CN109493644B - 一种基于历史航迹数据挖掘的四维航迹推测方法 - Google Patents
一种基于历史航迹数据挖掘的四维航迹推测方法 Download PDFInfo
- Publication number
- CN109493644B CN109493644B CN201811364843.4A CN201811364843A CN109493644B CN 109493644 B CN109493644 B CN 109493644B CN 201811364843 A CN201811364843 A CN 201811364843A CN 109493644 B CN109493644 B CN 109493644B
- Authority
- CN
- China
- Prior art keywords
- track
- historical
- time
- flight
- aircraft
- 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
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于历史航迹数据挖掘的四维航迹推测方法,步骤包括:1、根据历史飞行数据和监视数据的关联关系,获得四维航迹信息;2、构建航空器历史四维航迹模型;3、分别对航空器起飞爬升阶段、平飞阶段、下降阶段的高度和速度进行线性和非线性拟合;4、对航空器各飞行阶段的水平轨迹进行分析;5、基于上述分析结果,建立航迹推测垂直剖面、水平剖面和速度剖面模型。与管制***普遍使用的四维航迹模型相比,本发明方法更简单实用,航迹推测的精确度更高,可以为新一代空中交通***的冲突探测与解脱、进离场排序、空中交通流量预测、流量调配措施制定等关键技术提供基础保障。
Description
技术领域
本发明属于民用航空空中交通管理技术领域,特别涉及空中交通管制冲突探测、空中交通流量预测、进离场排序、基于航迹运行以及空管决策支持工具的设计与验证等。
背景技术
航空运输业在世界经济和社会发展中发挥着重要的推动作用。国际民航组织统计显示全球空中交通量大约每十五年增加一倍,现有空中交通航行***的运行能力已经接近饱和。为了适应未来航空业的快速发展,解决空中交通安全、空域拥挤、航班延误等问题,各国致力于开展解决未来空中交通问题的新技术研究。
欧盟在2004年提出单一欧洲天空空中交通管理研究(SESAR),拟重新规划欧洲空域以满足空中交通需求,提高空管***效能。美国在2005年提出了下一代航空运输***(NextGen)。为了在全球范围内推进新一代空中交通管理***的实现,ICAO更新了《全球空中航行计划》第4版,航空***组块升级计划(ASBU)是其主要组成部分,用于指导各国将新技术合理应用到空管***现代化建设中。新一代空中交通管理***通过冲突探测与解脱、进离场排序、空中交通流量管理等为管制人员提供决策支持,上述技术均离不开对未来一段时间内航空器飞行轨迹的精确预测。因此,四维轨迹推测是新一代空管***的重要基础性技术。
四维航迹,也称4D航迹,是指航空器在空间中的三维位置点坐标和航空器在每个位置点相应的过点时间所组成的一系列点的集合。4D航迹推测综合考虑航空器运动学模型、性能模型、气象模型、飞行计划等要素,对航空器未来时间内的飞行轨迹进行预测,确定各个航迹点的过点时间。鉴于四维航迹预测的重要性与迫切性,国内外一些学者也对航迹预测这一关键技术进行大量的研究。随着设施设备的不断更新,航迹预测实时性和准确性要求不断提高,航迹预测方法分为:基于混合估计理论实现航迹预测、基于航空器飞行性能的航迹推测模型和基于人工智能方法的航迹预测。由于最优估计理论能够实现机动目标的跟踪与预测,因此是实现航迹预测的重要方法。卡尔曼滤波、改进卡尔曼滤波和自适应滤波算法都应用于航迹预测。基于航空器动力学及运动学模型利用各类机型性能参数能够实现四维航迹的预测,也是美国联邦航空局和欧控(Eurocontrol)在解决四维航迹预测问题时的建议方法。随着人工智能技术的快速发展,聚类方法、径向基神经网络、随机森林等一些人工智能的方法也应用于四维航迹预测。
