基于多维特征的航空器终端区异常轨迹识别研究

发布时间：2022-08-08 15:34

　　21世纪,我国民用航空运输业得到快速发展,随之带来的是航班流量的增长,不但加重管制员工作负担,还会引发危及飞行安全的隐患,所以对终端区航空器海量轨迹数据展开研究显得尤为重要。通过对终端区内海量轨迹数据挖掘分析,可发现其中隐含的异常轨迹信息,为研发高效的管制员辅助决策系统打下基础。本文采用数据挖掘技术中的聚类分析对基于多维特征的航空器终端区轨迹自动分类进行研究,在轨迹分类的基础上分别基于位置特征和运动特征两种方法实现对航空器异常轨迹的识别检测,两种方法相互对比;同时针对航空器异常研究多是集中在轨迹位置异常,提出对航空器垂直方向--爬升下降率的异常识别检测。本文首先确定研究终端区范围;采用兰伯特投影、线性插值和速度修正等方法完成对ADS-B轨迹数据的预处理;结合相关领域对异常轨迹定义给出本文对终端区航空器异常轨迹定义。针对欧氏距离轨迹相似性模型存在不足,对欧式距离相似性模型进行改进,构建基于位置特征（经度、纬度、高度）、航向和速度的多维特征轨迹相似性模型,并使用谱聚类完成对航空器轨迹自动分类的研究。在轨迹自动分类的基础上,提出航转角的概念,利用航转角确定特征轨迹,通过多元线性拟合方法结合航... 

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

船舶异常行为分类图

Hausdorff距离222

各特征散点相关矩阵图

【参考文献】：
期刊论文
[1]船舶异常行为的一致性检测算法[J]. 马文耀,吴兆麟,李伟峰.  交通运输工程学报. 2017(05)
[2]基于PCA聚类机场跑道利用率研究分析[J]. 靳辉辉,李楠.  航空计算技术. 2017(04)
[3]基于重采样的终端区飞行轨迹可信聚类方法[J]. 赵元棣,王超,李善梅,张召悦.  西南交通大学学报. 2017(04)
[4]基于小波聚类的终端区进场轨迹模式识别[J]. 王超,郑旭芳,卜宁.  计算机应用与软件. 2016(11)
[5]轨迹大数据异常检测:研究进展及系统框架[J]. 毛嘉莉,金澈清,章志刚,周傲英.  软件学报. 2017(01)
[6]基于多维航迹特征的异常行为检测方法[J]. 潘新龙,王海鹏,何友,熊伟,周伟.  航空学报. 2017(04)
[7]基于t分布随机邻域嵌入的阿尔茨海默症诊断模型[J]. 成超,杨晨晖.  厦门大学学报(自然科学版). 2017(01)
[8]基于随机森林和欠采样集成的垃圾网页检测[J]. 卢晓勇,陈木生.  计算机应用. 2016(03)
[9]基于统计学理论的船舶轨迹异常识别[J]. 甄荣,邵哲平,潘家财,赵强.  集美大学学报(自然科学版). 2015(03)
[10]基于轨迹多特征的运动模式学习及异常检测[J]. 汤春明,韩旭,浩欢飞,聂美玲.  计算机应用与软件. 2015(03)

博士论文
[1]基于运动特征的轨迹相似性度量研究[D]. 朱进.南京师范大学 2015

硕士论文
[1]基于雷达数据的航迹分析方法研究[D]. 彭勃.中国民航大学 2018
[2]基于监视数据的机动区航空器异常行为检测[D]. 刘朋.中国民航大学 2018
[3]基于监视数据的终端区航空器异常行为识别研究[D]. 邓人博.中国民航大学 2018
[4]基于关联分析的A商城订单研究[D]. 倪聪林.华东交通大学 2017
[5]交通监控视频中的车辆异常行为检测[D]. 宋耀.南京邮电大学 2015
[6]视频序列下的车辆轨迹异常行为识别[D]. 赵海.昆明理工大学 2014
[7]多机场终端区进场航班排序方法研究[D]. 张妍.南京航空航天大学 2014



本文编号：3671769