基於標準飛行程序的機場終端區航空器飛行模式挖掘方法

2023-05-16 11:23:16 2

1.本發明屬於民航空管自動化與智能化技術領域，具體涉及一種基於標準飛行程序的機場終端區航空器飛行模式挖掘方法。


背景技術：

2.隨著民航的飛速發展，空中交通流量急劇增加，導致了空中交通情況相較於之前更加複雜。在進離場飛行程序不能滿足當前空域狀態的同時，如何從大量的航跡數據中挖掘出主流飛行模式也成為了如今需要解決的問題。對於機場終端區來說，分析航跡數據、識別機場終端區的飛行模式對航空公司和空中交通管制來說都有著至關重要的作用。對於航空公司而言，航空器的盛行飛行模式可以直觀地反應航班的整體運行狀況，從而可以對航班進行調整。而空中交通管制員可以根據飛行模式更便捷地判斷航跡異常情況，同時可以利用相關數據進行飛行程序的優化。
3.目前飛行模式挖掘採用的主流方法是基於聚類的方法。聚類是一種廣泛使用的無監督和半監督技術，它根據成對距離或相似函數的定義將相似的數據實例分組成簇。它具有結構簡單，算法可靠，計算效率高，適用於較大數據集等優點，因此被廣泛用於識別相關的飛行操作事件。通過對航跡的聚類可以從海量航跡數據中提取出代表主流交通模式的中心航跡，從而獲取終端區交通流的分布狀況。
4.目前使用聚類方法挖掘飛行模式存在三個需要解決的問題：首先，航跡聚類的簇數對於聚類準確程度來說至關重要。而隨著航跡數量的不斷增加，空中交通流的分布狀況更加複雜，簇數將會更加難以確定。其次，當前大體量的航跡數據會大幅增加聚類的迭代次數，因此需要尋找一種合適的方法提高聚類的效率和精確程度。同時，由於目前獲取的航跡數據由航跡點構成，計劃航跡點的時間序列不匹配將會影響聚類的精度。
5.飛行模式挖挖掘是四維航跡預測技術、進離場排序技術、飛行模擬仿真技術的一項基礎技術。本發明提出了一種基於標準飛行程序引導的飛行模式挖掘聚類方法。首先對獲取的航跡數據進行分析，獲得航跡點坐標以及升降率、速度、航向、角度等航跡點數據作為聚類的特徵數據。在聚類過程中標準飛行程序為中心軌跡的選取提供方案，從而提高飛行模式挖掘的精度。該方法通過標準飛行程序決定初始飛行模式的聚類中心，並在此基礎上採用動態時間規整方法實現航跡點的匹配和分類。在迭代的過程中，每一次迭代結果都與標準飛行程序相關聯，從而實現與標準程序相關的盛行飛行模式挖掘分類。本發明解決了航跡點時間序列難以匹配以及聚類簇數的確定問題，提高了飛行模式的挖掘精度。


技術實現要素：

6.發明目的：為了使用標準飛行程序減少聚類迭代次數、提升聚類結果的精度，本發明提出一種基於標準飛行程序的機場終端區航空器飛行模式挖掘方法；採用標準飛行程序軌跡作為部分初始中心軌跡，並且在每次迭代過程，始終保持標準飛行程序軌跡作為每類飛行模式的中心，從而挖掘出的飛行模式更加符合實際。
7.技術方案：本發明提供了一種基於標準飛行程序的機場終端區航空器飛行模式挖掘方法，具體包括以下步驟：
8.步驟1：獲取進離港起飛航跡、著陸航跡以及飛越航跡數據及標準飛行程序；
9.步驟2：對獲取的數據進行質量分析，並進行預處理；
10.步驟3：對航跡點數據進行坐標轉換及構造多維航跡特徵向量；
11.步驟4：確定每類飛行模式的中心軌跡，並獲得對應的飛行模式特徵。
12.進一步地，步驟1所述起飛航跡、著陸航跡以及飛越航跡數據包括信息記錄時間、航班號、航空器所處位置信息、航向、升降率、航空器速度。
13.進一步地，所述步驟2包括以下步驟：
