[發明專利]基于空管歷史數據挖掘的短時航跡預測方法

在審

• 申請號: 201510718268.3
• 申請日: 2015-10-29
• 公開（公告）號: CN105225541A
• 公開（公告）日: 2016-01-06
• 發明（設計）人: 蘇志剛;郝敬堂;王廣超
• 申請（專利權）人: 中國民航大學
• 主分類號: G08G5/00
• 分類號: G08G5/00
• 代理公司: 天津才智專利商標代理有限公司 12108
• 代理人: 龐學欣

技術領域

本發明屬于航跡預測技術領域，特別是涉及一種基于空管歷史數據挖掘的短時航跡預測方法。

背景技術

隨著航空運輸業的發展，空域限制成為制約民航空管發展的主要因素之一，因此采用飛行計劃結合空管動態調配的管理方式已逐漸難以滿足要求。為應對這一問題，美國和歐洲的研究人員已開展基于4D航跡運行模式的下一代空中交通管理系統的研究，即美國下一代空中運輸系統(NextGenerationAirTransportationSystem,NextGen)和單一歐洲空管系統(SingleEuropeanSkyATMResearch,SESAR)。

基于航空器運行的航跡預測在新一代空管自動化系統中具有重要地位，已經成為研究重點，國內外學者在這一領域取得了許多成果。Prevost使用基于擴展Kalman濾波的航空器狀態估計方法，通過當前狀態和飛行模型進行航跡預測。Chester等人采用飛行性能手冊中的爬升時間表，通過空氣動力學模型和運動學方程實現航空器航跡推測。朱成鎮等結合空管體系與飛行操作特性，采用過程綜合法實現四維航跡推測。在短期航跡預測方面，彭瑛等提出了動態航跡推測方法，基于等角航線動態推測，融合雷達、電報等動態數據，可以推測出航空器飛行軌跡和時間節點信息。以上方法可以概括為三類：(1)基于Kalman濾波和神經網絡等的無參數估計算法；(2)基于航空器模型和飛行模擬的預測方法；(3)基于飛行意圖的航跡預測方法。基于Kalman和神經網絡的方法由于信息有限而使預測準確度難以提升；基于飛行模擬的預測方法需要大量飛行參數和數據庫支持，不易獲取；基于飛行意圖的預測方法不易結合影響飛行的其它因素。

隨著數據挖掘技術的興起，歷史數據挖掘為航跡預測提供了支持。GarielM等使用聚類方法分揀航跡數據并排除偏離航跡后提取典型航跡，用于航空器監視與預測，但航跡信息損失較多，缺少高度和時間信息。SongY從歷史航跡數據中提取典型航跡應用于航跡預測模型，提高了航跡預測準確率，但其方法簡單且僅作為預測模型參考。何雯等通過軌跡時間聚類提取路徑規律，排除干擾因素，但只考慮航跡的時間信息。TangXM等使用時間彎曲編輯距離(TimeWarpEditDistance,TWED)為相似性度量改進K-均值聚類算法，從航跡剖面數據提取飛行剖面預測航跡，但只涉及飛行剖面預測。LEEJG等提出了基于航跡段的聚類方法挖掘航跡信息，獲取公共子航跡用于預測，但運算較為復雜。上述文獻中的聚類方法均采用基于全局的相似性度量，實際應用中參數不易確定。DuanL提出基于局部密度的空間聚類算法(LocalDensityBasedSpatialClusteringAlgorithmwithNoise,LDBSCAN)并應用于離群對象檢測，解決參數難以確定的問題。

基于歷史航跡數據挖掘的航跡預測主要面臨以下幾個問題：(1)影響飛行的其它因素，如飛行員習慣、天氣等，不易融合到預測航跡中；(2)歷史航跡數據間缺少對應關系；(3)基于歷史數據的航跡預測，離群航跡會對預測結果產生干擾；(4)如何從航跡數據中提取代表航跡運行模式和規律的數據，并用于航跡預測；(5)在減少信息損失的前提下簡化歷史航跡數據，降低處理難度。

發明內容

為了解決上述問題，本發明的目的在于提供一種基于歷史數據、融合飛行影響因素(飛行習慣、機型等)、預測準確且參數要求簡單的基于空管歷史數據挖掘的短時航跡預測方法。

為了達到上述目的，本發明提供的基于空管歷史數據挖掘的短時航跡預測方法包括按順序進行的下列步驟：

(1)對空管系統記錄的航空器航跡數據進行提取及歸類處理，并將同類航跡構成航跡群的S1階段；

(2)消除步驟(1)所得航跡群中各航跡的冗余信息，并提取出可以表征各航跡特征的關鍵航跡點航跡群的S2階段；

(3)利用時空配準技術對步驟(2)所得的關鍵航跡點航跡群進行處理，得到時空配準后的關鍵航跡點航跡群的S3階段；

(4)對步驟(3)得到的時空配準后的關鍵航跡點航跡群進行聚類分析，形成經驗關鍵航跡點，并由經驗關鍵航跡點有序形成經驗航跡的S4階段；

(5)根據實時航跡信息，從步驟(4)所得結果中選擇最相似的經驗航跡作為預測參考，對實時運行的航空器進行短時航跡預測，并利用實際航跡更新相應經驗航跡的S5階段。