CN116579552A - 一种机场跑道配置自适应决策方法 - Google Patents
一种机场跑道配置自适应决策方法 Download PDFInfo
- Publication number
- CN116579552A CN116579552A CN202310476283.6A CN202310476283A CN116579552A CN 116579552 A CN116579552 A CN 116579552A CN 202310476283 A CN202310476283 A CN 202310476283A CN 116579552 A CN116579552 A CN 116579552A
- Authority
- CN
- China
- Prior art keywords
- runway
- data
- flight
- time
- track
- 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 38
- 230000010006 flight Effects 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 35
- 238000013145 classification model Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 30
- 238000005192 partition Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 description 9
- 238000011160 research Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 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
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06314—Calendaring for a resource
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/003—Flight plan management
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0043—Traffic management of multiple aircrafts from the ground
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种机场跑道配置自适应决策方法,首先,预先获取待决策机场的历史航班轨迹数据以及相应时间的航空气象数据,并对数据进行预处理;其次,对轨迹数据进行高度‑时间变化标准化,计算平均斜率,对进离场飞行轨迹进行分类;对航空器位置数据进行重建,间接确定跑道使用及占用跑道的时间;然后,将一天划分为等长的时间窗口,统计每个时间窗口内,进港航班所用跑道集合以及离港航班所用跑道集合,作为该时间窗口的跑道配置;最后,构建不同气象场景下的SVM多分类跑道配置决策模型,实现跑道配置自适应决策。本发明可根据当前航班计划与气象预测数据等影响配置决策的因素为研究机场提供跑道配置使用建议。
Description
技术领域
本发明属于民航空管自动化与智能化技术领域,具体涉及一种机场跑道配置自适应决策方法。
背景技术
航空运输需求增长使民航***服务压力加剧,一项重要缓解措施是在现有资源限制下提高机场运营效率。跑道***成为关键,特别是在多跑道机场数量快速增长的背景下,管制员会选择机场跑道集合的子集及方向作为当前运行的跑道配置,跑道配置的挖掘和研究成了缓解服务压力的重要前提。机场任何时候的容量都取决于跑道配置,例如,在一条跑道不能运行的某配置下,机场容量大幅降低,甚至恶劣天气下,减少使用的跑道数量成为了延误产生的主要因素。因此对于每一天的航班计划,都可以通过预先制定合理的跑道配置计划来缓解机场拥堵。但跑道配置的决策主要是管制员根据经验做出的,缺乏科学***地指引,因而研究跑道配置决策支持工具有非常深远的意义。
目前相关研究的历史跑道信息大多来源于离线处理的航空器航迹数据,该方法可以从可用数据源(如:雷达或ADS-B数据源)中提取关键信息,为研究机场提供历史跑道配置数据。另一方面,影响跑道配置决策的因素有天气、交通需求、跑道可用设备类型以及人为因素等,二者之间的内生作用机制复杂难辨。因此在决策前对跑道配置与外界影响因素之间的因果关系进行分析挖掘非常有必要。另外,由于影响跑道配置决策的因素属性诸多,非线性程度较高,现有统计方法下的决策精度难以提高。
发明内容
发明目的:针对跑道配置影响因素多元耦合的复杂特性以及机场历史跑道相关信息缺失的难题,本发明提出一种机场跑道配置自适应决策方法,基于支持向量机多分类算法深入挖掘跑道配置与气象、交通等影响因素的内生关系,以达到准确决策跑道配置的目的。
