基于多层次灰色评价的空域安全宏观分析

随着空中交通流量的日益增长,保障我国空域安全越发重要,而空域安全评价方法在我国尚处于探索研究阶段。本文建立空域安全宏观评价指标体系,采用多层次灰色评价方法对空域安全系统进行分析。本文为国家空域安全评价提供基本方法和理论基础,具有较好的社会效益。     

基于LSTM的航班过点时间预测

为了提高空管流量管理效率,在飞行计划阶段,精确推测航空器预计过点时间,提出了基于长短时记忆网络(Long Short-Term Memory,LSTM)的航班过点时间预测方法。通过关联航班飞行计划与实际雷达数据,根据计划数据航路点与实际过点时间信息构建了预测模型。将模型预测结果与真实航班过点时间进行对比,将预测过点时间与实际过点时间的绝对值误差作为评价标准,结果表明,基于LSTM的航班过点时间预测模型误差更小,以国内航班CCA4439为例,LSTM模型精度更高,可以将航班的过点时间误差控制在30s以内。     

基于GMM的航班轨迹预测算法研究

航班轨迹预测是空中交通管理与仿真技术的基础。针对现有预测方法预测精度和稳定性不足的问题,提出了一种基于历史雷达数据和机器学习方法的轨迹预测算法。算法首先基于概率统计模型(高斯混合模型)对航班运行过程中的相邻时刻的相对位置偏移量进行建模;随后,以该航班的历史飞行轨迹为训练数据采用期望最大化的机器学习算法优化模型参数。概率统计模型学习真实运行环境下同一航班的飞机运动模式,能更准确地描述航班在飞行过程的随机性。在已学习到概率统计模型的基础上,采用序贯蒙特卡洛思想采样航班各时刻的相对位置偏移向量序列。针对特定的航班轨迹预测,使用起飞机场的跑道位置和标高信息与预测的航班位置偏移量预测航班在各个更新时刻的位置信息并形成最终的航班轨迹。算法中预设模型参数更新机制,包含预测误差超过阈值、定时和手动更新。将提出的算法运用在某大型空中交通流量管理系统中,大量真实历史数据实验表明:与传统的运动学方法和回归模型相比,本文算法能得到更加准确和平稳的航班轨迹预测结果。     

智能化空管技术研究与展望

航空运输业在世界经济和社会发展中发挥着重要的推动作用。国际民用航空组织统计显示全球空中交通量大约每15年增加一倍,因此,现有空中交通航行系统的运行能力已经接近饱和。现有的空管自动化系统能自动获取和处理空管信息,经过监视数据融合、飞行数据处理、气象及航行情报处理、告警处理等形成空管综合态势,以供管制员指挥使用,但其仅具备有限的决策支持能力,空管智能化程度较低,不能较好地适应未来空管发展的需要。为了适应未来航空业的快速发展,解决空中交通安全、空域拥挤、航班延误等问题,各国致力于开展解决未来空中交通问题的新技术研究。欧盟在2004年提出"单一欧洲天空空中交通管理研究",拟重新规划欧洲空域以满足空中交通需求,提高空管系统效能,该研究的关键技术涵盖空中交通管理的4个关键领域:高效的机场运行、高级空中交通服务、优化的空中交通网络服务和可靠的空管基础设施。美国在2005年提出了"下一代航空运输系统",其核心技术包括广播式自动相关监视、数据通信、航路自动化系统现代化、终端自动化系统现代化更新、NAS语音系统和系统广域信息管理。2012年,ICAO推出了航空系统组块升级(ASBU)计划,以运行改进为核心,以现有空管技术和新技术应用为手段,提出了机场运行、全球互用的系统和数据、最佳容量和灵活飞行、高效的飞行轨迹4个性能提升领域,每个领域由多条提升路径组成,并根据实现阶段分布在4个组块中,构成52个模块。中国民航也正在实施或规划大量ASBU中的内容以应对中国航空的快速发展。但是,现有空管系统及其未来规划重点在基础设施建设,未涉及太多智能化应用。近年来,在深度学习、高性能计算和大数据的支撑下,人工智能技术在各行业得到快速应用,计算机视觉、语音识别、自然语言处理等技术取得突破性进展并迅速产业化。人工智能技术可以促进空管一些关键技术的发展,提升安全水平,提高管制工作效率,降低管制员工作负荷。以深度学习为代表的人工智能强调在大量先验知识的基础上做出判断和决策,与空中交通管理运行决策过程相契合,人工智能的快速发展产生的巨大效益使智能化空管成为一种必然。因此,在空管技术及人工智能技术基础上,作者提出智能化空管的概念,设计了智能化空管系统总体框架。智能化空管系统总体框架包括感知层、网络层、平台层、应用层和可视化层。感知层的各类通信、导航、监视、气象、无线、图像采集、射频识别等设施设备为空管运行提供基础设施保障。网络层采用专线网络、卫星通信网、新兴的互联网、移动网络等传输信息。智能化空管平台层采用广域信息管理,云计算、智能化大数据挖掘等技术实现信息存储、共享、挖掘等。应用层研究人工智能化技术在管制指挥、空域管理、空中交通流量管理、飞行服务、通航、无人机空管保障中的应用。可视化层通过空管门户、虚拟化可视、空管智能化UI、移动空管应用等方式提供高效快捷的智能化交互。围绕智能化空管概念和总体框架,需要重点研究智能化空管数据处理、智能化辅助决策、空管语音识别和空管指挥机器人等关键技术。智能化空管数据处理研究各类空管数据的获取、处理、传输、交互、智能化挖掘等技术;智能化辅助决策研究智能化冲突管理、智能化空中交通流量管理、智能化规划管理、智能化进离场排序、智能化机场运行等智能化空管应用;针对地空通话在空中交通管制中的重要作用,研究空管语音识别在自动应答机长、空管指挥安全监控中的应用;利用人工智能技术使机器具备空管的感知、规划、推理、行动等能力进行空中交通管理。智能化空管系统总体框架和关键技术为智能化空管系统开发提供理论基础与技术支撑。     