14.步驟2.1：航空器軌跡合併：獲取的航跡數據按照小時進行歸類，每個小時內的軌跡點信息為一組；
15.步驟2.2：給航跡編號：當同一航班號的相鄰航跡點時間間隔超過15分鐘時，界定這兩個航跡點來自於不同的航班；對每天的航班採用年月日加航跡序數的編號方式進行軌跡的編排區分；
16.步驟2.3：對於重複值、缺失值和異常值：對於重複值採取刪除的方法，保留第一組重複數據並刪除其餘重複數據；對於缺失值採用插補或刪除的方式進行處理；缺失率過小的數據採用回歸的方法對缺失數據進行填補，缺失率過大的數據則將該航跡點全部信息進行刪除；對於異常值，統一採用刪除的方法；對於軌跡點數過少和前後兩點間間隔過大的軌跡進行刪除。
17.進一步地，所述步驟3包括以下步驟：
18.步驟3.1：對航跡點位置信息進行坐標轉換：
19.將二次雷達返回的經度數據和緯度數據，轉換成東北天坐標，體現與機場之間的距離關係，反映航空器的實際軌跡位置信息；以機場的導航臺為坐標原點，創建直角坐標系，得到的東北天坐標的e、n、u坐標數值；以用戶所在坐標原點(x0,y0,z0)為坐標軸原點，設定坐標點(x,y,z)在東北天坐標系中的位置為(e,n,u)；同時設坐標原點的經緯高坐標點為lla0＝(lon0,lat0,alt0)，則相應的轉換公式為：
[0020][0021][0022]
步驟3.2：構造多維航跡特徵向量：
[0023]
獲取的航跡數據包括經度、緯度、高度、速度、航向等多維特徵，通過構造升降率a和角度θ對航跡的形狀進行完整描述；
[0024]
構造升降率a和角度θ兩個特徵相應計算方法如下：
[0025]
[0026][0027]
其中，vj表示t＝j時刻該點的航空器速度；dist指計算兩點間歐幾裡得距離；pxj、pyj分別表示了該點對應的橫縱坐標；
[0028]
根據轉換後坐標e、n、u，及升降率a和角度θ，以及已知的信息速度v、航向γ等特徵，獲得每個軌跡點的特徵數據pj：
[0029]
pj＝(e,n,u,a,v,γ,θ)
ꢀꢀ
(5)
[0030]
其中，pj為軌跡在t＝j時刻對應軌跡點，公式(5)表示軌跡在t＝j時刻對應多維軌跡點的e、n、u坐標，及升降率、速度、航向、角度這七個特徵參數；
[0031]
軌跡tr為1組軌跡點序列，j∈[1,m]為軌跡點編號，m為軌跡點總數，則軌跡點隨著時間變化的集合為：
[0032]
tr＝{p1,p2,...,pj,...,pm}
ꢀꢀ
(6)
[0033]
假設一共有h條軌跡，td為航空器軌跡的集合，i∈[1,h]為航跡編號，h為軌跡總數；航空器的軌跡集合可用如下集合的形式表示：
[0034]
td＝{tr1,tr2,...,tri,...,trh}。
ꢀꢀ
(7)
[0035]
進一步地，所述步驟4包括以下步驟：
[0036]
步驟4.1：從歷史軌跡數據中搜索與標準飛行程序距離最近的航跡：
[0037]
尋找與標準飛行程序最接近的實際軌跡：從所有實際軌跡tdb＝{tr
b1
,tr
b2
,...,tr
bq
}中使用歐幾裡得距離方法計算與全部標準程序tda＝{tr
a1
,tr
a2
,...,tr
ar
}軌跡的距離，並從tdb中找到離每一條標準程序軌跡最近的實際軌跡，用td
cen
表示這些軌跡的集合；
[0038]
步驟4.2：將實際軌跡與td
cen
進行匹配：
[0039]
分別計算集合tdb中其他軌跡與這些td
cen
軌跡的動態時間規整距離：
[0040]
