[發明專利]空域態勢評估系統

在審

• 申請號: 202011291878.7
• 申請日: 2020-11-18
• 公開（公告）號: CN112465199A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 謝華;張明華;袁立罡;朱永文;毛繼志;董欣放;唐治理;王長春;蒲釩;陳海燕
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/30;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京中高專利代理有限公司 32333
• 代理人: 袁興隆

本發明具體涉及一種空域態勢評估系統其包括：標注模塊，抽取目標空域扇區的扇區動態交通數據，并進行空域運行復雜性等級標注；網格化模塊，劃定目標空域扇區的外接矩形，并進行網格化處理；圖像構造模塊，構造多通道空中交通態勢圖像，并根據空域運行復雜性等級標注構建空中交通態勢圖像庫；模型構建模塊，根據多通道空中交通態勢圖像構建空域運行復雜性分級網絡模型；模型訓練模塊，對空域運行復雜性分級網絡模型進行訓練；以及評估模塊，根據訓練后的空域運行復雜性分級網絡模型進行空域運行復雜性評估，大大降低了空域復雜度評估的工作量和使用門檻。

技術領域

本發明屬于空中交通管制的空域態勢評估技術領域，具體涉及一種空域態勢評估系統。

背景技術

隨著航空運輸業的發展，急劇增加的空中交通飛行流量和有限的空域資源給空中交通管制員帶來了巨大工作負荷和壓力。空域運行復雜度是評估管制員工作負荷的關鍵指標，同時空域運行復雜度也可以為戰略和戰術上的空中交通管理系統提供決策支持，因此如何確定一種科學、準確且可靠的方法來評估空域運行復雜度是被廣泛研究的問題之一。近年來，一些學者采用基于手工特征的機器學習方法來解決空域運行復雜度評估問題，主要研究思路是：構建影響空域扇區運行復雜性的特征體系，同時采集不同空中交通場景下的空域運行復雜性標注，通過機器學習算法訓練學習眾多空域運行復雜性特征與復雜度標注之間的映射關系模型，利用訓練好的機器學習模型來進行空域運行復雜度的評估工作。但影響空域運行復雜度的特征眾多且復雜，目前尚無統一公認的空域運行復雜度特征體系，在實際中相關特征的選用受主觀影響較大，不全面或者不合適的復雜性特征體系將會嚴重影響基于機器學習算法的空域運行復雜度評估模型的性能。

針對上述問題，缺乏統一、全面的空域運行復雜度特征體系，導致機器學習模型難以通過有缺陷的特征集學習到性能優良的評估模型，故希望計算機能夠代替研究人員完成空域運行復雜度特征的自動生成或選取工作。在深度學習中，數據集的特征可以是未知的，目標是在標簽的指導下通過深度卷積神經網絡進行自動特征學習來挖掘原始數據豐富的特征信息，為后續的分類或者回歸模型提供良好特征向量的輸入。

現有技術依賴于人工選定的空域運行復雜度特征，雖然機器學習算法模型能夠學習到不同特征與空域運行復雜度之間的映射關系，但由于特征集可能存在缺陷，這種映射關系并非完美，且特征集的選擇和使用受實際場景及專業知識的影響較大。

因此，基于上述技術問題需要設計一種新的空域態勢評估系統。

發明內容

本發明的目的是提供一種空域態勢評估系統。

為了解決上述技術問題，本發明提供了一種空域態勢評估系統，包括：

標注模塊，抽取目標空域扇區的扇區動態交通數據，并進行空域運行復雜性等級標注；

網格化模塊，劃定目標空域扇區的外接矩形，并進行網格化處理；

圖像構造模塊，構造多通道空中交通態勢圖像，并根據空域運行復雜性等級標注構建空中交通態勢圖像庫；

模型構建模塊，根據多通道空中交通態勢圖像構建空域運行復雜性分級網絡模型；

模型訓練模塊，對空域運行復雜性分級網絡模型進行訓練；以及

評估模塊，根據訓練后的空域運行復雜性分級網絡模型進行空域運行復雜性評估。

進一步，所述標注模塊適于抽取目標空域扇區的扇區動態交通數據，并進行空域運行復雜性等級標注，即

獲取目標空域扇區的原始空中交通運行數據，根據預設時間粒度分時段從原始運行數據中抽取目標空域扇區的扇區動態交通數據；

根據預設時間段對扇區動態交通數據進行劃分，并對各時間段對應的扇區動態交通數據進行空域運行復雜度等級標注。

進一步，所述網格化模塊適于劃定目標空域扇區的外接矩形，并進行網格化處理，即