基于扇区复杂性因素的管制员工作负荷分析

管制员工作负荷已成为制约航空运输进一步发展的关键因素之一,有效的管理管制员工作负荷对确保空中交通安全意义重大。考虑单纯使用扇区流量评价管制员工作负荷的不足,以扇区复杂性因素作为管制员工作负荷的测评指标;通过设计并实施管制运行仿真实验,获取相关运行参数数据;分别构建基于扇区复杂性因素及单纯扇区流量的管制员工作负荷评估模型并予以对比分析。分析结果显示,较之单纯使用扇区流量,基于扇区复杂性因素的评估模型其评估效度优势明显。     

基于进离场流量和冲突发生位置的扇区规划

随着空中交通流量的日渐增大，空域结构及交通流分布的不合理性导致空中交通管制与飞行安全存在着一定的隐患。鉴于机场进近区是限制空域运行能力的主要瓶颈，针对如何提高空域资源利用率从而提升空域容量进行了进近区扇区规划，提出了考虑飞行流量、冲突发生的位置以及空域运行情况等因素建立的扇区容量均衡模型，利用霍夫曼编码原理进一步找到了扇区边界，并验证了方法的科学性和合理性。     

基于内禀属性的扇区复杂性评估

为了定量描述空域扇区的复杂性,引入交通内禀性概念,通过计算扇区内航空器间的逼近时间、侵略函数、关系矩阵、相关度函数,建立扇区的复杂性测度模型；并通过仿真算例,对扇区复杂度影响因素进行了分析.研究结果表明:复杂性值大小反映了扇区内飞机数量及汇聚、分散程度,复杂性值曲线拐点数量反映了扇区交通有序/无序程度,复杂性值曲线突变反映了扇区交通数量变化情况,可为管制员的监视和冲突解脱方案选择提供一定支持.     

上海增设西管制扇区

从7月15日零时起,上海空中交通管制又将实行一项新举措,即在目前的东、北、南三个区域管制扇区的基础上,增设西管制扇区,这有利于对各类运输飞机的不间断指挥,确保飞行安全。今年上半年,民航上海区域管制     

基于卷积神经网络的终端空域交通复杂度辨识

辨识终端空域交通复杂度对空中交通管理的安全和效率起着关键作用。利用交通态势的瞬时图像,基于深度学习研究终端空域交通复杂度的辨识方法。构建交通态势图像,并通过对复杂性指标进行聚类实现数据标记。提出了基于卷积神经网络分类的交通复杂度辨识方法。以广州终端空域的进离场运行为研究案例实施验证。结果表明,一方面,包括飞机经度、纬度、高度和速度信息在内的图像可以充分代表空中交通的复杂性;另一方面,所提出的模型可以有效识别终端空域空中交通复杂性。     

空中交通复杂性研究进展

空中交通复杂性是空中交通态势的本质属性，是空中交通管制工作负荷的主要驱动因素。空中交通复杂性的科学评价是实现空中交通精细化管理的关键，也是当前空管领域研究热点。本文介绍了国内外空中交通复杂性的研究团队，梳理了空中交通复杂性与工作负荷、安全水平等相互之间的区别和联系，并详细分析了现有研究的具体研究路线。在分析新一代空中交通管理系统特征的基础上，对空中交通复杂性的未来研究趋势和方向进行了展望。     

考虑进出交通影响的扇区运行通行能力研究

针对繁忙扇区受进出交通影响，缺乏量化决策模型，从而依赖空中交通管制员的个人经验，进而导致运行通行能力大幅下降的问题，开展考虑进出交通影响的扇区运行通行能力研究。首先，根据民航实际运行规则、扇区结构、机型组合和飞行速度等建立理论通行能力模型；然后，通过结合进出交通流构成和运行特征，对理论通行能力模型进行改进，得到进出交通影响下的运行通行能力模型。仿真结果表明，仿真计算值与平日观测值的平均绝对百分比误差为7.1%,证实了航迹规整度以及阻碍时间对扇区运行通行能力有显著影响。     

