阵分别为μ1和C1,数据矩阵W2的均值矢量与协方差矩阵分别为μ2和C2,相应的估计值分别为:
根据两个滑动数据窗口内的数据矩阵W1和W2,在一定显著度水平α下构建均值矢量的假设检验模型:
式(10)的假设检验模型的原假设为所有变量(高度、地速和升降率)的均值在两个滑动数据窗口内都相等,备择假设为至少有一个变量的均值是不相等的。在原假设H0条件下,相应的Hotelling's T2统计量为:
其中符号Cov(·)表示协方差运算,下标n表示后一个滑动数据窗口当前接收数据的序号。在样本独立条件下:
若两个滑动数据窗口内的数据矩阵W1和W2的协方差矩阵和两个滑动数据窗口内总体数据的协方差矩阵相等,即C1=C2=C,则相应的合并协方差矩阵为:
由于合并协方差矩阵是两个滑动数据窗口内总体数据的协方差矩阵C的一个估计值,所以式(12)可重写为:
显然,式(14)只是在两个滑动数据窗口内的数据矩阵W1和W2具有相同协方差矩阵条件下的特例。
式(11)中的Hotelling's T2统计量的分布为:
其中d=3是式(1)中原始测量矢量的维数。
在原假设H0条件下,由显著度水平α确定的检测门限为c,则当时,拒绝原假设H0,判定备择假设H1成立,即至少有一个数据的均值矢量在两个滑动数据窗口内的数据矩阵W1和W2中发生了显著变化,则判定为有变点发生,其中滑动数据窗口的数据矩阵W2中可能存在变点。
(4)当在步骤(3)中检测到变点时,采用极大似然估计方法定位变点在滑动数据窗口中位置的S4阶段:
当备择假设H1成立时,两个滑动数据窗口内的数据矩阵W1和W2属于两个不同均值矢量的总体,即数据矩阵W2中可能存在变点。假设变点发生在数据矩阵W2中的第k(k=1,…,l2)个数据处,则:
其中,μ21、C21和μ22、C22分别为变点前后数据矩阵W2的均值矢量和协方差矩阵。
考虑到变点有可能发生在k=1的数据处,因此在数据矩阵W2前补充2d个数据进行修正,即参考式(11)可得Hotelling's T2统计量:
其中分别是变点前后数据矩阵W2的均值矢量μ21、μ22和协方差矩阵C21、C22的估计值,相应表达式类似于式(6)~式(9),此处不再赘述,
当数据k处于真实变点位置时,数据k前后数据间的差异性最大,即式(17)中的Hotelling's T2(k)统计量取最大值,因此,变点在滑动数据窗口中的位置即为:
(5)根据步骤(3)变点检测的情况以及步骤(4)确定的变点位置,对变点位置连续实时地进行记录的S5阶段:
如果步骤(3)中没有检测出变点,则双滑动数据窗口由原截取位置沿航迹顺序地滑动1个单位,两个滑动数据窗口内的数据矩阵分别更新为和重复步骤(3)及其以后步骤,并对步骤(4)估计出的变点位置进行连续实时地记录。
如果步骤(3)中检测出变点,并且步骤(4)中确定了变点的位置k,则两个滑动数据窗口以航迹中变点的位置k为起始点顺序地截取步骤(1)获得的一阶差分序列中的数据,得到变点后的双窗口数据矩阵和重复步骤(3)及其以后步骤,并对步骤(4)估计出的变点位置进行连续实时地记录。
实验结果
本发明提供的基于Hotelling's T2统计量的航空器航迹变点检测与估计方法的效果可以通过以下仿真数据和真实航迹数据实验进一步说明。
本部分将分别利用仿真数据及实际记录的航迹数据验证本发明提出方法的有效性。
(1)仿真数据实验分析
设仿真数据具有相同协方差矩阵:
生成3维正态数据矢量1000条,其中数据矢量的三个分量AD_hn、AD_vn和AD_rn分别模拟航空器爬升过程的飞行高度、地速和升降率等参数的一阶差分。假设在仿真数据中设置6个变点,相应的位置分别为第301,501,601,801,831和881时刻,其中变点最小间隔为30。因此,相应的变点将仿真数据分割为7段,每段数据的均值情况如表2所示。
表2、7段仿真数据的起始间隔及其对应均值矢量
首先研究显著度水平对变点检测性能的影响。设置滑动数据窗口的数据长度l1=l2=30,仿真数据的Hotelling's T2统计量曲线如图2(a)所示,统计量的几个峰值位置准确地标识出变点的位置。将图2(a)中虚线框内区域放大后,如图2(b)所示,随着显著度水平α的减小,Hotelling's T2统计量的检测门限也相应地提高,从而降低了虚警概率;当α>10-3时,能准确地检测出所有变点,但存在虚警;当α≤10-6时,可以有效的抑制虚警的发生,但可能存在漏检。因此取10-5≤α≤10-3。
其次研究滑动数据窗口的数据长度对变点检测性能的影响。设置滑动数据窗口的数据长度l2为不同值时,Hotelling's T2统计量曲线如图3所示,由图3可见,随着数据长度的增大,Hotelling's T2统计量在数值上增大,且峰的宽度加大,使得变点的分辨能力降低,可能造成变点的漏检。数据长度减小,Hotelling's T2统计量在数值上减小,且峰的宽度变窄,分辨变点的能力提高,但由于在峰值数值上的减小,可能会导致无法超过检测门限,也会产生漏检。因此,滑动数据窗口的数据长度的选择依赖于实际数据的特点。
