基于冲突避免的滑行路径动态分配问题研究

在保证地面飞行安全的前提下,为解决机场容量不足,减少航班延误,本文提出基于冲突避免的滑行道分配问题研究。在改进的Dijkstra算法的基础之上,结合机场场面运行规则、滑行冲突以及优先级限制等因素构建滑行道动态网络模型,给出不同冲突类型下的滑行时间求解方法。仿真实验表明,与未考虑滑行冲突的固定路径相比,动态滑行路径计算方法计算出的滑行路径可避免滑行冲突,一定程度上可缓解机场地面繁忙状态。     

基于聚类分析的航空器滑行过点时间预测

为了预测航空器滑行预计到达时间（Estimated time of arrival,ETA）,减少场面冲突,提高机场运行效率,本文使用卡尔曼滤波算法对场面历史轨迹数据进行预处理。为了衡量轨迹样本间的距离,综合三类特征用于机场场面历史轨迹数据聚类。特征包含航空器滑行时段和场面航空器数量,以及参考动态时间规整（Dynamic time warping,DTW）算法提取的轨迹差异度特征。将两个样本特征的欧式距离作为样本间的相似度量;基于均差最大原则确定初始聚类中心,使用K-means算法对样本进行聚类,根据待规划航空器的所处时段和场面航空器数量选择匹配度最高的类簇,将其聚类中心样本的轨迹序列和塔台规划的静态路径相结合预测航空器滑行ETA。通过将实际轨迹数据与预测的滑行ETA进行对比分析,证明了本文预测航空器滑行ETA的准确性。     

基于免疫克隆选择算法的繁忙时刻场面航空器调度优化(英文)

为减少大型枢纽机场拥堵和航空器地面等待,以总调度时间最小为目标,提出了航空器地面滑行调度模型并应用于首都机场航班调度。模型参考经典的车间调度思想,将滑行过程中的3类特殊的场面冲突作为约束条件。针对模型NP难解的特征,设计了免疫克隆选择优化算法求解模型。通过北京国际机场仿真实验表明,相比先到先服务(First-come-first-served,FCFS)策略,本模型将一个高峰时段的航班调度时间减少了13.6min,平均每架航空器的总滑行调度时间减少45.3s,提高了跑道容量和机场运行效率。     

机场地面容量评估研究

提出基于滑行路径动态寻优的机场地面容量评估方法。对于结构复杂多样的机场地面,当跑道、滑行道和停机位使用情况和航班流变化时,根据机场地面运行的具体特点,首先建立机场地面有向网络模型,引入滑行道的权值概念,再通过D ijkstra算法进行动态路径寻优,并与冲突探测相结合,对滑行道和停机位进行合理分配。最后通过计算机仿真来评估容量。仿真实例表明,该方法不仅可以增强机场地面容量评估的灵活性和准确性,还可以应用于机场地面交通引导。     

A SMGCS滑行道冲突预测与避免控制

针对先进机场场面引导与控制系统(Advanced surface movement guidance and control system,A-SMGCS)滑行道冲突预测与避免控制,提出基于事件反馈的闭环控制框架,并重点解决对头冲突预测与避免控制问题。建立滑行道受控着色Petri网模型。提出航空器可控滑行路段概念,并给出其对应子模型的生成规则。利用子模型中环路和环路链,给出无对头冲突的充分必要条件。提出对头冲突避免控制策略,以及适合实时控制的对头冲突预测与避免控制算法。算例表明本文能根据场面状态及时识别对头冲突并实现冲突避免。     

航空器机场地面滑行时刻优化模型研究

空中交通量的急剧增长导致机场地面滑行网络效率的降低,造成航班延误。分析进／离场飞机的地面滑行过程,指出这一过程中可能出现的三类滑行冲突。引入混合整数规划方程表示飞机在机场地面的运动,建立一个规划飞机滑行时刻的最优模型。确定飞机通过指定滑行路径上各点的最优时刻,将滑行冲突产生的飞机延误降到最小,提高机场运作效率。利用成都双流国际机场的实际航班时刻数据进行算例分析,结果验证了该模型的可行性和优越性。     

