一种机场场面运行场景分类方法及系统与流程

本发明涉及一种场景分类方法及系统，特别是一种机场场面运行场景分类方法及系统。

背景技术：

1、航空运输机场是衔接航空器空中与地面活动的重要区域，充分了解其运行模式对于提升航班运输安全与效率而言至关重要。机场运行具有结构复杂、交通密集、环境多变等特点，为管制人员制定相应运行策略带来了困难。随着民航业发展步入信息化与运输技术革命，如何有效利用海量的航班运输资源与大数据技术实现“智慧机场”下的高精度运行态势感知成为当前的重要研究方向。

2、近些年来，基于海量历史数据的相似场景(日)分类成为一种识别运行态势、提供决策支持的重要方法。该方法发掘不同时空尺度场景的多维度关键特征要素，将场景区分为多种类型，降低战术阶段的决策制定复杂度，实现更高效的场面运行管理。

3、传统的研究普遍采用基于不同时间尺度的气象数据、地面延误等宏观量化指标来描述机场运行状态。在实际运行过程中，管制人员对航班后续决策的制定往往取决于航班当前所处场景，而相关研究考虑的特征种类较为单一，未能将复杂场面运行场景下的多元异质特征进行充分融合。在相似场景研究中提取的特征类型多为数值型，而在机场场面运行环境下，关键的场景特征通常由分类变量和数值型变量共同组成，具有多元异质特性，使得常见的聚类方法难以直接应用于场面运行场景分类。因此，亟需采用一种高效的机场场面分类方法，对航班在场面运行期间面临的不同场景模式进行分类，以期为场面滑行态势精准感知、场面运行优化管控等研究提供基础支撑和参考依据。

技术实现思路

1、发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种机场场面运行场景分类方法及系统。

2、为了解决上述技术问题，本发明公开了一种机场场面运行场景分类方法及系统；其中，所述方法包括以下步骤：

3、步骤1，进行数据收集与预处理，构建场面运行场景数据集，即通过多数据源数据采集、处理和挖掘，从与离场航空器相关的空中交通运行数据中获取相关信息，形成离场航空器视角下的机场场面运行场景分类数据集；

4、步骤2，进行机场场面运行场景特征提取，选取关键运行指标，其中，针对离场航空器滑行过程中的场面交通状态，采用基于时空网络拓扑结构的场面复杂度指标，衡量场面交通状态，对不同指标类型下的各类具体指标进行选取，得到指标体系；

5、步骤3，进行场面运行场景分类，通过步骤2中选取的指标体系对各类场面场景进行运行划分，即对不同离场航空器运行过程中的场景指标进行聚类处理，产生多类典型机场场面运行场景，完成所述的机场场面运行场景分类。

6、进一步的，步骤1中所述的构建场面运行场景数据集，具体包括以下步骤：

7、步骤1-1，收集运输机场场面的空中交通运行数据，即航空运输活动的参与方的各类与航空器滑行相关的关键运行与环境数据；所述数据来自于空中交通管理部门、气象预报部门、机场运行管理部门和航空公司运行控制部门的数据系统；

8、所述数据至少包括：所有进离场航空器在机场场面运行期间的所有航班属性数据、航空器运行节点数据和气象数据；

9、步骤1-2，对步骤1-1中收集得到的空中交通运行数据进行信息关联与特征提取，即从航空器运行节点数据提取出场面交通特征，从航班属性数据中提取出航班属性特征、从气象数据中提取出场面环境特征；

10、上述特征中至少包括：航空器的航班属性、机场的结构信息、场景的气象信息、航空器关键时间节点的预计时间信息和实际时间信息；

11、其中，所述的航空器关键时间节点，至少包括：所述航空器的撤轮档时刻、起飞时刻、降落时刻和上轮挡时间；

12、步骤1-3，将步骤1-1和步骤1-2中的数据进行储存，得到离场航空器视角下的机场场面运行场景分类数据集。

13、进一步的，步骤2中所述的关键运行指标，至少包括：航班属性指标即航班属性特征、气象环境指标即场面环境特征和场面复杂度指标即场面交通特征。

14、进一步的，步骤2中所述的选取关键运行指标，具体方法包括以下步骤：

15、步骤2-1，采用基于时空网络拓扑结构的场面复杂度指标，即基于机场场面的时空网络拓扑结构，选取如下指标：瞬时流量因子sifi、场面累计流量因子scfi、起降队列长度因子aqli和时隙资源需求因子srdi，共计4类，每个因子分为出场和进场两种，得到8个场面复杂度指标，上述指标均为数值变量；

