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。     

复杂终端区进场交通流优化排序方法研究

为提高终端区时空资源利用率,增强空中交通 运行效率,研究了复杂终端区进场交通流优化排序问题。通过深入剖析终端区进场定位点、 航路航线、多跑道系统等资源运行特性,综合考虑尾流间隔、移交间隔、多跑道运行间隔等 各类约束限制,以及最小化航班延误时间、最大化跑道运行容量、最小化终端区飞行时间等 优化目标,建立了复杂终端区进场交通流优化排序模型,并采用带精英策略的非支配排序遗 传算法对所建模型进行求解。选取上海多机场组成的复杂终端区进行实例验证,仿真实验表 明提出的优化方法相比先到先服务方法(First come first serve,FCFS),航班总延误时间 减少20.7%,终端区等待时间减少60.7%,终端区进场交通流运行效率得到显著提升。     

基于数字孪生的航班链延误动态预测模型

针对复杂多变的航班运行环境，提出一种基于数字孪生的航班链延误动态预测模型，以改善传统预测方法的精度及自适应性。模型基于数字孪生航班链系统构建，采用滑动窗口下的多通道特征建模完成单元级航班延误预测，并提出一种混合优化策略进行模型参数的动态优化，最后通过孪生数据驱动的链式分析方法实现了全航班链的延误分析与修正。采用国内航班数据进行实验，得到在各个窗口下的航班延误平均绝对误差（Mean absolute error, MAE）为11.79 min，低于其他基线模型和静态模型；且引入孪生数据驱动分析和修正后，紧随其后的航班预测误差比此前进一步降低了6.44%。结果表明，模型有利于数字孪生航班链系统实现虚实交互，并具有优良的预测精度和自适应性。     

枢纽机场空侧容量利用和流量分配优化模型

通过引入满意度函数,以航班流量和容量利用满意度最大化为目标,建立了机场空侧定位点流量分配和跑道容量利用的多目标优化模型。利用ILOG对模型算例进行了求解。结果表明,采用本文模型求解得到的各个定位点的整体航班需求排队队列比Gilbo模型的结果减少了10%。在研究时间段内(3 h),通过优化分配各个时间间隔(15 min)各定位点的进离港航班流量,所有航班需求得到满足且在最后的时间间隔没有产生延误队列,从而又保证了一定的容量利用满意度(h=0.75),实现了机场终端区某一特定时段内现有容量更有效的利用,减少了航班延误。     

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。     

基于RHC的航班着落调度多目标优化算法

研究了基于滚动时域控制(RHC)策略的终端区进场航班动态排序问题,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,在满足安全间隔兼顾管制员负荷的情况下,给出航班经过多目标优化的着陆时间,提高航班进场率,降低飞行延误成本。建立了基于RHC的航班动态排序模型,并利用精英保留策略的遗传算法对一个算例进行验证计算。算例仿真结果表明,进场率得到了提高,延误时间和成本明显减少,验证了方法的有效性。     

航班延误中的空管原因及对策探讨

经常大面积的航班延误问题日益受到关注,究其原因,主要是受天气、军方活动、空域管理和管制理念的影响.预防和解决航班延误需要改革空域管理体制,合理利用空域,改善空管基础设施,合理安排航班量及航班时刻,更新管理理念和管制理念,大范围统筹安排飞行流量,尽可能减少空管原因造成的航班延误.     

基于容流匹配的进离场航班调度优化模型和算法

综合考虑机场的空中等待航班数量、空域容量、场面容量以及机场起飞需求等约束条件,以可变的优先级为调配手段,以总延误时间最短为目标函数,建立了一个新的基于容流匹配的进离场航班调度优化模型。引入合作型协同进化遗传算法,设计了用一对代表个体形成合作团体的新选择方式,有效解决了传统遗传算法种群多样性低、易早熟等问题。仿真结果表明,该模型能够在满足机场容量限制的同时,有效降低航班的总延误时间。     

天气影响的机场容量概率分布研究

天气是影响机场容量下降的主要因素,为了反映预测天气对容量的影响,建立了n-阶段到达容量分布模型。通过天气类型决策树将历史天气数据转换为每种天气类型的到达容量概率分布。根据天气类型的容量概率分布,用全概公式将概率天气预测转换为概率容量预测。基于5年的机场小时天气数据,对某一日的预测天气进行算例仿真,得到了一组基于预测天气的n-阶段容量概率分布。结果表明,n-阶段容量分布模型能够将机场不同时段的预测恶劣天气转换为预测随机容量,从而满足实时流量管理的需要。     

终端区容量评估的基本概念和方法

对终端区的基本概念进行了说明,介绍了典型终端区空域与一般管制过程的特点,给出了终端区容量的基本定义.分析了影响终端区容量的常见因素,介绍了对终端区容量建模过程进行合理简化的基本假设和思路,并在此基础上推导建立了终端区的基本容量模型.     