基于seq2seq模型的民航报文智能纠错研究

针对民航报文在传输过程中,存在人为或者环境影响,导致出现错误,尤其是航路字段出现错误的现象,提出了一种基于seq2seq模型的深度学习方法,发现并纠正航路中存在的多点、少点、错点或混合错误的报文错误。并在seq2seq模型中加入attention机制,解决模型的输入输出序列不对应问题,有效提高了纠错得准确率。通过仿真实验验证了结合注意力机制的条件生成模型可以有效地发现并纠正报文中的航路错误,有效地减少管制员的压力,提高了航空安全性。     

进港航班排序强化学习模型研究

为了解决进港航班排序中智能化程度不高的现实问题,提出了进港航班排序强化学习模型。首先确定了进港航班排序强化学习模型的状态、动作、智能体、环境、奖赏函数、约束条件、Q学习等,进港航班排序强化模型中的状态是各进港航班的到达时刻,动作是对航班到达时间的调整,智能体对航班的到达时刻进行调整,环境对动作做出反应,一个新的到达时间和奖赏值传给智能体。奖赏函数考虑了延误时间、经济成本、对后续航班的影响。该模型考虑了航班不能提前降落,分配的到达时间不早于计划的到达时间,进港航班流量不能超过机场的到达容量值等约束条件。使用双流机场进港航班数据对该模型进行了验证。对比分析了先到先服务和强化学习模型的排序、延误时间、延误成本、后续航班延误成本和奖赏值。先到先服务算法的奖赏函数值为3164,强化学习算法的奖赏函数为2880,强化学习模型更优。模型中奖惩函数的评价指标、权重、约束条件可以根据管制工作实际情况进行设置,该模型可以为空中交通管制人员进行进港航班排序提供决策支持。     

进港航班排序优化数学模型研究

针对常用进港航班排序数学模型(总延迟时间最小和总延迟成本最小)中存在的问题,本文选取空中延误成本、旅客延误成本、后续延误成本以及环境污染成本四个指标综合建立一种改进的总延迟成本最小数学模型。在分析已有的基于模拟退火的粒子群算法(SA-PSO: particle swarm optimization based on simulated annealing)优化进港航班排序时寻优能力不足、收敛速度慢的基础上,采用一种线性微分递减(LDD: linear differential decrease)的退火策略,从而可以有效地解决进港航班排序问题。实验结果表明：与FCFS(first come first serve)、PSO以及SA-PSO算法相比,LDD-SA-PSO算法在进港航班优化问题上具有较好的寻优能力和收敛速度,同时改进数学模型中参数选择对优化结果也具有明显影响。     

基于全决策树的空管人因可靠性研究

随着民用航空运输业的迅猛发展和空中交通流量的不断增长,民用航空器的数量显著增加,对空中交通管制的工作提出了更高的要求和挑战。作为民用航空运输系统中三大安全支柱之一的空中交通管制,长久以来,事故和事件80%以上是由人为表现不佳引起的,人为因素已经成为影响安全和工作效率的最大因素。本文分析了全决策树分析方法(the Entire Decision Tree,EDT)、模型原理和分析步骤,研究了影响空管人因可靠性的相关因素,提出了基于全决策树的空管人因可靠性的方法,对提高空管工作的效率和安全具有参考价值。     

人因工程在民航事故分析中的应用现况

人因工程在民航事故分析中意义重大,文章概述了与民航事故分析相关的SHEL模型、飞行员决策模型、Reason模型以及人因失误分析和分类系统,并提出了民航事故人因工程分析的发展方向。     

突发事件状况下管制员个体行为特点研究

由于人在生理、心理、社会和精神等方面,存在较大的可塑性和难控性的特点,因而在面临突发事件时,难免会做出错误的决策导致事故的发生或后果的加剧。本文主要探讨了Logit模型在管制员个体面对突发事件的运用,通过管制员个体心理偏差分析,定性和定量地分析突发事件状况下影响管制员个体行为因素,对民用航空安全的研究有参考价值。