CN110263962A - 终端区进场态势预测方法 - Google Patents

Abstract

本发明涉及一种终端区进场态势预测方法，其包括：建立长短期记忆网络为基础的进场交通流预测模型，根据不同的参数构造模型集合；选取模型集合中的最优模型，并将所选取最优模型在实际测试集上验证；将最优模型的参数固定，并对交通拥堵等级进行预测。通过建立长短期记忆网络为基础的进场交通流预测模型来获取进场态势，便于管理人员客观、准确的度量终端区的交通运行态势。

Description

终端区进场态势预测方法

技术领域

本发明涉及航空领域，具体涉及一种终端区进场态势预测方法。

背景技术

近年来，由于航班量的增加导致的终端区拥堵问题日益突出。终端区在航路网络中的特殊位置使其成为高密度、高度复杂的典型繁忙空域，客观、准确的度量终端区的交通运行态势，分析其规律性动态变化特征，是辅助管制人员采取合适的流量调配措施必要支持手段。航迹是航空器相互作用及管制干预行为的客观记录，具有较高的可变性。另一方面，航空器运行受到计划路径与飞行程序的约束，航迹具有一定的规范性与汇聚性，借助终端区交通流的聚类识别方法，可以提取不同进场交通流特征。

交通态势是指空域内所有航空器运行行为所构成的交通状态与形势，表达空域整体与全局的概念，而目前国内对于空域交通态势仍基本停留在态势仿真、感知与显示的层面，尚未形成有效的评价体系与方法。2010年9月，李杰等人发表《空中流量管理***中交通态势显示的研究与应用》，主要讨论了交通态势显示研究中的一些问题和关键技术；2011年2月，赵嶷飞等人在《中国民航大学学报》发表《基于模糊综合评价的航路交通态势评估》，文中讨论了仅针对航路的交通态势指标及综合评价方法。由此，空域单元相关的交通态势评价存在较大的应用需求与研究空间。目前关于空域交通态势的研究现状如下：

(1)尚未将交通态势从基本的直观感知，抽象为具体的数据信息。

(2)尚未建立完整的扇区态势评价指标集合与体系，已有的指标集中与某一方面，且指标粒度细化程度较低。

(3)除航路态势评价鲜有研究之外，对管制扇区/终端区的态势综合评价尚处于空白，对空域管理与流量管理缺乏支持。

因此对于终端区进场交通态势进行准确的预测可以弥补上述的空白区域，从而为终端区管制员做出正确决策提供重要依据。总体而言，目前关于交通态势的评价与预测研究现状如下：

(1)一般以交通的总体态势为对象，对交通流态势研究基本还停留在评价，尚未对交通流态势进行有效预测。

(2)对于空中交通态势的评价，基本还是用传统的指标度量，未能有效结合微观与宏观的交通特性度量。

(3)对于空中交通态势的评价中主观成分较多，未能利用交通特性自身的数值变化特征。

因此，对终端区交通流态势进行定量及科学的研究，可以做出更加准确的预测与评价，另外在评价交通流态势以及影响因素时，从已获得的交通流数据中，筛选、提取及定义某些关键指标并对指标进行科学方法的选择与提取，可以时后续的预测结果更好。从指标定义以及筛选、再到基于聚类的标签等级分类最后进行基于深度学习的预测，可以减少人为主观评价，终端区交通态势的评价与预测更加准确、科学。

另一方面，由于机器学习在各领域取得的卓越成就，不少学者将机器学习运用到民航领域。通过将造成终端区进场拥堵的影响因素作为机器学习模型的特征，终端区进场的态势的等级作为预测的结果对所建立的数学模型进行训练。因为决策者往往无法直接获取相关因素对航班运行所造成的影响，所以基于机器学习的预测方法得到了一些实际的运用，然而由于航迹的高密度和航空器的高可变性，利用传统机器学习的方法的预测准确率往往不能满足机场的终端区管制。

如何解决上述问题，是目前亟待解决的。

发明内容

本发明的目的是提供一种终端区进场态势预测方法。

为了解决上述技术问题，本发明提供了一种终端区进场态势预测方法，包括：

建立长短期记忆网络为基础的进场交通流预测模型，根据不同的参数构造模型集合；

选取模型集合中的最优模型，并将所选取最优模型在实际测试集上验证；

将最优模型的参数固定，并对交通拥堵等级进行预测。

本发明的有益效果是，本发明提供了一种终端区进场态势预测方法，其包括：建立长短期记忆网络为基础的进场交通流预测模型，根据不同的参数构造模型集合；选取模型集合中的最优模型，并将所选取最优模型在实际测试集上验证；将最优模型的参数固定，并对交通拥堵等级进行预测。通过建立长短期记忆网络为基础的进场交通流预测模型来获取进场态势，便于管理人员客观、准确的度量终端区的交通运行态势。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明所提供的终端区进场态势预测方法的流程图。