对仿真数据变点检测的结果如图4所示。由于设计仿真数据的变点最小间隔为30,因此,设置滑动数据窗口的数据长度为l1=l2=30,显著度水平为α=10-3,估计的变点位置由图中虚线标出。由图4可见,本发明所提出的方法能够准确地检测出6个变点,并估计出相应的位置。
(2)真实航迹数据实验分析
下面利用由ADS-B地面接收机获取的真实航迹数据进行变点检测与估计性能分析。该数据描述航空器B737-800由天津到昆明的航迹信息,选取巡航阶段中约25分钟的航迹数据,相应数据曲线如图5所示。图5(a)是高度、地速与升降率等参数的实际变化原始数据,航空器高度从约22000英尺经过两次调整爬升到32000英尺,在此期间地速保持在420kts左右,升降率存在两次明显的波动。图5(b)是相应的差分结果。由图5(b)可见,高度差分数据有明显的规律,能直观地反映出变点的位置。当有变点发生时,地速差分数据波动的频率显著增高,升降率差分数据波动的幅度明显增大。
顺序首尾相接的两个滑动数据窗口沿航迹数据滑动,得到Hotelling's T2统计量变化曲线如图6(a)所示。Hotelling's T2统计量曲线的四个峰值说明有四个显著的变点发生,表明了数据整体参数存在突变。由图6(a)可见,当有变点发生时,统计量曲线便迅速攀升。而在240和1300附近,出现了较低的峰值,相应的峰值反映了地速和升降率的突变。图6(a)中Hotelling's T2统计量的最大峰值达到了2000,由图5(b)中的一阶差分数据可以看出,飞行高度的均值跳变幅度最大约为40英尺,地速的均值跳变幅度约为2kts,升降率的均值跳变幅度约为5英尺/秒,由于飞行高度的均值存在较大的跳变幅度,这就导致了Hotelling's T2统计量的显著增大。当显著度水平设置为α=10-3时,变点检测结果如图6(b)所示。图中共检测出7个变点,其中4个变点反映了整体参数的突变,3个变点反映了地速或升降率的变化。
表3、不同显著度水平下检测到的变点位置分布
当两个滑动数据窗口的数据长度设置为l1=l2=60时,显著度水平与变点估计情况(αi,ki)如表3所示。由于检测到变点后,在数据矩阵W2前补充2d个数据,所以变点的位置可能大于60。由表3的统计结果可见,当显著度水平α较大时,检测门限较低,检测出的变点数量较多,发生虚警的概率较大;当α≤10-3时,当前数据段变点的数量不再发生变化,但估计的变点位置会有差别,这是由于检测门限升高,检测到变点的时刻发生延时引起的;当α≤10-5时,检测到的变点位置不再发生大的变化。因此,对于航空器航迹的变点检测的显著度水平取α=10-5。
最后对全航程的各个飞行阶段进行变点检测与估计。采用上述数据集的全部数据,共11686条,在两个滑动数据窗口的数据长度设置为l1=l2=60,显著度水平α=10-5时,共检测出30个变点,如图7所示。由图7可见,检测出的变点主要反映了航空器整体参数的显著变化,但也存在虚警,如第1140点处的结果。
实验结果表明,结合航空器航迹的具体特点,选择适度的滑动数据窗口的数据长度和显著度指标,可以有效地解决航空器航迹的实时划分问题。
Claims (6)
1.一种基于Hotelling's T2统计量的航空器航迹变点检测与估计方法,其特征在于,所述的基于Hotelling's T2统计量的航空器航迹变点检测与估计方法包括按顺序进行的下列步骤:
(1)从航空监视***提供的动态信息中提取出航空器飞行高度、地速和升降率在内参数的一阶差分序列数据的S1阶段;
(2)根据航迹特点建立顺序等长的双滑动数据窗口,利用双滑动数据窗口对步骤(1)得到的一阶差分序列数据进行截取,得到双窗口数据的S2阶段;
(3)对步骤(2)得到的双窗口数据,构建其均值矢量的假设检验模型,并计算相应的Hotelling's T2统计量,以进行变点检测的S3阶段;
(4)当在步骤(3)中检测到变点时,采用极大似然估计方法定位变点在滑动数据窗口中位置的S4阶段;
(5)根据步骤(3)变点检测的情况以及步骤(4)确定的变点位置,对变点位置连续实时地进行记录的S5阶段。
2.根据权利要求1所述的基于Hotelling's T2统计量的航空器航迹变点检测与估计方法,其特征在于,在步骤(1)中,所述的从航空监视***提供的动态信息中提取出航空器飞行高度、地速和升降率在内参数的一阶差分序列数据的方法是:根据航空监视***提供的航空器动态信息,提取出与航空器航迹相关的飞行高度、地速和升降率在内的参数的数据,构成原始观测矢量,然后采用一阶差分的方法消除原始观测矢量的时间相关性,得到一阶差分序列数据。