基于深度学习的离场航空器滑行时间预测（英文）

随着航班数量的不断增加,机场协同决策系统(Airport collaborative decision-making,A-CDM)的使用也越来越广泛。滑行时间预测的准确性对A-CDM计算离场航空器起飞排序队列和给出准确的撤轮挡时间具有重要的作用。本文提出一种基于时间-空间-环境数据的深度学习模型(Spatio-temporal-environment deep learning model,STEDL)来提高滑行时间预测的准确性。该模型由时间-流量变量(机场实际容量,场面航空器数量,时间段)、空间变量(滑行距离)、外部环境变量(天气,流控信息,跑道运行模式,机型)3部分组成。使用STEDL模型对香港机场离场航空器滑行时间进行预测验证。实验结果显示,STEDL模型预测准确率为95.4%,预测精度明显优于其他机器学习算法。     

基于改进Faster-RCNN的机场场面小目标物体检测算法

针对目前应用于机场视频监控中的卷积神经网络方法存在小目标物体识别准确率较低的问题,本文提出了一种基于Faster-RCNN并结合多尺度特征融合与在线难例挖掘的机场场面小目标检测算法。该算法采用ResNet-101作为特征提取网络,并在该网络基础上建立了一个带有上采样的"自顶向下"的特征融合模块,以生成语义信息更加丰富的高分辨率特征图。并在网络训练过程中,采用在线难例挖掘的训练策略使模型更加鲁棒地对小目标样本进行定位。最后,手工构建了一个包含5 982张图片的机场数据集,用于检测模型的训练和测试。结果表明,本文所提出算法显著提升了机场场面小目标物体检测的准确率,且使整体平均检测准确率达到了80.8%,该结果高于其他先进的目标检测模型。     

基于VS-IMM算法的A-SMGCS场面运动目标跟踪

为实现先进场面运动引导控制系统中场面监视雷达对运动目标的跟踪,研究了将变结构交互式多模型(Variable structure interacting multiple model,VS-IMM)算法应用到该系统中。首先,根据飞机的真实运动情况建立了飞机的匀速运动、匀加速运动和匀速转弯运动模型;然后,针对固定结构交互式多模型(Fixed structureinteractive multiple model,FS-IMM)算法在目标跟踪方面的不足,结合机场地图,将VS-IMM算法应用到机场场面运动目标跟踪中;最后,基于扩展卡尔曼滤波将VS-IMM算法与FS-IMM算法进行仿真比较。结果表明:VS-IMM算法的跟踪精度及模型选择均优于FS-IMM算法,VS-IMM算法在场面跟踪方面具有更大的应用价值。     

基于SIMMOD仿真的机场拥挤时段推出率控制策略研究

当机场地面产生拥挤或将要产生拥挤时,持续的航班推出滑行势必会造成拥挤程度的恶化,进而延长离场航班在滑行过程中的滑行等待时间。滑行中航空器的发动机是不停歇的,滑行等待时间的增加意味着燃油消耗增多以及排放物的增加。针对这个问题,本文提出通过对离场航班的推出率控制来缓解机场拥挤,减少离场航班的滑行等待时间。本文首先对北京首都机场历史运行数据进行统计分析,探讨了当前离场航班滑行量与未来15分钟进场航班量以及未来15分钟起飞率三者之间的规律,提出推出率控制策略及实现方法;然后,设计了推出率的辅助计算程序;最后,使用SIMMOD仿真工具对北京首都机场进行建模,并对繁忙时段实施推出率控制。仿真结果显示:通过对离场航班实施推出率控制,选取时段中场面推出滑行量被控制在一个相对较低水平。该段时间内408架次航班平均每架次仅等待了3.3分钟,但总的滑行等待时间减少了63.2小时。