为了预测航空器滑行预计到达时间(Estimated time of arrival,ETA),减少场面冲突,提高机场运行效率,本文使用卡尔曼滤波算法对场面历史轨迹数据进行预处理。为了衡量轨迹样本间的距离,综合三类特征用于机场场面历史轨迹数据聚类。特征...为了预测航空器滑行预计到达时间(Estimated time of arrival,ETA),减少场面冲突,提高机场运行效率,本文使用卡尔曼滤波算法对场面历史轨迹数据进行预处理。为了衡量轨迹样本间的距离,综合三类特征用于机场场面历史轨迹数据聚类。特征包含航空器滑行时段和场面航空器数量,以及参考动态时间规整(Dynamic time warping,DTW)算法提取的轨迹差异度特征。将两个样本特征的欧式距离作为样本间的相似度量;基于均差最大原则确定初始聚类中心,使用K-means算法对样本进行聚类,根据待规划航空器的所处时段和场面航空器数量选择匹配度最高的类簇,将其聚类中心样本的轨迹序列和塔台规划的静态路径相结合预测航空器滑行ETA。通过将实际轨迹数据与预测的滑行ETA进行对比分析,证明了本文预测航空器滑行ETA的准确性。展开更多
文摘为了预测航空器滑行预计到达时间(Estimated time of arrival,ETA),减少场面冲突,提高机场运行效率,本文使用卡尔曼滤波算法对场面历史轨迹数据进行预处理。为了衡量轨迹样本间的距离,综合三类特征用于机场场面历史轨迹数据聚类。特征包含航空器滑行时段和场面航空器数量,以及参考动态时间规整(Dynamic time warping,DTW)算法提取的轨迹差异度特征。将两个样本特征的欧式距离作为样本间的相似度量;基于均差最大原则确定初始聚类中心,使用K-means算法对样本进行聚类,根据待规划航空器的所处时段和场面航空器数量选择匹配度最高的类簇,将其聚类中心样本的轨迹序列和塔台规划的静态路径相结合预测航空器滑行ETA。通过将实际轨迹数据与预测的滑行ETA进行对比分析,证明了本文预测航空器滑行ETA的准确性。