基于K-means的机场相似天气场景聚类识别分析

发布时间：2022-01-11 23:49

　　为了准确和高效地进行机场天气聚类识别,进而为民航系统在不同天气场景下做出正确决策提供参考和依据,首先,以2018年北京首都国际机场的天气数据为研究目标进行解析量化,得到能见度、云底高、侧风风速、雷暴、降雨和降雪6个维度的天气变量;然后,运用K均值聚类（K-means）算法对天气情况进行聚类识别,识别出7种天气场景;最后,分析了不同天气场景的主要特征及其分布,并结合实际运行情况进行了验证。验证结果表明,该算法能够有效识别机场相似天气场景,具有实用性。 

【文章来源】：指挥信息系统与技术. 2020,11(05)

【文章页数】：6 页

【部分图文】：

误差平方和与轮廓系数曲线图

雷暴天气是影响航班正常运行的恶劣天气现象，会导致航班延误甚至威胁飞行安全。与雷暴相关的天气场景为场景5和场景6，共64条天气数据。2018年北京首都国际机场初雷发生于4月，末次雷暴发生于10月，发生雷暴的天数（雷暴日）为31 d。2018年北京首都国际机场雷暴持续时间如图3所示,雷暴日平均持续时间为67 min，持续时间主要集中在30 min内的短时雷暴，仅有9 d雷暴持续时间超过了均值。其中,7月16日、7月17日、7月25日、8月8日和8月12日雷暴持续时间较长。2018年北京首都国际机场雷暴时刻分布图如图4所示，可见，雷暴持续时间长且强度较大的是7月16日、7月17日和8月8日。其中，2018年7月16—17日，发生了北京“7·16暴雨”事件，受其影响首都国际机场启动航班延误红色预警，航班出现大面积延误和取消。图4 2018年北京首都国际机场雷暴时刻分布图

2018年北京首都国际机场雷暴时刻分布图

【参考文献】：
期刊论文
[1]基于复杂网络的恶劣天气对航班延误影响的研究[J]. 尉炜,邵荃,向红奕,姜轲.  航空计算技术. 2018(02)
[2]天气影响下的空中交通系统容量评估综述[J]. 刘璐.  航空计算技术. 2017(04)
[3]基于SOM网络的机场天气聚类分析[J]. 许逸凡,李杰,魏义涛.  数学的实践与认识. 2016(17)

博士论文
[1]天气影响的机场容量与延误评估研究[D]. 张静.南京航空航天大学 2012

硕士论文
[1]基于天气的机场高峰服务率预测[D]. 陈思.南京航空航天大学 2019
[2]恶劣天气对航班延误影响的初步量化研究[D]. 王时敏.南京航空航天大学 2017
[3]天气条件下终端容量评估相关技术研究[D]. 闪乐.南京航空航天大学 2014



本文编号：3583682