A Combined Arrival and Departure Scheduling for Multi-airport System

A combined arrival and departure scheduling problem is investigated for multi-airport system to alleviate the problem of airspace congestion and flight delay.Firstly,the combined scheduling problem for multi-airport system is defined through in-depth analysis of the characteristics of arrival and departure operations.Then,several constraints are taken into account,such as wake vortex separation,transfer separation,release separation,and separation in different runway operational modes.Furthermore,the scheduling model is constructed and simulated annealing algorithm is proposed by minimizing the total delay.Finally,Shanghai multi-airport system is chosen to conduct the simulation and validation.And the simulation results indicate that the proposed method is able to effectively improve the efficiency of arrival and departure operations for multi-airport system.     

基于遗传EM算法的航班延误状态空间模型(英文)

航班运行过程的高度动态性和随机性,航班延误因素的复杂性和不确定性导致航班延误实时预测成为难题。控制领域的动态数据驱动方法为该问题提供了一种解决方案。然而,要想运用动态数据驱动方法,首先必须建立航班延误状态空间模型来表示系统状态之间、状态与系统输入输出之间的关系。本文对单机延误事件序列进行了分析,创建了一种航班延误状态空间模型,并对其中的输入控制量进行了重点建模。在历史航班运行数据集上,采用遗传EM算法对模型参数进行了极大似然估计,并同时验证了遗传EM算法在优化参数估计和提高计算效率方面的优势。最后,采用Kol-mogorov-Smirnov方法对模型实例进行了假设检验,检验结果表明,所选模型具有较好的拟合优度。     

基于混杂系统模型的航空器4D航迹推测

为实现对未来大流量、高密度、小间隔条件下空域实施管理,4D航迹推测是国内新一代空管自动化系统最为核心的一项技术。首先基于飞行剖面不同飞行阶段的航空器动力学模型,构造了在不同飞行阶段之间转移,而在同一阶段航空器重量、校正空速、高度和距离等状态连续变化的混杂系统模型。通过温度和风速风向修正航空器真空速及地速,利用混杂系统递推法求解航空器4D航迹。实际算例表明,本文提出的混杂系统模型推测得到的水平航迹和垂直剖面能够准确地反映航空器的飞行状态变化,单架航空器4D航迹推测计算时间可以控制在2 s以内。     

空域拥挤风险管理时间决策模型与方法

针对目前日益严重的空域拥挤现象,缺乏有效的空域拥挤风险管理机制,造成拥挤难以应对等问题,建立了空域拥挤风险预测模型、空域拥挤风险解决模型和风险损失成本模型。采用风险预测模型和解决模型预测可能产生空域拥挤的时段、提出不同时段的实施流量管理策略,基于风险损失成本模型给出了不同时段调整拥挤的运行成本,通过比较运行成本和空域拥挤风险管理决策方法确定出解决空域拥挤的最佳时间点。采用实际运行数据进行验证,结果表明:所建立的空域拥挤预测模型、空域拥挤风险解决模型、风险损失成本模型和空域拥挤风险管理时间决策方法能有效地预测未来空域发生拥挤的时段,迅速找到运行成本最小的调整拥挤的时间点,为空中交通流量动态管理提供了新途径。     

基于传递闭包法的航班分类模型及在航班排序中的应用

提出了一种基于传递闭包法的进/离场航班分类方法.首先对模糊集合理论和传递闭包算法作了简要的介绍,然后在考虑4种不同因素的条件下建立了航班分类模型,并给出了各类航班单位时间延误成本的计算公式.最后以终端区航班排序模型为例,对该方法进行了仿真,并与传统航班延误成本分类方法进行了比较.仿真结果表明,该方法有助于减少航班延误损失,优化进/离场航班队列,提高空中交通管理效率.