基于灰色聚類的交叉航路擁擠識別方法

李善梅， 徐肖豪， 王 超， 王 飛

(中國民航大學空中交通管理研究基地，天津300300)

交叉航路是空域中出現航跡交叉的航路構型.由于航跡交叉，兩股交通流相互匯聚，導致兩航路上航空器之間的側向間隔逐漸減小，當交通量較大時，航空器之間相互影響嚴重，引發交叉點附近的交通擁擠現象.文獻［1］指出空域耦合單元的復雜態勢對空中交通擁擠和延誤具有最直接的影響.交叉航路作為目前最具典型性的空域耦合單元類型之一，已成為空中交通運行的瓶頸，有必要對其交通擁擠態勢進行識別研究.

目前，有關空中交通擁擠識別方面的研究大多基于對擁擠的基本認識，即在某時段內，由于某空中交通單元(航路、扇區、終端區、區域)的交通需求與其交通容量發生矛盾而引起的交通滯留現象，在此基礎上，派生出延誤、排隊長度、復雜度、管制員工作負荷等指標來衡量空中交通是否擁擠以及擁擠嚴重程度. 美國的增強型流量管理系統(enhanced traffic management system，ETMS)采用將扇區、定位點和交叉航路的交通需求與事先確定的容量閾值(monitor alert parameter，MAP)相比較，得到交通擁擠狀況［2］. 文獻［3］將動態密度視為與給定空域范圍內航空器密度、交通管制復雜程度相關的管制員工作負荷測度方法，建立了首個動態密度的定量數學模型.文獻［4］從幾何學的角度分析空域的復雜性，建立了交通密度、匯聚性、分散性和靈敏性4 類復雜性指標，間接描述空域擁擠態勢.文獻［5］將機場到離場排隊延誤時間作為機場擁擠的度量指標，并對排隊延誤時間的傳播現象進行研究.文獻［6］提出了基于航班排隊延誤和航班取消數量的擁擠定義方法.文獻［7］分析了機場交通需求、容量與航班延誤的關系，采用離港航班延誤率將延誤劃分為5 個等級，間接表示機場擁擠程度.文獻［8］提出了基于連攜效應的交通復雜性測度模型，并對關系性態勢和沖突性態勢進行了分析.文獻［9］通過計算不同速度、不同航向進入的航空器沖突解脫空間的大小來評估扇區擁擠程度.文獻［10-11］分別建立了扇區的概率交通需求模型，并將概率需求與MAP 值相比較，建立了扇區擁擠概率預測方法. 文獻［12］采用滑行時間描述機場交通的擁擠程度.

以上研究主要存在兩方面缺陷:第一，都是基于擁擠某個方面的特征對擁擠進行識別，具有一定的片面性，缺乏從不同的角度對擁擠態勢進行識別;第二，延誤、排隊長度等指標雖然在一定程度上刻畫了擁擠狀態，但實際上是一種事后評價，具有一定的被動性，不能反映出空中交通擁擠發生、發展的動態變化過程.

基于上述不足，本文首先提出了基于出入交通量的交叉航路交通擁擠的定義;然后，建立了交叉航路擁擠度量指標;最后，建立了基于灰色聚類的交叉航路擁擠識別方法.

1 交叉航路擁擠的定義

目前，國際上對交通擁擠的定義還沒有統一的標準.本文從運動交通流的角度出發，認為擁擠的形成過程是流入交通量的累積超過流出交通量的消散，并基于出入交通量及交叉航路交通擁擠的內部特征，提出了交叉航路交通擁擠的定義:交叉航路交通擁擠是指在一定時段和一定交叉航路空間范圍內，飛入交通量大于飛出交通量而造成的交叉航路交通負荷增大、交通復雜性提高的飛機滯留現象.

本定義指出:

(1)擁擠形成的過程是流入交通量的累積超過流出交通量的消散;

(2)擁擠形成的位置應該是在一定空間延伸范圍的邊界上，流入交通量和流出交通量具有匹配關系，滿足流量守恒原理;

(3)擁擠的表現主要反映在交通負荷和交通復雜性上.

