本公开涉及空中交通管理领域。具体地,本公开涉及航空器的进场飞行模式预测方法和装置以及存储介质。
背景技术:
1、随着空中交通需求的不断增长,空域拥挤状况愈发严重,因此而引起的进场航班延误率升高、冲突调配难度大已成为目前空中管制工作中的一大难题。进一步,随着空中管制工作压力与日俱增,以往凭借经验的管制方法已很难满足当前运行的需求。
2、目前的进场管理系统是以航空器的航迹预测为基础,根据当前的航空器状态、对航空器意图的估计、结合气象信息与航空器性能,推算航空器在未来一段时间内的航迹。进场管理系统根据航迹推算结果,使用算法实现进场航空器的着陆排序,进而依据一定的规则给出管制调度建议。鉴于此,进场管理系统的核心一方面是对航空器意图的估计,另一方面是给出管制调度建议。而上述两方面的关键是对航空器进场飞行模式的识别与预测。
3、然而值得注意的是,对于进场管理目前尚停留在飞行模式的识别方面,识别后的飞行模式往往应用于终端空域进场飞行程序设计和优化方面。关于飞行模式的预测问题,鲜有深入的研究。进一步,现阶段进场管理系统往往提供优化的着陆序列与着陆时间,具体的管制辅助建议一般通过等待程序或利用点融合程序实现。
4、鉴于此,期望提供一种数据驱动的航空器进场飞行模式预测方法,解决诸如跑道分配以及管制决策支持的问题。
技术实现思路
1、本公开的目的在于,提供一种航空器的进场飞行模式预测方法和装置以及存储介质,其基于航空器的历史航迹数据构建分类器,利用该分类器预测航空器的进场飞行模式,从而可以快速生成管制指令,辅助管制员决策,达到提高管制员的情境意识、降低管制员的工作负荷的目的。
2、根据本公开的实施例,提供了一种航空器的进场飞行模式预测方法,包括:基于航空器的历史航迹数据获取航空器的进场航迹,其中,进场航迹是航空器进入终端空域的飞行轨迹,终端空域是航空器将要着陆的机场附近的空域;基于航空器的修正的航向和进场待飞距离对进场航迹进行表征;将表征后的进场航迹进行聚类,以形成表示航空器的进场飞行模式的标签信息,标签信息被分配给相应的进场航迹;以航空器中的任一航空器进入终端空域的时刻为基准时刻,获取基准时刻反映终端空域的态势特征的图像信息;以图像信息作为输入、标签信息作为输出,利用卷积神经网络构建和训练分类器;以及获取新的航空器的新图像信息,并将新图像信息输入训练后的分类器中,以输出对应的标签信息,根据对应的标签信息预测新的航空器的进场飞行模式。
3、在根据本公开实施例的进场飞行模式预测方法中,充分利用航空器的历史航迹数据形成航空器的进场航迹,通过对进场航迹进行重新采样表征、聚类获得表示航空器进场飞行模式的标签信息,通过将反映终端空域的态势特征的图像信息作为输入、将标签信息作为输出构建和训练分类器,向训练后的分类器输入新的图像信息,即可预测航空器的进场飞行模式,实现了对航空器进场飞行模式的预测。根据该预测可以快速生成管制指令,辅助管制员决策,达到提高管制员的情境意识、降低管制员的工作负荷的目的。
4、根据本公开实施例的进场飞行模式预测方法,其中,基于航空器的历史航迹数据获取航空器的进场航迹包括:获取航空器的历史航迹数据;对历史航迹数据进行解码,以获得历史航迹数据的原始数据;以及对原始数据进行预定处理,以获取航空器的进场航迹。
5、根据本公开实施例的进场飞行模式预测方法,其中,对历史航迹数据进行解码,以获得历史航迹数据的原始数据包括:确定历史航迹数据的格式类型;以及根据格式类型,采用不同的规范标准对历史航迹数据进行解码以获得原始数据。
6、以上述方式,通过用不同的规范标准对历史航迹数据进行解码,提高了解码的准确性和解码速度。
