基于ADS-B數據挖掘的終端區飛行程序優化

李亞飛,申冰玉,李錦輝

(1. 中國民航大學空中交通管理學院,天津 300300;2. 中國民航大學交通科學與工程學院,天津300300)

1 引言

空中交通管理新技術是民航快速高效健康發展的重要驅動力,新技術的廣泛應用有利于提升航空器提供安全保障水平,改進航空器飛行效率,并豐富智慧空管體系。航跡大數據挖掘是近年來空中交通管理新技術的熱點話題,隨著4D運行軌跡概念的提出,ADS-B技術在空管系統中已被大力的推廣使用。ADS-B數據中包含大量信息,利用航班的運行軌跡數據可以實現許多有價值的應用。BingWang等[1]利用歷史軌跡數據,結合發動機排放數據庫和飛機數據庫,并建立了完整飛行過程中的燃油消耗和排放計算方法。徐濤等[2]運用航跡聚類的方法提出了現有機場終端區飛行程序的改進建議,但是并未深入研究出成熟模型。從航跡數據中獲取有效的信息點,對研究飛行程序適用性具有重要意義。飛行程序是航空器在飛行過程中被加以高度、速度等多方面約束,引導航空器安全起降的主要手段。隨著民航業的發展,機場終端區內流量隨之增加,目前機場終端區現有標準飛行程序依照規章[3,4]0劃設,較少考慮實際運行狀況、極端天氣、飛行員操作習慣,管制間隔調配等多重因素,因此航空器實際飛行軌跡與標準飛行程序具有一定的偏差。顯然,研究機場終端區標準飛行程序與實際進場航跡的關系,并借此對飛行程序和空域結構進行優化,對改善飛行品質、提高運行效率和安全水平十分有幫助。

目前,雖然國內外在航跡數據挖掘方面的研究已取得了一定的成果。Salarpour Amir等[5]采用譜聚類計算方向變化來對層次聚類進行改進,降低了經典層次聚類的時間復雜度。Huanhuan Li等[6]提出了一種自適應約束DTW(ACDTW)算法,通過引入新的自適應懲罰函數來更精確地計算軌跡之間的距離。王潔寧等[7]提出了時間空間多維度的聚類模型,極大得改善了僅從空間上聚類的弊端。上述文章雖然對航跡聚類方法的研究逐漸深入完善,但其實際應用并不成熟。

本文借助航空器的真實軌跡數據,對航空器歷史運行路徑進行分析。基于航跡聚類分析方法,識別出航跡數據的特征點并規劃改進現有飛行程序,然后評估進場程序的適用性,最后給出實例分析。對優化后的飛行程序進行評估并與現有飛行程序比對,結果表明該方法有效可行,可為空域資源釋放、航班運行效率提升等研究提供技術支持和方法借鑒。

2 ADS-B數據預處理

2.1 ADS-B數據特征分析

ADS-B系統獲取的航跡數據是無數個不連續的點。數據包含飛行器的 ICAO 地址碼、航班號、時間、高度、速度、航向角、經緯度等。ADS-B系統采集的數據冗雜且由于信號具有易干擾性,因此數據點集中存在干擾點和缺損點,在進行數據分析之前需要先進行初步數據清洗與整合。將處理完的所有數據點信息按照航班號、飛行時刻分類得到所有進場航班的累積航跡序列。航跡集合W={w1,w2,…,wi,…wN},N為選定時間內的總進港航班數量,每條進場航跡wi代表不同航班號的航空器進場的飛行軌跡,由n個航跡點排列組成,w={p1,p2,…,pi,…pn},每條進場軌跡點所包含的航跡點數量不盡相同。獲得的每個航跡點pi的ADS-B信息包括經度loni、緯度lati、高度heighti、航空器地速speedi、航向anglei、數據刷新時刻ti等參數。

2.2 異常航跡檢測

異常航跡是明顯偏離標準飛機程序或者正常航跡集,航空器進場過程中會受到異常天氣、流量管控等不可控因素影響,受到管制調配,其飛行軌跡會發生一定程度的偏離。在進一步的數據處理之前,繪制出機場終端區進場航跡軌跡圖,將實際運行航跡與標準飛行程序比對。將異常航跡剔除,確保航跡聚類的準確性。

2.3 卡爾曼濾波

從ADS-B獲取的航跡數據是離散的點跡,測量精度受地形阻擋、信號干擾、天氣變化、流量控制等因素的影響。樣本中的數據不能完全代表航空器飛行真實軌跡,因此采取卡爾曼濾波對點跡進行平滑濾波處理為后續聚類提供精準的數據基礎。卡爾曼濾波是一種線性最小方差估計,目的是使估計的均方誤差最小。基本的濾波步驟如圖1所示[8]。其中,k表示時間,這里指第k步迭代時,相應信號的取值。用((k|k-1)) 表示在k-1 時刻對k時刻的信號X(k) 的最優線性預測估計,用X(k)表示k時刻對隨機信號X(k) 的最優線性濾波估計值。