δ(p
ay
,p
bz
)＝(p
ay-p
bz
)2ꢀꢀ
(8)
[0041][0042]
其中，p
ay
定義為tra＝{p
a1
,p
a2
,...,p
ay
,...,p
ay
}的中心軌跡序列，p
bz
定義為trb＝{p
b1
,p
b2
,...,p
bz
,...,p
bz
}的實際航跡序列，d(p
ay
,p
bz
)即為兩點間dtw距離，以航跡點dtw距離之和作為該組航跡的相關度；在td
cen
集合將中每條軌跡附近選擇若干條實際軌跡作為其tdc∈tdb對應簇的匹配軌跡，完成基於標準飛行程序的軌跡初始聚類；實際軌跡tdb分為了td
cen
、td
cen
中每條軌跡對應的簇軌跡tdc、剩餘軌跡tdd三類軌跡，在剩餘軌跡中將選擇新的聚類中心軌跡；
[0043]
步驟4.3：隨機選擇剩餘的初始中心軌跡：
[0044]
從tdb中的剩餘軌跡tdd中隨機選擇k-r條軌跡作為其餘的初始中心軌跡，記為td』cen
，為tdd中的其他軌跡進行匹配；集合td
cen
和集合td』cen
組成了所有的初始中心軌跡；其餘的軌跡使用dtw匹配原理分配到td』cen
集合中軌跡對應的簇中；
[0045]
步驟4.4：匹配度分析：根據k條中心軌跡，計算實際軌跡與每一條中心軌跡的dtw距離d(p
ay
,p
bz
)；將d(p
ay
,p
bz
)計算的子式結果存儲在累積距離矩陣d(y,z)中，其中d(y,z)為
y行z列的矩陣，便於保存d(p
ay
,p
bz
)的全部結果，d(y,z)作為最優全局距離，表示了兩條軌跡之間的相似度；
[0046]
計算第l條中心軌跡序列tr
l
與給定的實際航跡序列的相似度距離，記為d
l
(y,z)；引入w作匹配度分析：
[0047]
w＝min(d
l
(x,y))
ꢀꢀ
(10)
[0048]
每一條實際軌跡trs都對應了所匹配的中心軌跡匹配度ws；採用最小-最大規範化的歸一化方法將數據線性映射到[0,1]區間裡：
[0049][0050]
其中，min(ws)和max(ws)分別對應所有實際軌跡得到的w值中的最小和最大值，最終得到的w’s
表示了第s條實際軌跡trs的歸一化匹配度；
[0051]
步驟4.5：更新的聚類中心：對於中心軌跡為td
cen
所在的類，其中心軌跡的每一個點坐標均不作變化，中心軌跡為td』cen
所在的類計算每一類坐標的平均值，並選取最接近的軌跡作為新的聚類中心，更新原來的td』cen
軌跡對應坐標位置，至此完成了第一次迭代；
[0052]
步驟4.6：重複步驟4.4和步驟4.5，直到聚類中心不再發生變化或者聚類次數達到要求，即聚類結果達到穩定狀態後輸出結果。
[0053]
有益效果：與現有技術相比，本發明的有益效果：
[0054]
1、本發明使用標準飛行程序協助獲取初始中心軌跡，使得航跡的分離以空中交通管制規定的標準飛行程序相關聯；採用此方法聚類能夠得到與實際飛行模式相對應的聚類結果，更加符合航空器的實際飛行規律；
[0055]
2、使用標準飛行程序軌跡替代隨機選取的k-均值初始中心軌跡，在航跡分布複雜且密集的情況下這種改進能夠大幅度減少聚類的迭代次數，同時可以在每一次迭代時減少尋找新的聚類中心的步驟，提高計算效率；
[0056]
3、在採用空間特徵進行聚類的同時引入航空器的速度、航向、升降率等特徵數據，使得航跡能夠根據不同速度、不同升降率等條件得以區分，在最大化利用歷史航跡數據信息的同時使得聚類結果更加具有解釋性。