圖1 給出了交叉航路交通擁擠示意圖. 圖1中，qin為飛入流量，qout為飛出流量，虛線的寬度代表飛入、飛出交通量的大小. 圖1(a)中飛入、飛出交通量相同，航空器之間間隔較大，沒有明顯的跟馳現象，交通負荷和交通復雜性較低.圖1(b)中飛入交通量大于飛出交通量，滯留的航空器較多，交通負荷加大，且大部分航空器位于交叉點附近，航空器之間相互影響程度加大，交通復雜性增強.

圖1 交叉航路交通擁擠示意圖Fig.1 Schematic diagram of crossing air routes congestion

2 交叉航路擁擠指標的建立

交叉航路擁擠是航空器之間的微觀相互作用導致的宏觀滯留現象，并且是一個動態變化的過程，在建立擁擠指標時要從交叉航路擁擠的宏觀、微觀及動態特征等方面入手進行研究. 因此，本文建立了交叉航路的擁擠度量指標:表征交叉航路擁擠運動特征的宏觀擁擠指標——滯留度指標;表征交叉航路擁擠復雜特征的微觀擁擠指標——匯聚度指標;表征交叉航路擁擠負荷特征的靜態擁擠指標——當量交通量指標. 通過咨詢空管專家，上述指標已基本上反映了交叉航路擁擠的基本特征，并且避免了建立大量指標帶來的大計算量和高復雜度以及指標難以量化的問題.下面分別對上述指標的建立過程進行具體闡述.

2.1 交叉航路滯留度指標的建立

基于上述交叉航路交通擁擠定義，根據出入交通量建立滯留度指標，該指標可定義為給定時間范圍內，某空域單元飛入交通量與飛出交通量之差與流出交通量的比值. 其中，飛出交通量在一定程度上代表著空域單元的交通服務水平，用滯留度κ 表示飛入交通量超出空域單元交通服務水平的程度，

該指標表征交叉航路交通擁擠的運動特征，反映交叉航路的運行效率，屬于相對宏觀的度量指標.一般情況下，滯留度越大，交通運行質量越差，越易發生交通擁擠.

2.2 交叉航路匯聚度指標的建立

隨著空中交通量的不斷增加，目前用于評估空中交通擁擠程度的航空器計量方法已不再適用，空域復雜性在刻畫空中交通擁擠態勢中發揮著重要作用.因此，交叉航路的復雜結構要求從復雜性的角度來研究其擁擠問題.

圖2(a)、圖2(b)給出了交叉航路交通流運行對比圖. 盡管兩圖中的航空器架次數相同，但圖2(a)中的大部分航空器處于航路交叉點附近且并未通過交叉點，呈現出較強的匯聚態勢，交通復雜性較高，為避免飛機相撞，要不斷調整飛機的速度和位置，跟馳現象明顯;圖2(b)中大部分航空器處于航路交叉點之后，且交叉點之前的航空器距離交叉點較遠，呈現出較強的發散態勢，交通復雜性較低，無須對飛機飛行做過多干預，飛行自由度較高. 因此，圖2(a)的交通擁擠程度明顯高于圖2(b).可見，對于交叉航路來說，匯聚度屬于相對微觀的度量指標，表示交通復雜程度，影響著交叉航路的交通擁擠態勢.

圖2 交叉航路交通運行對比Fig.2 Comparison of traffic operation in crossing air routes

本文將匯聚度指標作為描述交叉航路擁擠程度的指標之一.在建立匯聚性測度模型之前，首先需要建立交叉航路模型.

2.2.1 交叉航路模型

交叉航路擁擠主要位于航路交叉點及其附近區域，又由于航空器通過交叉點之后，航空器之間處于發散態勢，因此，在計算交叉航路的匯聚度時，只需計算交叉點之前區域內的匯聚度即可.

圖3 給出了交叉航路的拓撲結構圖.兩條航路的交叉點為O，夾角為θ∈［30°，90°］.設兩條航路寬度均為Wroute=10.8 n mile，航路交叉區寬度為2Lint，Lint可基于航路寬度推導得到，

圖3 交叉航路拓撲結構示意圖Fig.3 Schematic topology of crossing air routes

區域協調席管制員接收機組計劃的水平距離通常為70 n mile，包括正在管制的航空器及將要接受移交的航空器，該距離以外區域的航空器不會引起管制員的任何注意并產生工作負荷［13］.因此，可取各航路入口與交叉點O'的距離

計算交叉航路的匯聚度時，只需計算ABOACOOBA區域的交通流產生的匯聚度，忽略不計各航路70 n mile 以外航空器產生的匯聚度.

