基于多元时序和模式挖掘的终端区交通流预测

为了提高终端区不同气象场景下的交通流预测准确率,提出一种融合多元时序和模式挖掘(Multivariate time series and pattern mining,MTSPM)的终端区交通流预测模型。首先,给出了一种基于多元时间序列的终端区交通流预测模型,通过深度学习模型CNN-GRUA将终端区的交通需求、天气和策略特征进行融合并用于交通流预测;其次,针对交通流这一单变量时间序列,设计了一种基于趋势分段符号化的时间序列BOP(Bag-of-pattern)表示方法——TSSBOP,通过基于趋势的分段、符号化和模式表示来挖掘交通流序列中的内在模式;最后,根据两个模型在验证集上的预测精度进行加权融合,得到最终的终端区交通流预测值。在广州终端区的历史数据集上的对比实验表明,所提出的TSSBOP表示法能够有效挖掘出原始序列中的模式,所提出的基于MTSPM的终端区交通流预测模型能有效提高不同气象场景下的交通流预测性能。

面向场面运行效率提升的离场航班调度优化

为有效缓解多跑道机场繁忙时段内场面运行效率低下,航班延误现状,提出了多跑道离场航班调度方法,基于当下民航领域中的协同决策理念,综合考虑空管、航空公司以及机场多个利益相关方的诉求,以航班延误、跑道容量以及场面总平均滑行时间为优化目标,考虑了航空器尾流间隔以及时间窗等约束条件,针对各方需求构建了离场航班排序的多目标优化模型,并采用了带精英策略的快速非支配排序遗传算法(NSGA-Ⅱ)求解多目标优化模型的Pareto最优解。仿真结果表明,相比于先到先服务策略所提方法使得航班总延误降低70%,最大跑道调度时间降低40%,场面平均滑行时间降低3%左右,验证了所提方法可以有效辅助实际管制运行决策。

基于图像的终端区相似气象运行场景识别分析

天气影响是空中交通运行不确定性的主要原因之一,基于历史相似气象场景识别是一种有效辅助管制运行决策的依据.相较于传统的基于距离度量空间分布的相似性识别方法,从视觉角度提出了一种基于CNN(Convolutional Neural Network)图像模式的终端区相似气象运行场景识别方法.将处理后的WAF(Weather Avoidance Field)天气避让区图像作为神经网络训练集,构建CNN+K means++模型实现对气象场景分类.进一步依据评估场景分类的实际效果和管制决策状态,构建了基于气象、交通、策略多领域的终端区特征集.从典型场景-典型日视角切入,分析不同场景对终端区运行能力与策略发布的影响,并以广州终端区为例进行验证,结果表明,基于CNN图像模式的对流天气识别具有较显著的效果,可为交通流量管理措施提供指导辅导决策.

XUML/ACME集成建模方法与VMI构架研究

以供应商管理库存(VMI)模型的软件开发为背景,研究扩展UML(XUML)与ACME的集成建模方法及其在构架设计中的应用问题。探讨了UML结构模型和行为模型的语义扩展,以增强其表达能力,并将其用于VMI构架设计;进而基于ACME的开放语义框架,给出可实现的VMI构架模板的描述;最后对XUML和ACME两种建模方法的互补与集成的价值做了基本评价。通过在VMI软件开发中的实际应用,证明该方法是可行的,并取得良好的效果。

基于中介理论与交通特性的终端区态势评价

终端区交通态势的准确度量是制定并实施流量管理措施的重要依据之一。通过提取终端区宏观与微观的交通特性,从进离场及总量3个维度构建态势的指标描述,并进一步采用中介理论中的真值程度度量与熵权法建立了一种客观的终端区飞行区交通态势模糊综合评价方法,实现客观、准确的交通态势判别与样本间量化比较。选取国内典型繁忙终端区的实测数据,验证了评价方法与特性指标的有效性。

