一种基于迁移学习的空域运行态势计算方法技术

本发明专利技术提供了一种基于迁移学习的空域运行态势计算方法。首先收集目标扇区及其它非目标扇区的空域运行态势样本，基于因子子集生成对训练样本集降维分解，使用降维的样本子集训练基分类器；在使用非目标扇区样本子集训练时，先进行核转换，使转换后的非目标扇区样本子集在保留态势计算知识的前提下，最小化与对应目标扇区样本子集的样本分布差异；科学集成所有基分类器，针对每条测试样本分别计算各基分类器的分类置信度，进而加权各基分类器输出得到最后分类结果。本发明专利技术实现了对目标空域有限样本中知识的充分挖掘，且对非目标空域的样本进行了有效知识迁移，降低了模型训练对于大样本的依赖性，在样本缺乏的情况下也能较好计算目标空域运行态势。

【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关联。但由于样本的采集成本较高，因此很多情况下仅有少量的目标计算扇区的样本可用，造成现有模型无法通过训练得到良好的性能。此外，现有方法未区别性地对目标扇区样本和其它非目标扇区的样本进行学习，而是将两种样本混杂在一起进行学习。由于非目标扇区的样本所包含的态势计算知识与目标扇区样本的知识存在偏差，不加以区别地学习可能会造成“负学习”等现象，导致态势计算模型性能下降。
技术实现思路
本专利技术的目的在于提供一种基于迁移学习的空域运行态势计算方法，在目标扇区的态势样本有限的情况，本专利技术建立了准确的扇区运行态势计算模型，弥补现有扇区运行态势计算模型无法有效利用其它非目标扇区样本进行训练的不足。本专利技术提供的基于迁移学习的空域运行态势计算方法，具体包括以下步骤：步骤一、获取目标扇区的空域运行态势样本(简称目标样本)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。所述的空域运行态势因子，简称为因子，是指能够影响或反映空域运行态势的航班航迹分布、空域航路结构、空管运行规则等方面的属性因素，一般用连续或离散数值表示。步骤二、基于目标扇区样本学习态势计算知识，包括：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；分别基于T个因子子集对目标样本进行降维，得到T个降维的目标样本子集，并分别基于各样本子集训练基分类器。T为正整数。步骤三、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训练出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。其中，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。步骤四、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。本专利技术的优点以及带来的有益效果在于：(1)本专利技术一种基于迁移学习的空域运行态势计算方法，考虑到由于空域运行态势样本采集的高成本所带来的目标样本稀少问题，采用多因子子集来降维分解样本从而得到多个样本子集，继而基于这些样本子集训练多个基分类器，使得样本因子中所含态势计算信息被尽可能地提取，配合多基分类器训练的学习策略对目标样本进行深入挖掘，使得态势计算模型在目标样本有限的情况下仍能取得较好的计算性能。(2)本专利技术一种基于迁移学习的空域运行态势计算方法，通过学习非目标样本的知识来提升针对目标样本的态势计算性能。考虑到非目标样本相对于目标样本具有样本分布和态势计算机理上的差异，本专利技术在基于非目标样本训练基分类器前先对其进行去差异的转换，采用样本核转换技术对非目标样本进行转换，来消除非目标样本相对于目标样本的差异，使得由非目标样本训练得到的基分类器在分类目标样本时有较高的置信度，由此对非目标样本中的空域运行态势计算知识进行合理充分的利用。(3)本专利技术一种基于迁移学习的空域运行态势计算方法，基于测试样本分类置信度分析为各基分类器赋予合理权重，在此基础上科学集成所有基分类器；采用针对特定待分类样本的基分类器分类置信度评价来挑选符合集成条件的基分类器，有效滤除与目标扇区运行态势计算机理不契合的基分类器，大大降低出现“负迁移”的概率。(4)本专利技术方法降低了模型训练对于大样本的依赖性，在遇到样本缺乏的情况下，通过综合挖掘目标扇区小样本和迁移学习可用的非目标样本，仍能建立性能较好的目标扇区运行态势计算模型。附图说明图1是本专利技术基于迁移学习的空域运行态势计算方法实施例的三模块框架示意图；图2为本专利技术基于迁移学习的空域运行态势计算方法实施例的详细流程示意图。具体实施方式下面通过具体实施例并结合附图对本专利技术的技术方案做进一步的详细描述。本专利技术中的基于迁移学习的空域运行态势确定方法，包含目标扇区小样本知识挖掘、非目标扇区样本迁移学习、科学集成目标与非目标扇区样本所生成基分类器三个功能模块，如图1所示：目标样本挖掘模块1、非目标样本学习模块2以及基分类器集成模块3。目标样本挖掘模块1用于目标样本知识的充分挖掘，非目标样本学习模块2用于解决目标样本分类问题而对非目标样本知识进行有效学习，基分类器集成模块3为科学集成基于目标样本和非目标样本训练得到的基分类器。其中，目标和非目标样本知识的学习均采用了多因子子集生成，多基分类器训练的学习框架；额外地，非目标样本知识的学习还使用了样本核转换技术对非目标样本进行转换，尽量消除非目标样本相对于目标样本的差异；科学集成目标和非目标基分类器是通过针对特定的待分类目标样本评价所有基分类器的分类置信度，由此剔除分类置信度过低的基分类器并确定各基分类器的权重，然后对他们进行加权集成。如图2所示，为本专利技术提供的基于迁移学习的空域运行态势计算方法的流程图，具体包括如下步骤：步骤一、将基于m个空域运行态势因子的取值对某一目标计算扇区的运行态势等级进行计算。采集目标扇区的运行态势样本集，每条样本中包括m个因子的值。m为正整数。空域运行态势因子是指能够影响或反映空域运行态势的航班航迹分布、空域航路结构、空管运行规则等方面的属性因素，一般用连续或离散数值表示。示例因子如表1所示：表1空域运行态势本文档来自技高网...

【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，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。...

【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