基于Transformer-GRU网络的4D航迹预测

航空器的4D航迹预测作为基于航迹运行(TBO)的关键技术之一具有非常重要的意义。基于Transformer-GRU(T-GRU)网络,提出了一种新的航迹预测方法,结合Adamax优化器实现了4D航迹预测。利用Transformer网络的自注意力机制对输入序列进行建模,通过GRU网络获取时序数据的特征;对原始航迹数据进行重采样插值和中值滤波等预处理,以便消除数据缺失和异常值等对预测的影响;通过E E、E AT、E CT、E A等误差指标对实验结果进行评价,并与其他常用的航迹预测方法进行对比。研究结果表明:与传统深度学习方法相比,基于T-GRU网络的4D航迹预测模型在航迹预测中具有更高的准确性和鲁棒性。

基于多维空间的航路利用率

航路利用率表征了空域中航路的利用情况,通过计算航路利用率可以实现对空域资源进行更合理、高效的利用。为了更加准确地计算给定时间段内固定航路的利用率,通过构建抽象的三维空间,提出了一种基于多维空间的航路利用率计算方法。在考虑时间和空间两个角度之间的相互联系有了突破,从时间、航路、高度层三个维度建立航路时空利用率计算模型计算航路时空利用率,结合航路容量利用率,从时间、空间、容量三个角度出发,建立了航路利用率计算模型。最后通过算例分析计算得到某一空域四条航路的利用率。

航空器场面滑行关键路径识别与抗毁性研究

为准确辨识机场地面滑行系统重要路段,提升拥塞风险控制能力,通过构建机场活动区交通网络模型,从节点近邻、全局路径、特征向量和网络位置4个角度挖掘关键节点,提出改进介数中心性算法,得到节点重要度排序样例集。综合鲁棒性、性能下降速率以及单位时间性能损失等网络性能指标,通过抗毁性实验分析性能变化曲线,确定综合抗毁性衡量指标ki测度下复杂网络节点重要度排序结果,实现关键路径识别。以华北某机场为例开展实证研究,结果表明:机场活动区交通网络具有较小的聚类系数,在随机攻击下抗毁性较强,基于度中心性的节点序列为所有样例中最满足实际运行中的关键路段,管制员可实施重点路段流量调配,抑制冲突。

基于SDAE的终端区气象场景模式识别方法

气象条件是影响终端区航空器运行安全及效率的主要因素之一。为提高终端区气象场景模式识别精度,采用基于堆叠降噪自编码(SDAE)的聚类模型,在输入层添加随机噪声、构建3层自编码、逐层贪婪训练,降维后的特征作为聚类的输入,实现气象场景的模式识别。以天津滨海国际机场2022年气象观测数据为例,基于SDAE与欧氏距离、汉明距离、曼哈顿距离等传统相似性距离度量方法,分别使用K-medoids与FCM两种聚类方法进行验证。结果表明:基于SDAE的相似性度量在K-medoids与FCM聚类中均表现最优,与其他相似性度量相比差异率分别达到22.4%,12%,17.7%与24.8%,10.7%,11.8%,且运算时间最短,证明了基于SDAE的度量、聚类效果最优,最终识别出8个气象场景,各场景分类清晰明确。

京津多机场系统容量损失影响分析

全球范围内多机场系统数量和规模都在不断增长。由于终端区内有限资源的限制,邻近机场的运行存在一定的相关性,这导致多机场系统运行效率低下。为了估计多机场运行产生的限制,以北京终端区为例提出一种统计分析框架对多机场系统的容量损失进行整体分析。首先,根据理论容量模型分别计算出北京终端区各机场的理论容量,并进一步确定各机场独立运行下的实际容量;其次,以北京终端区的历史运行数据为基础,估计出3个机场及终端区系统的具有鲁棒性的Pareto容量包络曲线;最后,基于独立运行容量与相关运行容量量化出终端区各机场及多机场系统的实际容量损失。为进一步提高多机场终端区的运行效率提供建议与参考。

基于不确定性的机坪管制系统风险评估

对机坪管制系统进行风险评估是提高机场安全水平的一个重要措施,但如何科学客观地评价机坪管制系统,得到贴近现实的评估结果是一个难题。基于此,建立了机坪管制系统风险评价体系,从组合权重法的观点出发,通过乘法归一化合成评价权重,并在模糊集理论的基础上引入DS证据论对某机场机坪管制系统进行实例评估,得出人员因素是机坪管制系统安全体系的重点这一结论,对机坪管制系统安全改进有较好的指导意义。

