【技术实现步骤摘要】
本专利技术涉及航空气象，尤其是涉及一种基于机器学习对特定航线的颠簸集合预报优化方法。
技术介绍
1、当飞机遭受颠簸时会影响飞机的安全运行并对飞机的结构造成损坏，甚至会造成人员伤亡，航路颠簸大部分是由湍流造成的，根据湍流的不同，颠簸往往分为晴空颠簸、对流性颠簸和山地波颠簸。颠簸的准确预测对飞行安全有着重要意义。传统基于经验模型的预测方法往往依赖人工经验和主观判断，无法在复杂多变的气象环境下进行准确预测。本方法通过分析大量的历史飞行数据和气象数据，利用高效的机器学习模型，能够更准确地预测颠簸的发生和发展趋势，充分利用大数据和人工智能的优点，提高预测精度和时效性，为飞行安全提供更可靠的决策支持。在当前的
中，存在着一些问题和挑战，需要通过创新的方案来解决。本专利技术旨在提供一种改进的技术，以解决现有技术中存在的一些限制和不足之处。
技术实现思路
1、本专利技术的目的是提供一种基于机器学习对特定航线的颠簸集合预报优化方法，提高了颠簸预报的全面性和实用性，实现对航线的智能规划，使得飞行计算更具灵活性和安全性。
2、为实现上述目的，本专利技术提供了一种基于机器学习对特定航线的颠簸集合预报优化方法，包括以下步骤：
3、s1、获取特定航线的飞行员报告和带保护装置的机载飞行数据记录仪的历史颠簸信息、历史飞行信息，根据不同地区的气象再分析数据集获取对应特定航线的历史气象数据；
4、s2、利用获得的历史飞行信息和历史气象数据，计算得到湍能耗散率和若干个描述颠簸的
5、s3、构造基于bp神经网络的颠簸预测模型，利用颠簸案例集对初始的颠簸预测模型进行迭代训练，得到训练完备的颠簸预测模型；
6、s4、将完备的颠簸预测模型集合不同的数值天气预报、飞行交通管制情况，实现航路的颠簸预报和航线的智能规划。
7、优选的，在s1中，历史飞行信息来源于飞行员报告(pireps)和机载飞行记录仪(qar)，包括发生现象、发生时间、位置、高度、强度、航班号、机型等；历史气象数据来源于欧洲中期天气预报中心(ecmwf)的era5，美国国家海鲜和大气管理局(ncep)和美国国家气象中心(ncar)合作产生的全球再分析数据集，日本气象厅(jma)提供的jra-55再分析数据集等，包括空气温度、风速、风向、大气压力高度、湍流等。
8、优选的，在s2中，颠簸指数包括ellrod指数、brown指数、dutton指数、水平温度梯度指数、理查森数、k指数、沙氏指数、抬升指数等；
9、湍能耗散率计算公式如下：
10、
11、其中，γ是与飞机类型有关的修正系数，是滑动修正系数，kl、kh分别是所选区间的高频和低频，s为理论频谱，为实际频谱；
12、ellrod指数计算公式如下：
13、tl1＝sv×def
14、其中，是垂直高度上经向风的变化情况，是垂直高度上纬向风的变化情况；水平变形向dst是拉伸变形项，dsh是切变变形项，是经向风沿着经度方向的变化情况，是纬向风沿着维度方向的变化情况；
15、brown指数计算公式如下：
16、
17、其中，绝对涡度ζ为涡度，f为地转参数；
18、dutton指数计算公式如下：
19、e＝1.25sh+0.25sv2+10.5
20、其中水平风切变
21、水平温度梯度指数计算公式如下：
22、
23、其中表示大气温度沿着经度方向的变化情况，表示大气温度沿着纬度方向的变化情况；
24、理查森数计算公式如下：
25、
26、其中g表示重力加速度，当ri大于某个临界值时，表示大气稳定，当小于临界值时表示大气不稳定；
27、k指数计算公式如下：
28、k＝(t850-t500)+td850-(t-td)700
29、单位为℃，量级为10-1～101，其中第一项为850hpa与500hpa的温度差，代表温度递减率，第二项为850hpa的露点，表示水气条件，第三项为700hpa的温度露点差，反映中层饱和程度和湿层温度；
30、沙氏指数计算公式如下：
31、si＝(te-tp)500
32、表示气块从850hpa开始，干绝热上升至抬升凝结高度，按湿绝热递减率上升至500hpa，在500hpa上的环境温度与该上升气块达500hpa的温度的差值；
33、抬升指数计算公式如下：
