本发明属于空中交通管理管技术领域，具体涉及一种基于时间的终端区进场效率测度方法。
背景技术：
随着民航业的蓬勃发展，有限的服务资源和日益增长的航班流量之间的矛盾愈显突出。在我国繁忙机场上空，拥堵、排序现象时有发生，在航空器进场方面尤为显著。然而目前，我国对于终端区进场效率还没有规范的关键评价指标。尽管在各类运行报告中呈现出一些运行数据统计，但缺乏数据分析，对终端区进场效率的评价仍以定性分析为主。如何评价终端区的进场效率，如何量化终端区进场效率迫在眉睫，因为相比于定性分析，量化终端区的进场效率可以将其更加直观清晰地体现，也能为各终端区进场效率的对比以及不同进场优化方法的对比提供参照。量化终端区进场效率，鉴别进场效率的影响因素有利于寻找低效的根源所在，也能为进场航班的优化研究锁定出发点，进而对症下药。
技术实现要素：
本发明的目的是提供一种基于时间的终端区进场效率测度方法，针对我国目前缺乏衡量终端区进场效率评价指标的现状，根据实际航班运行数据对终端区进场效率进行评估。
本发明的为达到上述目的，具体通过以下技术方案得以实现的：
一种基于时间的终端区进场效率测度方法，包括以下步骤：
s1、建立终端区模型：以机场基准点为圆心，以100海里为半径的空域范围为机场终端区；
s2、采集、处理航班ads-b数据：从flightradar24网站下载目标机场终端区进场航班的ads-b数据，筛选ads-b数据，以每航班次为单位分别计算每个航班距机场基准点100海里处的位置坐标、对应的时刻t100以及着陆时刻t0；
s3、估算畅通进场时间：根据步骤s2处理的ads-b数据，计算每一进场航班的实际进场时间tactual，根据进场排队数和实际进场时间tactual的数据建立进场排队数与平均进场时间ttransit的一元线性回归模型；针对航班i，当进场排队数为0时，即没有进场航班对航班i的进场时间造成影响，此时的常数项即为畅通进场时间tunimpeded，所述进场排队数为该架航班i从进场到着陆过程中所有排队着陆航班的总量；
s4、终端区进场效率评估：利用步骤s3所得的实际进场时间tactual和畅通进场时间tunimpeded，计算基于时间的机场终端区进场效率指标：
这里的tactual表示实际进场时间，tunimpeded表示畅通进场时间，最终用该终端区进场效率指标对整体航班进行效率评估。
进一步地，在步骤s2中，在步骤s2中，所述处理航班ads-b数据的具体步骤如下：
s2.1、确定进场位置及进场时间:截取每个航班ads-b数据中距离机场基准点100海里最近的两航迹点：p1＝min(pi|0＜|piparp|-100＜1)、p2＝min(pj|-1＜|pjparp|-100＜0)的经、纬度坐标以及对应的时刻，用三次样条插值法对100海里处的时间和其他参数进行计算，分别得到进场点的经纬度坐标和所对应的进场时刻t100；
s2.2、计算着陆时刻：设航班着陆时间为t0，选取航班着陆前的两航迹点对应时刻t1和t2(t1＞t2)和对应高度分别为h1和hx(h1＜h2)，航班着陆前的下降率为：
rd2-1＝(h2-h1)/(t1-t2)，
根据下降率推算着陆时间t0：
t0＝t1+(h1-0)/rd2-1
进一步地，在步骤s2中，所述筛选ads-b数据包括去除取消、无记录和无落地信息的航班数据；所述ads-b数据包含航班号、时间、纬度、经度、高度、速度和航向信息。
进一步地，在步骤s3中，所述估算畅通进场时间的具体步骤如下：
s3.1、计算实际进场时间：根据步骤s2处理的ads-b数据计算实际进场时间tactual，即进场航班从100海里进场到着陆的时间:tactual＝t0-t100；
s3.2、计算进场排队数：进场排队数n表示针对航班i，航班的着陆时刻比航班i的进场时刻晚，且比航班i的着落时刻早的航班j的总量：
其中eti为航班i的进场时刻，lti为航班i的着陆时刻；