基于谱聚类的终端区飞行轨迹分析

为了实现智能化处理海量航班数据,精细描述终端区运行特性,研究了基于谱聚类的终端区飞行轨迹分析方法。在分析终端区航班飞行特点的基础上,提出基于航向因子修正的欧式距离轨迹相似度计算方法;利用高斯核函数对相似度矩阵进行平滑降噪处理,实现了函数中规模参数的自动化选取;采用改进谱聚类算法对终端区飞行轨迹进行聚类划分。利用广州白云机场进行实例验证,结果表明,方法能够有效处理终端区轨迹数据。

基于对比学习的终端区相似气象场景识别

为了提高终端区相似气象场景(Similar weather scenarios,SWSs)的识别准确率,提出一种基于对比学习的SWS(SWS based on contrastive learning,SWS-CL)识别模型。首先,针对对流天气图像特点,设计了一种数据增强方法来增加天气图像样本的数量和质量。接着,设计了一种对比损失函数使向量表征空间中的正样本与锚点样本之间的距离更近,而负样本与锚点样本之间的距离更远,进而基于对比学习技术在无标记样本集上训练得到相似气象场景分类预训练模型。最后,利用少量标记样本对预训练SWS-CL模型进行监督微调,进一步提高SWS-CL模型的性能。在广州终端区气象图像集上的对比实验表明,所提出的数据增强方法能有效提高气象图像集的质量,所提出的SWS-CL模型能取得令人满意的识别精度,且在标签稀少的数据集上具有明显的优势。

基于主动度量学习的空中交通相似场景识别

空中交通的快速增长不断增加了管制员的工作负荷,这已成为制约部门运行的重要因素。如果能够识别出相似的交通场景,就可以利用历史决策经验帮助管制员快速决策控制策略。考虑到交通场景众多且难以标记所有样本,本文提出了一种主动支持向量机度量学习算法(Active SVM metric learning algorithm,ASVM2L)来度量和识别相似的交通场景。首先获得了一些由资深空中交通管制员标记的交通场景样本;接着设计了一种基于投票差异的主动查询策略来选择最有价值的未标记样本交予领域专家进行标记;然后,利用ASVM2L从所有标记样本中学习到一个度量矩阵,用于后续分类算法完成相似场景的分类。在标准数据集上验证了ASVM2L的有效性,然后在中国中南扇区的历史空中交通数据集上对交通场景进行了度量和分类。实验结果表明,与现有的其他方法相比,本文所提方法能够更彻底地利用样本的信息,在有限的标记样本下达到更高的分类精度。

基于SVR选择性集成的机场噪声预测模型研究

机场噪声预测对机场规划设计、航班计划制定以及机场噪声控制具有十分重要的作用。针对机场周围各个监测点上的单飞行事件进行噪声预测。由于机场噪声数据的复杂性,用单一的SVR方法对其预测往往得出局部优化结果,不能达到理想的预测效果,针对这一问题,提出一种基于SVR选择性集成的机场噪声预测方法,通过Adaboost方法对机场噪声数据进行采样训练得到多个SVR预测模型,并结合一种排序方法对预测模型进行选择集成得到最终机场噪声预测值,取得了较好的预测效果。

基于阻塞流的机场终端区极限容量评估研究

为确定机场终端区最大容量保障能力,即极限容量,从终端区运行特点分析出发,综合考虑进离场航线长度、飞行速度、管制间隔等因素,构建进离场网络流模型,并以跑道Pareto容量包络线作为约束,分析进离场航线网络与跑道的耦合关系,建立基于阻塞流的机场终端区极限容量评估模型。以杭州萧山机场终端区为例,验证了模型的可行性和准确性,并借助模型分析了不同流量控制策略下终端区容量包络线的变化趋势。研究表明,随着移交间隔变大,终端区容量包线有内移的趋势,进场容量由33架次/h逐步降为25架次/h。