本文對此交叉航路模型做如下假設:

(1)交叉航路上的航空器均在同一高度層飛行;

(2)兩條航路上航空器的航向不變，均沿航路方向飛行;

(3)重型飛機、中型飛機和輕型飛機的標稱速度分別為0.14、0.12 和0.10 n mile/s;

(4)航空器沖突解脫可采取降低航空器飛行速度或在其所在航路寬度范圍內進行位置偏移.

2.2.2 匯聚度模型

匯聚是動態的時空演變過程，既包括靜態的航空器相對幾何位置特征，又包括動態的匯聚特征.靜態特征即航空器之間的相對距離，距離越小，匯聚度越大;動態特征即航空器之間達到最小安全間隔的時間，時間越短，匯聚度越大.本文采用國際民航組織規定的航空器安全間隔，即5 n mile［14］. 具有相同相對距離的兩對航空器對，因其速度不同，航向不同，其匯聚度也可能不同.因此，本節將匯聚的靜態和動態特征相結合，建立交叉航路匯聚度模型.下面分別針對航空器匯聚的兩種方式(追及匯聚和交叉匯聚)，建立匯聚度的計算模型.

(1)追及匯聚度

追及匯聚即同一航路上的兩架航空器之間發生匯聚的情況.其拓撲結構如圖4 所示，設兩航空器在航路中心線的投影之間的相對距離為Dij，且航空器i 距離交叉點較近，二者的速度分別為vi和vj.下面分別從靜態和動態兩個方面建立追及匯聚度模型.

首先，將距離作為靜態匯聚度的分析基礎，在相同的航空器飛行速度條件下，相對距離小的航空器對引起的匯聚度肯定大于相對距離較大的航空器對.航空器對相對距離減小的過程即是匯聚度增加的過程.本文采用與內稟類復雜性模型相類似的函數形式［6］，追及匯聚度的靜態部分可表示為

式中:φ(·)為追及匯聚度函數;Dij為航空器i 與j的距離;λ1、α1為調節參量.

然后，在此基礎上，還要考慮航空器對匯聚的動態特征對匯聚度的影響. 相同的相對距離條件下，若vi-vj≥0，航空器對處于發散態勢，此種情況下，可不必考慮其動態特征的影響;若vi-vj＜0，航空器對處于匯聚態勢，且值越大，其匯聚度就越大，此種情況下，還應考慮追及匯聚度的動態部分對式(3)加以修正，

式中:β1為調節參量.

圖4 追及匯聚示意圖Fig.4 Schematic diagram of chase aggregation

基于上述分析，建立追及匯聚度計算模型:

(2)交叉匯聚度

交叉匯聚指分別位于兩條交叉航路上的兩架航空器之間發生匯聚的情況，其拓撲結構見圖5.圖5 中，航空器i 與j 之間的相對距離為Dij，航空器i 距離交叉點較近，二者的速度分別為vi和vj.

圖5 交叉匯聚示意圖Fig.5 Schematic diagram of cross aggregation

與追及匯聚度計算模型的建立方法一致，首先考慮交叉匯聚度的靜態部分:

式中:φ'(·)為交叉匯聚度函數;

λ2、α2為調節參量.然后，考慮航空器對匯聚的動態特征對匯聚度的影響.由于兩架航空器的航向不同，其動態特征即航空器之間達到最小安全間隔所需時間的計算方法與追及匯聚有所不同，不能用簡單的相對距離除以相對速度得到，需要建立相對距離關于時間的函數關系式.如圖3 所示，以航路1 方向為x 軸，與其垂直方向為y 軸，建立直角坐標系，其中坐標原點距離航路交叉點的距離為70 n mile.設航空器i位于航路1 上，航空器j 位于航路2 上，建立航空器的動力學方程如下:

式中:

xi(t)、xj(t)為航空器i 與航空器j 在時刻t 的橫坐標;

yi(t)、yj(t)為航空器i 與航空器j 在時刻t 的縱坐標;

θ 為航路交叉角.

推導出兩航空器距離關于時間t 的方程式:

式中:為兩航空器初始時刻的距離;

Dij，x(0)為兩航空器初始時刻x 方向的距離;

Dij，y(0)為兩航空器初始時刻y 方向的距離.令，即:

求解上述一元二次方程可得t1和t2，令兩架航空器未來達到最小安全間隔的時間為tmin，分別對以下幾種情況加以討論:

①當式(8)無解時，tmin不存在，兩架航空器處于發散狀態.