s3.3、建立进场时间预测模型：根据进场排队数和实际进场时间tactual的数据，构建进场排队数和平均进场时间ttransit的一元线性回归模型：
ttransit＝α*n+β
其中α，β表示相关系数，当n等于0时，ttransit的值β即为畅通进场时间tunimpeded的值。
与现有技术相比，本发明提供的基于时间的终端区进场效率测度方法是评价终端区进场效率的一种客观量化方法，从经济计量学的角度提出了估计畅通进场时间的新方法，从而弥补当前研究的不足，为终端区效能评估提供了有力参考，为不同机场进场效率的对比以及不同进场优化方法的对比奠定基础，评估方法简单易用，评估结果一目了然。
附图说明
图1为本发明的流程框图；
图2为实施例一测度时间内进场航班的排队数和进场时间的回归线图。
具体实施方式
以下结合附图及实施例对本发明作进一步详细说明。
如图1所示，本发明的一种基于时间的终端区进场效率测度方法，包括以下步骤：
步骤s1，建立终端区模型：划设以机场基准点为圆心，以100海里为半径的空域范围为机场终端区。
步骤s2，采集、处理航班ads-b数据：从flightradar24网站下载目标机场终端区进场航班的ads-b数据，筛选ads-b数据，以每航班次为单位分别计算每个航班距机场基准点100海里处的位置坐标、对应的时刻t100以及着陆时刻t0。其中，筛选ads-b数据包括去除取消、无记录和无落地信息的航班数据；ads-b数据包含航班号、时间、纬度、经度、高度、速度和航向信息。
优选地，步骤s2中，处理航班ads-b数据的具体步骤如下：
步骤s2.1、确定进场位置及进场时间:截取每个航班ads-b数据中距离机场基准点100海里最近的两航迹点：p1＝min(pi|0＜|piparp|-100＜1)、p2＝min(pj|-1＜|pjparp|-100＜0)的经、纬度坐标以及对应的时间，用三次样条插值法对100海里处的时间和其他参数进行计算，分别得到进场点的经纬度坐标和所对应时间t100；航迹点p就是某航班航迹上的空间点，i，j是指机场终端区范围内的航班；parp就是机场基准点，piparp是指航迹点pi点到机场基准点parp的距离。
步骤s2.2、计算着陆时刻：设航班着陆时间为t0，选取航班着陆前的两航迹点对应时刻t1和t2(t1＞t2)和对应高度分别为h1和h2(h1＜h2)，航班着陆前的下降率为：
rd2-1＝(h2-h1)/(t1-t2)，
根据下降率推算着陆时刻t0：
t0＝t1+(h1-0)/rd2-1。
步骤s3，估算畅通进场时间：根据步骤s2处理的ads-b数据，计算每一进场航班的实际进场时间tactual，根据进场排队数和实际进场时间tactual的数据建立进场排队数与平均进场时间ttransit的一元线性回归模型；针对航班i，当进场排队数为0时，即没有进场航班对航班i的进场时间造成影响，此时的常数项即为畅通进场时间tunimpeded，所述进场排队数为该架航班i从进场到着陆过程中所有排队着陆航班的总量。
优选地，步骤s3中，估算畅通进场时间的具体步骤如下：
步骤s3.1、计算实际进场时间：根据步骤s2处理的ads-b数据计算实际进场时间tactual，即进场航班从100海里进场到着陆的时间:tactual＝t0-t100；
步骤s3.2、计算进场排队数：进场排队数n表示针对航班i，航班的着陆时刻比航班i的进场时刻晚，且比航班i的着落时刻早的航班j的总量：
其中eti为航班i的进场时刻，lti为航班i的着陆时刻；
步骤s3.3、建立进场时间预测模型：根据进场排队数和实际进场时间tactual的数据，构建进场排队数和平均进场时间ttransit的一元线性回归模型：
ttransit＝α*n+β
其中α，β表示相关系数，当n等于0时，ttransit的值β即为畅通进场时间tunimpeded的值。平均进场时间ttransit为各种排队数量情况下的平均进场时间。