图2是本发明所提供的额外飞行距离与相对飞行速度散点图。

图3是本发明所提供的航迹吻合度与相对飞行速度散点图。

图4是本发明所提供的LSTM单元内部结构图。

图5是本发明所提供的预测模型概念图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

实施例

如图1所示，本实施例提供了一种终端区进场态势预测方法。终端区进场态势预测方法通过建立长短期记忆网络为基础的进场交通流预测模型来获取进场态势，便于管理人员客观、准确的度量终端区的交通运行态势。包括：

S110：建立长短期记忆网络为基础的进场交通流预测模型，根据不同的参数构造模型集合；

S120：选取模型集合中的最优模型，并将所选取最优模型在实际测试集上验证；

S130：将最优模型的参数固定，并对交通拥堵等级进行预测。

其中，步骤S110包括：

S111：获取进场交通流数据；

S112：依据进场交通流数据获取进场交通流样本集D＝{x₁，x₂，...，x_m}

S113：定义的进场交通特征；

S114：计算拥挤等级分类；

S115：对数据进行清洗与预处理，依据交通流特征与等级分类结果构建训练集与测试机；

S116：建立进场交通流态势等级预测模型，并设置预测模型集合。

在本实施例中，由于机场航班具有高度的汇聚性，可将其视为一个整体的以机场为汇聚点的汇聚流，步骤S113包括：

额外飞行时间Ad_T_k，指在统计时间片k内终端区中进场航空的飞行时间超出其对应的参考航迹参考时间的平均时长，即：

其中m为终端区的进场交通流数量，N_j为第j进场流在时间片k内航迹数量， t_ij为进场流j中第i个航迹的飞行时长，为进场流j的参考航迹时长；

额外飞行距离Ad_D_k，指在统计时间片k内终端区中进场航空的飞行距离超出其对应的参考航迹长度的平均距离，即：

其中d_ij为进场流j中第i个航迹的飞行时长，为进场流j的参考航迹距离；

相对速度是指统计时间片k内，终端区进场航空器所对应的参考航迹长度与实际飞行时间比值的平均水平，即：其中为进场流 j中第i个航空器的相对飞行速度；

航迹吻合度Av_C_k，是指统计时间片k，所有航空器飞行轨迹与定位点对应参考航迹间差异性的平均水平，距离计算方式采用欧式距离，c′_ij是转换后的吻合度，航迹吻合度，即：

交汇排队数量Av_W_k，是指统计时间片k内进入终端区的航空器，自进入终端区到落地时间范围内前序航班数量的平均水平，即：

w_ij为进场流j中第i个航空器的排队数

平均下降率Av_H_k，是指统计时间片k内，进场航空器进入终端区垂直下降速率的平均水平，其中h_ij为进场流j中第i个航空器的平均下降速率，平均下降率，即：

总飞行时间是指统计时间片k内，各进场流各航空器总的飞行时间；

总飞行距离是指统计时间片k内，各进场流各航空器总的飞行距离。

所选取进场流属性与进场交通态势都有影响关系，观察基于实测数据的进场交通特征间的数值分布，通过非线性拟合曲线发现特征间的分布变化规律以及特征变化与终端区拥堵情况的关系。例如图2所示，在额外距离小于-8的负值区间，相对飞行速度维持在较高水平；在额外飞行距离为0附近，数值点明显密集，相对速度快速下降，表明航空器基本遵循参考航迹运行。各阶段分别对应图中各虚线框体所示，可分别表征畅通、过渡及繁忙状态。从图2、图3中的散点分布情况来看，终端区拥堵情况与额外飞行时间、相对飞行速度、航迹吻合度有密切的关联。下表为各数据特征的相关性数据与F检验数据，表现各特征间具有较好的关联性。

表一：各数据特征的相关性数据与F检验数据

在本实施例中，步骤S114包括：利用聚类算法得到拥挤等级分类，即聚类簇之间距离度量函数d采用豪斯多夫的平均距离，即：

其中，dist(x，z)表示两个类簇里对应的两个样本C_i，C_j表示当前计算距离的两个类簇；

将聚类数k设置为3，聚类过程如下：

设置当前聚类簇个数：q＝m；

While q＞k do

找出距离最近的两个聚类簇和

合并与

For j＝j*+1，j*+2，…，q do

将聚类C_j重新编号为C_j-1；

End for

删除距离矩阵M的第j*行与第j*列；

输出簇划分C＝{C₁，C₂，C₃}，得到三种进场交通流态势类别，分别对应畅通态、过渡态、拥堵态。

在本实施例中，步骤S115包括：

根据实际的数据集计算得到相应特征与拥堵等级，并将拥堵等级字段分成三类，将其转换成相应的类别标签c₀，c₁，c₂。为了提高预测准确度，还要对拥堵等级标签进行embedding处理，最得到它的one-hot矩阵，如拥堵等级对应编码c₂，则其one-hot矩阵为[0，0，1]。

