基于机器学习的航空器场面推出时刻决策研究
发布时间：2021-11-13 15:38
通过粗放式预估离场航空器滑行时间来决策推出时刻的放行方式,会导致场面运行不畅和跑道利用率降低,因此亟待提出一种精确的滑行时间预测方法。离场航空器的滑行时间受到多种外部因素的影响,传统的预测方法在数据量不断增加的大环境下已经不再适用。基于机器学习的方法能从历史数据中挖掘规律并预测场面未来一段时间的运行情况,精确地预测出离场航空器的滑行时间,最终为推出时刻的决策提供技术支持。论文的主要研究内容及成果如下:（1）基于K近邻法构建了滑行路径预测模型;为了提高搜索效率,提出了一种基于KD树的搜索改进算法,在此基础上设计了基于搜索改进K近邻的航空器滑行路径预测算法;采用浦东机场的实例数据进行了验证,结果表明:分类预测准确率可达97.87%;最后,通过预测出的滑行路径得到了每个航班的滑行距离。（2）针对传统朴素贝叶斯分类器因属性间独立性假设而造成预测不准确的问题,引入核密度估计方法,设计了一种基于联合概率密度函数估计的非朴素贝叶斯分类器;基于构建的特征变量集,建立了基于非朴素贝叶斯分类器的短时起飞航班数量预测模型;实验验证结果表明:误差范围?4架以内的预测准确率可达94.21%。（3）根据挖掘出的所...
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
交叉口简化过程图
图 3.3 浦东机场结构简化图为了完成航空器场面滑行路径的预测，需要对机场场面结构信息进行预处理。校准场监雷达数据的坐标中心，使它与机场场面 CAD 图形的坐标中心一致，完成机场数字拓扑数据和航空器坐标数据的基准点匹配。通过提取坐标，将场面 CAD 文件数据转换成节点坐标信息，然后输入到 Matlab 矩阵数据，为之后的预测作铺垫。2、组件编码在此基础上，对机场数据拓扑图上的各个关键组件进行编码，并提取各个组件上的节点。本文为了提高 KNN 算法的分类精度，均匀在各组件内部提取节点坐标数据，保证每个组件提取的节点个数不少于 100 个，并归为一类组件的坐标信息，完成机场场面各组件的坐标提取。考虑到组件交叉口分类精度可能会下降，本文增加组件交叉口节点坐标的提取数量来保证分类准确率。机场场面组件编码流程图如图 3.4 所示。
（a）k 近邻法原理图 （b）特征空间的划分图 3.5 K 近邻法示意图根据上述原理，可以提出 K 近邻算法，具体如下：输入：训练数据集，即场面上各组件的坐标值信息和标签信息，如下式（3-2）所示。 1 1 2 2, , , , , ,N NT x y x y x y（3-2）式中，nix R为实例的特征向量，即组件上所取点的 X ， Y 坐标值信息， 1 2, , ,i Ky c c c为实例的类别，即各组件的标签值， i 1,2, ,N；输出：实例 x所属的类别 y ，即待测航班航迹坐标点的标签值。（1）基于给出的度量标准（距离），在训练集 T 中找出与 x最邻近的k 个点，涵盖这k 个点的 x的邻域记作 kN x ；（2）在 kN x 中根据分类决策规则决定 x 所属的类 y ，如下式（3-3）所示。 arg max , 1,2, ; 1,2, ,ji ki jcx N xy I y c i N j K （3-3）式（3-3）中，I 表示指示函数，当y c时 I 等于 1，否则 I 等于 0。
【参考文献】：
期刊论文
[1]基于排队论的航班滑出时间预测[J]. 冯霞,孟金双. 南京航空航天大学学报. 2016(05)
[2]繁忙机场机位分配的混合集合规划方法[J]. 王岩华,朱金福,朱博,唐小卫. 武汉理工大学学报(信息与管理工程版). 2015(04)
[3]基于协同决策的多航站楼停机位实时分配算法[J]. 刘君强,张马兰,陈鹏超,谢吉伟,左洪福. 南京航空航天大学学报. 2015(01)
[4]基于K最近邻算法的高速公路短时行程时间预测[J]. 王翔,陈小鸿,杨祥妹. 中国公路学报. 2015(01)
[5]贝叶斯机器学习前沿进展综述[J]. 朱军,胡文波. 计算机研究与发展. 2015(01)
[6]基于词频信息的改进信息增益文本特征选择算法[J]. 石慧,贾代平,苗培. 计算机应用. 2014(11)
[7]基于旅客步行距离的停机位均衡优化指派建模[J]. 曾琳燕,姜雨,罗宇骁. 武汉理工大学学报(交通科学与工程版). 2014(04)
[8]基于滚动时域算法的航班滑行路径优化模型[J]. 冯程,胡明华,丛玮. 航空计算技术. 2014(04)