圖1 卡爾曼濾波算法流程

時間更新方程式負責計算當前狀態變量和誤差協方差估計值,以構造下一個時間狀態的先驗估計。測量更新方程將先驗估計與新的測量變量組合在一起,以構造改進的后驗估計。

3 航跡聚類分析

模糊算法屬于無監督學習算法,對運動狀態相互聯系模糊、無清晰界限這一特性,模糊算法相對于其它聚類方法有很大的優勢[9]。模糊C均值聚類目標函數為

(1)

必要條件:聚類中心

上述兩類檢查方法對腸壁增厚的檢出率無明顯差異，P＞0.05。值得說明的是，確診組開展B超檢查時，發現腹腔積液12例，腸道蠕動消失18例，腸蠕動速度減慢32例。疑似組腸道蠕動減慢24例，腸道蠕動消失10例，腹腔積液16例。

(2)

隸屬度

(3)

終止條件判別:

maxik{uik(b)-uik(b-1)}

(4)

式中:M為數據組;mi為數據矩陣;i為樣本;j為各樣本特征屬性值的維度數;Ok為聚類中心;uik為第i個數據在第k個數組的隸屬度;b為迭代步數;s為數組總數;min為隸屬度最小變化量。

按上述模糊C均值算法的原理聚類航跡,具體步驟如下:

1)輸入航跡點樣本集,隸屬度矩陣指數一般取2,最大迭代次數取100,隸屬度最小變化量取盡可能小的常數值10-5,即可認為此時隸屬度值基本不發生變化,目標函數已達到最優。

2)根據機場不同進場方向飛行程序的特征,取合適值作為聚類類別數s。

3)通過新航跡集類中心和各航跡對新航跡集類中心的隸屬度值的不斷迭代,直到隸屬度變化值符合條件后,得出新航跡簇。

4 程序優化與評估

4.1 特征點識別與程序優化

依據儀表進場程序的運行特點可知,進場程序可以表示為一系列特征點的組合。通過對聚類中心結果的統計,找出航跡特征點,再對航跡特征點進行連接,就能得到機場終端區進場優化程序。特征點主要包括高度改變點,速度變化點,和航向轉變點[10]。筆者通過對聚類各簇內的關鍵信息統計,得到相關飛行狀態改變的信息以識別特征點,高度變化的信息可以直接根據統計獲得。由于根據關鍵地理信息進行計算獲得的航向更為精準,故航向變化特征采取式(5)計算tT時刻兩聚類中心點間航空器的航向。

(5)

設定閾值HF,當|HR+1-HR|>HF,則可以識別出一個轉彎點。運算時將弧度制轉換為角度制,γ角取絕對值,根據航線位置的象限,求出γTC(航線角)的數值。如圖2所示。

圖2 航跡角與象限位置的關系

基于聚類中心所識別出的特征點集可為現有飛行程序優化提供有力參考,對重新規劃飛行程序,優化進離場起到一定的指引作用。

4.2 飛行程序評估

重新規劃后的飛行程序還應進行評估,評估的目標主要為判定優化程序是否滿足運行安全要求、是否與周邊機場運行存在沖突、是否存在進離場沖突等。主要評估依據來自國際民航組織(international civil aviation organization,ICAO)的 Doc8168 和中國民航局發布的《目視和儀表飛行程序》。

5 算例仿真實例

5.1 機場終端區航跡提取與分析

為驗證基于ADS-B數據挖掘的機場終端區飛行程序優化方法的合理性,應用上述介紹方法,本文選取了天津濱海國際機場12月18日到12月22日的進港航班進行實例仿真驗證。算例共選取機場終端區34R跑道進場航跡161條,清洗后的航跡數據點一萬余個。濱海機場的主要進港點有三個GUVBA,AVBOX,DUMAP。通過分析進場航班與標準進場程序偏離程度和交通流的密集程度,共挑選出6條異常航跡,如圖3所示為從濱海機場機場終端區34R跑道三個方向的進場航跡中挑除的異常航跡,其中黑色為標準進場程序。

圖3 天津機場終端區進場異常航跡

對剩余的155架進場航班通過上述卡爾曼濾波方法進行數據預處理,剔除干擾點,對航跡軌跡平滑降噪處理,并進行航跡提取,如圖4所示。

圖4 濾波降噪后的進場航跡提取

將降噪濾波后的機場終端區實際進場航跡與34R跑道標準進場程序比較,圖5中所示為從AVBOX進港點進港的航班實際飛行軌跡與標準進場程序的對比圖。其中,實線航跡代表標準飛行程序,虛線航跡是航空器實際運行軌跡,星號是航路點標識。可以明顯的發現大部分進港航班都與標準進場程序有一定程度的偏離,部分航空器在空域資源較好,交通不擁堵時選擇直飛五邊加入進近程序,另一些航空器部分依照標準程序,在轉彎時依據自身飛行習慣和調配情況都與標準程序有一定的橫向偏離。從數據統計意義上來看,在實際的運行中,飛行員并沒有嚴格的按照標準飛行程序所規定的航路點飛行。