7、根据本公开实施例的进场飞行模式预测方法,其中,对原始数据进行预定处理,以获得航空器的进场航迹包括:根据原始数据,利用机场的着陆跑道坐标和航空器的航迹高度变化趋势确定航空器的初始进场航迹;以及对初始进场航迹进行预定处理,以获得航空器的进场航迹,其中,预定处理包括以下处理中的至少一项:去除异常数据,异常数据至少包括:以采样频率低于预定值而采样的航迹数据、起始值在所述终端空域内的航迹数据、结束值未落在机场跑道附近的航迹数据、以及混杂多个应答机代码的航迹数据;针对缺失的数据,通过线性插值补齐缺失的数据;以及通过低通滤波器进行数据的平滑。
8、以上述方式,在考虑航空器的航迹高度变化趋势的同时还考虑到着陆跑道坐标,从而可以准确地确定航空器的初始进场航迹。通过对原始数据进行预定处理,使得获得的进场航迹质量更高,增强了分类器预测的可靠性,从而可以提高飞行模式预测的准确性。
9、根据本公开实施例的进场飞行模式预测方法,其中,基于航空器的修正的航向和进场待飞距离对进场航迹进行表征包括:
10、计算航空器的进场航迹上两个连续航迹点之间的航向变化
11、其中,表示第i个航空器的第j个航迹点的航向,l(i)表示第i个航空器的航迹点的个数;
12、根据航空器左转或右转的判断,修正航空器的航向变化:
13、
14、其中,为修正的航向变化;
15、计算航空器的修正的航向:
16、
17、其中,为修正的航向;以及
18、基于航空器的修正的航向和进场待飞距离,将进场航迹重采样而表征为:
19、
20、其中,表示第i个航空器的第j个航迹点的进场待飞距离,为第i个航空器重采样后的航迹点个数,ω为重采样的距离间隔,为重采样后第i个航空器的航迹表征。
21、以上述方式,通过对航空器的航向变化进行修正避免了航向变化的跳跃而导致的航向表征不准确的问题。同时,通过用修正的航向对航空器的进场航迹进行表征使得表征的航迹具有唯一性,避免了传统航迹表征导致的航迹不易区分的问题。
22、根据本公开实施例的进场飞行模式预测方法,其中,将表征后的进场航迹进行聚类,以形成表示航空器的进场飞行模式的标签信息包括:
23、对于航空器中的航空器x和航空器y的表征后的进场航迹,利用动态时间规整dtw算法计算进场航迹的相似性矩阵:
24、
25、其中,为航空器x和航空器y的重采样后的修正的航向之间的距离,和分别表示航空器x和航空器y从进场航迹中移除第一个航迹点后的修正航向集合;以及
26、基于相似性矩阵,利用聚类算法对进场航迹进行聚类,以形成表示航空器的进场飞行模式的标签信息。
27、通过上述方式,提供了对进场航迹进行聚类以形成标签信息的一种具体手段。
28、根据本公开实施例的进场飞行模式预测方法,其中,获取基准时刻反映终端空域的态势特征的图像信息包括:将终端空域所涵盖的水平范围划分为多个栅格;获取基准时刻进入终端空域内的其他航空器的以栅格表示的位置信息;获取其他航空器的在基准时刻之前第一预定时间段内在终端空域内的以栅格表示的第一历史位置信息;获取已着陆航空器的在基准时刻之前第二预定时间段内在终端空域内的以网络表示的第二历史位置信息;以及将所述位置信息、第一历史位置信息和第二历史位置信息组合,以得到反映终端空域的态势特征的图像信息。
29、通过上述方式,获得了既反映即使时刻又反映历史时段的终端空域的态势特征信息,为后续训练分类器提供能更全面的输入信息,从而可以提高训练后的分类器的预测可靠性。