空管扇区开放计算机辅助决策模型及算法

从空中交通管制需要出发,管制空域常被划分成一些扇区,每个管制扇区由一组管制员负责。当空域情况、交通特性一定时,管制自动化中的一个问题是如何确定扇区开放的形式和数量使得既满足空管服务要求,又在管制员的可承受工作强度之内,且占用资源最少。针对上述问题,本文提出了基于排队论的计算机辅助决策模型和算法,并通过实例给予了验证说明。     

基于MIT的扇区流量管理决策

为缓解空中交通拥堵和减少航班延误,建立了扇区流量管理模型,并定义扇区容量超负荷频率指标,提出基于尾随间隔(MIT)的3种扇区流量管理决策方案,分析了郑州某个高空管制扇区8:00~9:00时段流量管理实例,结果表明合理的流量决策方案不仅能够缓解扇区拥堵,而且减少了41%的延误,验证了扇区流量管理决策方案的有效性及实用性,可以为决策者提供一定的决策支持。     

空中交通相依网络的脆弱性研究

机场、航路和管制扇区构成空中交通相依网络,节点在受到扰动时,网络运输性能下降,引发网络脆弱性。提出一种空中交通相依网络脆弱性的度量方法,首先构建机场网络、航路网络和管制扇区网络3个层网络,基于空中交通管理规则与层网络间的逻辑连接关系,建立空中交通相依网络模型。在随机扰动和蓄意扰动节点两种不同失效模式下,采用最大连通度和结构熵两个指标,并给出了相应算法,分析相依网络的结构脆弱性;创建流量熵和交通流损失比指标,设计了相应算法,研究相依网络的功能脆弱性。研究结果表明,随机扰动对空中交通相依网络影响更大;网络的结构脆弱源与功能脆弱源是机场网络;网络的脆弱性与层网络间的连接方式和层网络的交通量不匹配有关。     

基于遗传算法的起降航班动态排序模型的研究

讨论了空中交通流量管理中终端区航班的排序规划问题。目的是在终端区空中交通繁忙的情况下有效地为到达航班安排合理的着陆次序，并在不违反飞机间隔要求的情况下给出各飞机经过优化的着陆时间，提高机场跑道的利用率。引入离场起飞的航班问题，建立了航班排序的动态模型和基于遗传算法的终端区动态排序算法。并对一个算例采用冬文方法进行验证计算，结果表明，所提出的方法计算效率高，实用可行。     

一种终端区空中交通复杂度的计算方法

将终端区的空中交通复杂度分为静态复杂度和动态复杂度,提出了终端区空中交通复杂度的一种计算方法。通过考虑航空器数量、机型混杂比例和进离场航迹相互影响关系等因素建立空中交通复杂度模型。有效避免了因管制员工作水平差异等人为因素带来的不确定性影响,能更加客观地反应终端区的空中交通复杂度,具有通用性。最后通过Matlab实例仿真,验证了方法的有效性和实用性。     

突发事件下大规模空中交通流量管理的组合优化模型

为了解决危险天气和军航活动对管制运行的影响，使用动态网络流方法对突发事件下短期空中交通流量调度问题展开研究。首先，结合中国民航管制的特点，分析了突发事件对流量管理的影响。同时，根据航路航线网络及其高度层的特点，给出了网络和高度层的数学描述，并根据机型将航空器分成大、中和小3种交通流，介绍了使用多品种流描述3种机型的必要性；其次，根据网络拥挤程度随时间和流量变化的特点、危险天气随机变化的特点、空中等待和地面等待费用差异的特点构建了3个优化目标，考虑机场容量、扇区容量、航班连续性和扇区连续性约束建立了多目标优化模型；再次，针对军航活动时需要协调空域的特点，多品种流模型求解时间复杂度高，不能适应短期流量管理的缺陷，改进了逐步宽容约束法，设计了一种阶段式求解的近似算法；最后，以西南空管局管制的空域为例，利用实际流量数据，设计了3个场景进行仿真。结果表明，所提模型和算法能有效求解突发事件下的短期流量调度问题，算法效率比起传统算法在大流量下更具优势。     

机场跑道最大容量模型研究

目前,存在着三种比较知名的跑道最大容量评估随机解析模型,即FAA,LMI及MACAD,其建模逻辑各有不同.通过对管制规则进行分析,综合了这三种模型中的合理建模逻辑,构建了新的单跑道容量评估模型.该模型考虑了飞机进近速度、公共进近段长度、飞机位置不确定性、跑道占用时间、间隔标准、机型组合等参数,最终输出结果为跑道容量包络...     