技术方案:本发明提供一种机场跑道配置自适应决策方法,具体包括以下步骤:
(1)预先获取待决策机场的历史航班轨迹数据以及相应时间的航空气象数据,并对数据进行预处理;
(2)对轨迹数据进行高度-时间变化标准化,计算平均斜率,对进离场飞行轨迹进行分类;
(3)对航空器位置数据进行重建,间接确定跑道使用及占用跑道的时间;
(4)将一天划分为等长的时间窗口,统计每个时间窗口内,进港航班所用跑道集合以及离港航班所用跑道集合,作为该时间窗口的跑道配置;
(5)建立SVM二分类模型,并对其进行求解优化,进而构建不同气象场景下的SVM多分类跑道配置决策模型,实现跑道配置自适应决策。
进一步地,步骤(1)所述轨迹数据用以匹配机场实际进离港时间以及实际跑道使用信息,每条采集数据具体属性包括信息记录时间、航班号、航空器所处位置信息、航向、升降率、航空器速度。
进一步地,步骤(1)所述轨迹数据以天为单位划分成不同连续天的子数据集,以该航班的起飞或降落时刻为基准,将该航班的所有的轨迹数据划分到该航班在跑道及地时刻;并添加编号区分同航班的多条轨迹。
进一步地,所述步骤(2)实现过程如下:
(21)以高度零为下限,对某航班f第i个数据点的高度hi,进行如下变换将航空器高度标准化:
其中,H是航班f所有高度数据的集合,将该航班的高度变化投射到[0,1]内;同时采用最大最小值法将该航班的时间归一化;
(22)飞行高度在运行过程是梯度变化的,对航班f的nf条轨迹采集数据按时间排序,第i个数据点的标准化高度为hi,时刻为ti,定义第i个与第i+1个数据点之间的高度-时间斜率为ki:
航班f的高度-时间平均斜率为:
设离港轨迹标准斜率参数为kd=1,进港航班为ka=-1,飞越航班为ko=0;对于某待判断航班f航迹的均斜率kf,找到某类航迹j∈{a,d,o},使得k满足:
即判断该条航迹属于j类航迹;将数据集中所有轨迹分为飞越、起飞和降落三个子集,并删除飞越轨迹数据。
进一步地,所述步骤(3)实现过程如下:
(31)在每条跑道附近划设一片三维立方矩形体区域,设置区域高度的上下限参数,立方体在覆盖范围上,以跑道中点为基准,一边界垂直于跑道方向,另一边界平行于跑道方向;
(32)基于低空航迹点确定航空器使用跑道:对于某个轨迹点的坐标(x,y),若能满足如下约束条件,即判断该点位于该分区内:
对于某特定航空器的单次运行,取轨迹高度在至h的所有n个航迹点,设决策变量:
其中,a∈A,A为机场跑道分区集合,元素个数等于机场的跑道数量;对n个航迹点做出如下判断,满足该式的a即为航班f的所属区域:
航班f的所属区域相应的跑道即为该航空器使用的跑道;
(33)计算航空器平均航迹角标记跑道运营侧:
将航班f高度在下的n个数据采集点,按照时间排序后的一系列经纬度坐标表示为{(loni,lati)}i=1,2,…,n,这样第i个与第i+1个数据点之间的航迹向量为:
tarji=(loni+1,lati+1)-(loni,lati) (8)
定义连续两个航迹点间的航迹角,即航迹与正北方向的夹角为θ,第i到i+1个点之间的航迹角为:
将一系列航迹角的平均值θf作为航班f的平均航迹角:
每条跑道的两端都能作为运营侧以供航空器执飞,定义运营侧起飞航向与正北方向夹角为运营角 分别是同条跑道两端的运营角,其中/>找到一个运营角/>使得:
将满足式(11)的运营侧作为该航班所用的跑道方向;
(34)确定每个航班号所属跑道后,对于进港航班,将高度变为最低高度的第一个航迹点信息记录时间作为该航空器的跑道占用时间;对于离港航班,取高度为0的航迹点中的最后一个,其时间作为该航班使用相应跑道的时间。
进一步地,步骤(5)所述建立SVM二分类模型实现过程如下:
统计所有跑道配置种类并为每种配置标签编号,将跑道配置信息量化;按时间将历史的天气观测数据、航班计划和前一跑道配置标签集成,每条数据为单个数据点,第i个数据点为Xi,Xi∈X,实际跑道配置为/>
确定需要分类的某两跑道配置rcr与rcw,r,w=1,2,…,rcw≠rcr,剔除总数据集X中跑道配置rci≠rcr或者rci≠rcw的数据点,组成二分类模型所需要的数据集Xrw;采用s折交叉验证的方法增强模型可行性,将数据随机地分为s个部分,每次随机选择一份做测试集,剩下的s-1份做训练集;
选择s份数据子集中的第is(1≤is≤s)个子集作为测试样本集,其余部分为训练样本将训练集分为两部分,yi为第i个数据点的分类标签,当该数据点跑道配置rci=rcr时,yi=1,反之yi=-1;Ntrain为该训练集样本个数;作为输入数据,将/>输入二分类模型中;
定义超平面:WTX+b=0;WT和X都是m维列向量,b是一个实数,根据数据点是否分布在超平面两侧设第i个数据点的分类标签为yi,yi∈{1,-1},其中:
第1类:WTXi+b≥1,yi=1
第2类:WTXi+b≤-1,yi=-1
第i个数据样本写为(Xi,yi),此时支持向量到超平面的距离为/>
定义映射将低维空间线性不可分的数据集在高维空间线性分开,用高斯径向基函数作为核函数k(xi,xj)来表示/>
进一步地,步骤(5)所述对二分类模型进行求解优化实现过程如下:
