一种基于多源特征的扇区交通态势预测方法技术

本发明专利技术公开了一种基于多源特征的扇区交通态势预测方法，属于空中交通管理、空中交通环境预测技术领域，包括：获取空域扇区内的航空器历史数据；利用ADS

【技术实现步骤摘要】
一种基于多源特征的扇区交通态势预测方法


[0001]本专利技术涉及空中交通管理、空中交通环境预测
，特别涉及一种基于多源特征的扇区交通态势预测方法。

技术介绍

[0002]空中交通管理依赖于空中交通管制部门的运行状况，评估其是否超载对整个航空业的效率和安全至关重要。在真实的空管场景中，空中交通管制的基本单元是扇区，因此实时扇区交通态势预测作为决策辅助工具，是不可或缺的。随着民航领域的不断发展，空中交通态势日益复杂，在当前的空域条件下，高效且准确的交通态势预测和评估工具是至关重要的，能够有效减轻管制员负荷，提升空管部门效率。
[0003]评估并预测空域的交通态势是国际和国内空管领域的研究热点，早期的扇区交通态势预测方法属于统计学的范畴，从单一的角度出发，设计并提出了各种指标来衡量交通态势的复杂程度，如航空器总数、爬升航空器总数、航迹紊乱程度等。在提出各类指标的基础上，使用较为广泛的动态密度方法被提出，该概念挑选的了多维的航空器运行指标，对多个指标进行加权求和作为空中交通态势复杂程度等级的度量标准，该方法受到线性形式的限制，而空中交通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源特征的扇区交通态势预测方法，其特征在于，包括以下步骤：S1：获取空域扇区内的航空器历史数据，所述历史数据包含ADS
‑
B信息、管制员指令集合信息和天气信息；S2：利用所述ADS
‑
B信息构建航空器飞行冲突网络模型，基于所述航空器飞行冲突网络模型的连边关系构建航空器的邻接矩阵；S3：利用所述邻接矩阵、所述管制员指令集合信息、所述天气信息以及对应的扇区交通态势等级标签，构建图结构扇区交通态势训练数据集；S4：构建扇区交通态势等级实时预测模型；S5：利用所述图结构扇区交通态势训练数据集对所述扇区交通态势等级实时预测模型进行训练，得到训练好的扇区交通态势等级实时预测模型；S6：将新的航空器历史数据输入所述训练好的扇区交通态势等级实时预测模型进行交通态势等级的预测。2.根据权利要求1所述的一种基于多源特征的扇区交通态势预测方法，其特征在于，步骤S1中所述的ADS
‑
B信息包括：经纬度、高度、速度、垂直速度和航向；所述管制员指令集合信息包括：调速指令、调高指令和调整航向指令；所述天气信息包括：风向、风速、能见度和天气现象。3.根据权利要求1所述的一种基于多源特征的扇区交通态势预测方法，其特征在于，步骤S2中所述的构建航空器飞行冲突网络模型以航空器为节点，计算所述航空器之间的空间关系并根据汇聚趋势进行建边，所述空间关系的计算公式为：其中，(x
a
,y
a
,z
a
)和(x
b
,y
b
,z
b
)分别为航空器a和航空器b的三维坐标，为航空器a和航空器b之间的椭球距离，R为中国规定的标准椭球模型中的水平间隔距离，为10公里，L为垂直间隔距离，为300米，Δx为航空器之间的纵向间距、Δy为航空器之间的侧向间距、Δz为航空器之间的垂直间距；所述汇聚趋势的计算公式为：其中，为航空器a和航空器b之间的相对速度，为相对水平位置，即不考虑航空器高度，通过航空器之间的Δx和Δy进行计算。4.根据权利要求1所述的一种基于多源特征的扇区交通态势预测方法，其特征在于，步骤S3包括：构建图结构数据集，数据集主要包含图结构特征，节点特征，整图标签，同时所述邻接矩阵用于构成图结构特征；筛选指定时间片和对应扇区内的航空器飞行数据、管制员指令信息、天气信息进行评
级构成图数据集的节点特征；将指定时间片的扇区交通态势等级构成数据集的整图标签；将所述图结构特征，所述节点特征、所述整图特征共同构成所述图结构扇区交通态势训练数据集。5.根据权利要求1所述的一种基于多源特征的扇区交通态势预测方法，其特征在于，步骤S4所述的扇区交通态势等级实时预测模型的结构为：第一层为GCN层，第二...

【专利技术属性】
技术研发人员：杨红雨，张璐，武喜萍，
申请(专利权)人：四川大学，
类型：发明
国别省市：