区域多扇区耦合容量评估

明确空域单元内部交通流特性及其动态演变机制是评估区域多扇区耦合通行能力的基础,对于提升空中交通管理效率至关重要。基于改进的元胞传输模型(CTM),以实际飞行数据为基增量仿真推演分析了交通流流量、速度与密度间的宏观基本图(MFD)。进一步表征区域多扇区之间的耦合作用,建立区域多扇区耦合快时仿真模型。通过分析区域多扇区需求平均延误关系对区域多扇区耦合容量进行评估,揭示区域运行瓶颈。以合肥区域管制扇区为例,评估了区域多扇区耦合容量,并依据各扇区的延误贡献识别了该区域多扇区运行瓶颈主要集中在ZSOFAR02扇区和ZSOFAR01扇区。研究成果可为提高区域多扇区航路航线网络通行能力提供科学的理论支撑。

基于关联规则挖掘的终端区交通拥挤传播规律研究

本文基于空中交通流运行现象建立交通拥挤传播规则挖掘模型,从数理角度分析并表征终端区交通流拥挤状态的传播现象。首先,对终端区交通流按照航段结构进行划分并给出交通状态评价指标,采用模糊C均值算法对终端区进场交通流状态进行聚类划分;其次,使用OApriori算法挖掘终端区进场交通流拥挤传播规则;最后,基于实测历史数据构建北京终端区全空域及机场模型(TAAM,total airspace and airport modeler)仿真场景,模拟终端区在不同流量分布特征下的运行情况并进行分析,结果表明:本文模型分析所得的传播规律与实际情况相符,并发现优化终端区进场点流量分布能显著减少终端区拥挤状态的传播现象。

混合进近运行下平行跑道进场容量评估

本文以仪表着陆系统(ILS,instrument landing system)和建立要求特殊授权的所需导航性能(RNP AR,required navigation performance authorization required)进近(EoR,established on RNP AR)混合程序为研究对象,探讨混合进近下跑道进场容量。首先,研究了飞机尾流消散和运动规律,提出混合进近条件下安全间距计算方法;其次,根据混合进近运行特征,建立混合进近平行跑道进场容量模型;最后,以昆明长水国际机场为例,构建全空域机场仿真模型,对模型进行验证,并在此基础上,设置多个运行场景对影响混合进近条件下跑道进场容量的因素,包括程序结构、机型和RNP AR能力飞机比例进行分析。研究结果表明:容量评估模型能够对混合进近运行下平行跑道进场容量进行精确、客观的评价;且固定半径转弯(RF,constant radius to fix)航段半径越大,跑道进场容量越大;RF航段半径为4~7 km时,RNP AR能力飞机比例越大,跑道进场容量越大;中型机比例越多,跑道进场容量越大。

机场航班时刻资源管理研究进展

繁忙机场都会面临严重的交通拥堵和航班延误问题。解决该问题的一个有效手段是对机场航班时刻资源进行优化管理。全面介绍了航班时刻资源管理相关的研究进展,系统回顾了机场公布容量设置、机场航班时刻配置的主要方法和手段。从公布容量确定、单机场、机场网络层面和机场群航班时刻配置及航班时刻配置技术复杂性等方面,得出机场航班时刻资源优化配置的关键技术问题。展望了机场航班时刻资源管理的主要方向,并对下一步研究提出建议。

基于BIRCH聚类的航空器自主运行风险状态评价

为解决自主运行模式下航空器风险评价指标缺失和风险状态实时评估困难等问题,提出1种自主运行模式下航空器风险状态评价方法。从航空器冲突、气象规避区侵入、操纵裕度3个方面建立风险状态评价指标体系,运用BIRCH算法建立聚类特征树对多维航空器特征样本进行风险模型训练,引入增量式聚类的概念,更新特征树,实时评估动态目标航空器的风险状态。然后,以广州05扇区为运行场景展开仿真实验。研究结果表明:所提方法准确度达99.5%,平均计算时间约为0.0249 s。研究结果可有效支撑自主运行理念实施,提高风险预警能力,保障航空器自主运行安全。

基于多机场终端区交通态势的航班延误预测

为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势进行分析的基础上,建立6个描述终端区交通态势的指标。接着,构建反向传播(back propagation,BP)神经网络航班延误预测模型,将终端区交通态势指标、航班信息和天气环境数据等作为输入,航班延误时间作为输出,并利用粒子群优化算法(particle swarm optimization,PSO)优化BP神经网络进行训练。通过实例验证和分析,基于多机场终端区交通态势的航班延误预测能够有效提高预测准确率,同时,通过粒子群优化BP神经网络的预测模型预测准确率均高于一般的考虑交通态势的BP和遗传算法优化的BP神经网络模型(genetic algorithm and back propagation,GA-BP)。