步骤s4，终端区进场效率评估：利用步骤s3所得的实际进场时间tactual和畅通进场时间tunimpeded，计算基于时间的机场终端区进场效率指标：
这里的tactual表示实际进场时间，tunimpeded表示畅通进场时间，最终用该终端区进场效率指标对整体航班进行效率评估。
实施例一，以测度北京首都机场2017年4月19日进场航班的终端区进场效率为例
步骤s1，建立终端区模型：划设以机场基准点为圆心，以100海里为半径的空域范围为本方法涉及的机场终端区。
步骤s2，采集、处理航班ads-b数据：在flightradar24网站上，下载北京首都机场2017年4月19日的进场航班ads-b数据，该ads-b数据信息包含航班号、时间、纬度、经度、高度、速度、航向。共下载ads-b数据730个，去除取消航班46个，无记录航班122个，无落地信息10个，有效abs-b数据共计522条。然后以航班号为单位分别计算每个航班距机场基准点100海里处的位置坐标和时间以及精确的着陆时间t0。
步骤s2.1，确定进场位置及进场时间:截取每个航班ads-b数据中距离机场基准点100海里最近的两航迹点：p1＝min(pi|0＜|piparp|-100＜1)，p2＝min(pj|-1＜|pjparp|-100＜0)的经、纬度坐标以及对应的时间，用三次样条插值法对100海里处的时间和其他参数进行计算，分别得到进场点的经纬度坐标和所对应的进场时刻t100。
步骤s2.2，计算着陆时刻：设航班着陆时刻t0，选取航班着陆前的两航迹点对应时刻t1和t2(t1＞t2)和对应高度分别为h1和h2(h1＜h2)。航班着陆前的下降率为：rd2-1＝(h2-h1)/(t1-t2)，根据下降率推算着陆时刻：t0＝t1+(h1-0)/rd2-1。某航班数据处理结果如表1。
表1航班ads-b数据的处理结果样例
其中，100海里时刻t100和着陆时刻t0为航班飞机从起飞开始算起所用的时间。
步骤s3，估算畅通进场时间：根据步骤s2处理的数据得到每个航班进场时间，建立进场排队数与进场时间的一元线性回归模型。针对航班i，当进场排队数为0时，即没有进场着陆的航班对航班i的进场时间造成影响，此时的常数项则为畅通进场时间tunimpeded；模型中的进场排队数为该架航班从进场到着陆过程中所有排队着陆航班的总量。
步骤s3.1，计算实际进场时间：根据步骤s2处理的ads-b数据计算航班的实际进场时间tactual，即进场航班从100海里进场到着陆的时间：tactual＝t0-t100；
步骤s3.2计算进场排队数：进场排队数n表示针对航班i，航班的着陆时刻比航班i的进场时刻晚，且比航班i的着落时刻早的航班j的总量：
其中eti为航班i的进场时间，lti为航班i的着陆时间；
步骤s3.3，建立进场时间预测模型：根据进场排队数和实际进场时间tactual的散点，构建进场排队数和平均进场时间ttransit(分钟)的一元线性回归模型：
ttransit＝α*n+β
本例中，相关系数α＝0.4814，β＝22.8838，即一元线性回归方程为ttransit＝0.4814*n+22.8838，进场排队数和进场时间回归线图如图2所示，当n等于0时，ttransit的值22.8838即为畅通进场时间tunimpeded的值，即该实施例中，畅通进场时间tunimpeded＝22.8838分钟。
步骤s4，终端区进场效率评估：利用上述估计出的畅通进场时间计算基于时间的效率指标：
最终通过计算得到2017年4月19日北京首都机场终端区的这一天全部航班实际进场时间的平均值26.67分钟，计算后进场效率为83.47％。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。