附圖說明
[0057]
圖1為本發明的流程圖；
[0058]
圖2為角度計算示意圖；
[0059]
圖3為dtw路徑匹配原理圖；
[0060]
圖4為進場(左)和離場(右)聚類後航跡分布圖；
[0061]
圖5為進場(左)和離場(右)聚類中心分布圖。
具體實施方式
[0062]
下面結合附圖對本發明做進一步詳細說明。
[0063]
本發明提供了一種基於標準飛行程序的機場終端區航空器飛行模式挖掘方法，如圖1所示，包括以下步驟：
[0064]
步驟1：獲取進離港起飛航跡、著陸航跡以及飛越航跡數據及標準飛行程序。
[0065]
根據某地區的航跡數據，包含起飛航跡、著陸航機以及飛越航跡，從中該機場特定終端區區域內的航跡信息。實驗選取的二次雷達數據需要包含以機場終端區域內的全部起降軌跡，即以機場為中心半徑80公裡範圍內的軌跡數據，包括信息記錄時間、航班號、航空器所處位置信息(經度、緯度和高度)、航向、升降率、航空器速度等信息。根據起降高度將所有航線分為進場軌跡和離場軌跡。進離場軌跡將在後續操作中分別進行聚類處理。
[0066]
步驟2：對獲取的數據進行質量分析，並進行預處理。
[0067]
步驟2.1：航空器軌跡合併。
[0068]
獲取的航跡數據按照小時進行歸類，每個小時內的軌跡點信息為一組。為了使得一條航跡的所有航跡點能夠集中在同一個組中，將一天的航跡數據進行合併，將24小時的航跡數據歸到一個組。
[0069]
步驟2.2：給航跡編號。
[0070]
為了保證航班的區分，相同航班號的航班運行間隔會超過一次航班的運行時間。因此，當同一航班號的相鄰航跡點時間間隔超過15分鐘時，可以界定這兩個航跡點來自於不同的航班。為了避免不同的天數也會有相同航班號的情況發生，可以對每天的航班採用年月日加航跡序數的編號方式進行軌跡的編排區分，以此做到一年內每一條軌跡都有其不會重複的編號。
[0071]
步驟2.3：重複值、缺失值和異常值。
[0072]
將航跡點的全部屬性進行對比分析，對於其中屬性完全相同、屬性中存在空值的情況，需要通過刪除、插補等方式使數據更加完整。對於數據中的異常值，可以通過聚類的方法進行判別，將數據分為多個簇，並找出明顯的離群點，進行數據的修正。雷達數據的記錄中，可能會產生航跡較短、可分析航跡點過少的航跡。因此需要找出這一類對聚類可能會產生一定幹擾的航跡。對於重複值採取刪除的方法，保留第一組重複數據並刪除其餘重複數據；對於缺失值採用插補或刪除的方式進行處理。缺失率過小的數據採用回歸的方法對缺失數據進行填補，缺失率過大的數據則將該航跡點全部信息進行刪除；對於異常值，統一採用刪除的方法。
[0073]
步驟2.4：軌跡點數過少和前後兩點間間隔過大的軌跡。
[0074]
同時，對於軌跡點數過少和前後兩點間間隔過大的軌跡，這些都將影響聚類的結果，應當將相應軌跡進行刪除
[0075]
步驟3：對航跡點數據進行坐標轉換及構造多維航跡特徵向量。
[0076]
步驟3.1：坐標轉換。
[0077]
二次雷達返回了的坐標數據是經度數據和緯度數據，將其轉換成東北天坐標，體現與機場之間的距離關係，才能更好地反映航空器的實際軌跡位置信息。以機場的導航臺為坐標原點，創建直角坐標系，得到的東北天坐標的e、n、u坐標數值。以用戶所在坐標原點(x0,y0,z0)為坐標軸原點，設定坐標點(x,y,z)在東北天坐標系中的位置為(e,n,u)。同時設坐標原點的經緯高坐標點為lla0＝(lon0,lat0,alt0)。則相應的轉換公式為：