[9]机场停机位实时分配研究[J]. 乐美龙,檀财茂. 科学技术与工程. 2014(13)
[10]航空器推出决策的优化研究[J]. 杨双双,朱华庆. 武汉理工大学学报(交通科学与工程版). 2014(01)
博士论文
[1]基于核密度估计的光谱数据分类与回归方法研究[D]. 何玉林.河北大学 2014
硕士论文
[1]高速路口收费站短时车流量预测研究[D]. 赵倩芸.华南理工大学 2018
[2]基于监视数据的航空器场面滑行分析及预测研究[D]. 吕弘哲.中国民航大学 2016
本文编号：3493274
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
交叉口简化过程图
图 3.3 浦东机场结构简化图为了完成航空器场面滑行路径的预测，需要对机场场面结构信息进行预处理。校准场监雷达数据的坐标中心，使它与机场场面 CAD 图形的坐标中心一致，完成机场数字拓扑数据和航空器坐标数据的基准点匹配。通过提取坐标，将场面 CAD 文件数据转换成节点坐标信息，然后输入到 Matlab 矩阵数据，为之后的预测作铺垫。2、组件编码在此基础上，对机场数据拓扑图上的各个关键组件进行编码，并提取各个组件上的节点。本文为了提高 KNN 算法的分类精度，均匀在各组件内部提取节点坐标数据，保证每个组件提取的节点个数不少于 100 个，并归为一类组件的坐标信息，完成机场场面各组件的坐标提取。考虑到组件交叉口分类精度可能会下降，本文增加组件交叉口节点坐标的提取数量来保证分类准确率。机场场面组件编码流程图如图 3.4 所示。
（a）k 近邻法原理图 （b）特征空间的划分图 3.5 K 近邻法示意图根据上述原理，可以提出 K 近邻算法，具体如下：输入：训练数据集，即场面上各组件的坐标值信息和标签信息，如下式（3-2）所示。 1 1 2 2, , , , , ,N NT x y x y x y（3-2）式中，nix R为实例的特征向量，即组件上所取点的 X ， Y 坐标值信息， 1 2, , ,i Ky c c c为实例的类别，即各组件的标签值， i 1,2, ,N；输出：实例 x所属的类别 y ，即待测航班航迹坐标点的标签值。（1）基于给出的度量标准（距离），在训练集 T 中找出与 x最邻近的k 个点，涵盖这k 个点的 x的邻域记作 kN x ；（2）在 kN x 中根据分类决策规则决定 x 所属的类 y ，如下式（3-3）所示。 arg max , 1,2, ; 1,2, ,ji ki jcx N xy I y c i N j K （3-3）式（3-3）中，I 表示指示函数，当y c时 I 等于 1，否则 I 等于 0。
【参考文献】：
期刊论文
[1]基于排队论的航班滑出时间预测[J]. 冯霞,孟金双. 南京航空航天大学学报. 2016(05)
[2]繁忙机场机位分配的混合集合规划方法[J]. 王岩华,朱金福,朱博,唐小卫. 武汉理工大学学报(信息与管理工程版). 2015(04)
[3]基于协同决策的多航站楼停机位实时分配算法[J]. 刘君强,张马兰,陈鹏超,谢吉伟,左洪福. 南京航空航天大学学报. 2015(01)
[4]基于K最近邻算法的高速公路短时行程时间预测[J]. 王翔,陈小鸿,杨祥妹. 中国公路学报. 2015(01)
[5]贝叶斯机器学习前沿进展综述[J]. 朱军,胡文波. 计算机研究与发展. 2015(01)
[6]基于词频信息的改进信息增益文本特征选择算法[J]. 石慧,贾代平,苗培. 计算机应用. 2014(11)
[7]基于旅客步行距离的停机位均衡优化指派建模[J]. 曾琳燕,姜雨,罗宇骁. 武汉理工大学学报(交通科学与工程版). 2014(04)
[8]基于滚动时域算法的航班滑行路径优化模型[J]. 冯程,胡明华,丛玮. 航空计算技术. 2014(04)
[9]机场停机位实时分配研究[J]. 乐美龙,檀财茂. 科学技术与工程. 2014(13)
[10]航空器推出决策的优化研究[J]. 杨双双,朱华庆. 武汉理工大学学报(交通科学与工程版). 2014(01)
博士论文
[1]基于核密度估计的光谱数据分类与回归方法研究[D]. 何玉林.河北大学 2014
硕士论文
[1]高速路口收费站短时车流量预测研究[D]. 赵倩芸.华南理工大学 2018
[2]基于监视数据的航空器场面滑行分析及预测研究[D]. 吕弘哲.中国民航大学 2016
本文编号：3493274
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3493274.html