上述4D航迹推测技术中基于混合估计理论实现航迹预测和基于人工智能方法的航迹预测仅在理论与算法领域取得了较多的成果。空管***中广泛使用的基于航空器飞行性能的航迹推测模型。基于航空器飞行性能的航迹预测模型,将飞机的航迹在垂直面内和水平面内进行分解,把航迹分解成垂直航迹剖面、水平航迹剖面和速度剖面,然后再结合飞行器性能、大气环境、城市航班对等进行推测。该方法对高度、速度、巡航高度的处理简单,推测的航迹与真实航迹有一定的误差。
因此,为了提高航迹推测的精度与可行度,本发明提出了一种基于历史航迹数据挖掘的4D航迹推测方法,对大量历史运行数据进行挖掘分析确定民用航空器性能模型,基于该模型进行4D航迹推测。与现有国内外4D航迹推测模型相比,本发明具有精度与可行性的优势。
发明内容
为了解决上述误差大的问题,提高航迹推测的精度与可行度,本发明提出一种基于历史航迹数据挖掘的四维航迹推测方法,包括步骤:
步骤1:对历史飞行数据和监视数据进行处理,获得4D航迹信息,历史飞行数据包括:航班号、预计起飞时间、实际起飞时间、预计到达时间、实际到达时间、航路点、过点时间等,历史监视信息包括:航迹号、时间、位置、高度、速度等,根据历史配对信息,建立历史飞行数据与监视数据的关联关系;历史航迹信息包括:航班号、时间、经纬度坐标、高度、速度;
步骤2:依据步骤1处理后的数据构建航空器历史4D航迹模型;将飞机的历史航迹在垂直面内和水平面内进行分解,把航迹分解成垂直航迹剖面、水平航迹剖面和速度剖面;
步骤3:根据航空器的飞行阶段对起飞爬升阶段历史航迹的高度、速度变化进行线性和非线性拟合,起飞爬升阶段高度随着时间的变化符合Boltzmann分布,速度随着时间的变化符合Logistic分布;
步骤4:对平飞阶段历史航迹的高度、速度变化进行线性和非线性拟合,平飞阶段高度保持不变,速度随机变化,更新周期内的速度的变化符合Gauss分布,对巡航高度与飞行时间的关系进行拟合,确定各飞行时段的常用巡航高度层;
步骤5:对下降进场阶段历史航迹的高度、速度变化进行线性和非线性拟合,下降进场阶段高度随着时间的变化符合Boltzmann分布,速度随着时间的变化符合Logistic分布;
步骤6:历史飞行计划中的航路点构成的计划的水平航迹与历史航迹数据中的经纬度点连接构成的真实水平航迹点进行对比分析,航空器沿着计划航路飞行,但并不在航路中心线上,为了保障安全性,航空器会在航路中心线一侧偏置飞行;
步骤7:所述步骤3、4、5、6进行合并,分别建立航空器飞行过程中速度、高度、水平航迹随着时间变化的数学模型,使用该模型进行4D航迹推测。
所述Boltzmann分布
其中,x为时间,x0为x的中间值,dx为时间常数,y为航空器高度,A1、A2分别为高度值的初始值与最终值。
所述Logistic分布
其中,x为时间,x0为x的中间值,y为航空器速度,p为常量,A1、A2分别为速度的初始值与最终值。
所述Gauss分布
其中,x为航空器巡航阶段的速度的偏移量,xc为x的平均值,w为尺度参数,y为航空器偏离平均速度的次数,y0为y的最小值。
有益效果:
(1)使用大量历史航空器航迹数据挖掘分析,使本发明真实可靠
本发明在设计4D航迹推测模型时,深入研究了国内外空管自动化***和流量管理***航迹推测模型,使用大量历史真实的航空器航迹数据分析挖掘,使本发明结论真实可信。
(2)使用多种非线性方法进行拟合分析,使得本方法准确性高
传统的4D航迹推测方法中,航空器飞行剖面上升阶段拟合为匀加速直线运动,下降阶段拟合为匀减速直线运动,上升和下降阶段的水平航迹分别为一段固定的距离。本发明上升阶段和下降阶段的高度采用Boltzmann分布拟合,速度采用Logistic分布拟合,上升和下降阶段的水平航迹根据航空器总的飞行距离动态适应性确定。
(3)聚类确定巡航阶段的参数,不使用每种机型的航空器性能数据库,使用本发明简单实用
传统的4D航迹推测方法中,采用航空器性能数据库确定航空器高度剖面和速度剖面,对历史航迹数据进行分析发现:民用航空器飞行过程中,高度、速度剖面与飞行距离、尾流类型、空域环境等相关与具体的飞机型号关系不大,因此,本发明采用飞行距离、尾流类型进行聚类确定各类的航迹剖面更加的简单实用。
附图说明
图1为航空器飞行剖面示意图。
图2为基于历史航迹数据挖掘的四维航迹推测方法的流程图。
图3为历史航迹垂直剖面图。图中,横坐标为时间,纵轴为航空器高度。
图4为历史航迹水平剖面图。图中,横坐标为时间,纵轴为水平位置。
图5为历史航迹速度剖面图。图中,横坐标为时间,纵轴为航空器速度。
图6为传统方法与本发明方法在上升阶段高度拟合结果对比图。图中,黑色方块表示的曲线为真实航迹,虚线为传统方法拟合结果,实线为本发明拟合结果。
