一种面向交通状态的时变性扇区动态分类方法技术

本发明专利技术公开了一种面向交通状态的时变性扇区动态分类方法，步骤如下：采集扇区历史运行数据，计算动态运行特征变量数据并进行数据预处理，获取聚类输入特征向量；扇区交通运行状态聚类分析；构建基于多层感知器的神经网络的时变性扇区动态分类模型；开展面向扇区交通运行状态的时变性扇区动态分类。本发明专利技术的方法根据扇区不同时段的交通状态，进行航路航线流量分布的优化，充分利用空中交通管制资源，有助于打造资源动态互用、容量弹性可调、运行自主高效的强性能的民航空域系统。主高效的强性能的民航空域系统。主高效的强性能的民航空域系统。

【技术实现步骤摘要】
一种面向交通状态的时变性扇区动态分类方法


[0001]本专利技术属于空中交通管理与空域规划领域，具体涉及一种面向交通状态的时变性扇区动态分类方法。

技术介绍

[0002]随着我国航空运输的快速发展，飞行需求日益增加，空域环境越发复杂，空域使用方式呈现多样化、复杂化、灵活化。现有扇区分类基本是基于空域固有结构和功能上的分类，分成区域扇区、进近扇区等，该分类方法是根据航空器的飞行过程进行的物理分类，只是适用于管制过程的基本扇区分类，缺乏对扇区结构特征和交通流特性的综合考虑，不能满足流量管理、空域管理的需求。
[0003]从国内外有关扇区分类的专利和研究文献来看，基于扇区运行特征进行扇区分类的研究较少。同时，基于运行特征对扇区进行整体分类有利于宏观上了解扇区，并执行相应的管理措施。但是，扇区分类研究同样应该考虑扇区中具有时变性交通流赋予扇区的动态运行状态即动态类别。过往的扇区分类研究中通过历史数据进行分析挖掘，为扇区的每个时段给定一个固定的类别，似乎是不够灵活和客观的。当某个时段因为天气的影响和流量控制策略导致交通流变化，有可能会使得这个时段对应的类别与给定的固定类别不符。因此，这样的扇区分类研究成果在预战术层级上对空中交通的管理者的决策帮助意义较小。此外，国内外学者基于扇区复杂性和容量方面的扇区分类研究，在聚类算法上多采用硬聚类(如系统聚类法，K
‑
means等)的方式，分类的结果和聚类的可解释性都存在一定程度的不合理性。