考虑机场、航空公司与空管需求的机场群离场航班时刻优化

随着中国航空流量的不断增加,机场群内航班延误时间长、延误架次多、机场时刻紧张等问题逐渐暴露,这些问题主要是航班时刻设置不合理所导致。为解决这些问题,需要对机场群内航班时刻进行优化。通过从机场、航空公司、空管3个角度综合考虑,分别以延误时间、航空公司航班时刻调整总方差、管制员总调整量作为优化目标,建立了机场群航班时刻优化模型,并使用权重线性递减的粒子群优化算法实现对模型的求解。以京津冀机场群为例进行分析,使用MATLAB对模型进行寻优。结果表明优化后机场群内总延误时间由77580 min减少至46260 min,航空公司航班时刻调整总方差由447.076减少至63.141,管制员总调整量由467次减少至253次,3个目标均得到了优化。可见该模型权衡了机场、航空公司与空管之间的公平性,为机场群航班时刻的优化提供了理论参考。

基于机器学习组合模型的远程塔台管制员情景意识水平

有效识别远程塔台管制员情景意识水平(situation awareness,SA)的主要影响因素,能够更好地为远程塔台管制设计和使用提供参考依据。首先对管制员分别在传统塔台和远程塔台环境下进行数据采集试验,分析两种环境下主、客观指标的差异性。其次,采用假设检验的方法来验证眼动指标作为评价远程塔台管制员SA的可行性。接着基于敏感眼动指标采用K-means聚类和支持向量机(support vector machine,SVM)组合模型分析方法对远程塔台管制员SA水平进行分类识别。结果表明:采用Poly核函数进行模型训练,对SA识别的准确率达到了99.72%。研究结果证实了K-means聚类与支持向量机模型组合模型可作为分析远程塔台管制员SA的有效方法。

终端区交通复杂性评估及演变分析

终端区内飞行密集、环境多变,已成为国家空域系统运行能力提升的重要瓶颈。精准量化终端区内交通复杂性并把握其演化规律是实现空中交通精细化管理的基础,对于提升终端区运行能力有重要意义。终端区空中交通复杂性描述了某一时间点或时间段内空中交通流特征的复杂程度。基于动态密度思想,针对终端区运行特征,构建了多维度的空中交通复杂性评价指标,并运用熵权法确定指标权重,反映评估指标的无序化程度,评定信息量的大小。构建复杂度计算模型,从客观上利用多指标反映航空器实时复杂性演变。采用多智能体仿真建模工具NetLogo搭建了终端区仿真环境,以广州终端区的实际进场数据搭建了基础场景,模拟了终端区交通复杂性的宏观演化过程。通过调节进场移交点交通流需求比例、设计不同天气情景,分析了不同场景下交通复杂性演化特征。结果表明,该评估体系使用较少的指标和计算时间,能够较为准确、客观地评估时间片内的复杂性,符合实际情况。NetLogo建模工具能够仿真终端区交通流,直观地观察交通流运行行为。当进场移交点交通流流量分布更为均匀时,复杂性较低。终端区受恶劣天气影响时,其受影响程度取决于恶劣天气覆盖航段的航班流量分布情况、影响的范围以及受影响航段到跑道距离。部分交通流存在迟滞现象,反映了复杂性的蔓延时空特征。该复杂性评估方法能够有效评估航段、航线、终端区复杂性及演变规律,为开展终端区精细化空中交通管理提供参考。

基于语谱图的管制员疲劳状态检测研究

现阶段利用陆空通话语音对管制员疲劳状态的研究中,大多只考虑了语音在时域或频域的变化,而忽视了疲劳会同时在时域与频域上产生影响。将三种疲劳状态下的陆空通话语音分别转化为可同时反映时域与频域特性的语音频谱图像,利用灰度共生矩阵提取四维典型的特征参数,对比管制员在不同状态下特征参数的变化情况,构建管制员疲劳检测模型并对输入特征进行检测。结果表明:利用语谱图特征结合传统特征作为输入特征的检测准确率最高,达到95.49%,较单一使用传统特征的检测准确率高出4%;管制员疲劳状态的变化会直观地反映在语谱图上,会对其特征值产生影响,利用这种影响对管制员疲劳状态进行检测,可以得到良好的检测结果。