②當t1≥0，t2≥0 時，若t1≤t2，tmin= t1;若t1＞t2，tmin=t2.

③當t1≥0，t2＜0 時，tmin=t1;當t1＜0，t2≥0時，tmin=t2.

④當t1＜0，t2＜0 時，tmin不存在，兩架航空器處于發散狀態.

當tmin=0 時，兩航空器處于發散態勢，不必考慮靜態匯聚度的影響;當tmin＞0 時，兩航空器處于匯聚態勢，且tmin越小，匯聚態勢越嚴重，考慮交叉匯聚度的動態部分對式(6)加以修正，即

式中:β2為調節參量.

交叉航空器對的匯聚度為

(3)匯聚度

交叉航路的匯聚度等于追及匯聚度與交叉匯聚度之和.另外，還需考慮航空器所處交叉航路的不同階段對匯聚度的影響，距離交叉點較近的航空器與交叉點的距離越大，對交叉航路總體匯聚性的影響越小.針對不同的，可設定相應權重，以反映其對總體匯聚性的影響. 參考文獻［15］并咨詢管制專家，發現15、40 和70 n mile是與匯聚度相關的距離閾值.當兩航空器間距大于15 n mile 時，航空器對發生飛行沖突的概率很小，因此，管制員一般重點監視間距小于15 n mile 的航空器對;40 n mile 是航路(航線)扇區管制員的一般水平管制范圍，管制員接受移交并對該區域內航空器進行監視，開始注意航空器間距小于40 n mile 的航空器對;相距70 n mile 以外的航空器對一般不會對管制員產生任何工作負荷.基于上述距離閾值，對交叉航路進行分段處理，見圖6.

圖6 交叉航路分段示意圖(單位:n mile)Fig.6 Schematic diagram of segmentation of crossing air routes (unit:n mile)

圖6 中方格部分為第1 階段，斜線部分為第2階段，散點部分為第3 階段，設)為航空器處于航路不同階段對匯聚度的影響因子.當時，當時，當時，因此，交叉航路最終的匯聚度模型為

將式(5)和式(10)代入式(11)中，便可求得交叉航路的總匯聚度.

2.3 交叉航路當量交通量指標的建立

交通量指標表征交叉航路的交通負荷，此交通量指標為某時刻交叉航路上包含的航空器總架次，它在一定程度上反映了交叉航路交通流的疏密程度.當滯留度指標和匯聚度指標相同時，交通量越大，交通流的不穩定性越強，也越易發生交通擁擠.不同類型航空器的尺寸及安全間隔各不相同，因此，這里選用當量交通量來描述交叉航路交通擁擠的負荷特征，通過對不同類型航空器數量進行加權求和得到當量交通量:

式中:a、b、c 分別為重型飛機、中型飛機和輕型飛機的架次數;k1、k2、k3為分別為重型飛機、中型飛機和輕型飛機的權重.

通過與空管專家進行溝通交流，本文以輕型航空器作為當量標準，分別取重型飛機、中型飛機和輕型飛機的權重為k1=1.3、k2=1.1 和k3=1.0.

3 交叉航路擁擠的灰色聚類識別

利用雷達管制模擬機，依據國內某交叉航路實際運行數據，編制仿真航路入口處的交通飛行計劃及交叉點處的容量時間序列，對交叉航路交通運行情況進行仿真，航路交叉角為45°. 航路上的航空器分為重型、中型、輕型3 類，其標稱速度分別為1.4，1.2 和1.0 n mile/10 s.模擬過程中，航空器沖突避讓方法可以采取降低航空器的飛行速度或者對航空器進行側向偏移的方法［16］. 采樣間隔為10 s，即每10 s 為一個時間片，統計每一時間片交叉航路上所有航空器的位置坐標及速度數據.

