论文部分内容阅读
摘 要：空中交通拥挤的识别是一个需要深入研究的问题。结合国内空中交通拥挤情况日益严重的现状，在参照道路交通拥挤识别方法的研究基理论上，加入空中交通的特性，构建了基于终端区的空中交通拥挤识别体系，其中通过对衡量指标的分析，在此基础上引入飞行延误时间和管制员工作负荷两个新的指标，之后依据拥挤指标对拥挤态势进行了等级划分，通过构建BP神经网络模型对终端区空中交通拥挤态势进行快速、准确的初步识别，为空中交通安全评估和管理决策提供依据。
关键词：终端区；空中交通；拥挤；判别指标；BP神经网络
一、研究背景及意义
近年来，伴随着我国经济实力的快速提升，民用航空空中交通迅猛发展，与之而来的是在空域资源有限的条件下，日益增多的空中交通需求与空域容量开放的不平衡，从而导致了空中交通拥挤现象的日益严重。空中交通拥挤已经导致了一系列严重的交通问题，如：飞行间隔降低，飞行安全性下降；拥挤造成燃油消耗增加，飞行时间和航班延误增大，降低航空公司经济效益；飞行冲突增加、管制调配难度加大，增加管制员负荷，导致运行效率低下；飞行器污染物排放增多，加剧对环境的污染程度等。这些问题已经成为空中交通进一步发展的一大桎梏，成为我们当下亟待解决的一大难题。
二、空中交通拥挤特性分析
空中交通拥挤主要表现在两个方面，一方面是交通量过大，另一方面是则是交通情况复杂。
要研究空中交通拥挤特性，就要建立相应的拥挤等级。结合道面拥挤评估及前人对空中交通拥挤的评估方法，基于交通流的不同状态，可以将空中交通分为畅通、稳定、轻微拥挤、拥挤等四个等级。
（1）畅通状态
空中交通畅通是指航路上飞机很少，交通流量较小，飞行间隔较大，飞行速度可以保持在较大或正常的水平，
（2）稳定状态
空域内飞机数量增加，飞行间隔有所减少，飞机之间出现一定的跟驰现象，但是交通秩序依旧良好，交通复杂性较低，
（3）轻微拥挤状态
飞机之间的跟驰现象加强，交通流存在不稳定性，当出现干扰时，部分飞机受到影响，会进行降速、调高、改变航向或机动盘旋等待等措施。
（4）拥挤状态
飞机之间出现了明显的跟驰现象，飞机流波动较大，容易受到外界因素的干扰，造成大量飞机的机动飞行甚至滞留，飞机密度很大，飞行情况复杂，飞行冲突增加，交通效率很低。
三、基于BP神经网络的终端区交通拥挤评价体系
（一）拥挤指标选取
本章采用飞行延误、管制员工作负荷以及饱和度来作为终端区的拥挤评价參数指标。而对于一个终端区而言，它的容量是一定的，因此可以将饱和度简化为交通量参数。
（1）管制员工作负荷
该指标能在一定程度上反应航空器在空域内的飞行复杂特征。在其他条件一定的情况下，管制员管制频率越大，管制工作负荷越大，表明飞行秩序越差，飞机之间存在许多冲突，而这一对应时间内的空中交通拥挤情况越严重。
（2）交通量
交通量指的是某时间内进入某一终端区的飞行器的总数量，可以从宏观角度反映出终端区一定时间内的航班规模，即交通流的密集程度。一定条件下，交通量变大，航路内的不稳定因素也会随之增大，空域交通环境越复杂，可调控的空间范围越小，越容易引发空中交通拥挤问题。而反之，交通量越小，航路相对稳定，可调控范围越大，航路发生拥挤的可能性也会降低。其计算公式如下：
Q=N/T
其中Q为单位时间内空域的交通量；N为一段时间内进入的航空器数量；T为观测时间。
（3）飞行延误
飞行延误能反映出飞机的局部冲突情况。在一定条件下，飞行延误越大，需要飞机做出的机动就越多，局部空域的空中交通越复杂。假设所有的飞机类型相同，速度一定，不受风向风速等条件影响，通过观测飞机从某一位置报告点飞往另一位置报告点的时间来统计飞行延误。
（二）终端区BP神经网络的建立
本文采用交通量（饱和度）、管制员工作负荷以及飞行延误三个飞行参数作为拥挤衡量指标，所以输入层节点数为3；输出的结果应当是拥挤等级，拥挤等级我们分为1-4，所以输出层节点数为1。
一般来说，三层网络隐层神经元的数量p与输入层的神经元数量n，输出层m之间存在着近似的数学关系： 。
因此，可大致判断所设计的神经网络的隐层神经元数量为7。但是隐层神经元数量不是一个定值，需要不断的调整以适应实际训练的验证，直到达到学习训练的最佳效果
基于灰色聚类方法来判断空中交通拥挤等级，以此获取可以用于BP神经网络训练的样本数据。
四、终端区空中交通拥挤识别
（一）数据处理
表4.1列出20组华东管制区某一终端区的雷达显示数据，每3min一组，包括模型中所涉及的交通量、飞行延误以及管制员工作负荷等重要参数指标。