二分类模型要使支持向量与超平面之间的距离最大,目标函数为避免过拟合,引入一组拉格朗日乘子向量/>将优化模型转为对偶问题形式进行求解:
其中,C为惩罚系数,代表正或负侧第i个数据样本Xi可以偏离分类超平面正或负侧的程度;最优化解向量和支持向量p个,支持向量集为
计算求得最优权重向量W*:
任选一个支持向量计算求得最优b*:
测试样本集Ntest为该测试集样本个数;将样本输入已经训练好的分类器,对于某特定测试集样本Xtest:
若l≥0,则ytest=1,反之若l<0,则ytest=-1;对测试集样本逐一进行上述计算,实现对测试集的分类;
列出模型混淆矩阵,并计算模型准确率Accuracyis;不重复地确定整数is的取值,循环进行上述步骤,直至is的s个取值都被选择过;最终得到s个分类器模型每个模型准确率分别为Accuracyis;
取s个模型中准确率最高的第imaxs个模型其中对于imaxs,基于模型/>将总数据集X作为训练集导入模型进行训练,得到最终分类器模型Mrw。
进一步地,步骤(5)所述不同气象场景下的SVM多分类跑道配置决策模型实现过程如下:
每种气象状态类别下,有多种跑道配置,设第q(q∈[1,d])类特定气象场景下的数据集中,有nq类不同跑道配置数据标签,跑道配置集合Mqrqw表示跑道配置rcqr与rcqw之间的分类器模型,其中rcqw≠rcqr,qr,qw∈[1,nq]:
在每类数据标签两两之间分别建立二分类模型,共建立个SVM分类器,集成为第q类特定气象场景下的SVM多分类模型Modelq:
当输入某特定天气条件,每个分类器会返回一个判断结果,该气象条件下模型会产生个跑道配置标签,取结果的众数为最终模型判断的跑道配置作为输出;分别对d种典型气象场景都建立一个SVM多分类模型,总多分类模型集合为{Modelq}q=1,2,…,d。
有益效果:与现有技术相比,本发明的有益效果:本发明针对不同气象场景分别建立支持向量机多分类模型,向高维空间映射数据突破了线性限制,基于关键样本的计算特性既有效解决了小样本分类器的过拟合难题,又降低了运算量,避免了维数灾难;同时还具有一定鲁棒性,精确度更高;本发明可根据当前航班计划与气象预测数据等影响配置决策的因素为研究机场提供跑道配置使用建议。
附图说明
图1为本发明的流程图;
图2为三种典型轨迹标准化高度-时间回归示意图;其中,(a)为进港轨迹航空器标准高度点;(b)为离港轨迹空器标准高度点;(c)为飞越轨迹空器标准高度点;
图3为跑道分区示意图;其中,(a)为跑道分区正视图;(b)为跑道分区俯视图;
图4为不同构型跑道的划设区域示意图;其中,(a)为单跑道;(b)为平行跑道;(c)为交叉跑道;(d)我I开口V形跑道;
图5为跑道分区平面直角坐标系投影示意图;
图6为跑道配置转换示意图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明提供一种机场跑道配置自适应决策方法,如图1所示,具体包括以下步骤:
步骤1:预先获取待决策机场的历史航班轨迹数据以及相应时间的航空气象数据,并对数据进行预处理。
选定待决策机场的历史轨迹数据以及相应时间的航空气象数据。其中轨迹数据用以匹配机场实际进离港时间以及实际跑道使用信息,每条采集数据具体属性包括信息记录时间、航班号、航空器所处位置信息(经度、纬度和高度)、航向、升降率、航空器速度等。气象数据包括监测点的瞬时风速、风向,两分钟风速、风向的平均值、最大值和最小值,头风分量、侧风分量、阵风风向风速、气压(包括修正海平面气压、标准大气压、场面气压)以及云底高等的数据。
将轨迹数据按天划分子集。以天为单位将轨迹数据中的航班轨迹数据划分成不同连续天的子数据集,考虑到有些航班在雷达记录中运行的过程时间横跨两个物理天,该发明以该航班的起飞或降落时刻为基准,将该航班的所有的轨迹数据划分到该航班在跑道及地时刻,即进离港时刻所在天。
添加编号区分同航班注册号的多条轨迹。一架航空器可能会在该天的航班链中多次往返于同一个机场的航线上,体现在轨迹数据中,会有多条运行轨迹拥有同一个航班注册号。为了更精准地统计机场跑道使用情况,对存在连续两个航迹点数据记录时间间隔大于20分钟的同一航班号数据,将大于20分钟的时间间隔后的第一个航迹点作为该航空器下一次在该场运行的第一条数据,并将其航班号修改为该航空器该次运行序数加原来的注册号。例如:航空器AAR730在机场过站,在轨迹数据中分别有一条进离港数据,将后起飞的一系列数据点的注册号改为“2-AAR730”,表示该航班在同一机场的第二次运行,而先着陆的注册号保持不变,这样就将同一注册号的多条轨迹区分开来。
受限于基础设施,轨迹数据会出现缺失的情况。若是某特定航班的单条航迹点数据的缺失。首先确定数据属性缺失率,若某条采集数据缺失属性占比大于70%时,认定其无效,删除该航迹点的信息数据。否则,运用插值法补全缺失值。
步骤2:对轨迹数据进行高度-时间变化标准化,计算平均斜率,对进离场飞行轨迹进行分类。
根据在所研究机场的运行方式,轨迹数据可以分为飞越、起飞和降落三种,本发明所用轨迹数据意在识别实际进离场时刻及跑道,对飞越航班轨迹进行筛选并删除,保证后续跑道匹配的质量和效率。