通過咨詢管制專家及參考相關文獻，對交叉航路的匯聚度作如下約定［13］:航空器對間距5 n mile時的追及匯聚度約為10 n mile 時的3 倍;航空器間距10 n mile 條 件 下，速 度 分別 為0.14 和0.10 n mile/s 的航空器之間的追及匯聚度約為速度均為0.10 n mile/s 的2 倍;航空器間距8.1 n mile條件下，速度分別為0.14 和0.1 n mile/s 的航空器之間的追及匯聚度約為速度均均為0.10 n mile/s的2 倍;間距9.7 n mile、交叉角30°條件下，速度均為0.14 n mile/s 的航空器交叉匯聚度約為處于發散狀態的2 倍;間距10 n mile、交叉角90°的航空器交叉匯聚度約為交叉角30°的1.5 倍.通過上述約定，建立相應的約定方程，求解得到匯聚度模型參數的標定值:α1=0.219 7，α2=0.273 3，β1=0.012 5，β2=0. 093 3，λ1=45. 56，λ2=1. 169 1，λ3=51.79，λ4=3.894 5，μ1=1，μ2=0.3，μ3=0.1.

基于上述數據，以5 min 為統計間隔，計算任意一個統計間隔(30 個時間片)的平均匯聚度、平均當量交通量以及整個統計間隔(5 min)的滯留度，作為此統計間隔的交叉航路擁擠指標值. 圖7為其中連續26 個統計間隔(共780 個時間片)的當量交通量、匯聚度及滯留度的曲線圖.

圖7 交叉航路當量交通量、匯聚度與滯留度Fig.7 Curves of equivalent traffic volume，aggregation degree and retention degree

由圖7 可見，當量交通量、匯聚度及滯留度的總體變化趨勢一致，局部變化特征并非完全同步.例如，第13 個統計間隔的滯留度大幅下降，而當量交通量和匯聚度沒有明顯波動，其原因是第12 個統計間隔發生交通擁擠后，管制員采取了降低入口流量或提高出口容量所致，而交叉航路內部的平均當量交通量和匯聚度并沒有大幅降低.

另外，當平均當量交通量較低時，平均當量交通量和平均匯聚度之間呈現較強的線性關系;當平均當量交通量較高時，二者的非線性關系增強，線性關系減弱.例如，第15 ～19 個統計間隔，平均當量交通量比較平穩，沒有太大變化，而平均匯聚度出現了大幅度的變化，突變現象明顯.

由于交叉航路擁擠指標的變化具有非線性特性，交叉航路交通系統是一個灰色系統;另外，擁擠是一個人為感知的概念，擁擠的識別具有一定的不確定性和模糊性，各擁擠評價指標與擁擠等級的關系不確定.基于以上兩點，很難建立精確的數學模型來描述空中交通擁擠狀態.灰色聚類對于具有不確定性、模糊性的灰色系統，能夠模仿人腦表達過渡性界限或定性知識經驗，實現對不確定性概念的判斷，且計算簡單［17］. 鑒于此，本文建立了基于灰色聚類的交叉航路擁擠智能識別方法.

3.1 基于灰色聚類的交叉航路擁擠識別步驟

依據灰色聚類的計算流程［18］包括確定聚類評估體系、建立評價矩陣、確定白化權函數、計算聚類權、計算聚類評估值、確定評價結果.交叉航路擁擠識別的具體步驟如下.

(1)確定聚類評估體系.記各個交叉航路擁擠評價時段為聚類對象m，m∈M ={1，2，…，u};擁擠度量指標(即滯留度、飽和度和當量交通量)為聚類指標n，n∈N ={1，2，3};交叉航路交通擁擠狀態等級為灰類k，k∈K={1，2，3，4}k 值1 ～4 分別對應暢通、穩定、輕微擁擠、嚴重擁擠.由此可得，M 為聚類對象集;N 為聚類指標集;K 為灰類集;{M，N，K}為灰色聚類評估體系.

(2)構建評價樣本矩陣. 令xmn(m =1，2，…，u;n=1，2，3)為第m 個評價時段對于第n 個擁擠指標的歸一化值，X 是以xmn為元素的矩陣，稱為評價樣本矩陣，則

(3)確定白化權函數.將交通擁擠狀態等級k看作形態灰類，在認知平面上，以灰類的樣本(白化值)xmn為橫坐標，記第n 個擁擠指標對于交通擁擠狀態等級k 的白化權函數為fnk.

(4)計算聚類權重.記聚類權重為ηnk，

式中:ηnk為第n 個擁擠指標歸入第k 個交通狀態的聚類權;λnk為第n 個擁擠指標屬于第k 個交通擁擠狀態的白化值;v 為聚類指標的個數，v=3.