依据分类结果以及one-hot矩阵得出训练和测试用数据集D′＝{(X_i，C_i)}， X_i＝(x_i1，x_i2，...，x_id)，C_i＝(c₀，c₁，c₂)；X_i表示第i条数据的输入维度矩阵，C_i为标签矩阵。两者合并成为数据集。{(X_i，C_i)}为数学集合的表示形式，x_i1表示该矩阵的第一个元素值。

对数据集依据公式进行归一化处理，其中d_i是某时间段进场交通流数据，Max和Min分别表示数据中的每个特征最大值和最小值，x_i是d_i的归一化结果；

将归一化后的数据集以timestep为单位按固定比例分成测试集D₁与训练集 D₂，将训练集分成m均等份，即，D₁＝{T₁，T₂，...，T_timestep，T_timestep+1，...，T_2*timestep，...，T_m*timestep}，将测试集分为n均等份，即，D₂＝{T₁，T₂，...，T_timestep，T_timestep+1，...，T_2*timestep，...，T_n*timestep}，其中 T_i＝(x_i1，x_i2，...，x_id，y_i)＝(X_i，C_i)，其中d为特征个数。

在本实施例中，步骤S116包括：

依据进场交通特征以及等级分类结果建立基于长短期记忆网络(LSTM)的进场交通流拥堵等级预测模型。预测模型，以15分钟为一个时段，通过上述AGNES 聚类可以获得不拥堵(畅通)，轻度拥堵(过渡)，重度拥堵(拥堵)三种延误状态的数据。在所划分的拥堵数据序列中，前几个时段的拥堵会造成后续时段的拥堵。模型具体由若干个LSTM细胞组成。基于输入的当前时段的终端区拥堵数据，模型中的LSTM单元不仅计算并输出当前时段的拥堵等级，将数据信息通过网络结构传输到下一个LSTM细胞，并且将信息供给下一个时段的计算使用，该模型可以依据部分的当前时段终端区的信息计算并输出后续时段的终端区的拥堵等级。LSTM单元的内部结构图如图4所示，预测模型的概念图如图5所示。

每次将一个时间序列的数据作为模型的输入，模型的最后输出为预测的交通拥堵等级；

根据候选的LSTM模型的初始化序列长度，LSTM层数，细胞数，Dropout 概率与学习率a，按照固定其他参数不变，改变某一固定参数的方法设置预测模型集合M＝{m₁，m₂，...，m_k}，其中，m₁为第1个候选模型，m₂为第2个候选模型，m_k为第k个候选模型；

对M中的每一个模型m_i，初始化网络权重其中W是所有连接相邻两层的权重，b是各层的偏置项，N(0，1)为标准正态分布。

在本实施例中，步骤S120：包括：

从预测模型集合M中取出一个模型m_j，并设置并初始化模型m_j的网络权重

对训练集的训练数据采用贪婪算法逐层训练网络参数θ^(j)，j＝1，2，...，m_i，即先利用输入数据训练深度降噪自编码网络的第一层，生成第一层网络的参数W⁽¹⁾和b⁽¹⁾；然后将第一层的输出作为第二层的输入，继续训练得到第二层的参数W⁽²⁾和b⁽²⁾；最后对后面各层采用同样的策略，即将前层的输出作为下一层输入的方式依次训练，对于上述训练方式，在训练每一层参数的时候，会固定其它各层参数保持不变，利用贪婪算法逐层训练模型的网络参数，通过反向传播调整网络参数，得到模型学习后的参数值。

假设模型的体积大小为m(层)乘n(每层神经元的个数)，这里的n就是每层神经元的个数。

模型的损失目标函数采用交叉熵损失函数Loss＝-∑y_iln a_i，其中，y_i代表的是真实值，而a_i代表的是模型的预测值；

在根据损失目标函数进行训练时，需要定义学习率的大小，学习率a公式为：其中θ代表网络的权重的值，j表示模型在训练的迭代步数；

对学习参数设置了正则化约束，正则化约束后的目标函数为：

其中θ＝{W，b}；W是所有连接相邻两层的权重；b是各层的偏置项；λ则用于度量数据重构程度和正则化约束之间的权重，x代表模型的概念输入矩阵。L为模型实际的损失函数，J为未正则化的损失函数。