基于简化WITI指标的机场延误预测方法

为实现在战略或预战术阶段对恶劣天气条件下的机场延误进行有效预测,本文引入简化的天气影响交通指标(WITI),采用灰色关联分析的方法,验证该指标与机场延误之间的关联性,再分别以WITI指标和传统指标构建多元线性回归模型和BP神经网络预测模型,对广州白云国际机场(ZGGG)和深圳宝安国际机场(ZGSZ)的离场延误进行预测.结果显示,WITI指标与机场离场延误之间的关联度明显高于传统指标,基于WITI指标比基于传统指标构建的多元线性回归模型,在预测准确度上高出14.09%(ZGGG)和9.79%(ZGSZ),同样在BP神经网络模型中则高出8.00%(ZGGG)和6.41%(ZGSZ),由此认为WITI指标在机场延误预测中具有更好的应用效果.

一种基于支持向量机的主动度量学习算法

度量学习是机器学习领域的重要研究内容。度量结果的优劣会直接影响后续机器学习算法的性能。目前大多度量学习的研究工作都是在有监督环境下进行的。然而,实际应用中往往存在大量数据没有标记或需要付出昂贵代价才能获得标记的问题。针对这一问题,提出一种适用于半监督环境的基于支持向量机的主动度量学习算法(ASVM;L)。首先,从待学习无标记样本中随机选择少量样本交予专家标注,再利用这些样本训练支持向量机度量学习器;然后,根据度量学习结果,采用不同K近邻分类器对剩余未标记样本进行分类评估,选择表决差异最大的样本交予专家标注,再加入训练集重新进行度量学习;重复执行上述步骤至满足终止条件,以保证在有限的标记样本子集下能获得最佳的度量学习矩阵。在标准数据集上的对比实验验证了所提ASVM;L算法能在不影响分类精度的前提下,利用最少的标记样本获得更多的标记信息,因而具有更好的度量性能。

对流天气下基于聚类算法的终端区交通流分析

为准确分析对流天气对终端区进场交通流的影响,提出了一种面向对流天气场景的基于轨迹聚类的进场交通流分析方法。利用卷积神经网络与K means++算法对对流天气进行特征提取和聚类;采用均匀化参数方法对进场飞行轨迹进行重采样;进而采用具有噪声的基于密度的聚类算法对进场轨迹进行聚类,采用K means算法识别交通流的中心轨迹。对广州终端区历史运行数据进行实例分析,结果表明所提方法能准确识别进场轨迹与对流天气的关联性,验证了方法的有效性。

S2R2:基于相关性与冗余性分析的半监督特征选择

特征选择是模式识别与数据挖掘的关键问题之一,它可以移除数据集中的冗余和不相关特征以提升学习性能。基于最大相关最小冗余准则,提出一种新的基于相关性与冗余性分析的半监督特征选择方法(S2R2),S2R2方法独立于任何分类学习算法。该方法首先对无监督相关度信息度量进行分析与扩充,然后结合信息增益,设计一种半监督特征相关性与冗余性度量,可以有效识别与移除不相关和冗余特征,最后采用增量搜索技术贪婪地构建特征子集,避免搜索指数级大小的解空间,提高算法的运行效率。本文还提出S2R2方法的快速过滤版本,FS2R2,以更好地应对大规模特征选择问题。多个标准数据集上的实验结果表明了所提方法的有效性和优越性。

基于多元特征的终端区运行场景分类分析方法

为了提升对气象影响下终端区运行场景的认知理解,支撑基于场景的终端区预战术辅助决策及管制新模式的建立,提出了一种基于多元特征的终端区运行场景分类分析方法。针对终端区场景描述与分类需求,构建由终端区气象、交通、流量策略三个领域构成的多元特征,通过多源异构数据的预处理进而建立了终端区场景量化指标集,并选取模糊C均值聚类(FCM)实现基于多元特征的终端区相似场景聚类分类识别和标记;建立了终端区天气指数(ATMAP)算法与聚类划分结果的关联性分析,研究了典型场景实例下的气象影响、各性能领域关键指标的变化规律与分布特征。实例表明,聚类分析方法有效识别出了终端区3种运行场景,气象量化指数以及所选多元特征可以较好地反映气象影响下的终端区运行状况。