(5)計算聚類評估值. 評價時段m 屬于第k個交通擁擠狀態的灰色變權聚類系數為

式中:σm=(σm1，σm2，…，σms)為時段m 的聚類系數向量;s 為灰類的個數，s=4.

(6)確定評價時段的交通擁擠狀態等級.設

則稱時段m 屬于第k*個交通擁擠等級.

3.2 白化權函數的確定

本文采用的輸入輸出變量的白化權函數由上限測度、適中測度和下限測度3 個基本類型構成.其中上限測度和下限測度采用半梯形函數，適中測度采用三角函數，如圖8 所示. 將交通擁擠狀態劃分為4 個等級，建立如圖9 所示的白化權函數.

圖8 白化權函數基本類型Fig.8 Basic classes of whitening weight function

圖9 白化權函數的一般形式Fig.9 General form of the whitening weight function

對于某個擁擠指標，分別對應4 個交通擁擠狀態等級建立白化權函數:

在交通擁擠識別中，根據交叉航路的自身條件及專家咨詢和經驗數據等進行綜合確定各個擁擠指標的分類標準，不同交叉航路不同時段同一擁擠指標的分類標準有所不同.

4 算例分析

基于第3 節的仿真數據，對本文交叉航路擁擠識別方法進行算例分析，驗證方法的有效性. 以某實驗中連續10 個統計間隔(300 個時間片)為例，說明本文方法的計算過程.表1 給出了各聚類指標的初始值.

表1 聚類指標初始值Tab.1 Initial value of the clustering index

首先，將3 個聚類指標進行歸一化處理.然后，請空管專家對每個擁擠指標的不同擁擠等級進行打分評價，將各專家的打分結果進行綜合處理，最終確定各聚類指標的分類標準，如表2 所示.

表2 聚類指標分類標準Tab.2 Classification criteria of the clustering index

將表2 中的分類標準值分別代入式(15)～(18)，即可得到各聚類指標的白化權函數. 根據式(13)得出各聚類指標的灰色聚類權，見表3.

最后，依據式(14)得出各時序的灰色變權聚類系數，并根據確定各時序的交叉航路擁擠狀態.如表4 所示.

由表4 可見，第4、9 個統計間隔的交叉航路處于嚴重擁擠狀態，第1、5、8 個統計間隔處于輕微擁擠狀態.這與仿真過程中在第4、9 兩個統計間隔內，管制員做出的沖突避讓次數較多，航空器在交叉航路范圍內飛行時間較長這一擁擠現象相符.其中，第9 個統計間隔的當量交通量不是很高，但由于其滯留度和匯聚度比較高，交通流的復雜性較高，仍然判定為擁擠狀態;盡管第10 個統計間隔的當量交通量較高，但由于其滯留度和匯聚度較低，說明其交通運行秩序良好，最終判定為穩定狀態.該算例進一步說明了交叉航路擁擠態勢是交通流宏觀運動特征和微觀復雜特征相互作用的結果.另外，通過與專家打分法得到的識別結果相比較，本文方法識別的準確率高達90%，識別效果較好.

表4 灰色變權聚類系數及歸屬類劃分Tab.4 Variable weights of gray clustering coefficient and classification of attribution categories

5 結束語

本文從交通擁擠的本質出發，提出了基于出入交通量的交叉航路擁擠的定義方法，建立了表征交叉航路擁擠的宏觀與微觀特征擁擠度量指標，建立了基于灰色聚類的交叉航路擁擠識別方法.算例結果表明，本文方法識別的準確率較高，且計算過程簡單，容易編程實現.在實際運行中，該方法可提高空管人員對交叉航路擁擠態勢識別的速度及準確性，有助于空管人員及時有效地采取措施，防止交通擁擠的進一步惡化，從而提高交叉航路交通的安全性和運行效率.

下一步將研究空中交通運行其它瓶頸處(例如機場、終端區等)的交通擁擠識別方法. 基于本文提出的交通擁擠運動特征思想，分析不同瓶頸處交通擁擠的特點，分別建立表征擁擠特征的度量指標，更全面和系統地研究空中交通擁擠識別問題.

致謝:中國民航大學科研啟動資金項目(2014QD01S).