对流天气空域阻塞概率与阻塞指数模型

管制员高估对流天气的影响,发布不必要的流控指令,会使得航班过度延误;管制员低估对流天气的影响,会造成工作负荷的激增,也会使得航班飞行安全风险增大。为了准确评估空域受天气影响程度,减少管制员高估和低估天气影响次数,建立了特定方向对流天气空域阻塞概率模型和航路交通阻塞指数模型。测试结果表明,特定方向对流天气空域阻塞概率模型,用于衡量对流天气下交通流在各个方向被阻塞概率,为管制员决策是否允许航空器沿特定方向在扇区绕飞提供参考有实际意义;对流天气航路交通阻塞指数模型,用于衡量对流天气下沿航路交通流被阻塞的概率,为管制员决策是否允许航空器沿航路穿越对流天气提供参考是可行的。访谈数据表明,90%的参访者同意在这两个参数可得时,他们获取对流天气影响交通态势感知所需要的时间确实有所减少。     

基于空中交通管制运行品质的扇区容量评估

扇区容量反映的是扇区空中交通管制运行品质诸多要素综合寻优下的流量水平,目前将扇区管制员工作负荷阈值映射为扇区容量的评估方法存在片面性。为改善扇区容量评估方法,以成都进近南扇为研究实例,采集198组实际运行数据建立样本集,确立了涵盖空中交通流密度、管制运行安全性能、管制运行效率性能及管制员工作负荷等4类因子的管制运行品质量化指标,并基于主成分分析法实现了扇区管制运行品质综合评价,经函数拟合确定扇区容量为29架次/h,新方法更具科学性、客观性。     

进化算法在航路飞机排序中的应用

讨论了空中交通流量管理中在航路交汇点上的飞机排序问题。利用进化思想建立航路交汇点的数学模型,在遵循飞机尾流间隔要求的情况下,找到更合理的飞机通过航路交汇点的次序。算法采用特殊的进化算子和目标函数,以便能够满足空中交通管制实时性的要求。仿真结果表明,该算法排序效果好、效率高,达到了预期目的。     

非正常航班管理中的飞机恢复问题研究

航空运输中时常会受到各种因素的干扰,形成非正常航班。非正常航班若得不到及时有效处理,会给航空公司带来巨大损失,因此航空恢复问题显得十分重要。主要针对航空公司飞机恢复问题进行了研究。利用原时刻表,综合考虑航班时间约束、飞机维护约束、机场容量约束和飞机容量约束,并结合航空公司运行实际,建立了飞机恢复模型。模型中对飞机恢复成本进行了细分,并以成本最小为目标函数。为解决该问题,设计了一个启发式算法。通过使用某航空公司的数据,对模型进行了计算,对算法进行了测试。计算结果表明,启发式算法可以较好解决飞机恢复问题,所得该方案能较好地符合航空公司要求。     

Measuring air traffic complexity based on small samples

Air traffic complexity is an objective metric for evaluating the operational condition of the airspace.It has several applications,such as airspace design and traffic flow management.Therefore,identifying a reliable method to accurately measure traffic complexity is important.Considering that many factors correlate with traffic complexity in complicated nonlinear ways,researchers have proposed several complexity evaluation methods based on machine learning models which were trained with large samples.However,the high cost of sample collection usually results in limited training set.In this paper,an ensemble learning model is proposed for measuring air traffic complexity within a sector based on small samples.To exploit the classification information within each factor,multiple diverse factor subsets (FSSs) are generated under guidance from factor noise and independence analysis.Then,a base complexity evaluator is built corresponding to each FSS.The final complexity evaluation result is obtained by integrating all results from the base evaluators.Experimental studies using real-world air traffic operation data demonstrate the advantages of our model for small-sample-based traffic complexity evaluation over other stateof-the-art methods.