基于深度卷积神经网络的空域运行复杂度评估方法技术

本发明专利技术具体涉及一种基于深度卷积神经网络的空域运行复杂度评估方法其包括：抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注；划定目标空域扇区的外接矩形，并进行网格化处理；构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库；根据多通道空中交通态势图像构建空域运行复杂性分级网络模型；对空域运行复杂性分级网络模型进行训练；以及根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估，实现了在不依赖复杂度相关特征的前提下以“端到端”的方式自动从原始数据中进行学习最相关的特征，从而辅助空域运行复杂性分级网络模型的建立，大大降低了空域复杂度评估的工作量和使用门槛。

【技术实现步骤摘要】
基于深度卷积神经网络的空域运行复杂度评估方法
本专利技术属于空中交通管制的空域态势评估
，具体涉及一种基于深度卷积神经网络的空域运行复杂度评估方法。
技术介绍
随着航空运输业的发展，急剧增加的空中交通飞行流量和有限的空域资源给空中交通管制员带来了巨大工作负荷和压力。空域运行复杂度是评估管制员工作负荷的关键指标，同时空域运行复杂度也可以为战略和战术上的空中交通管理系统提供决策支持，因此如何确定一种科学、准确且可靠的方法来评估空域运行复杂度是被广泛研究的问题之一。近年来，一些学者采用基于手工特征的机器学习方法来解决空域运行复杂度评估问题，主要研究思路是：构建影响空域扇区运行复杂性的特征体系，同时采集不同空中交通场景下的空域运行复杂性标注，通过机器学习算法训练学习众多空域运行复杂性特征与复杂度标注之间的映射关系模型，利用训练好的机器学习模型来进行空域运行复杂度的评估工作。但影响空域运行复杂度的特征众多且复杂，目前尚无统一公认的空域运行复杂度特征体系，在实际中相关特征的选用受主观影响较大，不全面或者不合适的复杂性特征体系将会严重影响基于机器学习算法的空域运行复杂度评估模型的性能。针对上述问题，缺乏统一、全面的空域运行复杂度特征体系，导致机器学习模型难以通过有缺陷的特征集学习到性能优良的评估模型，故希望计算机能够代替研究人员完成空域运行复杂度特征的自动生成或选取工作。在深度学习中，数据集的特征可以是未知的，目标是在标签的指导下通过深度卷积神经网络进行自动特征学习来挖掘原始数据丰富的特征信息，为后续的分类或者回归模型提供良好特征向量的输入。现有技术依赖于人工选定的空域运行复杂度特征，虽然机器学习算法模型能够学习到不同特征与空域运行复杂度之间的映射关系，但由于特征集可能存在缺陷，这种映射关系并非完美，且特征集的选择和使用受实际场景及专业知识的影响较大。因此，基于上述技术问题需要设计一种新的基于深度卷积神经网络的空域运行复杂度评估方法。
技术实现思路
本专利技术的目的是提供一种基于深度卷积神经网络的空域运行复杂度评估方法。为了解决上述技术问题，本专利技术提供了一种基于深度卷积神经网络的空域运行复杂度评估方法，包括：抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注；划定目标空域扇区的外接矩形，并进行网格化处理；构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库；根据多通道空中交通态势图像构建空域运行复杂性分级网络模型；对空域运行复杂性分级网络模型进行训练；以及根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估。进一步，所述抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注的方法包括：获取目标空域扇区的原始空中交通运行数据，根据预设时间粒度分时段从原始运行数据中抽取目标空域扇区的扇区动态交通数据；根据预设时间段对扇区动态交通数据进行划分，并对各时间段对应的扇区动态交通数据进行空域运行复杂度等级标注。进一步，所述划定目标空域扇区的外接矩形，并进行网格化处理的方法包括：获取目标空域扇区的扇区边界点经纬度数据，确定目标空域扇区最小外接矩形，将最小外接矩形各边分别向外扩展预设长度，以形成目标空域扇区外接矩形，并根据预设长度间隔对目标空域扇区外接矩形进行网格化处理。进一步，所述构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库的方法包括：根据各时段扇区动态交通数据，以航空器经纬度为坐标，获取相应坐标在网格化后目标空域扇区外接矩形中位置，将各时段内扇区动态交通数据中的航空器高度运动参数填充到对应网格作为像素值，以生成对应时段的高度历史航迹图像通道，并且将航空器速度参数填充到网格化后目标空域扇区外接矩形，生成速度历史航迹图像通道；根据时段内各航空器最后一个航迹点的经纬度、速度和航向，获取预设时间后航空器到达的预测点，将最后一个航迹点和预测点之间的扇区动态交通数据进行连接获取预测航迹轨迹，将预测航迹轨迹通过经纬度映射到网格化后目标空域扇区外接矩形，在网格化后目标空域扇区外接矩形中，当航迹经过新的网格时，填充值以预设步长依次递减，直至预测航迹最后一点填充完成时，生成冲突预测航迹图像通道；根据高度历史航迹图像通道、速度历史航迹图像通道和冲突预测航迹图像通道构成多通道空中交通态势图像，将不同时段生成的多通道空中交通态势图像和空域运行复杂度等级关联，以获取空中交通态势图像库，并将空中交通态势图像库划分为训练数据集和测试数据集。进一步，所述根据多通道空中交通态势图像构建空域运行复杂性分级网络模型的方法包括：通过深度卷积神经网络根据多通道空中交通态势图像构建空域运行复杂性分级网络模型，即构建十四层深度卷积神经网络模型；其中，第一层为输入层，输入多通道空中交通态势图像；第二、三、五、六、八、九层为卷积层；第四、七、十层为池化层；第十一层为卷平层；第十二、十三、十四层为全连接层，输出为空域运行复杂度等级向量；第二层和第三层卷积层包括32个卷积核，第五层和第六层卷积层包括64个卷积核，第八层和第九层卷积层包括128个卷积核，根据预设卷积核的尺寸和预设卷积核移动幅度，通过SAME填充方式进行卷积计算；第四、七和第十层的池化层采用最大值池化方式进行池化处理；第十二、十三、十四层为全连接层，通过Softmax函数对第十四层输出进行概率表示，并选择概率最大值的分类为最后分类结果；所述Softmax函数为：其中i为空域运行复杂度等级类别，i为1表示空域运行复杂度为1级；k表示大于零的自然数；N为空域运行复杂度总的等级数；所述第十四层的输出为5维向量，每一维表示空域运行复杂度属于这一等级的概率大小；第二、三、五、六、八、九层卷积层和第十二、十三、十四层全连接层后使用的非线性函数进行非线性变换。进一步，所述对空域运行复杂性分级网络模型进行训练的方法包括：对训练数据集中图像进行预处理，将图像的像素值进行图像标准化处理：其中，μ为图像的均值；x为图像矩阵；σ为标准方差；P为图像的像素数；将预处理后的训练数据集放入到所述空域运行复杂性分级网络模型中进行训练；训练过程中，目标损失函数为交叉熵：其中，y表示图像类别的真实概率分布；表示经过神经网络计算得到的概率分布；yj与均表示5维向量中的第j维的概率值；在训练过程中通过随机优化方法不断优化目标损失函数。进一步，所述根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估的方法包括：对测试数据集中图像进行预处理，将测试数据集中预处理后的图像输入经过训练的空域运行复杂性分级网络模型，得到空域运行复杂度分级结果，完成空域运行复杂性评估。本专利技术的有益效果是，本专利技术通过抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注；本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的空域运行复杂度评估方法，其特征在于，包括：/n抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注；/n划定目标空域扇区的外接矩形，并进行网格化处理；/n构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库；/n根据多通道空中交通态势图像构建空域运行复杂性分级网络模型；/n对空域运行复杂性分级网络模型进行训练；以及/n根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估。/n