3.根据权利要求1所述的基于Hotelling's T2统计量的航空器航迹变点检测与估计方法,其特征在于,在步骤(2)中,所述的根据航迹特点建立顺序等长的双滑动数据窗口,利用双滑动数据窗口对步骤(1)得到的一阶差分序列数据进行截取,得到双窗口数据的方法是:根据航空器航迹阶段变化特点顺序地建立两个等长的滑动数据窗口,其中以航空器航迹阶段持续时间和航空监视***中数据更新时间来选择相应的窗口长度l1和l2,由双滑动数据窗口截取步骤(1)生成的一阶差分序列数据,得到相应的双窗口数据。
4.根据权利要求1所述的基于Hotelling's T2统计量的航空器航迹变点检测与估计方法,其特征在于,在步骤(3)中,所述的对步骤(2)得到的双窗口数据,构建其均值矢量的假设检验模型,并计算相应的Hotelling's T2统计量,以进行变点检测的方法是:分别计算双窗口数据的均值和协方差矩阵,进而得到两个滑动数据窗口内总体数据的合并协方差矩阵,构建两个滑动数据窗口内总体数据的均值向量的Hotelling's T2统计量,由假设检验来判定双窗口数据的均值矢量是否发生显著变化,进而判定是否有变点发生。
5.根据权利要求1所述的基于Hotelling's T2统计量的航空器航迹变点检测与估计方法,其特征在于,在步骤(4)中,所述的当在步骤(3)中检测到变点时,采用极大似然估计方法定位变点在滑动数据窗口中位置的方法是:当检测到变点发生时,变点通常位于后一个滑动数据窗口中,对该滑动数据窗口的数据矩阵修正后,采用极大似然估计方法确定出变点的准确位置。
6.根据权利要求1所述的基于Hotelling's T2统计量的航空器航迹变点检测与估计方法,其特征在于,在步骤(5)中,所述的根据步骤(3)变点检测的情况以及步骤(4)确定的变点位置,对变点位置连续实时地进行记录的方法是:如果步骤(3)中没有检测出变点,则双滑动数据窗口由原截取位置沿航迹顺序地滑动1个单位,两个滑动数据窗口内的数据矩阵分别更新为和重复步骤(3)及其以后步骤,并对步骤(4)估计出的变点位置进行连续实时地记录;
如果步骤(3)中检测出变点,并且步骤(4)中确定了变点的位置k,则两个滑动数据窗口以航迹中变点的位置k为起始点顺序地截取步骤(1)获得的一阶差分序列中的数据,得到变点后的双窗口数据矩阵和重复步骤(3)及其以后步骤,并对步骤(4)估计出的变点位置进行连续实时地记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710425966.3A CN107424441B (zh) | 2017-06-08 | 2017-06-08 | 基于Hotelling′s T2统计量的航空器航迹变点检测与估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710425966.3A CN107424441B (zh) | 2017-06-08 | 2017-06-08 | 基于Hotelling′s T2统计量的航空器航迹变点检测与估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107424441A true CN107424441A (zh) | 2017-12-01 |
CN107424441B CN107424441B (zh) | 2020-05-01 |
Family
ID=60429422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710425966.3A Active CN107424441B (zh) | 2017-06-08 | 2017-06-08 | 基于Hotelling′s T2统计量的航空器航迹变点检测与估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107424441B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456341A (zh) * | 2019-09-11 | 2019-11-15 | 安徽隼波科技有限公司 | 一种基于双滑窗的雷达目标航迹质量管理方法 |
CN111289093A (zh) * | 2018-12-06 | 2020-06-16 | 珠海格力电器股份有限公司 | 一种空调异响噪音评判方法及*** |
CN111739301A (zh) * | 2020-08-07 | 2020-10-02 | 中航信移动科技有限公司 | 短周期内交通出行数据的预测方法及装置 |