［1］ 張晨，胡明華，張進. 針對交叉流的組合沖中突解脫策略［J］. 系統工程理論與實踐，2011，31(6):1165-1173.ZHANG Chen，HU Minghua，ZHANG Jin. Combined conflict resolution strategy to intersecting traffic flows［J］. Systems Engineering:Theory and Practice，2011，31(6):1165-1173.

［2］ Volpe National Transportation Systems Center.Enhanced traffic management system (ETMS )functional description［S］. Cambridge: Dept. of Transportation，2002.

［3］ LAUDEMAN I V，SHELDEN S G，BRANSTROM R，et al. Dynamic density:an air traffic management metric，NASA/TM-1998-112226［R］. Washington D. C.:NASA，1998.

［4］ DELAHAYE D， PUECHMOREL S. Air traffic complexity:towards intrinsic metrics［C］∥3rd USA/Europe ATM R＆D Seminar. Napoli:［s.n.］，2000:1-6.

［5］ WANG P T R，TENE N，WOJCIK L. Relationship between airport congestion and at-gate delay［C］∥Digital Avionics Systems Conference. Irvine:［s. n.］，2002:2D5-1-2D5-10.

［6］ MUKHERJEE A，LOVELL D J，BALL M O，et al.Modeling delays and cancellation probabilities to support strategic simulations［C］∥Proceedings of 6th USA/Europe Air Traffic Management R＆D Seminar.Baltimore:［s. n.］，2005:1-10.

［7］ 徐濤，丁建立，顧彬，等. 基于增量式排列支持向量機的機場航班延誤預警［J］. 航空學報，2009，30(7):1256-1262.XU Tao，DING Jianli，GU Bin，et al. Forecast warning level of flight delays based on incremental ranking support vector machine［J］. Acta Aeronau Tica Et Astronau Tica Sinica，2009，30(7):1256-1262.

［8］ 張晨，胡明華，張進，等. 基于交通復雜性的扇區資源管理［J］. 南京航空航天大學學報，2010，42(5):607-613.ZHANG Chen，HU Minghua，ZHANG Jin，et al.Sector asset management based on air traffic complexity［J］. Journal of Nanjing University of Aeronautics ＆ Astronautics，2010，42(5):607-613.

［9］ van PAASSEN M M， d'ENGELBRONNER J G，MULDER M. Towards an air traffic control complexity metric based on workspace constraints［C］∥2010 IEEE International Conference on Systems Man and Cybernetics (SMC). ［S. l.］:IEEE，2010:654-660.

［10］ 王超，楊樂. 空域扇區流量與擁塞預測的概率方法［J］. 西南交通大學學報，2011，46(1):162-166.WANG Chao，YANG Le. Probabilistic methods for airspace sector flow and congestion prediction［J］.Journal of Southwest Jiaotong University， 2011，46(1):162-166.

［11］ 田文. 基于不確定需求預測的概率空域擁擠管理方法研究［D］. 南京:南京航空航天大學，2011.

［12］ KHADILKAR H， BALAKRISHNAN H. Network congestion control of airport surface operations［J］.Journal of Guidance，Control and Dynamics，2013:1-7.

［13］ 葉博嘉，胡明華，張晨，等. 基于交通結構的空中交通復雜性建模［J］. 交通運輸系統工程與信息，2011，12(1):166-172.YE Bojia，HU Minghua，ZHANG Chen，et al. Traffic structure-based air traffic complexity modeling［J］.Journal of Transportation Systems Engineering and Information Technology，2011，12(1):166-172.

［14］ ICAO. Doc 9869 AN/462 Manual on required communication performance (RCP)［S］. Montreal:International Civil Aviation Organization，2006.

［15］ KOPARDEKAR P，MAGYARITS S. Measurement and prediction of dynamic density［C］∥Proceedings of the 5th USA/Europe Air Traffic Management R ＆ D Seminar. Budapest:Hungary，2003:1-8.

［16］ 陳勇. 空域容量評估模型和優化方法研究［D］. 北京:北京航空航天大學，2004.

［17］ 劉思峰，黨耀國，方志耕，等. 灰色系統理論及其應用［M］. 3 版. 北京:科學出版社，2007:74-83.

［18］ 賀玲，吳玲達，蔡益朝. 數據挖掘中的聚類算法綜述［J］. 計算機應用研究，2007，24(1):10-14.HE Ling， WU Lingda， CAI Yizhao. Survey of clustering algorithms in data mining［J］. Application Research of Computers，2007，24(1):10-14.