技术实现思路

[0004]针对于上述现有技术的不足，本专利技术的目的在于提供一种面向交通状态的时变性扇区动态分类方法，以解决现有技术中扇区给定固定的类别，无法体现扇区交通运行的动态特征和辅助管制员在预战术层级制定管制策略，以及传统分类中硬聚类算法在类别方面划分不合理的问题；本专利技术的方法根据扇区不同时段的交通状态，进行航路航线流量分布的优化，充分利用空中交通管制资源，有助于打造资源动态互用、容量弹性可调、运行自主高效的强性能的民航空域系统。
[0005]为达到上述目的，本专利技术采用的技术方案如下：
[0006]本专利技术的一种面向交通状态的时变性扇区动态分类方法，步骤如下：
[0007]1)采集扇区历史运行数据，计算动态运行特征变量数据并进行数据预处理，获取聚类输入特征向量；
[0008]2)扇区交通运行状态聚类分析；采用GA
‑
KFCM聚类算法，对步骤1)中获得的聚类输入特征向量进行扇区交通运行状态的聚类划分，通过划分结果获取扇区各类交通运行状态的数据集，将其作为相应的交通运行状态度量标准；
[0009]3)构建基于多层感知器的神经网络的时变性扇区动态分类模型；
[0010]4)开展面向扇区交通运行状态的时变性扇区动态分类。
[0011]进一步地，所述步骤1)具体包括：
[0012]11)以15分钟为一个时间样本分析真实ASDB雷达航迹数据及AirTop计算机仿真得到的扇区历史运行数据，获取与扇区交通运行状态相关的时变性状态表征指标数据作为基础数据集，包括扇区的静态结构因素以及动态交通因素；
[0013]12)采用Z
‑
Score规范化样本数据，经过归一化处理的数据的均值为0，标准差为1；对指标进行相关性分析，进而对数据通过PCA分析进行规约处理，获取聚类输入特征向量。
[0014]进一步地，所述步骤2)具体包括：
[0015]21)扇区交通运行状态类别数确定：对GA
‑
KFCM聚类算法的聚类数c取不同值进行多组对比实验，确定最佳的自然聚类数；分析不同聚类簇数取值情况下，交通流样本数据集聚类的整体轮廓系数值以及V
KXB
指标值，以选取最佳的聚类数c值，获得最佳聚类效果；
[0016]22)扇区交通运行状态聚类分析：对GA
‑
KFCM聚类算法参数进行初始化设置，将聚类输入特征向量输入聚类算法，划分得到各类扇区交通运行状态；结合不同交通状态下部分指标的核密度估计图所反映的交通流表征指标分布情况，分析各类扇区交通运行状态；通过划分结果获取扇区内各类交通运行状态的历史状态数据集，将其作为相应的交通运行状态度量标准。
[0017]进一步地，所述步骤3)具体包括：
[0018]31)将历史状态数据集分离成训练数据集和评估数据集；验证分割参数设置为原始数据集大小的0.2来实现数据集的分割，即80％的原始数据作为训练集和20％的原始数据作为测试集；
[0019]32)选取激活函数与误差函数，其中激活函数分为隐含层激活函数和输出层激活函数；
[0020]33)设定输入层的神经元数为输入数据集的特征变量个数，输出层的神经元数为扇区动态分类的预期目标维度；设计不同的隐藏层数和神经元数的参数组合下的多组对比寻优实验，通过TensorFlow提供的TensorBoard机器学习可视化工具监控模型的训练情况，得出不同隐藏层数对模型训练的影响情况；读取对比实验日志，输出的各组实验中准确率和损失函数的迭代变化对比图，确定扇区动态分类模型中隐藏层数和每个隐藏层中包含的神经元数；隐藏层神经元数量确定的经验公式如下：
[0021][0022]式中，N
i
为输入信号的个数；N0为预期目标输出维度；N
s
为训练集包含的样本数；α为可以自取的任意值变量，通常范围可取2
‑
10。
[0023]进一步地，所述步骤32)具体包括：
[0024]321)选择Relu函数作为隐含层激活函数，表达式为：
[0025][0026]322)选择softmax函数作为输出层激活函数，表达式为：
[0027][0028]式中，z为一个向量，z
i
和z
j
为其中的一个元素；
[0029]323)使用交叉熵误差作为扇区动态分类模型的损失衡量；交叉熵的公式如下：损失函数参数设置为分类交叉熵对数损失函数，表达式为：
[0030][0031]式中，log表示以e为底数的自然对数；y
k
为模型输出，t
k
为各个标签，t
k
中只有正确解的标签为1，其余均为0；因此，正确解标签对应的输出越大，交叉熵的值越接近0；当输出为1时，交叉熵误差为0；反之，如果正确解标签对应的输出越小，则交叉熵的值越大。
[0032]进一步地，所述步骤4)具体包括：根据步骤3)中确定的神经网络拓扑结构，以及选取的激励函数和损失函数，训练所述时变性扇区动态分类模型，预测获得扇区动态类别。
[0033]进一步地，所述步骤4)具体包括：
[0034]41)设定多层感知器算法参数及格式编码；对动态分类数据进行独热编码处理，当有y个类时，样本的输出目标值被编码成一个y维的向量，向量中表示该样本属于某个类别的位置上的标识为1，其余位置的标识均为0；设定多层感知器算法参数如下：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向交通状态的时变性扇区动态分类方法，其特征在于，步骤如下：1)采集扇区历史运行数据，计算动态运行特征变量数据并进行数据预处理，获取聚类输入特征向量；2)扇区交通运行状态聚类分析；对步骤1)中获得的聚类输入特征向量进行扇区交通运行状态的聚类划分，通过划分结果获取扇区各类交通运行状态的数据集，将其作为相应的交通运行状态度量标准；3)构建基于多层感知器的神经网络的时变性扇区动态分类模型；4)开展面向扇区交通运行状态的时变性扇区动态分类。2.根据权利要求1所述的面向交通状态的时变性扇区动态分类方法，其特征在于，所述步骤1)具体包括：11)以15分钟为一个时间样本分析真实雷达航迹数据及仿真得到的扇区历史运行数据，获取与扇区交通运行状态相关的时变性状态表征指标数据作为基础数据集，包括扇区的静态结构因素以及动态交通因素；12)采用Z
‑
Score规范化样本数据，经过归一化处理的数据的均值为0，标准差为1；对指标进行相关性分析，进而对数据通过PCA分析进行规约处理，获取聚类输入特征向量。3.根据权利要求1所述的面向交通状态的时变性扇区动态分类方法，其特征在于，所述步骤2)具体包括：21)扇区交通运行状态类别数确定：对GA
‑
KFCM聚类算法的聚类数c取不同值进行多组对比实验，确定最佳的自然聚类数；分析不同聚类簇数取值情况下，交通流样本数据集聚类的整体轮廓系数值以及V
KXB
指标值，以选取最佳的聚类数c值，获得最佳聚类效果；22)扇区交通运行状态聚类分析：对GA
‑
KFCM聚类算法参数进行初始化设置，将聚类输入特征向量输入聚类算法，划分得到各类扇区交通运行状态；结合不同交通状态下部分指标的核密度估计图所反映的交通流表征指标分布情况，分析各类扇区交通运行状态；通过划分结果获取扇区内各类交通运行状态的历史状态数据集，将其作为相应的交通运行状态度量标准。4.根据权利要求1所述的面向交通状态的时变性扇区动态分类方法，其特征在于，所述步骤3)具体包括：31)将历史状态数据集分离成训练数据集和评估数据集；验证分割参数设置为原始数据集大小的0.2来实现数据集的分割，即80％的原始数据作为训练集和20％的原始数据作为测试集；32)选取激活函数与误差函数，其中激活函数分为隐含层激活函数和输出层激活函数；33)设定输入层的神经元数为输入数据集的特征变量个数，输出层的神经元数为扇区动态分类的预期目标维度；设计不同的隐藏层数和神经元数的参数组合下的多组对比寻优实验，通过TensorFlow提供的TensorBoard机器学习可视化工具监控模型的训练情况，得出不同隐藏层数对模型训练的影响情况；读取对比实验日志，输出的各组实验中准确率和损失函数的迭代变化对比图，确定扇区动态分类模型中隐藏层数和每个隐藏层中包含的神经元数；隐藏层神经元数量确定的经验公式如下：
式中，N
i
为输入信号的个数；N0为预期目标输出维度；N
s
为训练集包含的样本数；α为可以自取...

【专利技术属性】
技术研发人员：徐礼鹏，周超，唐敏敏，张翔，王天宇，
申请(专利权)人：南京莱斯信息技术股份有限公司，
类型：发明
国别省市：