(2.1)轨迹高度-时间变化标准化。
分析三种航迹的趋势,飞越航班对比其余两种轨迹,在整个运行过程中的高度较高,不存在近地轨迹点。本发明忽视航班的水平位置变化,以起降航班能基本达到的最低高度为基准,该航班轨迹的最高点为上限,将航迹点高度投影在该区间内,以便在同一度量上对轨迹进行辨别。以高度零为下限,对某航班f第i个数据点的高度hi,进行如下变换将航空器高度标准化:
其中,H是航班f所有高度数据的集合,这样就将该航班的高度变化投射到[0,1]内。同时采用最大最小值法将该航班的时间归一化。经过处理,离港航班高度的变化将被标准化为斜率接近于1的回归线,而进港航班接近于-1,飞越航班约为0。如图2所示,其中,(a)为进港轨迹航空器标准高度点;(b)为离港轨迹空器标准高度点;(c)为飞越轨迹空器标准高度点。
(2.2)计算平均斜率判断轨迹类型。
飞行高度在运行过程是梯度变化的,对航班f的nf条轨迹采集数据按时间排序,第i个数据点的标准化高度为hi,时刻为ti,定义第i个与第i+1个数据点之间的高度-时间斜率为ki,可由下式计算得出:
航班f的高度-时间平均斜率可表示为:
设离港轨迹标准斜率参数为kd=1,进港航班为ka=-1,飞越航班为ko=0。对于某待判断航班f航迹的均斜率kf,找到某类航迹j,使得k满足:
即判断该条航迹属于j类航迹。根据步骤2将数据集中所有轨迹分为飞越、起飞和降落三个子集,并删除飞越轨迹数据,为后续研究做准备。
步骤3:对航空器位置数据进行重建,间接确定跑道使用及占用跑道的时间。
(3.1)跑道分区划定。
考虑到进港航空器在最后进近阶段时要对准跑道,而离港航空器常直线上升到一定高度才可以转弯的运行常态,该方法在每条跑道附近划设一片三维立方矩形体区域,如图3中(a)所示,与h分别是该分区高度的上下限参数。该立方体在覆盖范围上,以跑道中点为基准,一边界垂直于跑道方向,另一边界平行于跑道方向,如图3中(b)所示,水平范围基本包含最后进近阶段和起飞爬升阶段飞行程序的整体或部分。l与w分别是分区的长度与宽度参数。该分区在水平角度俯视图是一个以跑道中点为原点的中心对称矩形,分区长宽都平均分布在跑道两侧。不同构型的跑道分区方式有所差异,各种跑道构型的跑道分区示意图如图4所示,其中,(a)为单跑道;(b)为平行跑道;(c)为交叉跑道;(d)为开口V形跑道。
(3.2)基于低空航迹点确定航空器使用跑道。
将跑道水平分区的各个边界线在平面直角坐标系上展开,如图5所示,将问题建模为一个简单的线性模型,对于某个轨迹点的坐标(x,y),若能满足如下约束条件,即可判断该点位于该分区内:
对于某特定航空器的单次运行,取轨迹高度在至h的所有n个航迹点,设决策变量:
其中,a∈A,A为机场跑道分区集合,元素个数等于机场的跑道数量。对n个航迹点做出如下判断,满足该式的a即为航班f的所属区域:
航班f的所属区域相应的跑道即为该航空器使用的跑道。
(3.3)计算航空器平均航迹角标记跑道运营侧。
将航班f高度在下的n个数据采集点,按照时间排序后的一系列经纬度坐标表示为{(loni,lati)}i=1,2,…,n,这样第i个与第i+1个数据点之间的航迹向量可表示为下式:
tarji=(loni+1,lati+1)-(loni,lati) (8)
定义连续两个航迹点间的航迹角,即航迹与正北方向的夹角为θ,第i到i+1个点之间的航迹角可表示为:
将一系列航迹角的平均值θf作为航班f的平均航迹角:
每条跑道的两端都可以作为运营侧以供航空器执飞,定义运营侧起飞航向与正北方向夹角为运营角 分别是同条跑道两端的运营角,其中/>找到一个运营角/>使得:
将满足上式的运营侧作为该航班所用的跑道方向。
(3.4)跑道时间分析。
确定每个航班号所属跑道后,对于进港航班,将高度变为最低高度的第一个航迹点信息记录时间作为该航空器的跑道占用时间。对于离港航班,取高度为0的航迹点中的最后一个,其时间作为该航班使用相应跑道的时间。
步骤4:历史跑道配置数据挖掘。
将一天划分为等长的时间窗口,每一个时间窗口长度为ts,统计每个时间窗口内,进港航班所用跑道集合以及离港航班所用跑道集合,作为该时间窗口的跑道配置。本发明假设该跑道配置在整个时间窗口内被执行,即跑道配置转换在每个时间窗口开始的时刻而不是在时间窗口的中间时刻。如图6所示,tn-1,tn,tn+1为三个连续的时间窗口,该图展示了两种跑道配置X,Y的转换情况,tn-1使用跑道配置X,已知下一时隙tn中某时刻会改变跑道配置为Y,算法假定配置Y在tn开始的时刻而不是中间某时刻开始转换。
(4.1)时间窗口长度参数设定标准。
本发明将数据的缺失与错误程度作为衡量标准,定义缺失率:所有时间窗口中进离港跑道缺失数量占比;错误率:即不合理甚至不能运行的跑道配置,如,配置中存在不同运行方向的跑道。
随着时间窗口长度的增加,配置缺失率逐渐降低而错误率逐渐升高,当在窗口长度参数ts下,配置缺失率与错误率出现拐点时,确定跑道配置挖掘的时间窗口长度为ts。
(4.2)跑道配置结果修正。
对于配置结果缺失的情况,若该缺失值前后的跑道配置相同,则填充相同的配置数据。若缺失值前后的跑道数据不相同,则看该缺失值所在时间窗口已知的跑道数据与前后窗口结果的相似度(比如:缺失进港跑道,则看离港跑道数据与前后的相似度),与哪个窗口更接近,用哪个窗口配置结果补全。