16、步骤2-2，根据航班属性，选取航班属性指标；所述航班属性指标，至少包括：

17、航空公司、航班号、后站id，起飞跑道、停机位、机型、航班任务、停机位类型、航班类型和机坪；上述指标均为分类变量；

18、步骤2-3，根据气象环境，选取气象环境指标；所述气象环境指标，至少包括：

19、数值变量：atmap、温度、露点、气压、能见度、云底高、风速和风向，分类变量：云层密度、是否有雷暴和是否有阵风。

20、进一步的，步骤2中所述的指标体系，即步骤2-1至步骤2-3中选取出的指标集合。

21、进一步的，步骤2中所述的进行聚类，即采用k-prototype方法，根据步骤2中所述的指标体系，对机场运行场景进行聚类。

22、进一步的，步骤3中所述的产生多类典型机场场面运行场景，具体包括以下步骤：

23、步骤3-1，对步骤2中所述的指标体系中所有数值变量类型的指标，使用主成分分析进行降维处理；

24、步骤3-2，采用手肘图方法，确定最优聚类数量大小，即取手肘图中误差平方和下降并发生转折的位置所对应的数量作为最优聚类数量；其中，所述的误差平方和sse如下：

25、

26、其中，cl表示分类的第l个簇，θl为簇l的簇中心，sn表示第n个场景向量，k表示簇的数量，d( )表示场景相似度度量；

27、步骤3-3，确定不同类别的机场场面运行场景间的相似度度量，具体如下：

28、将机场场面运行场景样本集设为：s＝{s1,s2,s3…sn}，其中机场场面运行场景样本表示为：

29、

30、其中，si表示样本集中第i个场景向量，共有m个特征，其中前h个属性为数值变量，即上标为n，第h+1到m个属性为分类变量，即上标为c；

31、采用k-prototype聚类方法，计算场景相似度，具体如下：

32、

33、其中，d(si,sj)表示场景si和场景sj的相似度，γ为分类属性权重，表示两个数值变量的欧式距离，表示两个分类变量间的汉明距离，其中的计算方法如下：

34、

35、步骤3-4，使用k-prototype方法对场景样本集进行聚类，具体包括：

36、步骤3-4-1，对步骤1中得到的离场航空器视角下的机场场面运行场景分类数据集中的数据进行初始化，选取k个初始簇中心；

37、步骤3-4-2，根据步骤3-3中相似度的计算方法，计算各个场景样本与簇中心之间的距离，将其划分到距离最近的簇中心所处的簇中；

38、步骤3-4-3，重新确定簇中心，即对聚类中形成的簇，计算簇内场景样本的数值变量均值，和簇内场景样本的分类变量出现频率最高值，作为新的簇中心υcen；

39、计算聚类误差平方和，当|sset-sset-1|<ε时停止计算，否则重复步骤3-4-3；其中，sset表示第t次即当前轮次计算，ε为停止阈值；

40、步骤3-5，采用步骤3-4的方法聚类得到若干个簇，根据步骤3-3中的场景相似度计算方法，得到各个类别即簇中每个场景与聚类中心的距离，选取其中最为接近聚类中心的场景作为该类别场景的参考值；输出全部场景所归属的簇的标签即场景类别与参考值。

41、本发明还提出了一种机场场面运行场景分类系统，用于实现上述的方法，具体包括：

42、场面运行场景数据集模块，用于建立机场场面运行数据集；

43、特征提取模块，用于提取机场场面运行关键特征；

44、场面运行场景分类模块，用于利用k-prototype方法进行场面运行场景划分，给出不同场景下的关键特征参考值。

45、进一步的，所述系统，还包括一种存储介质，用于存储机场场面运行场景分类所需数据集合与计算机程序或指令，当计算机程序或指令被执行时，实现上述方法的所述各个步骤。

46、有益效果：

47、本发明提出的机场场面运行场景分类方法，提出了系统的机场场面滑行场景的特征体系，对机场场面的离场航空器面临的各类场景进行类别划分，解决了航班运行场景缺乏特征体系和特征体系内分类变量多导致的场面活动缺乏有效划分手段的问题，填补了在机场场面相似场景划分问题方面的技术空白。