通过对终端区大量数据进行分析，并参考相关资料文献，确定各聚类指标的分类标准，如表4.2所示。
根据白化权函数得出灰色聚类系数，得到拥挤识别结果
（二）计算结果
用灰色聚类将数据进行处理，将得到的聚类数据结果作为BP神经网络模型的样本数据，以归一化后的交通量、飞行延误及管制员工作负荷为三个输入量，以灰色聚类判别的拥挤等级为输出量，代入构建的BP神经网络中进行训练，其训练结果如下：
数值1-4分别对应了空中交通的四个拥挤等级，即畅通、稳定、轻微拥挤、拥挤。从图表可以看出输出值与样本数据的变化趋势一致，除了个别数据外，判别等级大致相同，其中图显示了误差的变化情况，从中我们能直观的看出判别不一致的情况。经统计，图中共288组数据，其中26组数据出现较大误差，262组数据吻合，判别准确度高达到91%，能够比较快速准确的进行拥挤态势的初步判别。
五、总结展望
空中交通拥挤识别是一个庞大复杂的研究课题，前人虽然已经做了许多研究努力，但是现实中的拥挤问题依旧存在且越演越烈，需要我们不断地加以研究、完善。本文存在以下几点不足：
（1）适用范围小，只涉及终端区的空中交通拥挤识别，没有考虑其他飞行阶段的拥挤情况。不同的飞行阶段其飞行特征不同，空中交通拥挤影响因素也是不同的。
（2）本文的研究都是建立在理想的气象条件及飞行条件下的，没有考虑突发因素对空中交通拥挤造成的影响，即突发性交通拥挤。
（3）衡量指标虽然改善，但是仍然不能将拥挤带来的影响表征到每一架航空器上，决策管理需要整体调剂，而不能简便调节以改善飞行环境。因此，需要更多的衡量指标来丰富空中交通拥挤识别体系，使其更加具化。
（4）由于无法获取大量的真实空中交通数据，本文的算例分析只采用了一百多组数据，虽然在这些数据的表现来看模型的准确性很高，但是仍需要大量数据的验证支撑。
（5）空中交通拥挤管理除了受到拥挤本身的影响，还受到人的选择行为的影响。空中交通拥挤不仅是流量与容量之间的平衡问题，也是航空公司与交通管制部门的平衡问题，是飞行效益最大化与交通环境最优化之间的平衡问题。因此，不同的目标对决策也有很大的影响。
空中交通拥挤问题是一个长期的、复杂的系统工程性问题，需要运用不同的学科交叉完善，以新的思路、新的方法来对其进行探究，为空中交通管理提供强大的理论依据和方法支撑，以此来丰富、完善空中交通拥挤理论体系。
作者简介：
路佳文，出生年月：1994.03，性别：男，民族：汉，籍贯（精确到市）：山西省晋城市.
关键词：终端区；空中交通；拥挤；判别指标；BP神经网络
一、研究背景及意义
近年来，伴随着我国经济实力的快速提升，民用航空空中交通迅猛发展，与之而来的是在空域资源有限的条件下，日益增多的空中交通需求与空域容量开放的不平衡，从而导致了空中交通拥挤现象的日益严重。空中交通拥挤已经导致了一系列严重的交通问题，如：飞行间隔降低，飞行安全性下降；拥挤造成燃油消耗增加，飞行时间和航班延误增大，降低航空公司经济效益；飞行冲突增加、管制调配难度加大，增加管制员负荷，导致运行效率低下；飞行器污染物排放增多，加剧对环境的污染程度等。这些问题已经成为空中交通进一步发展的一大桎梏，成为我们当下亟待解决的一大难题。
二、空中交通拥挤特性分析
空中交通拥挤主要表现在两个方面，一方面是交通量过大，另一方面是则是交通情况复杂。
要研究空中交通拥挤特性，就要建立相应的拥挤等级。结合道面拥挤评估及前人对空中交通拥挤的评估方法，基于交通流的不同状态，可以将空中交通分为畅通、稳定、轻微拥挤、拥挤等四个等级。
（1）畅通状态
空中交通畅通是指航路上飞机很少，交通流量较小，飞行间隔较大，飞行速度可以保持在较大或正常的水平，
（2）稳定状态
空域内飞机数量增加，飞行间隔有所减少，飞机之间出现一定的跟驰现象，但是交通秩序依旧良好，交通复杂性较低，
（3）轻微拥挤状态
飞机之间的跟驰现象加强，交通流存在不稳定性，当出现干扰时，部分飞机受到影响，会进行降速、调高、改变航向或机动盘旋等待等措施。
（4）拥挤状态
飞机之间出现了明显的跟驰现象，飞机流波动较大，容易受到外界因素的干扰，造成大量飞机的机动飞行甚至滞留，飞机密度很大，飞行情况复杂，飞行冲突增加，交通效率很低。
三、基于BP神经网络的终端区交通拥挤评价体系
（一）拥挤指标选取
本章采用飞行延误、管制员工作负荷以及饱和度来作为终端区的拥挤评价參数指标。而对于一个终端区而言，它的容量是一定的，因此可以将饱和度简化为交通量参数。