跑道配置错误值常出现于两种跑道配置转换时刻所在的窗口,将该窗口等分成两段,以中间时刻tm为基准,假设该窗口开始时刻为t,结束时刻为当跑道转换时刻落在[t,tm)内,设定该窗口配置为转换后配置;当跑道转换时刻落在/>内,设定该窗口配置为转换前配置。
步骤5:建立SVM二分类模型,并对其进行求解优化,进而构建不同气象场景下的SVM多分类跑道配置决策模型,实现跑道配置自适应决策。
(5.1)典型气象场景挖掘。
基于深度堆栈式自编码神经网络对高维气象观测数据进行特征提取,设每条数据有e维。第一个自编码器以原始数据数据为输入,后续自编码器都以上一个连续自编码器的隐藏层数据作为输入。数据随着一次次的编码维数逐渐降低,当执行完所有编码器后,数据维数达到最低状态,即完成了数据的降维压缩。随后采用均值法聚类,将低维气象数据分为d种典型天气类型,生成的聚类中心即为每种典型天气的e维标准数据。基于深度堆栈式自编码神经网络进行气象特征提取,总结典型气象场景,并在高维空间深入挖掘外界影响因素对跑道配置决策的作用机制,为机场跑道配置运行策略制定与研究提供了战略性参考。
(5.2)跑道配置数据转化。
由步骤4得到的跑道配置数据是以文本形式出现的,本发明统计所有跑道配置种类并为每种配置标签编号,将跑道配置信息量化。设某跑道配置rcr为所有跑道配置种类集合RC中第r个元素,rcr∈RC,r=1,2,…,其中,令数据集中所有rcr=r,r=1,2,…完成对配置标签的量化。
由于跑道配置的变更不仅仅与天气相关,更与本段时间预计运行的航班量、跑道可用设备类型以及人为因素相关,因此按时间将历史的天气观测数据、航班计划和前一跑道配置标签集成。此时单条数据即某时刻采集到的数据,包含风向、风速、该时刻所属时间窗口的进离港航班量和时序前一个时间窗口的跑道配置标签等m个数据属性和一个跑道配置标签属性(将量化后该时刻所属时间窗口的跑道配置作为第m+1个属性)。设定每条数据为单个数据点,第i个数据点为Xi,Xi∈X,实际跑道配置为/>
(5.3)SVM二分类模型建立。
1)确定需要分类的某两跑道配置rcr与rcw,r,w=1,2,…,rcw≠rcr,剔除总数据集X中跑道配置rci≠rcr或者rci≠rcw的数据点,组成二分类模型所需要的数据集Xrw。为了避免小数据集导致的过拟合的情况,采用s折交叉验证的方法增强模型可行性,将数据随机地分为s个部分,每次随机选择一份做测试集,剩下的s-1份做训练集。
2)选择s份数据子集中的第is(1≤is≤s)个子集作为测试样本集,其余部分为训练样本将训练集分为两部分,yi为第i个数据点的分类标签,当该数据点跑道配置rci=rcr时,yi=1,反之yi=-1。Ntrain为该训练集样本个数。作为输入数据,将/>输入二分类模型中。
3)定义超平面:WTX+b=0。WT和X都是m维列向量,b是一个实数,根据数据点是否分布在超平面两侧设第i个数据点的分类标签为yi,yi∈{1,-1},其中:
第1类:WTXi+b≥1,yi=1
第2类:WTXi+b≤-1,yi=-1
第i个数据样本可以写为(Xi,yi),此时支持向量到超平面的距离为/>
4)本发明定义映射将低维空间线性不可分的数据集在高维空间线性分开,用高斯径向基函数作为核函数k(xi,xj)来表示/>该核函数表达式如下:
(5.4)二分类模型求解优化。
模型要使支持向量与超平面之间的距离最大,目标函数为避免过拟合,引入一组拉格朗日乘子向量/>将优化模型转为对偶问题形式进行求解:
其中惩罚系数常数C由人为设定,代表正(负)侧第i个数据样本Xi可以偏离分类超平面正(负)侧的程度,如果C过小,模型不得不放弃该样本点,该样本点将被错分;如果C过大,那么超平面两侧样本的边界就很小,造成过拟合。得到最优化解向量和支持向量p个,支持向量集为/>
计算求得最优权重向量W*,计算公式如下:
任选一个支持向量计算求得最优b*,计算公式如下:
测试样本集Ntest为该测试集样本个数。将样本输入已经训练好的分类器,对于某特定测试集样本Xtest,计算表达式:
若l≥0,则ytest=1,反之若l<0,则ytest=-1。对测试集样本逐一进行上述计算,这样就实现了对模型测试集的分类。
列出模型混淆矩阵,并计算模型准确率即模型所有判断中正确预测的结果占总观测值的比例。
不重复地确定整数is(1≤is≤s)的取值,循环进行上述,直至is的s个取值都被选择过。最终得到s个分类器模型每个模型准确率分别为/>
取s个模型中准确率最高的第imaxs个模型其中对于imaxs,基于模型/>将总数据集X作为训练集导入模型进行训练,得到最终分类器模型Mrw。
(5.5)SVM多分类模型建立。
每种气象状态类别下,有多种跑道配置,设第q(q∈[1,d])类特定气象场景下的数据集中,有nq类不同跑道配置数据标签,跑道配置集合Mqrqw表示跑道配置rcqr与rcqw之间的分类器模型,其中rcqw≠rcqr,qr,qw∈[1,nq]:
本发明在每类数据标签两两之间分别建立二分类模型,共建立个SVM分类器,集成为第q类特定气象场景下的SVM多分类模型Modelq,如下:
