机场场面滑行热门区域识别方法、装置及存储介质

本发明涉及场面热点识别领域，尤其涉及一种机场场面滑行热门区域识别方法、装置及存储介质。

背景技术：

1、随着航空运输需求的不断增长，各航空运输企业机队规模不断扩大，导致机场场面的交通压力持续上升。一方面，航空器在某一位置处等待会不可避免地影响到周围航空器的滑行效率，在高交通量的情况下，一个区域的拥堵可能会导致连锁反应，进而逐步影响到整个机动区的交通流动。另一方面，场面交通拥堵会导致空中交通管制员的工作负担加重，这种过度的负荷不利于管制员有效地分配精力。在这种情况下，机场场面内交通压力较大的区域极易发生不安全事件。

2、早期国内大型枢纽机场主要依赖于基于经验方法，例如基于机场工作人员的经验判断以及头脑风暴法来划设热点，这种方式偏向于主观，缺乏系统的理论依据。现有的理论研究中热点识别多基于场面活动冲突探测方法，即识别历史上多发生交通冲突的位置，其对于场面热点的识别层面较为单一，忽略了机场运行的复杂性，并且对于热点的空间粒度无明确的划分。

3、随着目标检测方法的发展，各种信息处理设备、预警监视系统、空中交通管制系统等都存储了大量的时空轨迹数据，这些轨迹记录了航空器在某一时间的空间位置，包含有时间、速度等丰富信息，大量的连续时空轨迹数据为场面热点识别提供了新的研究思路和数据支撑。因此，为综合评价场面运行热点区域，选取三个态势指标，基于航空器轨迹数据通过采用核密度分析、机器学习等算法准确识别出场面内的热点区域，降低热点划设的主观性与单一性。。

技术实现思路

1、本发明所要解决的实际问题在于填补现有技术的不足，提供一种机场场面滑行热门区域识别方法、装置及存储介质，明确场面热点识别的空间粒度，突出场面内需重点关注的区域。

2、为了解决上述技术问题，本发明提供了一种机场场面滑行热门区域识别方法，包括：

3、步骤一：建立场面滑行网络模型；

4、步骤二：对航空器轨迹数据进行处理，提取航空器轨迹点；

5、步骤三：对航空器轨迹点进行核密度分析并基于critic计算权重获得加权核密度值；

6、步骤四：将获得的加权核密度值作为谱聚类相似度矩阵输入的基础，并结合空间邻近性实现场面区域的划分；

7、步骤五：统计各个子区内栅格像元加权核密度值的分布，子区内加权核密度值越高，则该区域内航空器的活跃程度越高。

8、在本技术的一实施例中，所述提取航空器轨迹点的方法包括：

9、对航空器轨迹进行重采样使同一条轨迹中任意两相邻轨迹点间的距离相等；

10、提取航空器滑行阶段速度为0的轨迹点；

11、提取航空器跑道头排队、跑道入口处等待的轨迹点。

12、在本技术的一实施例中，所述步骤三中获得加权核密度值的方法包括：

13、3.1：基于三类航空器轨迹点分别进行核密度分析，得到三个核密度分析栅格图层；核密度计算公式如下：

14、

15、式中，f(x,y)表示航空器轨迹点p(x,y)处的核密度计算函数，x,y为轨迹点p(x,y)的经纬坐标，h是带宽，n是与轨迹点p(x,y)的欧氏距离不超过h的轨迹点数；带宽h的计算方式如下：

16、

17、

18、式中，sd表示标准距离，dm表示中值距离，为轨迹点要素的平均中心；

19、3.2：对3.1中得到的三个核密度分析栅格图层分别进行归一化处理，使核密度值在[0,1]之间；

20、3.3：参照航空资料汇编选取交叉口范围，提取交叉口范围内的核密度值，结合信息熵与标准差确定指标对比强度，利用person相关系数确定指标冲突性，基于指标对比强度和冲突性确定各指标的权重cj；计算如下：

21、

22、

23、式中，σj是指标j的标准差，ej是指标j的熵，k＝1/ln n，fij′是i个交叉口节点的第j个评价指标标准化后的核密度值，rjl是指标j与指标l的相关系数；