【技术特征摘要】
1.一种基于深度卷积神经网络的空域运行复杂度评估方法，其特征在于，包括：
抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注；
划定目标空域扇区的外接矩形，并进行网格化处理；
构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库；
根据多通道空中交通态势图像构建空域运行复杂性分级网络模型；
对空域运行复杂性分级网络模型进行训练；以及
根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估。


2.如权利要求1所述的空域运行复杂度评估方法，其特征在于，
所述抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注的方法包括：
获取目标空域扇区的原始空中交通运行数据，根据预设时间粒度分时段从原始运行数据中抽取目标空域扇区的扇区动态交通数据；
根据预设时间段对扇区动态交通数据进行划分，并对各时间段对应的扇区动态交通数据进行空域运行复杂度等级标注。


3.如权利要求2所述的空域运行复杂度评估方法，其特征在于，
所述划定目标空域扇区的外接矩形，并进行网格化处理的方法包括：
获取目标空域扇区的扇区边界点经纬度数据，确定目标空域扇区最小外接矩形，将最小外接矩形各边分别向外扩展预设长度，以形成目标空域扇区外接矩形，并根据预设长度间隔对目标空域扇区外接矩形进行网格化处理。


4.如权利要求3所述的空域运行复杂度评估方法，其特征在于，
所述构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库的方法包括：
根据各时段扇区动态交通数据，以航空器经纬度为坐标，获取相应坐标在网格化后目标空域扇区外接矩形中位置，将各时段内扇区动态交通数据中的航空器高度运动参数填充到对应网格作为像素值，以生成对应时段的高度历史航迹图像通道，并且将航空器速度参数填充到网格化后目标空域扇区外接矩形，生成速度历史航迹图像通道；
根据时段内各航空器最后一个航迹点的经纬度、速度和航向，获取预设时间后航空器到达的预测点，将最后一个航迹点和预测点之间的扇区动态交通数据进行连接获取预测航迹轨迹，将预测航迹轨迹通过经纬度映射到网格化后目标空域扇区外接矩形，在网格化后目标空域扇区外接矩形中，当航迹经过新的网格时，填充值以预设步长依次递减，直至预测航迹最后一点填充完成时，生成冲突预测航迹图像通道；
根据高度历史航迹图像通道、速度历史航迹图像通道和冲突预测航迹图像通道构成多通道空中交通态势图像，将不同时段生成的多通道空中交通态势图像和空域运行复杂度等级关联，以获取空中交通态势图...

【专利技术属性】
技术研发人员：谢华，张明华，陈海燕，朱永文，毛继志，葛家明，唐治理，王长春，蒲钒，袁立罡，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32