这样,当输入某特定天气条件,每个分类器会返回一个判断结果,该气象条件下模型会产生个跑道配置标签,取结果的众数为最终模型判断的跑道配置作为输出。分别对d种典型气象场景都建立一个SVM多分类模型,总多分类模型集合为{Modelq}q=1,2,...,d。
本发明根据给出的一系列气象预测数据,通过调用相应典型气象场景下的多分类模型,输出一些列预测的跑道配置计划表。针对某条给定的e维气象预测数据,分别计算该多维数据与d个聚类中心的欧氏距离,采用距离最小的簇q作为该天气的所属类别。对于单条数据,按时间将e维气象预测数据、该时刻所属时间窗口的计划进离港航班量和模型决策出的时序前一个时间窗口的跑道配置标签集成为m维输入数据。获取当前气象信息、预计航班计划、跑道设备等m维输入数据,调用第q类典型气象场景下的多分类模型Modelq,输出一系列决策出的跑道配置计划表。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施例加以描述,但并非每个实施例仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种机场跑道配置自适应决策方法,其特征在于,包括以下方法:
(1)预先获取待决策机场的历史航班轨迹数据以及相应时间的航空气象数据,并对数据进行预处理;
(2)对轨迹数据进行高度-时间变化标准化,计算平均斜率,对进离场飞行轨迹进行分类;
(3)对航空器位置数据进行重建,间接确定跑道使用及占用跑道的时间;
(4)将一天划分为等长的时间窗口,统计每个时间窗口内,进港航班所用跑道集合以及离港航班所用跑道集合,作为该时间窗口的跑道配置;
(5)建立SVM二分类模型,并对其进行求解优化,进而构建不同气象场景下的SVM多分类跑道配置决策模型,实现跑道配置自适应决策。
2.根据权利要求1所述的一种机场跑道配置自适应决策方法,其特征在于,步骤(1)所述轨迹数据用以匹配机场实际进离港时间以及实际跑道使用信息,每条采集数据具体属性包括信息记录时间、航班号、航空器所处位置信息、航向、升降率、航空器速度。
3.根据权利要求1所述的一种机场跑道配置自适应决策方法,其特征在于,步骤(1)所述轨迹数据以天为单位划分成不同连续天的子数据集,以该航班的起飞或降落时刻为基准,将该航班的所有的轨迹数据划分到该航班在跑道及地时刻;并添加编号区分同航班的多条轨迹。
4.根据权利要求1所述的一种机场跑道配置自适应决策方法,其特征在于,所述步骤(2)实现过程如下:
(21)以高度零为下限,对某航班f第i个数据点的高度hi,进行如下变换将航空器高度标准化:
其中,H是航班f所有高度数据的集合,将该航班的高度变化投射到[0,1]内;同时采用最大最小值法将该航班的时间归一化;
(22)飞行高度在运行过程是梯度变化的,对航班f的nf条轨迹采集数据按时间排序,第i个数据点的标准化高度为hi,时刻为ti,定义第i个与第i+1个数据点之间的高度-时间斜率为ki:
航班f的高度-时间平均斜率为:
设离港轨迹标准斜率参数为kd=1,进港航班为ka=-1,飞越航班为ko=0;对于某待判断航班f航迹的均斜率kf,找到某类航迹j,使得k满足:
即判断该条航迹属于j类航迹;将数据集中所有轨迹分为飞越、起飞和降落三个子集,并删除飞越轨迹数据。
5.根据权利要求1所述的一种机场跑道配置自适应决策方法,其特征在于,所述步骤(3)实现过程如下:
(31)在每条跑道附近划设一片三维立方矩形体区域,设置区域高度的上下限参数,立方体在覆盖范围上,以跑道中点为基准,一边界垂直于跑道方向,另一边界平行于跑道方向;
(32)基于低空航迹点确定航空器使用跑道:对于某个轨迹点的坐标(x,y),若能满足如下约束条件,即判断该点位于该分区内:
对于某特定航空器的单次运行,取轨迹高度在至h的所有n个航迹点,设决策变量:
其中,a∈A,A为机场跑道分区集合,元素个数等于机场的跑道数量;对n个航迹点做出如下判断,满足该式的a即为航班f的所属区域:
航班f的所属区域相应的跑道即为该航空器使用的跑道;
(33)计算航空器平均航迹角标记跑道运营侧:
将航班f高度在下的n个数据采集点,按照时间排序后的一系列经纬度坐标表示为{(loni,lati)}i=1,2,...,n,这样第i个与第i+1个数据点之间的航迹向量为:
tarji=(loni+1,lati+1)-(loni,lati) (8)
定义连续两个航迹点间的航迹角,即航迹与正北方向的夹角为θ,第i到i+1个点之间的航迹角为:
将一系列航迹角的平均值θf作为航班f的平均航迹角:
每条跑道的两端都能作为运营侧以供航空器执飞,定义运营侧起飞航向与正北方向夹角为运营角 分别是同条跑道两端的运营角,其中/>找到一个运营角/>使得:
将满足式(11)的运营侧作为该航班所用的跑道方向;
(34)确定每个航班号所属跑道后,对于进港航班,将高度变为最低高度的第一个航迹点信息记录时间作为该航空器的跑道占用时间;对于离港航班,取高度为0的航迹点中的最后一个,其时间作为该航班使用相应跑道的时间。
6.根据权利要求1所述的一种机场跑道配置自适应决策方法,其特征在于,步骤(5)所述建立SVM二分类模型实现过程如下:
