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...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。展开更多
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...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。展开更多
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...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。展开更多
基金supported by the National Key R&D Program of China(Nos.2022YFB2602403,2022YFB2602401)the National Natural Science Foundation of China(No.71971112)。
文摘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。
基金supported by the Fundamental Research Funds for the Central Universities(NOS.NS2019054,NS2020045)。
文摘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。
基金supported by the National Natural Science Foundation of China(No.61501229)the Fundamental Research Funds for the Central Universities(Nos.2019054,2020045)。
基金the National Natural Science Foundation of China(Nos.71731001,61573181,71971114)the Fundamental Research Funds for the Central Universities(No.NS2020045)。
文摘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。