CN112349147A (zh) * | 2020-09-17 | 2021-02-09 | 北京中数科技术有限公司 | 识别航空器飞行高度异常的方法、装置、设备及存储介质 |
CN112365746A (zh) * | 2020-10-19 | 2021-02-12 | 中国电子科技集团公司第二十八研究所 | 一种用于军机穿越民航航路的方法及*** |
CN112883565A (zh) * | 2021-02-02 | 2021-06-01 | 中国科学院紫金山天文台 | 基于expectation maximization估计的轨道参数异常清理方法 |
CN115331488A (zh) * | 2022-10-13 | 2022-11-11 | 湖南省通用航空发展有限公司 | 通用航空器的数据处理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577058A (zh) * | 2009-05-26 | 2009-11-11 | 民航数据通信有限责任公司 | 支持广播式交通信息服务的数据处理方法 |
CN101692315A (zh) * | 2009-09-25 | 2010-04-07 | 民航总局空管局技术中心 | 基于实时雷达数据的高精度4d飞机航迹分析方法 |
CA2503045C (fr) * | 2004-05-18 | 2012-08-07 | Airbus France | Procede et dispositif de guidage d'un aeronef a l'atterrissage |
CN103729562A (zh) * | 2013-12-31 | 2014-04-16 | 东北大学 | 一种基于重构识别分析的青霉素发酵过程故障监测方法 |
CN105225541A (zh) * | 2015-10-29 | 2016-01-06 | 中国民航大学 | 基于空管历史数据挖掘的短时航迹预测方法 |
-
2017
- 2017-06-08 CN CN201710425966.3A patent/CN107424441B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2503045C (fr) * | 2004-05-18 | 2012-08-07 | Airbus France | Procede et dispositif de guidage d'un aeronef a l'atterrissage |
CN101577058A (zh) * | 2009-05-26 | 2009-11-11 | 民航数据通信有限责任公司 | 支持广播式交通信息服务的数据处理方法 |
CN101692315A (zh) * | 2009-09-25 | 2010-04-07 | 民航总局空管局技术中心 | 基于实时雷达数据的高精度4d飞机航迹分析方法 |
CN103729562A (zh) * | 2013-12-31 | 2014-04-16 | 东北大学 | 一种基于重构识别分析的青霉素发酵过程故障监测方法 |
CN105225541A (zh) * | 2015-10-29 | 2016-01-06 | 中国民航大学 | 基于空管历史数据挖掘的短时航迹预测方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289093A (zh) * | 2018-12-06 | 2020-06-16 | 珠海格力电器股份有限公司 | 一种空调异响噪音评判方法及*** |
CN110456341A (zh) * | 2019-09-11 | 2019-11-15 | 安徽隼波科技有限公司 | 一种基于双滑窗的雷达目标航迹质量管理方法 |
CN110456341B (zh) * | 2019-09-11 | 2021-09-28 | 安徽隼波科技有限公司 | 一种基于双滑窗的雷达目标航迹质量管理方法 |
CN111739301A (zh) * | 2020-08-07 | 2020-10-02 | 中航信移动科技有限公司 | 短周期内交通出行数据的预测方法及装置 |
CN112349147A (zh) * | 2020-09-17 | 2021-02-09 | 北京中数科技术有限公司 | 识别航空器飞行高度异常的方法、装置、设备及存储介质 |
CN112365746A (zh) * | 2020-10-19 | 2021-02-12 | 中国电子科技集团公司第二十八研究所 | 一种用于军机穿越民航航路的方法及*** |