基于ARMA-AE-LSTM模型的进场交通流预测方法

为建立准确有效的空中交通短期流量预测模型,提高终端区管理效率,以进场交通流为对象进行研究。首先采用自回归移动平均(autoregressive moving average,ARMA)模型对流量时间序列进行初步线性预测,然后通过长短期记忆网络(long short term memory,LSTM)模型对线性预测后的残差序列进行非线性修正预测。考虑到冗余特征会降低LSTM模型预测精度的问题,采用自编码器(autoencoder,AE)模型对LSTM模型的天气以及流量特征输入进行自适应压缩优化,最后设置对比实验对ARMA-AE-LSTM模型的准确性、鲁棒性以及时效性进行验证。实验结果表明:预测绝对误差在1.3架以内的占比达到75%;LSTM模型的平均每轮迭代时间降低为1.014 s;与其他常用深度学习预测模型相比,ARMA-AE-LSTM模型的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)以及决定系数(r-squared,R2)评价指标分别改善了45.98%~67.66%、48.56%~67.35%、5.18%~21.07%;恶劣天气影响下,ARMA-AE-LSTM模型的鲁棒性更好。由此可见,该方法能够准确有效快速的预测空中交通流量。

基于复杂网络的多机场航班延误传播分析

为了研究多机场间航班延误的传播机理,将机场作为节点,航线作为边构成复杂网络。通过分析传染病传播过程与机场间航班延误传播过程的相似性,借鉴经典传染病传播模型(classical infectious disease transmission,SIR)的思想,并考虑不同机场间延误传播的差异,提出机场重要度的概念,构建了多机场航班延误传播模型。对多机场航班延误传播过程的仿真结果表明:在多机场网络中,初始延误机场不同以及机场重要度不同,延误传播效果不同,但延误传播规律保持不变。对网络中重要机场进行相应管控会使发生延误的机场数量峰值下降,且按照介数值确定需进行管控的重要机场,网络中发生延误机场数量峰值下降率最大。可见,该模型可以客观反映多机场间航班延误传播的动态过程和变化规律,并可为延误的预防和恢复提供理论依据。

基于改进卷积网络的终端区4D航迹预测与冲突检测

随着不断扩大的旅客运输量和航线网络规模,采用飞行计划结合空中交通管制的空中管理办法已经不能与当前民航需求和空中交通流量相匹配,直接影响到航班正常率和运行安全。为解决这一问题,国际民航组织(International Civil Aviation Organization,ICAO)提出了基于航迹运行(trajectory based operation,TBO)的下一代空中交通管理运行理念,中国民航也提出了智慧民航的建设方案和目标。其中4D航迹是TBO运行的核心组成部分,也是中国建设智慧民航的重要技术指标,其可以对航空器的运行进行精确地管理和控制。因此,提高4D航迹预测的准确性成为了目前急需解决的核心问题。面向航空器的飞行任务实施阶段,从4D航迹预测和冲突检测两个问题进行了研究。在航迹预测方面,采用了基于卷积神经网络-双向门控循环单元(convolutional neural networks-bidirectional gated recurrent unit,CNN-BiGRU)的模型对航迹进行高精度预测;在冲突检测方面,引入了航迹距离检测函数以检验预测模型生成的两条航迹是否存在冲突。通过使用某繁忙终端区真实广播自动相关监视(automatic dependent surveillance-broadcast,ADS-B)历史轨迹数据进行实验,并将该方法与同一数据集上的单一长短时记忆网络(long short-term memory,LSTM)模型和门控循环单元(gated recurrent unit,GRU)模型进行了比较。仿真实验表明,CNN-BiGRU模型的评价指标均优于对比模型,同时预测的两条航迹在未来800 s内不存在冲突。所提出的方法为空中交通管理提供了一种有效的手段,具有重要的应用价值。

基于通信信号管制的城市空中交叉口设计研究

为确保城市低空空域内无人机规模化运行安全,缓解低空交通运行瓶颈,本文借鉴地面交通较为成熟的研究成果,结合城市低空及无人机运行特色,提出一种基于通信信号管制的城市空中交叉口设计模型。首先,考虑航路构型设计与航路运行主体,构建无人机运行所需的城市低空航路。其次,从进出口道、冲突响应距离2方面对空中交叉口几何结构进行设计,再从进口航道划分、通信信号管制、无人机高度调整3方面对交通组织进行设计,实现对空中交叉口的基本模型设计。最后,设置仿真实验验证该模型的可行性,并分析不同参数组合下的交叉口综合通行效率。实验结果表明:当飞行速度为18 m/s,纵向间隔为50 m,管制信号周期时长为226 s时,综合通行效率达到最佳。本研究可为未来城市空中交通航路网络精细划设与管理提供支撑,增强低空无人机交通的实践性。