[0078]
[0079][0080]
步驟3.2：構造特徵向量。
[0081]
二次雷達獲取的航跡數據包括經度、緯度、高度、速度、航向等多維特徵，同時航跡的形狀特徵僅採用航跡的三位空間數據難以完整表示，可以通過構造升降率a和角度θ對航跡的形狀進行更加完整的描述。由此獲得的多維航跡特徵向量可以更好地描述不同飛行模式，提高聚類結果的解釋性。
[0082]
構造升降率a和角度θ兩個特徵相應計算方法如下：
[0083][0084][0085]
其中，vj表示t＝j時刻該點的航空器速度；dist指計算兩點間歐幾裡得距離；pxj、pyj分別表示了該點對應的橫縱坐標。其中，計算獲得的角度在0
°
到360
°
之間，圖2中表示了不同航跡點計算的夾角有所不同。並且由於第一個點p1和最後一個點pm無法形成夾角，該航跡點的角度由p2或p
m-1
的角度進行替代。
[0086]
獲得了轉換後坐標e、n、u，同時根據計算得到的升降率a和角度θ，以及已知的信息速度v、航向γ等特徵，最終獲得每個軌跡點的特徵數據pj：
[0087]
pj＝(e,n,u,a,v,γ,θ)
ꢀꢀ
(5)
[0088]
其中，pj為軌跡在t＝j時刻對應軌跡點。公式(5)表示第i條軌跡在t＝j時刻對應多維軌跡點的e、n、u坐標，及升降率、速度、航向、角度這7個特徵參數。
[0089]
軌跡tri為1組軌跡點序列，j∈[1,m]為軌跡點編號，m為軌跡點總數。則軌跡點隨著時間變化的集合為：
[0090]
tri＝{p
i1
,p
i2
,...,p
ij
,...,p
im
}
ꢀꢀ
(6)
[0091]
假設一共有h條軌跡，td為航空器軌跡的集合，i∈[1,h]為航跡編號，h為軌跡總數。航空器的軌跡集合可用如下集合的形式表示：
[0092]
td＝{tr1,tr2,...,tri,...,trh}
ꢀꢀ
(7)
[0093]
步驟4：確定每類飛行模式的中心軌跡，並獲得對應的飛行模式特徵。
[0094]
步驟4.1：從歷史軌跡數據中搜索與標準飛行程序距離最近的航跡。
[0095]
尋找與標準飛行程序最接近的實際軌跡：從所有實際軌跡tdb＝{tr
b1
,tr
b2
,...,tr
bq
}中使用歐幾裡得距離方法計算與全部標準程序tda＝{tr
a1
,tr
a2
,...,tr
ar
}軌跡的距離，並從tdb中找到離每一條標準程序軌跡最近的實際軌跡，用td
cen
表示這些軌跡的集合。
[0096]
步驟4.2：將實際軌跡與td
cen
進行匹配。
[0097]
分別計算集合trb中其他軌跡與這些td
cen
軌跡的動態時間規整(dtw)距離。動態時間規整方法被廣泛用于衡量不等長時間序列的相似程度。由於時間序列中，存在時間序列長度不相等或者不同序列在時間軸上存在位移的問題，導致了傳統的歐幾裡得距離無法準確地計算兩個時間序列之間的相似性。因此可以通過將時間序列進行有效的縮短或延伸，
從而獲得航路的全局相似度。如圖3所示，兩條時間序列分別表示飛行程序航路點序列以及實際航路點序列。當兩條航路點序列不能做到直接地明顯匹配時，通過dtw計算對應相似點的距離之和，從而得到兩條軌跡之間的相似距離。即規整路徑距離。
[0098]
dtw的計算方法具體如下所示：
[0099]
δ(p
ay
,p
bz
)＝(p
ay-p
bz
)2ꢀꢀ
(8)
[0100]
其中，p
ay
定義為tra＝{p
a1
,p
a2
,...,p