统计所有跑道配置种类并为每种配置标签编号,将跑道配置信息量化;按时间将历史的天气观测数据、航班计划和前一跑道配置标签集成,每条数据为单个数据点,第i个数据点为Xi,Xi∈X,实际跑道配置为/>
确定需要分类的某两跑道配置rcr与rcw,r,w=1,2,…,rcw≠rcr,剔除总数据集X中跑道配置rci≠rcr或者rci≠rcw的数据点,组成二分类模型所需要的数据集Xrw;采用s折交叉验证的方法增强模型可行性,将数据随机地分为s个部分,每次随机选择一份做测试集,剩下的s-1份做训练集;
选择s份数据子集中的第is(1≤is≤s)个子集作为测试样本集,其余部分为训练样本将训练集分为两部分,yi为第i个数据点的分类标签,当该数据点跑道配置rci=rcr时,yi=1,反之yi=-1;Ntrain为该训练集样本个数;作为输入数据,将/>输入二分类模型中;
定义超平面:WTX+b=0;WT和X都是m维列向量,b是一个实数,根据数据点是否分布在超平面两侧设第i个数据点的分类标签为yi,yi∈{1,-1},其中:
第1类:WTXi+b≥1,yi=1
第2类:WTXi+b≤-1,yi=-1
第i个数据样本写为此时支持向量到超平面的距离为/>
定义映射将低维空间线性不可分的数据集在高维空间线性分开,用高斯径向基函数作为核函数k(xi,xj)来表示/>
7.根据权利要求1所述的一种机场跑道配置自适应决策方法,其特征在于,步骤(5)所述对二分类模型进行求解优化实现过程如下:
二分类模型要使支持向量与超平面之间的距离最大,目标函数为避免过拟合,引入一组拉格朗日乘子向量/>将优化模型转为对偶问题形式进行求解:
其中,C为惩罚系数,代表正或负侧第i个数据样本Xi可以偏离分类超平面正或负侧的程度;最优化解向量和支持向量p个,支持向量集为
计算求得最优权重向量W*:
任选一个支持向量计算求得最优b*:
测试样本集Ntest为该测试集样本个数;将样本输入已经训练好的分类器,对于某特定测试集样本Xtest:
若l≥0,则ytest=1,反之若l<0,则ytest=-1;对测试集样本逐一进行上述计算,实现对测试集的分类;
列出模型混淆矩阵,并计算模型准确率不重复地确定整数is的取值,循环进行上述步骤,直至is的s个取值都被选择过;最终得到s个分类器模型/>每个模型准确率分别为/>
取s个模型中准确率最高的第imaxs个模型其中对于imaxs,基于模型/>将总数据集X作为训练集导入模型进行训练,得到最终分类器模型Mrw。
8.根据权利要求1所述的一种机场跑道配置自适应决策方法,其特征在于,步骤(5)所述不同气象场景下的SVM多分类跑道配置决策模型实现过程如下:
每种气象状态类别下,有多种跑道配置,设第q(类特定气象场景下的数据集中,有nq类不同跑道配置数据标签,跑道配置集合Mqrqw表示跑道配置rcqr与rcqw之间的分类器模型,其中rcqw≠rcqr,qr,qw∈[1,nq]:
在每类数据标签两两之间分别建立二分类模型,共建立个SVM分类器,集成为第q类特定气象场景下的SVM多分类模型Modelq:
当输入某特定天气条件,每个分类器会返回一个判断结果,该气象条件下模型会产生个跑道配置标签,取结果的众数为最终模型判断的跑道配置作为输出;分别对d种典型气象场景都建立一个SVM多分类模型,总多分类模型集合为{Modelq}q=1,2,…,d。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310476283.6A CN116579552A (zh) | 2023-04-28 | 2023-04-28 | 一种机场跑道配置自适应决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310476283.6A CN116579552A (zh) | 2023-04-28 | 2023-04-28 | 一种机场跑道配置自适应决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116579552A true CN116579552A (zh) | 2023-08-11 |
Family
ID=87538900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310476283.6A Pending CN116579552A (zh) | 2023-04-28 | 2023-04-28 | 一种机场跑道配置自适应决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579552A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094382A (zh) * | 2024-04-26 | 2024-05-28 | 青岛民航凯亚***集成有限公司 | 一种民用机场进港航空器滑入机坪道口预测方法及*** |