若经验风险未收敛，则根据学习率a迭代更新模型权重直到经验风险趋于收敛，并在测试集上进行测试得到预测的终端区拥堵等级与准确率Accuracy。将测试集的数据输入给得到的模型，得到实际的测试准确率令M＝M\{m_i}，如果则选取Accuracy最高的模型为最优模型，否则继续选取模型训练。

在本实施例中，步骤S130包括：

将步骤S120中的最优模型的参数进行固定；

将某timestep条进场交通流数据(T_j，T_j+1，...，T_j+timestep)，其中T_i＝(x_i1，x_i2，...，x_id，y_i)输入给最优模型，得到下一个时间粒度预测的交通流进场态势c_i，其中i∈(0，1，2)。

综上所述，本发明提供了一种终端区进场态势预测方法，其包括：建立长短期记忆网络为基础的进场交通流预测模型，根据不同的参数构造模型集合；选取模型集合中的最优模型，并将所选取最优模型在实际测试集上验证；将最优模型的参数固定，并对交通拥堵等级进行预测。通过建立长短期记忆网络为基础的进场交通流预测模型来获取进场态势，便于管理人员客观、准确的度量终端区的交通运行态势。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (8)

1.一种终端区进场态势预测方法，其特征在于，包括：

建立长短期记忆网络为基础的进场交通流预测模型，根据不同的参数构造模型集合；

选取模型集合中的最优模型，并将所选取最优模型在实际测试集上验证；

将最优模型的参数固定，并对交通拥堵等级进行预测。

2.如权利要求1所述的终端区进场态势预测方法，其特征在于，所述建立长短期记忆网络为基础的进场交通流预测模型，根据不同的参数构造模型集合的方法包括：

获取进场交通流数据；

依据进场交通流数据获取进场交通流样本集D＝{x₁，x₂，...，x_m}

定义的进场交通特征；

计算拥挤等级分类；

对数据进行清洗与预处理，依据交通流特征与等级分类结果构建训练集与测试机；

建立进场交通流态势等级预测模型，并设置预测模型集合。

3.如权利要求2所述的终端区进场态势预测方法，其特征在于，

所述定义的进场交通特征的方法包括：

额外飞行时间Ad_T_k，指在统计时间片k内终端区中进场航空的飞行时间超出其对应的参考航迹参考时间的平均时长，即：

其中m为终端区的进场交通流数量，N_j为第j进场流在时间片k内航迹数量，t_ij为进场流j中第i个航迹的飞行时长，为进场流j的参考航迹时长；

额外飞行距离Ad_D_k，指在统计时间片k内终端区中进场航空的飞行距离超出其对应的参考航迹长度的平均距离，即：

其中d_ij为进场流j中第i个航迹的飞行时长，为进场流j的参考航迹距离；

相对速度Av_V_k ^r，是指统计时间片k内，终端区进场航空器所对应的参考航迹长度与实际飞行时间比值的平均水平，即：其中为进场流j中第i个航空器的相对飞行速度；

航迹吻合度Av_C_k，是指统计时间片k，所有航空器飞行轨迹与定位点对应参考航迹间差异性的平均水平，距离计算方式采用欧式距离，c′_ij是转换后的吻合度，航迹吻合度，即：

交汇排队数量Av_W_k，是指统计时间片k内进入终端区的航空器，自进入终端区到落地时间范围内前序航班数量的平均水平，即：

其中，w_ij为进场流j中第i个航空器的排队数；

平均下降率Av_H_k，是指统计时间片k内，进场航空器进入终端区垂直下降速率的平均水平，其中h_ij为进场流j中第i个航空器的平均下降速率，平均下降率，即：

总飞行时间是指统计时间片k内，各进场流各航空器总的飞行时间；

总飞行距离是指统计时间片k内，各进场流各航空器总的飞行距离。

4.如权利要求3所述的终端区进场态势预测方法，其特征在于，所述计算拥挤等级分类的方法包括：利用聚类算法得到拥挤等级分类，即

聚类簇之间距离度量函数d采用豪斯多夫的平均距离，即：

将聚类数k设置为3，聚类过程如下：

设置当前聚类簇个数：q＝m；

While q＞k do

找出距离最近的两个聚类簇c_i*和C_j*；

合并C_i*与C_j*：C_i*＝C_i*∪C_j*；

For j＝j*+1，j*+2，…，q do

将聚类C_j重新编号为C_j-1；

End for

删除距离矩阵M的第j*行与第j*列；

输出簇划分C＝{C₁，C₂，C₃}，得到三种进场交通流态势类别，分别对应畅通态、过渡态、拥堵态。

5.如权利要求4所述的终端区进场态势预测方法，其特征在于，所述对数据进行清洗与预处理，依据交通流特征与等级分类结果构建训练集与测试机的方法包括：

依据等级分类结果对进场交通流数据进行embedding处理，得到one-hot矩阵；

依据分类结果以及one-hot矩阵得出训练和测试用数据集D′＝{(X_i，C_i)}，X_i＝(x_i1，x_i2，...，x_id)，C_i＝(c₀，c₁，c₂)；

