基于改进区域生长算法的终端区扇区优化

针对民航业发展中空中交通流量不断增加以及空域划分不合理导致的流量分布、管制员负荷分布不均等问题,基于空中交通管制扇区划分的思想,对终端区扇区优化算法进行了研究。通过对终端区空域实际交通流网络进行数学描述,利用流量栅格矩阵划分空域单元,并以航迹数据作为统计依据建立扇区优化的数学模型,实现利用流量数据代替负荷计算,简化了扇区优化的过程。针对传统生长算法所得扇区不连续空域较多问题,提出环形生长的改进区域生长算法得到最优的扇区划分。最终,以厦门终端区为例,通过改进区域生长算法所得的扇区管制员负荷,经计算均小于总时间的80%,且最小负荷差为304 s,验证了所提出扇区优化方法的合理性。     

基于管制复杂性的扇区容量评估分析

本文首先阐述了空中交通运输现状,重申了复杂性研究的重要性。为了正确评估管制能力、预测扇区容量,需要采取与管制复杂性相结合的工作负荷评估方法。本文以乌鲁木齐进近01、02号扇区为例,研究了在扇区复杂性相似的情况下,由于交通流差异造成的管制复杂性差异对管制员工作负荷权值以及扇区容量的影响。     

基于交通复杂性的扇区资源管理

为了理解未来空域系统下空中交通的组织水平,确保地面决策系统的必要干预能力,本文首先在比较两类常用交通复杂性测度模型的基础上引入了基于连携效应的交通复杂性测度模型.利用该模型针对两类典型交通拥塞态势讨论了扇区范围内改航航段的生成和使用策略,与基于航空器数量的扇区资源管理方法相比,能够更为有效地实现空域的灵活使用,为动态空域管理和多扇区协同流量管理提供了可行的解决途径.     

管制扇区的最优划分方法研究

在研究管制员工作负荷的统计方法和描述空域拓扑结构的数学模型的基础上，利用基于自然法则的模拟退火随机优化算法对扇区最优化问题进行求解。并通过对厦门管制区的扇区最优划分实例分析，验证了扇区优化数学理论正确性和使用该算法达到的预期效果。     

基于复杂度分析的空域扇区划分

空中交通复杂度是对空域结构的客观衡量,是影响扇区规划的最主要因素之一。为了合理利用空域资源、提高空中交通运行效率,研究了基于复杂度分析的空域扇区划分问题。针对空域的内部结构与运行状态,深入分析扇区面积、航路结构、交叉点复杂性、机型混杂程度以及运行状态混合程度等影响因子的特性,建立了可量化计算的空中交通复杂度评估指标,定义了空中交通复杂度;基于空中交通复杂度来衡量管制员的工作负荷,以均衡管制员工作负荷为原则建立扇区规划模型,并采用生长算法进行求解。最后,选取珠江三角洲地区的空域进行实例分析,验证了本文扇区划分方法的有效性。     

依据管制工作负荷的扇区优化新方法

空域扇区优化划分问题是空域管理领域的一项重要的研究课题，对于提高空域容量和保障飞行安全均具有重要作用。本文根据空域中航路点的自然分布．利用算法几何的思想建立Voronoi图，统计由各Voronoi多边形包含的管制员工作负荷．然后以工作负荷均衡为优化原则，使用模拟退火算法对空域中的Voronoi多边形进行优化组合．并使优化组合的新解满足空域划分的两条重要的基本原则。这样，Voronoi多边形组合集合的边界就是优化的扇区边界。通过实际空域设计算例的计算结果，验证了本文提出的扇区优化方法的合理性。     

危险天气导致航空飞行事故的统计分析

利用国际航空飞行安全网提供的近百年飞行事故报告,从中选取650起与危险天气相关的个例,建立了危险天气导致航空飞行事故数据集.分析了数据集中各飞行事故的地理位置、年、月频数和飞行阶段等分布特点,并对各类危险天气要素对飞行安全的影响、造成飞行事故的统计特征和典型个例分析等方面开展细致研究,得到了危险天气导致航空飞行事故的整...     

基于信息熵的危险天气下终端区管制风险评估

终端区结构复杂、飞机事故多,其中危险天气对航空器的安全运行影响极大,因此有必要对危险天气下终端区管制风险进行评估。针对终端区管制系统运行风险性大、易发不安全事件的问题,提出基于风险信息熵的危险天气条件下终端区管制系统风险评估模型。首先,通过分析危险天气条件下管制系统的运行过程,建立管制系统运行中的熵流模型,然后建立危险天气下终端区管制风险评估指标体系,给出评估指标灰色关联度属性的计算方法,利用其反映出的信息熵确定指标权重,最终建立危险天气下终端区管制风险评估模型,并通过算例验证了模型的可用性和有效性。     

在危险天气条件下预计航空器到达时间算法研究

主要研究了在危险天气条件下,在航空器可能的机动情况下,计算航空器在跑道或在最后进近点的预计到达时间问题.这个问题解决在雷达管制空域下,协助管制中心自动化系统在危险天气条件下,计算航空器的预计到达时间.我们通过一个概率模型和一个信息嵌入的最佳路径图(OPM)来解决预计到达时间问题,其中设计危险天气避让算法来建立最佳路径图.危险天气避让算法考虑的路径是从起始进近定位点到跑道的路径.该问题还要考虑各种限制,如航空器机动性限制,飞行员与管制员工作量的考虑,空中交通管制进离场走廊的限制等等.     

基于深度学习的对流天气下终端区流量预测方法（英文）

为提高对流天气下终端区流量预测的准确性和稳定性,提出了一种多输入深度学习模型(Multi-input deep learning,MICL)。在前人研究的基础上,扩展了影响终端区交通流的天气特征集,涵盖天气预报数据和机场气象报告(Meteorological Report of Aerodrome Conditions,METAR)数据。将终端空域根据功能划分为较小的空域,并通过天气预报数据建立天气危险指数(Weather severity index,WSI)特征,以更好地量化天气的影响。MICL模型结合了卷积神经网络(Convolution neural network,CNN)和长短期记忆网络(Long short-term memory,LSTM)模型的优点,采用双通道分别输入WSI数据和METAR报告数据,可以充分反映终端区天气的时间与空间分布特征。以广州终端区在典型对流天气下运行的真实历史数据设计多场景实验,结果表明MICL模型与K近邻算法(K-nearest neighbor,KNN)、支持向量回归(Support vector regression,SVR)、CNN、LSTM等既有机器学习或深度学习模型相比,在均方误差(Mean squared error,MSE)、均方根误差(Root MSE,RMSE)和平均绝对误差(Mean absolute error,MAE)等性能指标上表现优秀,在30 min至6 h不等的预测时间范围内均具有最佳的预测精度和稳定性。