24、3.4：进行加权分析获得加权核密度栅格图层，计算公式如下：

25、

26、式中，f*为加权核密度值(wkde),j为不同的态势指标，cj为指标j的权重，fj(x,y)′是态势指标j下fj(x,y)归一化后的值。

27、在本技术的一实施例中，所述将获得的加权核密度值作为谱聚类相似度矩阵输入的基础，并结合空间邻近性实现场面区域的划分的方法包括：

28、4.1：谱聚类中的顶点为场面中的交叉口节点，边为节点间的连线；统计每个交叉口的wkde值，任意两顶点间的wkde值相似度即两点相连的边的权值，从而形成了无向加权相似图；

29、4.2：构建场面内各节点之间的高斯相似矩阵w，对于任意两个顶点a,b∈v，定义a与b间的切图权重为：

30、

31、

32、式中，fi*和fj*分别表示节点i与节点j的加权核密度值，wij为边权重，由高斯相似度函数计算得到；

33、4.3：建立空间邻近系数矩阵d′，采用hadamard乘积将相似矩阵w与空间邻近系数矩阵d′融合，具体计算如下：

34、

35、w′＝w·d′；

36、式中，dij为节点i与节点j间的欧式距离，δ为距离阈值，d′代表空间邻近系数矩阵，由dij′构成，改进后的谱聚类算法基于修正后的高斯相似矩阵w′运行，由w′ij构成；

37、4.4：根据相似矩阵构建度矩阵d，计算拉普拉斯矩阵l′，l′＝d-w′，对其进行标准化，l′norm＝d-1/2ld-1/2；

38、4.5：计算标准化拉普拉斯矩阵的特征值，将其从小到大进行排序获得前k个特征值及其对应的特征向量u1,u2,...,uk；

39、4.6：基于特征向量构造矩阵u＝[u1,u2,...,uk]，行数表示节点数目n，列数为特征值数k，并对特征矩阵进行标准化；

40、4.7：基于k-means算法，对标准化后的矩阵u进行聚类，得到节点初始聚类结果；

41、4.8：聚类后一个簇内会包含多个小簇，这些小簇在空间上互不相邻，定义主簇为小簇内包含节点最多的簇；确定聚类结果中每个类内的主簇以及小簇集合并获得主簇质心；

42、4.9：基于小簇中节点i与主簇质心的距离和邻接关系，将节点i划分给距其最近且具有邻接关系的主簇，更新小簇集合以及主簇质心；节点i与主簇zj间的距离为uij，计算如下：

43、uij＝d(i,j)*sij；

44、式中，d(i.j)表示节点i与主簇zj的欧氏距离，sij表示节点i与主簇zj的邻接关系，若节点i与主簇zj中的某一节点存在邻接关系，则sij＝1，否则sij＝m，m为无限大数；

45、4.10：重复4.8和4.9直至小簇集合为空。

46、相应的，本发明提供了一种机场场面滑行热门区域识别装置，包括：

47、场面滑行网络构建模块，用于生成具有邻接关系的节点集合与路段集合；

48、轨迹数据获取模块，用于获取待识别机场的场面轨迹点数据；

49、轨迹空间分布处理模块，用于根据所述轨迹数据生成加权核密度分析栅格图层；

50、场面区域划分模块，用于根据所述加权核密度分析结果并结合空间邻近性生成场面区域划分结果；

51、热门区域评价模块，用于根据所述加权核密度分析与场面区域划分结果对各区域实现排序。

52、相应的，本发明提供了一种存储介质，存储有计算机程序，当计算机程序被执行时，实现如上所述的机场场面滑行热门区域识别方法。。

53、本发明的有益效果是，本发明提出的机场场面滑行热门区域识别方法，通过考虑不同态势指标下航空器运行的空间特性，将场面交通网络划分为具有相似加权核密度值的子路网，突出了场面中具有高交通压力及高风险的区域，这对于提高机场调度和安全保障能力、降低场面资源的消耗具有重要作用。

54、本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

55、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。