（1）管制员工作负荷
该指标能在一定程度上反应航空器在空域内的飞行复杂特征。在其他条件一定的情况下，管制员管制频率越大，管制工作负荷越大，表明飞行秩序越差，飞机之间存在许多冲突，而这一对应时间内的空中交通拥挤情况越严重。
（2）交通量
交通量指的是某时间内进入某一终端区的飞行器的总数量，可以从宏观角度反映出终端区一定时间内的航班规模，即交通流的密集程度。一定条件下，交通量变大，航路内的不稳定因素也会随之增大，空域交通环境越复杂，可调控的空间范围越小，越容易引发空中交通拥挤问题。而反之，交通量越小，航路相对稳定，可调控范围越大，航路发生拥挤的可能性也会降低。其计算公式如下：
Q=N/T
其中Q为单位时间内空域的交通量；N为一段时间内进入的航空器数量；T为观测时间。
（3）飞行延误
飞行延误能反映出飞机的局部冲突情况。在一定条件下，飞行延误越大，需要飞机做出的机动就越多，局部空域的空中交通越复杂。假设所有的飞机类型相同，速度一定，不受风向风速等条件影响，通过观测飞机从某一位置报告点飞往另一位置报告点的时间来统计飞行延误。
（二）终端区BP神经网络的建立
本文采用交通量（饱和度）、管制员工作负荷以及飞行延误三个飞行参数作为拥挤衡量指标，所以输入层节点数为3；输出的结果应当是拥挤等级，拥挤等级我们分为1-4，所以输出层节点数为1。
一般来说，三层网络隐层神经元的数量p与输入层的神经元数量n，输出层m之间存在着近似的数学关系： 。
因此，可大致判断所设计的神经网络的隐层神经元数量为7。但是隐层神经元数量不是一个定值，需要不断的调整以适应实际训练的验证，直到达到学习训练的最佳效果
基于灰色聚类方法来判断空中交通拥挤等级，以此获取可以用于BP神经网络训练的样本数据。
四、终端区空中交通拥挤识别
（一）数据处理
表4.1列出20组华东管制区某一终端区的雷达显示数据，每3min一组，包括模型中所涉及的交通量、飞行延误以及管制员工作负荷等重要参数指标。
通过对终端区大量数据进行分析，并参考相关资料文献，确定各聚类指标的分类标准，如表4.2所示。
根据白化权函数得出灰色聚类系数，得到拥挤识别结果
（二）计算结果
用灰色聚类将数据进行处理，将得到的聚类数据结果作为BP神经网络模型的样本数据，以归一化后的交通量、飞行延误及管制员工作负荷为三个输入量，以灰色聚类判别的拥挤等级为输出量，代入构建的BP神经网络中进行训练，其训练结果如下：
数值1-4分别对应了空中交通的四个拥挤等级，即畅通、稳定、轻微拥挤、拥挤。从图表可以看出输出值与样本数据的变化趋势一致，除了个别数据外，判别等级大致相同，其中图显示了误差的变化情况，从中我们能直观的看出判别不一致的情况。经统计，图中共288组数据，其中26组数据出现较大误差，262组数据吻合，判别准确度高达到91%，能够比较快速准确的进行拥挤态势的初步判别。
五、总结展望
空中交通拥挤识别是一个庞大复杂的研究课题，前人虽然已经做了许多研究努力，但是现实中的拥挤问题依旧存在且越演越烈，需要我们不断地加以研究、完善。本文存在以下几点不足：
（1）适用范围小，只涉及终端区的空中交通拥挤识别，没有考虑其他飞行阶段的拥挤情况。不同的飞行阶段其飞行特征不同，空中交通拥挤影响因素也是不同的。
（2）本文的研究都是建立在理想的气象条件及飞行条件下的，没有考虑突发因素对空中交通拥挤造成的影响，即突发性交通拥挤。
（3）衡量指标虽然改善，但是仍然不能将拥挤带来的影响表征到每一架航空器上，决策管理需要整体调剂，而不能简便调节以改善飞行环境。因此，需要更多的衡量指标来丰富空中交通拥挤识别体系，使其更加具化。
（4）由于无法获取大量的真实空中交通数据，本文的算例分析只采用了一百多组数据，虽然在这些数据的表现来看模型的准确性很高，但是仍需要大量数据的验证支撑。
（5）空中交通拥挤管理除了受到拥挤本身的影响，还受到人的选择行为的影响。空中交通拥挤不仅是流量与容量之间的平衡问题，也是航空公司与交通管制部门的平衡问题，是飞行效益最大化与交通环境最优化之间的平衡问题。因此，不同的目标对决策也有很大的影响。
空中交通拥挤问题是一个长期的、复杂的系统工程性问题，需要运用不同的学科交叉完善，以新的思路、新的方法来对其进行探究，为空中交通管理提供强大的理论依据和方法支撑，以此来丰富、完善空中交通拥挤理论体系。
作者简介：
路佳文，出生年月：1994.03，性别：男，民族：汉，籍贯（精确到市）：山西省晋城市.