基于交通特性的扇区动态管理决策方法研究

空域动态管理是均衡飞行需求与管制负荷的有效方法,如何发掘符合运行规律的决策规则以避免经验粗放型管理是其关键内容之一。针对典型繁忙扇区提取表征扇区运行状态与管制复杂性的典型特征,构建可量化计算的区域扇区运行指标体系,采用最大相关最小冗余(mRMR)有监督和谱特征(SPEC)无监督特征选择算法综合加权实现特征的筛选和降维,进一步选取决策树算法提取扇区动态开合决策规则,并设计了基于客观交通特性预测的扇区动态开合科学决策模式。结果证明,模型开合扇结果与实际开合扇操作的符合率达到89%,模型开合扇规则与现场资深管制员管制经验具有较高的一致性。

一种基于排序代理锚损失的深度度量学习算法

深度度量学习根据特定的度量损失函数对神经网络进行不同的训练,直接学习原始图像空间到语义特征嵌入空间的非线性投影.针对现有代理锚损失函数在不考虑数据分布的情况下,将同一类正样本压缩到嵌入空间中的某个代理锚点,而造成同类样本相似结构丢失的问题,本文提出了一种新的基于排序驱动策略的代理锚损失函数.该损失函数使用了排序列表损失中对样本对进行排序的思想,将正样本排在负样本之前,并通过约束正样本对的距离小于阈值来尽可能地保留同类内部的相似结构.最后,在两个标准数据集上的实验证明了本文所提方法在图像分类问题上的有效性和优越性.

面向繁忙区域扇区动态管理的相似运行场景识别

由于空中交通的不确定性,管制员在策略制定时面临着很大的挑战,而相似运行场景识别是一种很好的辅助管制员进行策略制定的方法。基于典型繁忙区域管制空域的运行特征建立了复杂度度量指标体系,在此基础上分析出区域扇区运行特征具有聚集性及连续性的特点,利用主成分分析有效地降低了数据维度和信息冗余,并利用主成分构建了代表运行模式场景和运行趋势场景的离散特征和时序特征。基于高斯核函数,采用欧氏距离和动态时间规整(Dynamic time warping,DTW)方法对特征间的相似度进行了度量,将度量结果输入到谱聚类模型中得到场景识别结果。聚类结果表明,基于上述指标体系,相似运行趋势场景识别效果不明显,相似模式场景识别结果较理想。最后采用多维缩放(Multidimensional scaling,MDS)方法对相似模式场景识别结果与扇区实际垂直运行进行了可视化对比,识别结果在高峰时刻能很好的反映运行情况,高峰时刻繁忙运行模式和开扇运行的匹配率达到96.7%,并分析出凌晨时段管制员在相似的场景下会做出不同决策,实验结果表明了识别结果的客观性及实际运行的主观性。相似的空中交通活动为管制策略制定提供了规律性支撑,也证明了这种方法在管制运行中对其他人工智能技术及动态策略制定的支持潜力。

融合先验经验聚类的终端区交通流相态识别

以终端区交通流为研究对象,基于航迹谱聚类结果定义并提取交通流特征,分析了特征间关系与交通流相态演化规律,发掘了实测数据下交通流的自由态、平稳态与拥堵态,以此为先验经验进一步设计因子分析与遗传期望最大化模糊聚类算法相结合的终端区交通流态势识别方法,实现对交通流状态影响因素与交通流隐性特征的提取,选取典型繁忙终端区的实测数据进行验证。分析结果表明:基于客观数据挖掘的交通流态势识别方法具有良好的适应性与准确性,自由态、平稳态与拥堵态的模型识别数量分别为6、36、37,管制员判别数量分别为7、40、32,误差率分别为14.3%、10.0%、15.6%,模型识别率均在84%以上;提取的交通流相态及时空特征可从局部细节构建终端区整体运行态势,为终端区流量时空分布调配与进离场程序优化提供支撑。