广西师范大学学报（自然科学版） ›› 2015, Vol. 33 ›› Issue (4): 14-19.doi: 10.16088/j.issn.1001-6600.2015.04.003

• • 上一篇    下一篇

基于L-M神经网络的空中交通复杂度评价方法研究

刘昕, 卢炯, 王建忠   

  1. 中国民航大学空中交通管理学院,天津300300
  • 收稿日期:2015-05-25 出版日期:2015-12-25 发布日期:2018-09-21
  • 通讯作者: 刘昕(1978－),男,山西临汾人,中国民航大学讲师。E-mail: liuxincauc@163.com
  • 基金资助:
    国家自然科学基金资助项目(U1333108);中央高校基本科研业务费(3122013C001,3122014C023)

Evaluation Methods of Air Traffic Complexity Based on L-M Neural Network

LIU Xin, LU Jiong, WANG Jian-zhong   

  1. School of Air Traffic Management, Civil Aviation University of China, Tianjin 300300, China
  • Received:2015-05-25 Online:2015-12-25 Published:2018-09-21

PDF (PC)

259

摘要： 随着空中交通流量的不断增长,航班延误日趋严重,迫切需要在保持安全水平的前提下提高空中交通管理能力。针对这一问题,本文在给定的空域条件下,从交通流、飞行活动特征和冲突三方面提出空中交通复杂度的评价指标,并考虑了管制员工作负荷的因素。以进入扇区的流量、改变高度的航空器比例、航空器速度改变次数、航空器航向改变次数、航空器通过扇区的平均时间和冲突数量作为空中交通复杂度的参数,利用L-M神经网络算法建立空中交通复杂度评价方法的数学模型。通过一个具体的数值算例,对比了L-M算法与传统BP神经网络算法的计算结果,实验结果表明所提方法具有较高的逼近精度,验证了所提出方法的有效性和可行性。

关键词: 空中交通管理, 复杂度, 神经网络, 工作负荷

Abstract: Along with a steady increase in air traffic flow and increasingly severe flight delays, improvement in air traffic management capability is urgently needed on the precondition of maintaining the level of safety. To this end, an evaluation index of air traffic complexity, from three aspects of air traffic flow, flight characteristics and flight conflicts, is proposed in this paper for a certain airspace with controller workload taken into consideration. With flow entering a sector, percentage of aircraft altering altitude, times of speed adjustment, times of changing direction, average time for transiting the sector and number of conflicts taken as the parameters for airspace complexity, a mathematical model for evaluating air traffic complexity is put forward based on L-M neural network algorithm. Through a specific example, the L-M algorithm is compared with traditional algorithm in terms of their calculation results. The results show that the proposed technique possesses a high degree of precision, and therefore, is effective and feasible.

Key words: air traffic management, complexity, neural network, controller workload

中图分类号: 