图7为传统方法与本发明方法在上升阶段速度拟合结果对比图。图中,黑色方块表示的曲线为真实航迹,虚线为传统方法拟合结果,实线为本发明拟合结果。
图8为传统方法与本发明方法在下降阶段高度拟合结果对比图。图中,黑色方块表示的曲线为真实航迹,虚线为传统方法拟合结果,实线为本发明拟合结果。
图9为传统方法与本发明方法在下降阶段速度拟合结果对比图。图中,黑色方块表示的曲线为真实航迹,虚线为传统方法拟合结果,实线为本发明拟合结果。
具体实施方式
航空器的飞行阶段可分为五个部分,分别是起飞、爬升、巡航、下降和着陆,航空器在起飞机场起飞,经过离地爬升直至巡航高度,然后在巡航高度巡航飞行,当航空器飞行至开始下降点时进入下降阶段,直至到目的地机场着陆。四维航迹即航空器在其飞行阶段内的时间、水平位置、高度、垂直速度等信息。
参见图1。
基于历史航迹数据挖掘的四维航迹预测方法的流程图如图2所示,具体步骤如下:
步骤1:历史飞行数据和监视数据处理
历史飞行数据包括:航班号、预计起飞时间、实际起飞时间、预计到达时间、实际到达时间、航路点、过点时间等,历史监视信息包括:航迹号、时间、位置、高度、速度等,配对后的飞行计划具有航迹号与对应的历史监视数据进行管理,对配对后的航迹信息进行处理,得到每个更新周期历史航迹信息包括:航班号、时间、位置、高度、速度。航迹信息如表1所示:
表1每个更新周期历史航迹信息
航班号 | 时间(时分秒) | 位置(经纬度) | 高度(米) | 速度(千米/小时) |
CSC8896 | 085154 | 400922N1145643E | 9850 | 680 |
CSC8896 | 085204 | 400911N1145524E | 9920 | 681 |
CSC8896 | 085214 | 400859N1145405E | 9970 | 683 |
步骤2:航空器历史4D航迹剖面图
对航空器历史航迹数据按照时间进行排序,分别绘制航空器历史4D垂直航迹剖面、水平航迹剖面和速度剖面,如图3、图4、图5所示。
步骤3:起飞爬升阶段挖掘分析
对起飞爬升阶段历史航迹的高度随时间变化分别进行传统的线性拟合和非线性拟合,拟合结果如图6所示。
传统的线性拟合结果为:
y=89x+1011
本发明的Boltzmann(玻尔兹曼)拟合结果为:
使用R-Square(R平方)作为评价指标,这个值越接近1表示数据相关度越高,拟合越好,目前管制***中使用的传统线性拟合R值为0.972,本发明提出的Boltzmann拟合R值为0.999。因此,在起飞爬升阶段的高度推测中使用本发明提出的Boltzmann方法更优。
对起飞爬升阶段历史航迹的速度随时间变化分别进行传统的线性拟合和非线性拟合,拟合结果如图7所示。
传统的线性拟合结果为:
y=3.02x+396
本发明的Logistic拟合结果为:
使用R-Square(R平方)作为评价指标,目前管制***中使用的传统线性拟合R值为0.826,本发明提出的Logistic拟合R值为0.933。因此,在起飞爬升阶段的速度推测中使用本发明提出的Logistic方法更优。
步骤4:平飞阶段挖掘分析
对平飞阶段历史航迹的高度随时间变化进行分析,传统的管制***中使用飞行计划报中的巡航高度作为平飞阶段的高度,对大量运行时间的数据进行,根据飞行时间长度进行聚类发现:平飞阶段的巡航高度与航空器飞行时间正相关,为了避免频繁上升、下降的飞行冲突,提高飞行安全和降低操作工作量,国际航线和长途航班使用高的巡航高度,中短途航线使用较低的高度层。
平飞阶段飞行速度受大气、管制因素、飞行员的操作等因素影响随机变化,如图5所示。对每个更新周期内速度的变化进行分析,当前的速度与下一个更新周期之间的速度变化量符合Gauss分布。
传统管制***中使用飞行计划报中的巡航速度作为平飞阶段的速度,对大量运行数据进行分析,本发明中使用历史运行的统计值作为巡航速度。
步骤5:下降进场阶段挖掘分析
下降进场阶段历史航迹高度随时间变化分别进行传统的线性拟合和非线性拟合,拟合结果如图8所示。
传统的线性拟合结果为:
y=-4.6x+9556
本发明的Boltzmann拟合结果为:
使用R-Square(R平方)作为评价指标,这个值越接近1表示数据相关度越高,拟合越好,目前管制***中使用的传统线性拟合R值为0.966,本发明提出的Boltzmann拟合R值为0.996。因此,在下降进场阶段的高度推测中使用本发明提出的Boltzmann方法更优。
