基于LSTM的航班过点时间预测

为了提高空管流量管理效率,在飞行计划阶段,精确推测航空器预计过点时间,提出了基于长短时记忆网络(Long Short-Term Memory,LSTM)的航班过点时间预测方法。通过关联航班飞行计划与实际雷达数据,根据计划数据航路点与实际过点时间信息构建了预测模型。将模型预测结果与真实航班过点时间进行对比,将预测过点时间与实际过点时间的绝对值误差作为评价标准,结果表明,基于LSTM的航班过点时间预测模型误差更小,以国内航班CCA4439为例,LSTM模型精度更高,可以将航班的过点时间误差控制在30s以内。

基于密度聚类与匹配算法的异常飞行行为挖掘

在空中交通愈加拥挤的背景下,航空器的异常飞行行为的有效挖掘可以辅助管制员进行调配决策。现有方法只能辨识飞机空间位置特征异常,存在水平可扩展性的局限。本文考虑位置、速度、高度和航向4个异常特征,采用高度层划分策略、局部异常因子和快速覆盖树对基于密度的有噪声应用中的空间聚类(Density-based spatial clustering of applications with noise,DBSCAN)方法进行改进,提出局部异常因子改进的考虑速度、方向及高度的基于密度聚类方法(Density-based spatial clustering considering speed,direction and high level improved by local outlier factor,LOFDBSC-SDH)密度聚类算法对正常航迹模式进行快速准确提取。然后,基于正常航迹模式设计考虑过点时间和上述异常特征的航迹匹配算法,挖掘异常飞行行为。最后,通过实验仿真验证了本文方法的有效性和应用价值。

不确定性影响下航班进场管理多策略比较研究

创建了基于过点时间和基于分时段尾随间隔限制的进场管理模型,并设计人工智能算法对模型进行求解,并结合实际进场运行中的尾随间隔限制策略,采用蒙特卡洛仿真方法对受到不确定性影响下三种策略的实施效果进行了比较。仿真结果表明,确定性情况下,过点时间管理策略在终端区内外的总延误小于全时段及分时段尾随间隔限制策略,效果更优。当受不确定性影响时,基于时间的管理策略下航班总延误的增加程度以及航班顺序出现反序的情况都更明显,尾随间隔限制策略更具鲁棒性。