对数据集依据公式进行归一化处理，其中d_i是某时间段进场交通流数据，Max和Min分别表示数据中的每个特征最大值和最小值，x_i是d_i的归一化结果；

将归一化后的数据集以timestep为单位按固定比例分成测试集D₁与训练集D₂，将训练集分成m均等份，即，D₁＝{T₁，T₂，...，T_timestep，T_timestep+1，...，T_2*timestep，...，T_m*timestep}，将测试集分为n均等份，即，D₂＝{T₁，T₂，...，T_timestep，T_timestep+1，...，T_2*timestep，...，T_n*timestep}，其中T_i＝(x_i1，x_i2，...，x_id，y_i)，其中d为特征个数。

6.如权利要求5所述的终端区进场态势预测方法，其特征在于，所述建立进场交通流态势等级预测模型，并设置预测模型集合的方法包括：

依据进场交通特征以及等级分类结果建立基于长短期记忆网络(LSTM)的进场交通流拥堵等级预测模型，每次将一个时间序列的数据作为模型的输入，模型的最后输出为预测的交通拥堵等级；

根据候选的LSTM模型的初始化序列长度，LSTM层数，细胞数，Dropout概率与学习率a，按照固定其他参数不变，改变某一固定参数的方法设置预测模型集合M＝{m₁，m₂，...，m_k}，其中，m₁为第1个候选模型，m₂为第2个候选模型，m_k为第k个候选模型；

对M中的每一个模型m_i，初始化网络权重其中W是所有连接相邻两层的权重，b是各层的偏置项，N(0，1)为标准正态分布。

7.如权利要求6所述的终端区进场态势预测方法，其特征在于，所述选取模型集合中的最优模型，并将所选取最优模型在实际测试集上验证的方法包括：

从预测模型集合M中取出一个模型m_j，并设置并初始化模型m_j的网络权重

对训练数据采用贪婪算法逐层训练网络参数θ^(j)，j＝1，2，...，m_i，即先利用输入数据训练深度降噪自编码网络的第一层，生成第一层网络的参数W⁽¹⁾和b⁽¹⁾；然后将第一层的输出作为第二层的输入，继续训练得到第二层的参数W⁽²⁾和b⁽²⁾；最后对后面各层采用同样的策略，即将前层的输出作为下一层输入的方式依次训练，对于上述训练方式，在训练每一层参数的时候，会固定其它各层参数保持不变，利用贪婪算法逐层训练模型的网络参数，通过反向传播调整网络参数，得到模型学习后的参数值；

模型的损失目标函数采用交叉熵损失函数Loss＝-∑y_ilna_i，其中，y_i代表的是真实值，而a_i代表的是模型的预测值；

在根据损失目标函数进行训练时，需要定义学习率的大小，学习率a公式为：其中θ代表网络的权重的值，j表示模型在训练的迭代步数；

对学习参数设置了正则化约束，正则化约束后的目标函数为：

其中θ＝{W，b}；W是所有连接相邻两层的权重；b是各层的偏置项；λ则用于度量数据重构程度和正则化约束之间的权重，x代表模型的概念输入矩阵；

若经验风险未收敛，则根据学习率a迭代更新模型权重直到经验风险趋于收敛，并在测试集上进行测试得到预测的终端区拥堵等级与准确率Accuracy。将测试集的数据输入给得到的模型，得到实际的测试准确率令M＝M\{m_i}，如果则选取Accuracy最高的模型为最优模型，否则继续选取模型训练。

8.如权利要求7所述的终端区进场态势预测方法，其特征在于，所述将最优模型的参数固定，并对交通拥堵等级进行预测的方法，即，

最优模型的参数进行固定；

将某timestep条进场交通流数据(T_j，T_j+1，...，T_j+timestep)，其中T_i＝(x_i1，x_i2，...，x_id，y_i)输入给最优模型，得到下一个时间粒度预测的交通流进场态势c_i，其中i∈(0，1，2)。