对下降进场阶段历史航迹的速度随时间变化分别进行传统的线性拟合和非线性拟合,拟合结果如图9所示。
传统的线性拟合结果为:
y=-0.29x+858.7
本发明的Logistic拟合结果为:
使用R-Square(R平方)作为评价指标,目前管制***中使用的传统线性拟合R值为0.895,本发明提出的Logistic拟合R值为0.951。因此,在下降进场阶段的速度推测中使用本发明提出的Logistic方法更优。
步骤6:水平航迹剖面挖掘分析
对历史运行中城市航班对间的飞行计划的航路串进行对比分析,相同城市航班对的民用航班飞行计划中的航路串是一致的。如从北京飞成都的航班航路串为“SOSDI W75BEGRI W76 NONIT G212 EXUMI W135 NUGLA G212 SUBUL W29 WFX”,对该航路串对应的经纬度点连接构成计划的水平航迹,使用历史监视数据中的每个更新周期的位置点的连线构成真实的水平航迹,历史真实水平航迹如图4所示。航空器沿着计划航路飞行,但并不在航路中心线上,为了保障安全性,航空器会在航路中心线右侧偏置几公里飞行。
步骤7:建立航迹推测垂直剖面、水平剖面和速度剖面模型
上述步骤3、4、5分别对起飞爬升阶段、平飞阶段、下降阶段的高度和速度进行了挖掘分析,步骤6对航空器各飞行阶段的水平轨迹进行了挖掘分析,本发明提出的方法与传统线性拟合方法的对比如下表所示:
本发明提出的方法在飞行各阶段的均优于目前管制***中使用的方法。因此,对上述步骤进行合并,分别建立航空器航迹推测垂直剖面、水平剖面、速度剖面模型,使用这3个模型进行4D航迹推测。
垂直剖面模型:
其中,t为时间,h为高度,hcruise为巡航高度,tdep、tarr、ttoc、ttod分别为起飞时间、降落时间、爬升到最高点的时间、巡航阶段开始下降的时间。
水平剖面模型:
民用航空器飞行航路遵照一号规定实施,航空器沿着飞行计划航路串飞行。为了保证安全,沿着航路中心线右侧偏置一定的距离飞行。
设飞行计划中相邻两个航路点为A1'(x1,y1)、A'2(x2,y2),右偏置距离为d,航向为α。
航空器通过的航路点分别为A1(x1+d sinα,y1-d cosα),
A2(x2+d sinα,y2-d cosα)
航路飞行距离为两个航路点之间的距离。
速度剖面模型:
其中,t为时间,v为速度,vcruise为巡航速度,tdep、tarr、ttoc、ttod分别为起飞时间、降落时间、爬升到最高点的时间、巡航阶段开始下降的时间。
本发明4D航迹推测可以应用于空域结构调整、冲突探测与解脱、进离场排序、飞行流量预测等空中交通流量管理的战略和预战术阶段。
Claims (5)
1.一种基于历史航迹数据挖掘的四维航迹推测方法,其特征在于:包括步骤:
步骤1:根据历史飞行数据和监视数据的关联关系,获得四维航迹信息,历史航迹信息包括:航班号、时间、经纬度坐标、高度、速度;
步骤2:依据步骤1处理后的数据构建航空器历史四维航迹模型,包括将飞机的历史航迹在垂直面内和水平面内进行分解,把航迹分解成垂直航迹剖面、水平航迹剖面和速度剖面;
步骤3:对起飞爬升阶段历史航迹的高度、速度变化进行线性和非线性拟合;
步骤4:对平飞阶段历史航迹的高度、速度变化进行线性和非线性拟合;
步骤5:对下降进场阶段历史航迹的高度、速度变化进行线性和非线性拟合;
步骤6:历史飞行计划中的航路点构成的计划的水平航迹与历史航迹数据中的经纬度点连接构成的真实水平航迹点进行对比分析,航空器沿着计划航路飞行,但并不在航路中心线上,为了保障安全性,航空器会在航路中心线一侧偏置飞行;
步骤7,根据所述步骤3、4、5和6的分析结果,建立航迹推测垂直剖面模型、水平剖面模型和速度剖面模型,使用该模型推测航空器飞行过程中速度、高度、水平航迹随时间的变化情况;
所述垂直剖面模型为
其中,t为时间,h为高度,hcruise为巡航高度,tdep、tarr、ttoc、ttod分别为起飞时间、降落时间、爬升到最高点的时间、巡航阶段开始下降的时间;
步骤7中所述水平剖面模型为,设飞行计划中相邻两个航点为A′1(x1,y1)、A′2(x2,y2),右偏置距离为d,航向为α,则航空器通过的航路点分别为A1(x1+d sinα,y1-d cosα),A2(x2+dsinα,y2-d cosα),其中,航路飞行距离为两个航路点之间的距离;
步骤7中所述速度剖面模型为