ay
,...,p
ay
}的中心軌跡序列，p
bz
定義為trb＝{p
b1
,p
b2
,...,p
bz
,...,p
bz
}的實際航跡序列。
[0101]
為了得到最優的成本之和，即dtw距離，可以使用以下方法進行遞歸計算：
[0102][0103]
為了找到每一條td
cen
中的軌跡匹配的簇，在td
cen
集合中將每條軌跡附近選擇若干條實際軌跡作為其tdc∈tdb對應簇的匹配軌跡，完成基於標準飛行程序的軌跡初始聚類。至此，實際軌跡b分為了td
cen
、td
cen
中每條軌跡對應的簇軌跡tdc、剩餘軌跡tdd三類軌跡，在剩餘軌跡中將選擇新的聚類中心軌跡。
[0104]
步驟4.3：隨機選擇剩餘的初始中心軌跡。
[0105]
從tdb中的剩餘軌跡tdd中隨機選擇k-r條軌跡作為其餘的初始中心軌跡，記為td』cen
，為trd中的其他軌跡進行匹配。集合td
cen
和集合td』cen
組成了所有的初始中心軌跡。其餘的軌跡使用dtw匹配原理分配到td』cen
集合中軌跡對應的簇中。
[0106]
步驟4.4：匹配度分析。
[0107]
根據k條中心軌跡，計算實際軌跡與每一條中心軌跡的dtw距離d(p
ay
,p
bz
)。將d(p
ay
,p
bz
)計算的子式結果存儲在累積距離矩陣d(y,z)中，其中d(y,z)為y行z列的矩陣，便於保存d(p
ay
,p
bz
)的全部結果，d(y,z)作為最優全局距離，表示了兩條軌跡之間的相似度。
[0108]
計算第l條中心軌跡序列tr
l
與給定的實際航跡序列的相似度距離，記為d
l
(y,z)；引入w作匹配度分析：
[0109]
w＝min(d
l
(x,y))
ꢀꢀ
(10)
[0110]
每一條實際軌跡trs都對應了所匹配的中心軌跡匹配度ws；採用最小-最大規範化的歸一化方法將數據線性映射到[0,1]區間裡：
[0111][0112]
其中，min(ws)和max(ws)分別對應所有實際軌跡得到的w值中的最小和最大值，最終得到的w’s
表示了第s條實際軌跡trs的歸一化匹配度。
[0113]
步驟4.5：更新的聚類中心。
[0114]
在對軌跡進行了匹配個歸類後，對於中心軌跡為td
cen
所在的類，其中心軌跡的每一個點坐標均不做變化，中心軌跡為td』cen
所在的類計算每一類坐標的平均值，並選取最接近的軌跡作為新的聚類中心，更新原來的td』cen
軌跡對應坐標位置。至此完成了第一次迭代。
[0115]
步驟4.6：迭代至獲得最終結果。
[0116]
重複步驟4.4和步驟4.5，直到聚類中心不再發生變化或者聚類次數達到要求，即聚類結果達到穩定狀態後輸出結果。
[0117]
以南京祿口機場為例，採用了南京祿口機場2019年7月20日至8月11日的終端區區域二次雷達數據。選取軌跡14337條，經過數據清洗篩選後得到進場軌跡4891條,離場軌跡5387條。通過誤差平方和計算獲得進場和離場軌跡所需要聚類的最佳聚類數k值均為22。
[0118]
對於起飛和降落的軌跡，通過採用輪廓係數對比的方法來比較標準程序引導和隨機選取初始聚類中心的聚類結果優劣。從表1得出的結果可以看出，通過標準飛行程序引導改進後的k-均值聚類方法得到的聚類效果優於原始聚類效果。
[0119]
表1結果對照圖
[0120][0121]
對南京祿口機場終端區進離場航跡的聚類結果進行分析，獲得的聚類結果可見圖4。進離場航跡聚類後對應的聚類中心如圖5所示。