【技术实现步骤摘要】
一种基于迁移学习的空域运行态势计算方法
本专利技术属于空域运行态势计算领域,具体涉及一种基于迁移学习的空域运行态势计算方法。
技术介绍
随着民航运输业的快速发展,航班数量逐年增加,空域运行日益繁忙。空中交通管理系统所承载的航空管制需求逐年升高,管制员所面临的管制任务和压力急剧增多,造成管制员过度劳累,由此导致的“睡岗”,“跑道侵入”等事故症候时有发生。因此,为保证空管系统能够安全高效地运行,须保证管制员所面临的管制工作负荷在其可承受的范围之内。在当前的空管系统中,扇区是管制运行的基本空域单元。航班从出发机场起飞,直到降落至目的机场,途中将穿越多个扇区,并实时接受所在扇区管制员的管制。为有效地对管制负荷进行管理,亟须研究准确计算扇区运行态势的方法。一方面,准确计算扇区运行态势有助于管制员及时发现高复杂性态势,从而有根据地实施开扇、流量控制等战术型运行调控措施降低态势复杂度,避免管制负荷超限;另一方面,准确计算扇区运行态势可用于指导空域划分、流量管理等战略型运行调控举措的科学实施,即通过科学调整扇区边界,飞行计划等主动策略来保证各扇区的交通运行复杂程度、管制员所承受的工作负荷不至于过高。因而,设计能够准确计算扇区运行态势的方法已成为空管领域研究的热点和亟需解决的问题。由于扇区运行态势与扇区的数十种动静态属性因素(称为空域运行态势因子)相关联,因此许多学者使用机器学习方法来综合各态势因子,得到高层的总体态势指标,是现有普遍使用的方法。基于机器学习计算扇区运行态势依赖于样本学习。现有的此类扇区运行态势计算模型是基于充足的运行态势大样本进行学习来建立因子与态势之间的 ...
【技术保护点】
一种基于迁移学习的空域运行态势计算方法,其特征在于,包括如下步骤:步骤1,获取目标扇区的空域运行态势样本集,其中的每条目标样本包含目标扇区在某一单位时间片内的m个空域运行态势因子的值,并且每条样本被标定有一个态势等级;m为正整数;步骤2,基于目标扇区的样本集学习态势计算知识,包括:(1)对目标样本集进行降维:对m个空域运行态势因子进行关键性和独立性分析,生成T个因子子集;根据T个因子子集将目标样本集降维,获得T个目标样本子集;(2)利用各样本子集训练基分类器;步骤3,收集可用的s个非目标扇区的空域运行态势样本,简称非目标样本,非目标样本所包含的因子和态势等级的种类与目标样本相同,以扇区为单位组成非目标样本集,对各非目标样本集进行降维,对降维得到的各个样本子集分别使用核转换技术进行样本转换,再分别基于转换后的各样本子集训练基分类器,设基于非目标样本共得到sT个基分类器;使用核转换技术进行样本转换,使得转换后的非目标样本子集在保留态势计算知识的前提下,最小化与对应目标样本子集的样本分布差异;对各非目标样本集进行降维的方法与对目标样本集进行降维的方法相同;步骤4,对目标扇区待分类的测试样本, ...
【技术特征摘要】
1.一种基于迁移学习的空域运行态势计算方法,其特征在于,包括如下步骤:步骤1,获取目标扇区的空域运行态势样本集,其中的每条目标样本包含目标扇区在某一单位时间片内的m个空域运行态势因子的值,并且每条样本被标定有一个态势等级;m为正整数;步骤2,基于目标扇区的样本集学习态势计算知识,包括:(1)对目标样本集进行降维:对m个空域运行态势因子进行关键性和独立性分析,生成T个因子子集;根据T个因子子集将目标样本集降维,获得T个目标样本子集;(2)利用各样本子集训练基分类器;步骤3,收集可用的s个非目标扇区的空域运行态势样本,简称非目标样本,非目标样本所包含的因子和态势等级的种类与目标样本相同,以扇区为单位组成非目标样本集,对各非目标样本集进行降维,对降维得到的各个样本子集分别使用核转换技术进行样本转换,再分别基于转换后的各样本子集训练基分类器,设基于非目标样本共得到sT个基分类器;使用核转换技术进行样本转换,使得转换后的非目标样本子集在保留态势计算知识的前提下,最小化与对应目标样本子集的样本分布差异;对各非目标样本集进行降维的方法与对目标样本集进行降维的方法相同;步骤4,对目标扇区待分类的测试样本,基于其最近邻目标样本计算由步骤2和3得到的各基分类器对其分类的置信度,基于分类置信度加权集成所有基分类器对于测试样本的分类输出,得到最终分类结果。2.根据权利要求1所述的方法,其特征在于,所述的步骤2,在对样本集进行降维时,首先基于样本集计算各因子与态势等级的关联度,得到各因子的关键度,再计算两两因子间的独立度,得到因子间的独立性系数;然后,从m个因子中无放回地抽取k轮,k<m,得到一个包含k个因子的因子子集FSS,每轮中因子fti被抽取到的概率为SNR(fti)·minftj∈FSSICfti/ftj,其中,ftj为因子子集FSS中已有因子,SNR(fti)为候选因子fti的关键度,ICfti/ftj为fti相对于ftj的独立性系数;重复因子子集生成过程T次,生成T个因子子集。3.根据权利要求1所述的方法,其特征在于,所述的步骤3,对非目标样本子集使用核转换的方法,具体是:首先,依据非目标样本子集中因子对目标样本集D(tar)进行降维;设非目标样本子集为D(ntdr)={X(ntdr),Y(nt)};X(ntdr)为k×nnt矩阵,包含nnt条k维的非目标样本,k为因子数目,Y(nt)为nnt维行向量,包含X(ntdr)...
【专利技术属性】
技术研发人员:曹先彬,杜文博,朱熙,李宇萌,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:北京,11
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。