其中,t为时间,v为速度,vcruise为巡航速度,tdep、tarr、ttoc、ttod分别为起飞时间、降落时间、爬升到最高点的时间、巡航阶段开始下降的时间。
2.根据权利要求1所述的基于历史航迹数据挖掘的四维航迹推测方法,其特征在于,步骤3中所述对起飞爬升阶段历史航迹的高度、速度变化进行线性和非线性拟合,是指航空器起飞爬升阶段高度随着时间的变化采用Boltzmann分布函数拟合,速度随着时间的变化采用Logistic分布函数拟合。
3.根据权利要求1所述的基于历史航迹数据挖掘的四维航迹推测方法,其特征在于,步骤5中所述对下降进场阶段历史航迹的高度、速度变化进行线性和非线性拟合,是指航空器下降进场阶段高度随着时间的变化采用Boltzmann分布函数拟合,速度随着时间的变化采用Logistic分布函数拟合。
5.根据权利要求1所述的基于历史航迹数据挖掘的四维航迹推测方法,其特征在于:步骤4中所述对平飞阶段历史航迹的高度、速度变化进行线性和非线性拟合,是指平飞阶段速度的变化采用Gauss分布函数拟合,平飞阶段高度的变化与航空器飞行时间正相关,长途航班使用高的巡航高度,中短途航线使用较低的高度层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811364843.4A CN109493644B (zh) | 2018-11-16 | 2018-11-16 | 一种基于历史航迹数据挖掘的四维航迹推测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811364843.4A CN109493644B (zh) | 2018-11-16 | 2018-11-16 | 一种基于历史航迹数据挖掘的四维航迹推测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109493644A CN109493644A (zh) | 2019-03-19 |
CN109493644B true CN109493644B (zh) | 2020-08-14 |
Family
ID=65695903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811364843.4A Active CN109493644B (zh) | 2018-11-16 | 2018-11-16 | 一种基于历史航迹数据挖掘的四维航迹推测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109493644B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321401B (zh) * | 2019-07-09 | 2023-05-26 | 中国人民解放军海军航空大学 | 时空数据关联深度学习方法 |
CN110400392A (zh) * | 2019-07-31 | 2019-11-01 | 深圳市瑞达飞行科技有限公司 | 飞行数据处理方法、装置、计算机***和可读存储介质 |
CN110889543B (zh) * | 2019-11-20 | 2023-06-09 | 西北工业大学 | 一种基于四维航迹运行的rta序列分配方法 |
CN110969900B (zh) * | 2019-11-21 | 2022-03-15 | 中国航空工业集团公司西安飞行自动控制研究所 | 一种基于航线管理的全航线水平偏置计算方法 |
CN111047914B (zh) * | 2019-11-28 | 2020-11-03 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 一种基于四维航迹运行的fms航迹预测方法 |
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 |
CN112216151B (zh) | 2020-10-15 | 2021-12-28 | 北京航空航天大学 | 空中交通四维航迹调控决策方法 |
CN112700681B (zh) * | 2020-12-25 | 2022-11-22 | 中国航空无线电电子研究所 | 一种支持tbo运行的4d航迹协同管理方法 |