30、根据本公开实施例的进场飞行模式预测方法,其中,利用卷积神经网络构建和训练分类器包括:基于包含图像信息的图片的大小,定义卷积神经网络的输入层;加入卷积层,其中,基于输入到输入层的图片的大小定义卷积层的卷积核的大小;加入池化层,其中,基于卷积层输出的图片定义池化层的池化核的大小;加入全连接层以构建分类器,其中,基于所预测的飞行模式的数量,定义全连接层的大小;以及将图像信息作为分类器的输入、将标签信息作为分类器的输出以训练分类器,其中,从全连接层输出图像信息对应于标签信息的概率值。
31、通过上述方式,提供了构建和训练用于预测航空器进场飞行模式的分类器的一种具体方式。
32、根据本公开的另一实施例,提供了一种航空器的进场飞行模式预测装置,包括:第一模块,被配置为基于航空器的历史航迹数据获取所述航空器的进场航迹,其中,进场航迹是航空器进入终端空域的飞行轨迹,终端空域是航空器将要着陆的机场附近的空域;第二模块,被配置为基于航空器的修正的航向和进场待飞距离对进场航迹进行表征;第三模块,被配置为将表征后的进场航迹进行聚类,以形成表示航空器的进场飞行模式的标签信息,标签信息被分配给相应的进场航迹;第四模块,被配置为以航空器中的任一航空器进入终端空域的时刻为基准时刻,获取基准时刻反映终端空域的态势特征的图像信息;第五模块,被配置为以图像信息作为输入、标签信息作为输出,利用卷积神经网络构建和训练分类器;以及第六模块,被配置为获取新的航空器的新图像信息,并将新图像信息输入训练后的分类器中,以输出对应的标签信息,根据对应的标签信息预测新的航空器的进场飞行模式。
33、在根据本公开实施例的进场飞行模式预测装置中,充分利用航空器的历史航迹数据形成航空器的进场航迹,通过对进场航迹进行重新采样表征、聚类获得表示航空器进场飞行模式的标签信息,通过将反映终端空域的态势特征的图像信息作为输入、将标签信息作为输出构建和训练分类器,向训练后的分类器输入新的图像信息,即可预测航空器的进场飞行模式,实现了对航空器进场飞行模式的预测。根据该预测可以快速生成管制指令,辅助管制员决策,达到提高管制员的情境意识、降低管制员的工作负荷的目的。
34、根据本公开另一实施例的进场飞行模式预测装置,其中,基于航空器的历史航迹数据获取航空器的进场航迹包括通过第一模块:获取航空器的历史航迹数据;对历史航迹数据进行解码,以获得历史航迹数据的原始数据;以及对原始数据进行预定处理,以获取航空器的进场航迹。
35、根据本公开另一实施例的进场飞行模式预测装置,其中,对历史航迹数据进行解码,以获得历史航迹数据的原始数据包括通过所述第一模块:确定历史航迹数据的格式类型;以及根据所述格式类型,采用不同的规范标准对历史航迹数据进行解码以获得原始数据。
36、以上述方式,通过用不同的规范标准对历史航迹数据进行解码,提高了解码的准确性和解码速度。
37、根据本公开另一实施例的进场飞行模式预测装置,其中,对原始数据进行预定处理,以获得航空器的进场航迹包括通过第一模块:根据原始数据,利用机场的着陆跑道坐标和航空器的航迹高度变化趋势确定航空器的初始进场航迹;以及对初始进场航迹进行预定处理,以获得航空器的进场航迹,其中,预定处理包括以下处理中的至少一项:去除异常数据,异常数据至少包括:以采样频率低于预定值而采样的航迹数据、起始值在终端空域内的航迹数据、结束值未落在机场跑道附近的航迹数据、以及混杂多个应答机代码的航迹数据;针对缺失的数据,通过线性插值补齐缺失的数据;以及通过低通滤波器进行数据的平滑。