圖5 西側進場航班實際運行軌跡與標準程序的相對偏離情況

5.2 聚類分析

為了將得到盛行交通流做進一步分析與優化,對所篩選時間內所有進港航班進行模糊聚類,采用第2節的模糊C均值聚類,對預處理后統計樣本的三個方向進場航跡點進行分開聚類。選取的聚類中心數目必須適中,若太少不能完全反應真實航跡的特征,若太多則會降低航跡聚類的效果。經過多次的調試與試驗分析,AVBOX方向進場數據點較多,設航跡點聚類成35個航跡點聚類中心;而DUMAP方向進場數據點較少且航跡走向平穩,故設聚類中心數目為10;GUVBA進港點進場高度較高,進場航跡跨度大,但是進港的航班并不多,綜合考慮后將航跡點聚類成25個航跡點聚類中心效果較佳[12]。聚類后,中心點和航跡的相對關系圖如圖6所示。圖中灰色軌跡為進場航跡,黑色點為聚類中心。圖7為二維聚類中心航跡,從中可以航跡聚類后分為6類,標準程序為四條,與標準程序有一定偏差。

圖6 聚類中心點與航跡相對位置

圖7 二維聚類中心航跡

聚類得到盛行交通流相比標準進場程序更為簡單和直接,在管制調配下大部分航空器不經過IAF點而是直接飛向最后進近定位點進行著陸,更加符合飛行員的操作習慣和管制員的指揮意圖。

5.3 基于聚類結果的優化飛行程序

如上述介紹,先通過對各聚類中心進行特征性分析,得到的特征點基本可作為優化程序的航路點。表1為西側進場軌跡聚類中心點的飛行狀態特征信息統計,其中的高度改變點可以直接統計得到,轉彎點識別利用上述3.1節的方法實現。由于篇幅所限,北側和東側進場航跡聚類中心點信息不在文中列出。為了使機場終端區程序設計盡量簡單、便于操作,盡量用直線段航段來代替曲線段和小坡度轉彎。轉彎識別閾值Φ設定為rad=π/12,deg=15°,該值可以辨別出機場終端區有意義的機動轉彎,消除微小變化帶來的影響。根據識別出的特征點重新規劃的航跡如圖8所示。其中:圖8(a)為新規劃的天津機場終端區東側進場進近航跡,與原程序大體相同但距離縮短;圖8(b)為新規劃的西側進場程序,相比原程序多設置了一條直飛IF點的程序;圖8(c)為新規劃的機場北側進場程序,根據特征點位置,相對于現有程序新增一進港點DOTRA,并新增由該進港點進場的飛行程序兩條。圖8(d)為天津機場終端區現有進場進近程序。

表1 西側進場航跡中心特征信息

圖8 優化后的飛行程序與原程序對比圖

5.4 優化后的飛行程序評估

對優化后的飛行程序進行評估,評估結果如表2所示。由天津濱海國際機場航行資料(AIP)可知,天津機場36R跑道標準儀表進場程序IF點(中間進近定位點)的程序高度為600m,控制障礙物為海拔高度205.4 m的煙囪。根據ICAO8168中間進近航段障礙物評估方法,該航段的OCA超障高度為355m,因此表2中優化后的飛行程序IF點程序高度均滿足超障高度要求。進場航段航空器飛行高度較高,天津機場終端區障礙物對進場航段的飛行安全影響無影響,故評估過程主要是檢查各個航段梯度,如表2 PDG列所示,滿足ICAO8168中有關航空器進場進近航段下降梯度的要求。

表2 優化后的程序評估

與原機場標準飛行程序相比,優化后的飛行程序更加符合飛行員和管制員使用習慣,將會顯著提升機場飛行程序的使用效率,未來可考慮基于某個運行時段(半年或一年)實際航空器運行數據和機場周邊障礙物變化情況,動態更新機場飛行程序。

6 結論

本文討論了現有飛行程序設計、優化中存在的問題,提出了利用航跡大數據挖掘的手段來優化機場終端區飛行程序的模型。根據所給出的優化模型重新設計出一套天津機場36R跑道的進場程序,該程序滿足規范且符合程序用戶使用需求。研究結果表明:現有終端區標準飛行程序設計存在不足,實際飛行軌跡與標準程序存在偏差。通過實際航空器飛行航跡聚類結果進行機場標準飛行程序優化合理有效,可為優化現有飛行程序、提升飛行程序的可執行性提供關鍵技術支撐。