CN113375672B (zh) * | 2021-02-08 | 2023-02-17 | 北京理工大学 | 一种无人飞行器的高实时航迹避让方法及*** |
CN114066263B (zh) * | 2021-11-18 | 2023-01-31 | 中国电子科技集团公司第二十八研究所 | 基于等值段识别的航班爬升阶段转换高度要素确定方法 |
CN114495582B (zh) * | 2021-12-08 | 2023-03-31 | 中国电子科技集团公司第二十八研究所 | 一种基于实时雷达数据的四维航迹速度动态分段修正方法 |
CN114283624B (zh) * | 2021-12-21 | 2022-09-20 | 中国人民解放军93209部队 | 一种基于空地航迹信息共享的飞机位置预测方法 |
CN114912688B (zh) * | 2022-05-18 | 2024-04-30 | 中国电子科技集团公司第二十八研究所 | 一种基于爬升段能量分享因子估算的航空器轨迹预测方法 |
CN115394123B (zh) * | 2022-07-18 | 2024-02-13 | 中国电子科技集团公司第二十八研究所 | 一种基于空管历史飞行数据预测航班飞行高度的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US9026275B1 (en) * | 2013-07-24 | 2015-05-05 | Shih-Yih Young | In-flight generation of RTA-compliant optimal profile descent paths |
CN105353644A (zh) * | 2015-09-29 | 2016-02-24 | 中国人民解放军63892部队 | 基于实装数据信息挖掘的雷达目标航迹衍生***及方法 |
CN107678444A (zh) * | 2017-06-30 | 2018-02-09 | 中国航空无线电电子研究所 | 一种实现平行偏置飞行的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2954555B1 (fr) * | 2009-12-23 | 2012-08-10 | Thales Sa | Procede et dispositif pour le calcul d'une fenetre de temps. |
EP2944921B1 (en) * | 2014-05-15 | 2017-05-10 | Airbus Defence and Space GmbH | Method of calculating an analytical flight path |
CN104008674B (zh) * | 2014-06-16 | 2016-01-20 | 中国民航大学 | 一种基于模式匹配的终端区进场飞行时间预测方法 |
CN106846924A (zh) * | 2015-01-07 | 2017-06-13 | 江苏理工学院 | 用于冲突预警的空中交通管制*** |
-
2018
- 2018-11-16 CN CN201811364843.4A patent/CN109493644B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US9026275B1 (en) * | 2013-07-24 | 2015-05-05 | Shih-Yih Young | In-flight generation of RTA-compliant optimal profile descent paths |
CN105353644A (zh) * | 2015-09-29 | 2016-02-24 | 中国人民解放军63892部队 | 基于实装数据信息挖掘的雷达目标航迹衍生***及方法 |
CN107678444A (zh) * | 2017-06-30 | 2018-02-09 | 中国航空无线电电子研究所 | 一种实现平行偏置飞行的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109493644A (zh) | 2019-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493644B (zh) | 一种基于历史航迹数据挖掘的四维航迹推测方法 | |