CN118262579A (zh) * | 2024-05-29 | 2024-06-28 | 北京航空航天大学 | 一种机场场面交通拥堵状态演化模式识别方法 |
CN118094382B (zh) * | 2024-04-26 | 2024-07-30 | 青岛民航凯亚***集成有限公司 | 一种民用机场进港航空器滑入机坪道口预测方法及*** |
-
2023
- 2023-04-28 CN CN202310476283.6A patent/CN116579552A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118094382A (zh) * | 2024-04-26 | 2024-05-28 | 青岛民航凯亚***集成有限公司 | 一种民用机场进港航空器滑入机坪道口预测方法及*** |
CN118094382B (zh) * | 2024-04-26 | 2024-07-30 | 青岛民航凯亚***集成有限公司 | 一种民用机场进港航空器滑入机坪道口预测方法及*** |
CN118262579A (zh) * | 2024-05-29 | 2024-06-28 | 北京航空航天大学 | 一种机场场面交通拥堵状态演化模式识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | A hybrid CNN-LSTM model for aircraft 4D trajectory prediction | |
CN109191922B (zh) | 一种大规模四维航迹动态预测方法及装置 | |
CN110503245B (zh) | 一种机场航班大面积延误风险的预测方法 | |
CN113780395A (zh) | 海量高维ais轨迹数据聚类方法 | |
CN109117883B (zh) | 基于长短时记忆网络的sar影像海冰分类方法及*** | |
CN113159364A (zh) | 一种大型交通场站的客流预测方法及*** | |
CN114023062B (zh) | 一种基于深度学习和边缘计算的交通流信息监测方法 | |
CN109977546B (zh) | 一种基于无监督学习的四维航迹在线异常检测方法 | |
CN116579552A (zh) | 一种机场跑道配置自适应决策方法 | |
CN111009155A (zh) | 基于空域结构和航班流的空中交通流复杂性量化分析方法 | |
Zhang et al. | Data‐driven flight time prediction for arrival aircraft within the terminal area | |
Wu et al. | An improved svm model for flight delay prediction | |
CN113942521B (zh) | 一种智能车路***下驾驶员风格辨识方法 | |
CN110533220A (zh) | 一种数据驱动的机场离港延误分布挖掘方法 | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
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 | |
Khan et al. | A novel parallel series data-driven model for IATA-coded flight delays prediction and features analysis | |
CN117995027A (zh) | 一种飞行计划备降场推荐方法、***、设备及介质 | |
Jiang et al. | Research on method of trajectory prediction in aircraft flight based on aircraft performance and historical track data | |
CN116543603B (zh) | 一种考虑空域态势和局部优化的航迹补全预测方法及装置 | |
CN117953731A (zh) | 一种用于终端区交通仿真的进场航班流飞行计划预测方法 | |
Chakrabarti et al. | Clustering Aircraft Trajectories According to Air Traffic Controllers' Decisions | |
CN115862385A (zh) | 基于标准飞行程序的机场终端区航空器飞行模式挖掘方法 | |
CN113658454B (zh) | 一种基于聚类的机场群终端区航迹分析方法 | |
Yang et al. | A data-driven method for flight time estimation based on air traffic pattern identification and prediction |
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 |