CN112365746B (zh) * | 2020-10-19 | 2022-03-04 | 中国电子科技集团公司第二十八研究所 | 一种用于军机穿越民航航路的方法及*** |
CN112883565A (zh) * | 2021-02-02 | 2021-06-01 | 中国科学院紫金山天文台 | 基于expectation maximization估计的轨道参数异常清理方法 |
CN112883565B (zh) * | 2021-02-02 | 2022-04-01 | 中国科学院紫金山天文台 | 基于expectation maximization估计的轨道参数异常清理方法 |
CN115331488A (zh) * | 2022-10-13 | 2022-11-11 | 湖南省通用航空发展有限公司 | 通用航空器的数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107424441B (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107424441A (zh) | 基于Hotelling′s T2统计量的航空器航迹变点检测与估计方法 | |
CN109981192B (zh) | 一种空域反黑飞无人机的频谱监测方法 | |
CN108710623B (zh) | 基于时间序列相似性度量的机场离港延误时间预测方法 | |
Sun et al. | Modeling aircraft performance parameters with open ADS-B data | |
CN104246637B (zh) | 分析飞行器记录的飞行数据以将其截取到飞行阶段的方法 | |
Montani et al. | Forecast skill of the ECMWF model using targeted observations during FASTEX | |
CN110533095B (zh) | 一种基于改进随机森林的航班飞行风险行为识别方法 | |
CN104714225B (zh) | 一种基于广义似然比的动态规划检测前跟踪方法 | |
CN110196962A (zh) | 一种基于核密度估计的飞机速度异常识别方法 | |
US11094206B2 (en) | Vertical flightpath optimization | |
CN115064009B (zh) | 一种终端区无人机与有人机冲突风险等级划分方法 | |
Merk et al. | Detection of convective initiation using Meteosat SEVIRI: Implementation in and verification with the tracking and nowcasting algorithm Cb-TRAM | |
CN103854517A (zh) | 低空空域飞行器冲突解脱方法及设备 | |
CN104007428B (zh) | 一种在雷达回波中识别汽车行驶导致的非气象回波的方法 | |
CN113362604A (zh) | 一种基于扇区动态交通特征的管制员工作负荷评估方法 | |
CN113610282A (zh) | 航班滑行时间预测方法 | |
CN115718993A (zh) | 一种飞机积冰sfip指数优化调整方法及*** | |
CN115752708A (zh) | 一种基于深度时间卷积网络的机场单点噪声预测方法 | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
CN105118332A (zh) | 一种基于聚类分析法的空中交通管制模拟仿真异常检测方法和装置 | |
CN113962283A (zh) | 一种基于局部自适应动态时间规整的航空器轨迹聚类方法 | |
Meijers et al. | A data-driven approach to understanding runway occupancy time | |
Hrastovec et al. | Machine learning model for aircraft performances | |
CN113759392A (zh) | 基于飞行大数据的鲁棒gnss干扰源定位方法 | |
Li | Impact of assimilating Mode‐S EHS winds in the Met Office's high‐resolution NWP model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |