半监督度量、调整度量矩阵和终端区运行场景识别方法与流程

1.本发明涉及空中交通管制的终端区运行场景识别技术领域，具体为半监督度量、调整度量矩阵和终端区运行场景识别方法。


背景技术：

2.民航空管系统是保证民用航空安全高效运行的基础中枢，是国家空管、空防以及应急体系不可或缺的组成部分，也是高科技密集和新技术综合集成应用的行业。
3.目前国外对于空中交通的相似场景研究仍处于起步阶段，国内相似场景研究主要集中在电气相关研究方面，民航相似场景的相关研究几乎是空白的。空中交通相似场景的研究主要分为三个方面：相似运行场景判别信息提取、相似性场景度量、相似场景下运行策略评估，相似运行场景判别信息提取，目前国内研究仍在起步阶段，缺少对相似场景判别信息及其获取方法的单独研究，确定相似场景的判别信息，要分析历史气像、交通运行情况，去除冗余和不相关特征，明确相关特征向量，本质是特征选择/特征提取的问题。目前学者们围绕特征选择/提取进行了搜索策略的优化、评价准则制定的研究，积累了大量的研究成果，用于解决不相关数据去除、系统性能提升、耗费资源缩减以及设计复杂度降低等问题；相似性场景度量，度量方式评估数据之间的距离或者相似性对学习算法的性能有着非常关键的影响。对于空管运行场景相似性度量的具体问题，很多研究人员都基于交通管理条件对“小时”或“天”的聚类或分类方法进行了深入的研究。通过将聚类/分类算法应用于历史天气、容量、需求等关联特征数据，可以有效地识别出国家空域系统中相似的历史场景，并在后续阶段将其应用于历史运行策略的筛选与评估，相似场景策略评估，国外主要以指标度量为主，尤其是近些年对gdp策略的评估成为了主流；相较于国外，国内多基于icao/eurocontrol/faa的通用性能度量，构建了运行指标。由于我国的国情所限，mit策略实施较为便捷，管制员也更偏向于使用mit流控策略,并以性能指标为着眼点，度量、评价和比较不同空管运行策略的实施效果。
4.当前相似场景识别以特征选择和相似性度量为主，2016年，kuhn基于专家知识的方法选出了：机场到强降水预测中心距离、机场跑道侧风强度、预定到达航班数等特征，2012年，asencio m基于欧式距离利用k-means方法对美国对流天气进行了聚类，选择出能反映美国对流天气影响模式的代表日。目前对相似场景的识别的研究现状如下：
5.一般以国家空域或机场为对象，尚未对终端区相似场景的进行识别；
6.运行特征选择以气象特征或机场运行特征为主，为考虑将两者联合起来考虑相似性度量；
7.因此，考虑到气象特征和机场运行特征两种数据的结合，对终端区运行场景制定指标体系，有利于更全面对终端区运行情况进行描述，而通过对终端区运行场景的相似性度量，有利于从历史数据中心挖掘出与当下相似的运行场景，给管制工作提供参考，有利于提升管制效率，进而提升航班运行效率。
8.另一方面，由于机器学习在各领域取得的卓越成就，不少学者将机器学习运用到
民航领域。通过将特征加入到机器学习模型中进行训练，可以分析当前运行特征以及信息冗余情况，进而降低信息冗余和特征维度。同时由于决策者无法直接获取与航班运行相关的特征，因此决策时无法做到面面俱到，存在一定的不足，而基于机器学习方法的相似场景识别方法，有利于对当前运行情况进行更全面的可视化描述。
9.因此，基于上述技术问题需要设计一种新的动态终端区运行场景相似识别方法。


技术实现要素：

10.(一)解决的技术问题
11.针对现有技术的不足，本发明提供了半监督度量、调整度量矩阵和终端区运行场景识别方法，具备降低信息冗余和特征维度，正确识别场景，提升管制效率，进而提升航班运行效率等优点，解决了现有空中交通尚未对终端区相似场景的进行识别的问题。
12.(二)技术方案
13.为实现降低信息冗余和特征维度，正确识别场景，提升管制效率，进而提升航班运行效率目的，本发明提供如下技术方案：半监督度量、调整度量矩阵和终端区运行场景识别方法，包括以下步骤：
14.s1、根据终端区运行特点及气象情况，建立终端区运行特征体系和气象特征体系；
15.s2、结合终端区运行特征体系和气象特征体系，引入专家意见，计算出相应的终端区相似场景识别的度量矩阵；
16.s3、终端区实际运行时，新数据引入后的动态调整度量矩阵；
17.s4、结合度量矩阵，并使用nn策略依据样本距离反应运行场景相似度量；
18.s5、根据s4中运行场景相似度量的结果，利用运行性能指标评价体系对场景策略及运行性能进行评价，得出识别结果。
19.进一步的,步骤s1中，终端区运行特征体系包括：起始时刻延误指标和跑道配置数据指标；
20.所述起始时刻延误指标通过flylog数据和flightplan数据合并计算而得；
21.所述跑道配置数据指标为：每30分钟间隔内，跑道南北向配置的相关记录；
22.所述终端区气象特征体系包括：气象特征和浓见度特征；
23.根据终端区运行特征体系反应终端区运行情况，结合对应时刻下终端区气象特征，获取终端区运行场景特征指标。
24.进一步的,步骤s2中，相应的终端区相似场景识别的度量矩阵具体计算方法为：
25.a、随机选择部分样本交由专家进行标记工作，将专家标记过的有标签样本放入度量学习模型中；
26.b、依据度量学习方法，可以获得一个表现特征关系的度量矩阵；
27.c、将度量矩阵和标签样本，通过nn的策略评价余下未标记样本；
28.d、选择出一批对于模型不能区分的样本，再交由专家标记放入有标签样本集合中，重新学习度量矩阵；
29.重复以上工作，直到模型可以成功区分所有样本。
30.进一步的,步骤s3中，新数据引入后动态调整度量矩阵的方法为具体为：
31.a随着运行数据的增加，主动选择无法表达的度量关系，引入专家意见，加入度量
矩阵调整模型中；
32.b依据动态调整度量矩阵方法，获得新的表现特征关系的度量矩阵；
33.c将度量矩阵和标签样本，重新通过nn的策略评价场景相似度。
34.进一步的,步骤s4中，使用nn的策略依据度量距离展现出样本相似度量的方法为：
35.根据s3中得到的度量矩阵，样本间距离可以表示为：
[0036][0037]
即，样本之间的相似度量可以转化为：
[0038][0039]
其中，d(x,y)表示样本x和样本y之间的度量距离，s(x,y)表示样本x和样本y之间的相似程度。
[0040]
进一步的,样本之间的相似度量s取值越大，样本的相似程度越高，依据 nn的策略，可以选择与观测场景相似程度最高的n个运行。
[0041]
进一步的,步骤s5中，利用运行性能指标评价体系对场景策略及运行性能进行评价的方法中，终端区运行性能指标包括：流量特征、正常性特征和策略波及；
[0042]
所述流量特征包括：历史常态流量、历史相似平均流量、进离场航路点实际流量、进场航路点实际流量占需求流量比例和离场航路点实际流量占需求流量比例；
[0043]
所述正常性特征包括：进场延误、离场延误、取消航班数量、航班正常性、历史常态延误、历史相似延误和历史延误对比；
[0044]
所述策略波及包括：ctot符合率、cldt符合率、过点间隔限制有效性、策略波及航班量和策略关联延误。
[0045]
(三)有益效果
[0046]
与现有技术相比，本发明提供了半监督度量、调整度量矩阵和终端区运行场景识别方法，具备以下有益效果：
[0047]
1、该半监督度量、调整度量矩阵和终端区运行场景识别方法，通过终端区运行特点及气象情况两种数据的结合，制定终端区运行场景指标体系，能够全面对终端区运行情况进行描述，而使用nn策略依据样本距离反应的运行场景相似度量，利用运行性能指标评价体系对场景策略及运行性能进行评价，有利于从历史数据中心挖掘出与当下相似的运行场景，给管制工作提供参考，提升管制效率，进而提升航班运行效率；
[0048]
2、该半监督度量、调整度量矩阵和终端区运行场景识别方法，通过专家标记样本，并将特征加入到机器学习模型中进行训练，可以分析当前运行特征以及信息冗余情况，进而降低信息冗余和特征维度。
[0049]
3、该半监督度量、调整度量矩阵和终端区运行场景识别方法，基于机器学习方法的相似场景识别，有利于对当前运行情况进行更全面的可视化描述。
附图说明
[0050]
图1为本发明提出的半监督度量、调整度量矩阵和终端区运行场景识别方法中动态终端区运行场景识别的流程图；
[0051]
图2为本发明提出的半监督度量、调整度量矩阵和终端区运行场景识别方法中半监督度量学习的示意图。
具体实施方式
[0052]
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
实施例1
[0054]
本实施例1提供了一种半监督度量方法，具体为：随机选择部分样本交由专家进行标记工作，将专家标记过的有标签样本放入度量学习模型中，依据度量学习方法，可以获得一个表现特征关系的度量矩阵a。将度量矩阵和标签样本，通过nn的策略评价余下未标记样本。选择出一批对于模型不能区分的运行场景，再交由专家标记放入有标签样本集合中，重新学习度量矩阵。重复以上工作，直到模型可以成功区分所有样本。
[0055]
其中度量矩阵学习的公式为：
[0056][0057]
s.t.a,t
l
≥1-ξ
l
[0058][0059]
其中a表示目标度量矩阵，ξ表示松弛变量，c表示间隔损失与正则化惩罚项之间的权衡参数。t表示运行场景三元组约束t＝(x1,x2,x3)，其中x1与x2是相似运行场景，x1与x3是不相似运行场景。
[0060]
为了求解度量矩阵，我们引入拉格朗日余项后将上述公式转化为：
[0061][0062]
其中，α和β是拉格朗日乘项，且满足条件α
l
≥0,β
l
≥0，为了求出最小值，令上述公式对a和ξ的偏导数为0：
[0063][0064][0065]
其中e代表单位矩阵。根据上述公式我们可以得到度量矩阵a的计算公式为：
[0066][0067]
其中模型不能区分的运行场景实例说明，对于特定运行场景x
t
，使用不同策略的nn进行评价，例如本实例中使用1nn，3nn，5nn三种策略评价，则样本对应的评价结果可能为以下三种情况：
[0068]
1.三者各不相同，则运行场景的不能区分度为3；
[0069]
2.其中两个相同，则运行场景的不能区分度为2；
[0070]
3.三者全部相同，则运行场景的不能区分度为1；
[0071]
选择出不能区分度最大的一批样本交给专家标记并放入半监督度量学习方法重新训练模型，直到余下无标记的运行场景不能区分度评价均为1。
[0072]
实施例2
[0073]
在实施例1的基础上，本实施例2还提供一种动态调整度量矩阵方法，包括：针对新增的气象特征和运行数据，利用实施例1中计算的度量矩阵即评价策略，评价新增场景运行数据。选择出不能区分度最大的一批样本交给专家标注并动态调整度量学习矩阵。
[0074]
对于新选择出的运行场景子集，依据实施例1中的原则构建对应的三元组tc。根据动态调整度量学习算法，不经过重新训练模型，计算出tc对应的αc。则动态调整后的度量矩阵a
′
可以表达为：
[0075][0076]
实施例3
[0077]
在实施例2的基础上，本实施例3提供一种基于气象特征和运行特征的终端区运行场景相似识别方法，包括：通过计算的度量矩阵，使用1nn的策略依据度量距离展现出样本相似度量的方法。
[0078]
通过上一步计算的度量矩阵，样本间距离可以表示为：
[0079][0080]
即，样本之间的相似度量可以转化为：
[0081][0082]
其中，d(x,y)表示样本x和样本y之间的度量距离，s(x,y)表示样本x和样本y之间的相似程度。特别指出，s取值越大，样本的相似程度越高。依据nn 的策略，可以选择与观测场景相似程度最高的n个运行场景。
[0083]
综上所述，本发明根据终端区运行特点及气象情况，建立终端区运行特征体系和气象特征体系；结合终端区运行特征体系和气象特征体系，引入专家意见，计算出相应的终端区相似场景识别的度量矩阵；随着终端区实际运行，新数据引入后的动态调整度量矩阵；通过结合度量矩阵，使用nn策略依据样本距离反应运行场景相似度量；对于度量的结果，利用运行性能指标评价体系对场景策略及运行性能进行评价。
[0084]
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0085]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.半监督度量、调整度量矩阵和终端区运行场景识别方法，其特征在于,包括以下步骤：s1、根据终端区运行特点及气象情况，建立终端区运行特征体系和气象特征体系；s2、结合终端区运行特征体系和气象特征体系，引入专家意见，计算出相应的终端区相似场景识别的度量矩阵；s3、终端区实际运行时，新数据引入后的动态调整度量矩阵；s4、结合度量矩阵，并使用nn策略依据样本距离反应运行场景相似度量；s5、根据s4中运行场景相似度量的结果，利用运行性能指标评价体系对场景策略及运行性能进行评价，得出识别结果。2.根据权利要求1所述的半监督度量、调整度量矩阵和终端区运行场景识别方法，其特征在于,步骤s1中，终端区运行特征体系包括：起始时刻延误指标和跑道配置数据指标；所述起始时刻延误指标通过flylog数据和flightplan数据合并计算而得；所述跑道配置数据指标为：每30分钟间隔内，跑道南北向配置的相关记录；所述终端区气象特征体系包括：气象特征和浓见度特征；根据终端区运行特征体系反应终端区运行情况，结合对应时刻下终端区气象特征，获取终端区运行场景特征指标。3.根据权利要求1所述的半监督度量、调整度量矩阵和终端区运行场景识别方法，其特征在于,步骤s2中，相应的终端区相似场景识别的度量矩阵具体计算方法为：a、随机选择部分样本交由专家进行标记工作，将专家标记过的有标签样本放入度量学习模型中；b、依据度量学习方法，可以获得一个表现特征关系的度量矩阵；c、将度量矩阵和标签样本，通过nn的策略评价余下未标记样本；d、选择出一批对于模型不能区分的样本，再交由专家标记放入有标签样本集合中，重新学习度量矩阵；重复以上工作，直到模型可以成功区分所有样本。4.根据权利要求1所述的半监督度量、调整度量矩阵和终端区运行场景识别方法，其特征在于,步骤s3中，新数据引入后动态调整度量矩阵的方法为具体为：a随着运行数据的增加，主动选择无法表达的度量关系，引入专家意见，加入度量矩阵调整模型中；b依据动态调整度量矩阵方法，获得新的表现特征关系的度量矩阵；c将度量矩阵和标签样本，重新通过nn的策略评价场景相似度。5.根据权利要求1所述的半监督度量、调整度量矩阵和终端区运行场景识别方法，其特征在于,步骤s4中，使用nn的策略依据度量距离展现出样本相似度量的方法为：根据s3中得到的度量矩阵，样本间距离可以表示为：即，样本之间的相似度量可以转化为：
其中，d(x,y)表示样本x和样本y之间的度量距离，s(x,y)表示样本x和样本y之间的相似程度。6.根据权利要求5所述的半监督度量、调整度量矩阵和终端区运行场景识别方法，其特征在于,样本之间的相似度量s取值越大，样本的相似程度越高，依据nn的策略，可以选择与观测场景相似程度最高的n个运行。7.根据权利要求1所述的半监督度量、调整度量矩阵和终端区运行场景识别方法，其特征在于,步骤s5中，利用运行性能指标评价体系对场景策略及运行性能进行评价的方法中，终端区运行性能指标包括：流量特征、正常性特征和策略波及；所述流量特征包括：历史常态流量、历史相似平均流量、进离场航路点实际流量、进场航路点实际流量占需求流量比例和离场航路点实际流量占需求流量比例；所述正常性特征包括：进场延误、离场延误、取消航班数量、航班正常性、历史常态延误、历史相似延误和历史延误对比；所述策略波及包括：ctot符合率、cldt符合率、过点间隔限制有效性、策略波及航班量和策略关联延误。

技术总结
本发明涉及空中交通管制的终端区运行场景识别技术领域，且公开了半监督度量、调整度量矩阵和终端区运行场景识别方法，包括以下步骤：根据终端区运行特点及气象情况，建立终端区运行特征体系和气象特征体系；结合终端区运行特征体系和气象特征体系，引入专家意见，计算出相应的终端区相似场景识别的度量矩阵；终端区实际运行时，新数据引入后的动态调整度量矩阵；结合度量矩阵，并使用NN策略依据样本距离反应运行场景相似度量；根据上一步中运行场景相似度量的结果，利用运行性能指标评价体系对场景策略及运行性能进行评价，得出识别结果。本发明能够降低信息冗余和特征维度，正确识别场景，提升管制效率，进而提升航班运行效率。率。率。


技术研发人员：周龙 汤淼 卫晋军 唐仲民 刘文星
受保护的技术使用者：南京智慧航空研究院有限公司
技术研发日：2022.02.11
技术公布日：2022/5/25