  • V355
[1] DAVIS C G, DANAHER J W,FISCHL M A. The influence of selected sector characteristics upon ARTCC controller activities FAA/BRD2301[R]. Arlington, VA: The Matrix Corporation, 1963.
[2] MASALONIS A J,CALLAHAM M B,WANKE C. Dynamic density and complexity metrics for real time traffic flow management [C]∥Proceedings of the 5th USA/Europe Air Traffic Management Research and Development Seminar. Hungary: Budapest, 2003.
[3] 张进, 胡明华,张晨.空中交通管理中的复杂性研究[J]. 航空学报, 2009, 30(11): 2132-2142.
[4] HASAN N, ROSSITER J A. Sustaining trajectory flexibility for air traffic complexity alleviation[J]. AIP Conference Proceedings, 2012, 1493: 451-458.
[5] DELAHAYE D, PUECHMOREL S, HANSMAN R J. Air traffic complexity map based on non linear dynamical systems [J]. Air Traffic Control Quarterly, 2004, 12 (4): 367-388.
[6] 叶博嘉, 胡明华,张晨. 基于交通结构的空中交通复杂性建模[J]. 交通运输系统工程与信息, 2012, 12(1): 166-172.
[7] KUCHAR J K,YANG L C.A review of conflict detection and resolution modeling method[J]. Intelligent Transportation Systems, 2000, 1(4) : 179-189.
[8] AMOR S B,DAC H T,BUI M. Investigating air traffic control dynamics using random cellular automata[C]∥5th EUROCONTROL Innovative Research Workshop Exhibition. France: Bretigny Sur Orge, 2006: 139-143.
[9] AMOR S B,DAC H T,BUI M. A percolation based model for ATC modeling and simulation[C]∥2006 International Conference on Research,Innovation and Vision of the Future. Piscataway, NJ: IEEE Press, 2006: 17-22.
[10] 梁曼,马兰,邹飞. 基于混合动态规划算法的进场航班排序[J]. 广西师范大学学报:自然科学版, 2014, 32(1): 44-50.
[11] 王秉淳. 基于空中交通复杂性的管制员工作负荷评估问题研究[D]. 南京:南京航空航天大学, 2008.
[12] WANG J. Analysis and design of k-winners-take-all model with a single state variable and Heaviside step activation function[J]. IEEE Transactions on Neural Networks, 2010, 21(9): 1496-1506.
[1] 王俊杰, 温雪岩, 徐克生, 于鸣. 基于局部敏感哈希的改进堆叠算法[J]. 广西师范大学学报（自然科学版）, 2020, 38(4): 21-31.
[2] 马玲, 罗晓曙, 蒋品群. 一种基于PNN的点阵喷码字符识别方法[J]. 广西师范大学学报（自然科学版）, 2020, 38(4): 32-41.
[3] 李雅岱, 韦笃取. 含磁场耦合忆阻神经网络放电行为研究[J]. 广西师范大学学报（自然科学版）, 2020, 38(3): 19-24.
[4] 严浩, 许洪波, 沈英汉, 程学旗. 开放式中文事件检测研究[J]. 广西师范大学学报（自然科学版）, 2020, 38(2): 64-71.
[5] 刘欣, 罗晓曙, 赵书林. 基于BP神经网络的三轴增稳云台自抗扰控制[J]. 广西师范大学学报（自然科学版）, 2020, 38(2): 115-120.
[6] 罗兰, 周楠, 司杰. 不确定细胞神经网络鲁棒稳定新的时滞划分法[J]. 广西师范大学学报（自然科学版）, 2019, 37(4): 45-52.
[7] 范瑞,蒋品群,曾上游,夏海英,廖志贤,李鹏. 多尺度并行融合的轻量级卷积神经网络设计[J]. 广西师范大学学报（自然科学版）, 2019, 37(3): 50-59.
[8] 许伦辉, 陈凯勋. 基于改进萤火虫算法优化BP神经网络的路网速度分布预测[J]. 广西师范大学学报（自然科学版）, 2019, 37(2): 1-8.
[9] 张金磊, 罗玉玲, 付强. 基于门控循环单元神经网络的金融时间序列预测[J]. 广西师范大学学报（自然科学版）, 2019, 37(2): 82-89.
[10] 黄丽明, 陈维政, 闫宏飞, 陈翀. 基于循环神经网络和深度学习的股票预测方法[J]. 广西师范大学学报（自然科学版）, 2019, 37(1): 13-22.
[11] 武文雅, 陈钰枫, 徐金安, 张玉洁. 基于高层语义注意力机制的中文实体关系抽取[J]. 广西师范大学学报（自然科学版）, 2019, 37(1): 32-41.
[12] 林原, 刘海峰, 林鸿飞, 许侃. 基于损失函数融合的组排序学习方法[J]. 广西师范大学学报（自然科学版）, 2019, 37(1): 62-70.
[13] 王祺, 邱家辉, 阮彤, 高大启, 高炬. 基于循环胶囊网络的临床语义关系识别研究[J]. 广西师范大学学报（自然科学版）, 2019, 37(1): 80-88.
[14] 薛洋,曾庆科,夏海英,王文涛. 基于卷积神经网络超分辨率重建的遥感图像融合[J]. 广西师范大学学报（自然科学版）, 2018, 36(2): 33-41.
[15] 万雷,罗玉玲,黄星月. 脉冲神经网络硬件系统性能监测平台[J]. 广西师范大学学报（自然科学版）, 2018, 36(1): 9-16.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
No Suggested Reading articles found!
版权所有 © 广西师范大学学报（自然科学版）编辑部
地址：广西桂林市三里店育才路15号　邮编：541004
电话：0773-5857325　E-mail: gxsdzkb@mailbox.gxnu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发