[發明專利]基于運行特征的區域扇區場景相似識別系統

有效

• 申請號: 202010468535.7
• 申請日: 2020-05-28
• 公開（公告）號: CN111626365B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 袁立罡;毛繼志;張旋;胡明華;李杰;張穎
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06F18/22
• 分類號: G06F18/22;G06F18/23213;G06F18/2135;G06Q10/0631;G06Q50/30
• 代理公司: 南京中高專利代理有限公司 32333
• 代理人: 袁興隆

1.一種基于運行特征的區域扇區場景相似識別系統，其特征在于，包括：

相關性獲取模塊、主成分特征獲取模塊、相似性度量模塊、識別模塊和驗證模塊；

所述相關性獲取模塊適于根據區域扇區運行特點，建立區域扇區運行特征體系，以獲取區域扇區運行情況實測數據的相關性；

所述主成分特征獲取模塊適于根據相關性通過主成分分析方法降低運行特征的信息冗余和維度，以獲取主成分特征；

所述相似性度量模塊適于通過歐式距離和DTW方法對主成分特征組成的離散和時序數據進行相似性度量；

所述識別模塊適于根據相似性度量結果通過譜聚類方法對相似運行模式和相似運行趨勢進行識別；以及

所述驗證模塊適于通過平均輪廓系數和MDS方法對識別結果驗證；

所述相關性獲取模塊適于根據區域扇區運行特點，建立區域扇區運行特征體系，以獲取區域扇區運行情況實測數據的相關性，即

所述區域扇區運行特征體系包括：水平維度的運行指標和垂直維度的運行指標；

所述水平維度的運行指標包括：扇區流量、入扇航向方差、航行距離、航行時間和平均航行速度；

所述垂直維度的運行指標包括：爬升時間、下降時間、平飛時間、爬升次數、下降次數、平飛次數、混合態勢爬升時間、混合態勢下降時間、混合態勢平飛時間、混合態勢爬升次數、混合態勢下降次數、混合態勢平飛次數和運行混合系數；

根據區域扇區運行特征體系反應區域扇區運行情況，以獲取區域扇區運行情況實測數據的相關性；

所述相關性包括：區域扇區運行的連續性和聚集性；

所述主成分特征獲取模塊適于根據相關性通過主成分分析方法降低運行特征的信息冗余和維度，以獲取主成分特征，即

根據區域扇區運行的連續性和聚集性，將計算出的特征值輸入到PCA模型中，通過正交變換，將原隨機向量轉化為不相關的新隨機向量，降低運行特征的信息冗余和維度，以獲取主成分特征；

所述相似性度量模塊適于通過歐式距離和DTW方法對主成分特征組成的離散和時序數據進行相似性度量，即

通過信息權重對主成分特征進行加權處理：

f_weight＝ω·f_origin；

其中，f_weight為加權后的主成分特征值；f_origin為原始主成分特征值，ω為f_origin特征所能解釋的信息占比；

設定時序時間長度為len，將加權后的主成分特征的數據根據時間間隔處理成離散的數據和時序數據；

通過歐式距離和DTW，對離散數據和時序數據的距離進行度量：

其中，E(x,y)為樣本x、y的歐式距離；m為主成分特征數量；x_i為樣本x中第i個主成分特征的特征值；y_i為樣本y中第i個主成分特征的特征值；

對于兩個時間序列X＝{x₁,x₂,…,x_m}和Y＝{y₁,y₂,…,y_n}，DTW距離公式為：

其中，DTW(i,j)為時間序列X中第i個樣本與時間序列Y中第j個樣本的DTW距離；

分別得到離散數據相似性度量矩陣W_D和時序數據相似性度量矩陣W_T；

所述識別模塊適于根據相似性度量結果通過譜聚類方法對相似運行模式和相似運行趨勢進行識別，即

計算離散數據相似性度量矩陣W_D和時序數據相似性度量矩陣W_T中的各行之和，即根據獲取度矩陣D，其中w_ij＝e^{-(DTW(i,j)orE(i,j))}，即對樣本i,j的DTW或歐式距離做相似度處理，以得到兩個度矩陣D_D和D_T；

通過相似性度量矩陣和度矩陣，構建拉普拉斯矩陣L_D＝D_D-W_D和L_T＝D_T-W_T，其中L_D,L_T分別為離散數據和時序數據的拉普拉斯矩陣，并對拉普拉斯矩陣進行標準化，以獲取和其中std.L_D,std.L_T分別為離散數據和時序數據的標準化拉普拉斯矩陣；

分別計算std.L_D和std.L_T最小的前k_D、k_T個特征值的特征向量，并組成8832×k_D和1104×k_T維的矩陣，然后按行標準化得到矩陣F_D和F_T；

矩陣F_D為含有k_D維特征的樣本，矩陣F_T為含有k_T維特征的樣本，根據k-means++方法，分別進行聚類，以獲取聚類標簽；

根據聚類標簽分別將離散數據樣本和時序樣本進行劃分，以對相似運行模式和相似運行趨勢進行識別。

2.如權利要求1所述的區域扇區場景相似識別系統，其特征在于，

所述驗證模塊適于通過平均輪廓系數和MDS方法對識別結果驗證，即

根據輪廓系數獲取平均輪廓系數：

其中，a_i為點i與所在簇中其他所有點距離的平均值；b_i為點i與其他不同簇中其他所有點距離的平均值的最小值；則平均輪廓系數即求取所有輪廓系數s_i的平均值；

根據平均輪廓系數獲取最優聚類結果，并通過MDS方法對最優聚類結果下的場景識別效果進行驗證，獲取場景識別的合理性以及與當前運行的對比結果；

根據場景識別的合理性以及對比情況，選擇是否接受當前的場景識別結果，如果不接受，則重新選擇時間間隔，通過歐式距離和DTW方法對主成分特征組成的離散和時序數據重新進行相似性度量，再次進行相似場景識別，直到最終識別效果被接受。