US20220215760A1 (en) | System and method for flight arrival time prediction | |
CN101692315B (zh) | 基于实时雷达数据的高精度4d飞机航迹分析方法 | |
Patron et al. | Flight trajectories optimization under the influence of winds using genetic algorithms | |
US11727818B1 (en) | Aircraft surface state event track system and method | |
US11094206B2 (en) | Vertical flightpath optimization | |
CA2936382C (en) | A computer-implemented method and system for setting up an air traffic simulator | |
CN106952506A (zh) | 一种近距平行跑道碰撞风险及安全间隔计算***和方法 | |
EP2743739B1 (en) | Using aircraft trajectory data to infer atmospheric conditions | |
CN111508280B (zh) | 一种基于4d航迹的移动时隙航空管制方法 | |
CN111192481B (zh) | 一种基于碰撞风险的进离场程序无人机管控区边界确定方法 | |
Denery et al. | The center-tracon automation system: Simulation and field testing | |
CN107341620B (zh) | 基于bada燃油消耗率的短期天气下进场航班延误成本计算方法 | |
Çeçen et al. | Aircraft sequencing and scheduling in TMAs under wind direction uncertainties | |
US10497269B2 (en) | Integrated management for airport terminal airspace | |
Cao et al. | A rescheduling method for conflict-free continuous descent approach | |
CN107544536B (zh) | 用于基于性能的到达以及排序和间距的方法和*** | |
Hardell et al. | Automated Traffic Scheduling in TMA with Point Merge to Enable Greener Descents | |
CN111652428B (zh) | 一种基于历史数据的航班预达时刻估算方法及*** | |
CN114118578A (zh) | 一种基于空中轨迹和大数据预测航班到达时间的计算方法 | |
Wang | Weather impact on airport arrival meter fix throughput | |
Park et al. | Situational Anomaly Detection Using Multi-agent Trajectory Prediction for Terminal Airspace Operations | |
Ng | Strategic planning with unscented optimal guidance for urban air mobility | |
Xue et al. | Optimal assignment of time of departure under severe weather | |
Quan et al. | Modeling the economic impact of adverse weather into en route flights |
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 |