38、以上述方式,在考虑航空器的航迹高度变化趋势的同时还考虑到着陆跑道坐标,从而可以准确地确定航空器的初始进场航迹。通过对原始数据进行预定处理,使得获得的进场航迹质量更高,增强了分类器预测的可靠性,从而可以提高进场飞行模式预测的准确性。
39、根据本公开另一实施例的进场飞行模式预测装置,其中,基于航空器的修正的航向和进场待飞距离对进场航迹进行表征包括通过所述第二模块:
40、计算航空器的进场航迹上两个连续航迹点之间的航向变化
41、其中,表示第i个航空器的第j个航迹点的航向,l(i)表示第i个航空器的航迹点的个数;
42、根据航空器左转或右转的判断,修正航空器的航向变化:
43、
44、其中,为修正的航向变化;
45、计算航空器的修正的航向:
46、
47、其中,为修正的航向;以及
48、基于航空器的修正的航向和进场待飞距离,将进场航迹重采样而表征为:
49、
50、其中,表示第i个航空器的第j个航迹点的进场待飞距离,为第i个航空器重采样后的航迹点个数,ω为重采样的距离间隔,为重采样后第i个航空器的航迹表征。
51、以上述方式,通过对航空器的航向变化进行修正避免了航向变化的跳跃而导致的航向表征不准确的问题。同时,通过用修正的航向对航空器的进场航迹进行表征使得表征的航迹具有唯一性,避免了传统航迹表征导致的航迹不易区分的问题。
52、根据本公开另一实施例的进场飞行模式预测装置,其中,将表征后的进场航迹进行聚类,以形成表示所述航空器的进场飞行模式的标签信息包括通过所述第三模块:
53、对于航空器中的航空器x和航空器y的表征后的进场航迹,利用动态时间规整dtw算法计算进场航迹的相似性矩阵:
54、
55、其中,为航空器x和航空器y的重采样后的修正的航向之间的距离,和分别表示航空器x和航空器y从进场航迹中移除第一个航迹点后的修正航向集合;以及
56、基于所述相似性矩阵,利用聚类算法对所述进场航迹进行聚类,以形成表示航空器的进场飞行模式的标签信息。
57、通过上述方式,提供了对进场航迹进行聚类以形成标签信息的一种具体手段。
58、根据本公开另一实施例的进场飞行模式预测装置,其中,获取基准时刻反映终端空域的态势特征的图像信息包括通过第四模块:将终端空域所涵盖的水平范围划分为多个栅格;获取基准时刻进入终端空域内的其他航空器的以栅格表示的位置信息;获取其他航空器的在基准时刻之前第一预定时间段内在终端空域内的以栅格表示的第一历史位置信息;获取已着陆航空器的在基准时刻之前第二预定时间段内在终端空域内的以网络表示的第二历史位置信息;以及将位置信息、第一历史位置信息和第二历史位置信息组合,以得到反映终端空域的态势特征的图像信息。
59、通过上述方式,获得了既反映即使时刻又反映历史时段的终端空域的态势特征信息,为训练分类器提供能更全面的输入信息,从而可以提高训练后的分类器的预测可靠性。
60、根据本公开另一实施例的进场飞行模式预测装置,其中,利用卷积神经网络构建和训练分类器包括通过第五模块:基于包含图像信息的图片的大小,定义卷积神经网络的输入层;加入卷积层,其中,基于输入到输入层的图片的大小定义卷积层的卷积核的大小;加入池化层,其中,基于卷积层输出的图片定义池化层的池化核的大小;加入全连接层以构建分类器,其中,基于所预测的飞行模式的数量,定义全连接层的大小;以及将图像信息作为分类器的输入、将标签信息作为分类器的输出以训练分类器,其中,从全连接层输出图像信息对应于标签信息的概率值。
61、通过上述方式,提供了构建和训练用于预测航空器进场飞行模式的分类器的一种具体方式。
62、根据本公开的又一实施例,提供了一种存储介质,其上存储有程序,当被执行时,所述程序使处理器执行上述的进场飞行模式预测方法。