34、li＝te500-tp500
35、表示气块从自由对流高度出发，湿绝热上升至500hpa处的温度与500hpa环境温度之差，单位为℃，量级为10-1～101,当li为负值，表示气块不稳定，其绝对值越大，表示不稳定能面积越大。
36、优选的，构造基于bp神经网络的颠簸预测模型包括以下步骤：
37、a、将s2中得到的历史飞行数据和s3中计算得出的指数组合构成数据集，在数据集中随机抽取70％为训练集，15％为验证集，15％为测试集；
38、b、采用随即初始化的方法初始化bp神经网络的权重和偏置，将训练样本输入到bp神经网络中，通过输入层将样本的特征传递给隐藏层，在隐藏层中对输入进行加权求和，并通过激活函数进行非线性变化，得到隐藏层输出，将隐藏层的输出传递到输出层，再次进行加权求和和非线性变化，得到bp神经网络的输出；
39、c、使用损失函数计算bp神经网络的输出与真实标签之间的误差，从输出层开始计算损失函数对bp神经网络参数的梯度，通过链式法则将梯度沿着网络向后传播，计算隐藏层和输入层的梯度，更新bp神经网络的权重和偏置以减小损失函数；
40、d、重复执行b-c的步骤，直至达到预定的迭代次数，使用独立的验证集评估模型的性能。
41、优选的，s4的具体内容为：集合不同地区的气象再分析数据集，获取特定航线未来的数值天气预报，计算得到s2中的颠簸指数，将颠簸指数输入到s3中训练好的颠簸预测模型中，实现对特定航线的颠簸预报。
42、因此，本专利技术采用上述的一种基于机器学习对特定航线的颠簸集合预报优化方法，具有以下有益效果：
43、(1)结合多源数据，通过综合考虑历史飞行数据、飞行员报告和气象信息，利用机器学习和bp神经网络模型进行训练，可以显著提高对特定航线颠簸的预报准确性；
44、(2)考虑了多种颠簸类型，通过对晴空颠簸、山地波和对流性颠簸等不同类型的指数模型的建立和训练，能够全面考虑各种颠簸情况，提高了颠簸预报的全面性和实用性；
45、(3)结合数值天气预报和飞行交通管制情况，通过颠簸预测模型实现对特定航线的智能规划，使得飞行计划更具灵活性和安全性。
46、下面通过附图和实施例，对本专利技术的本文档来自技高网...
【技术保护点】
1.一种基于机器学习对特定航线的颠簸集合预报优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习对特定航线的颠簸集合预报优化方法，其特征在于：在S1中，历史飞行信息包括发生现象、发生时间、位置、高度、强度、航班号、机型；历史气象数据包括空气温度、风速、风向、大气压力高度、湍流。
3.根据权利要求1所述的一种基于机器学习对特定航线的颠簸集合预报优化方法，其特征在于：在S2中，颠簸指数包括Ellrod指数、Brown指数、Dutton指数、水平温度梯度指数、理查森数、K指数、沙氏指数、抬升指数；
4.根据权利要求3所述的一种基于机器学习对特定航线的颠簸集合预报优化方法，其特征在于，构造基于BP神经网络的颠簸预测模型包括以下步骤：
5.根据权利要求1所述的一种基于机器学习对特定航线的颠簸集合预报优化方法，其特征在于，S4的具体内容为：集合不同地区的气象再分析数据集，获取特定航线未来的数值天气预报，计算得到S2中的颠簸指数，将颠簸指数输入到S3中训练好的颠簸预测模型中，实现对特定航线的颠簸预报。
【技术特征摘要】
1.一种基于机器学习对特定航线的颠簸集合预报优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习对特定航线的颠簸集合预报优化方法，其特征在于：在s1中，历史飞行信息包括发生现象、发生时间、位置、高度、强度、航班号、机型；历史气象数据包括空气温度、风速、风向、大气压力高度、湍流。
3.根据权利要求1所述的一种基于机器学习对特定航线的颠簸集合预报优化方法，其特征在于：在s2中，颠簸指数包括ellrod指数、brown指数、dutton指数...
【专利技术属性】
技术研发人员：邵靖媛，李一，李灏天，庄子波，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。