基于ADS-B数据挖掘的终端区飞行程序优化

李亚飞,申冰玉,李锦辉

(1. 中国民航大学空中交通管理学院,天津 300300;2. 中国民航大学交通科学与工程学院,天津300300)

1 引言

空中交通管理新技术是民航快速高效健康发展的重要驱动力,新技术的广泛应用有利于提升航空器提供安全保障水平,改进航空器飞行效率,并丰富智慧空管体系。航迹大数据挖掘是近年来空中交通管理新技术的热点话题,随着4D运行轨迹概念的提出,ADS-B技术在空管系统中已被大力的推广使用。ADS-B数据中包含大量信息,利用航班的运行轨迹数据可以实现许多有价值的应用。BingWang等[1]利用历史轨迹数据,结合发动机排放数据库和飞机数据库,并建立了完整飞行过程中的燃油消耗和排放计算方法。徐涛等[2]运用航迹聚类的方法提出了现有机场终端区飞行程序的改进建议,但是并未深入研究出成熟模型。从航迹数据中获取有效的信息点,对研究飞行程序适用性具有重要意义。飞行程序是航空器在飞行过程中被加以高度、速度等多方面约束,引导航空器安全起降的主要手段。随着民航业的发展,机场终端区内流量随之增加,目前机场终端区现有标准飞行程序依照规章[3,4]0划设,较少考虑实际运行状况、极端天气、飞行员操作习惯,管制间隔调配等多重因素,因此航空器实际飞行轨迹与标准飞行程序具有一定的偏差。显然,研究机场终端区标准飞行程序与实际进场航迹的关系,并借此对飞行程序和空域结构进行优化,对改善飞行品质、提高运行效率和安全水平十分有帮助。

目前,虽然国内外在航迹数据挖掘方面的研究已取得了一定的成果。Salarpour Amir等[5]采用谱聚类计算方向变化来对层次聚类进行改进,降低了经典层次聚类的时间复杂度。Huanhuan Li等[6]提出了一种自适应约束DTW(ACDTW)算法,通过引入新的自适应惩罚函数来更精确地计算轨迹之间的距离。王洁宁等[7]提出了时间空间多维度的聚类模型,极大得改善了仅从空间上聚类的弊端。上述文章虽然对航迹聚类方法的研究逐渐深入完善,但其实际应用并不成熟。

本文借助航空器的真实轨迹数据,对航空器历史运行路径进行分析。基于航迹聚类分析方法,识别出航迹数据的特征点并规划改进现有飞行程序,然后评估进场程序的适用性,最后给出实例分析。对优化后的飞行程序进行评估并与现有飞行程序比对,结果表明该方法有效可行,可为空域资源释放、航班运行效率提升等研究提供技术支持和方法借鉴。

2 ADS-B数据预处理

2.1 ADS-B数据特征分析

ADS-B系统获取的航迹数据是无数个不连续的点。数据包含飞行器的 ICAO 地址码、航班号、时间、高度、速度、航向角、经纬度等。ADS-B系统采集的数据冗杂且由于信号具有易干扰性,因此数据点集中存在干扰点和缺损点,在进行数据分析之前需要先进行初步数据清洗与整合。将处理完的所有数据点信息按照航班号、飞行时刻分类得到所有进场航班的累积航迹序列。航迹集合W={w1,w2,…,wi,…wN},N为选定时间内的总进港航班数量,每条进场航迹wi代表不同航班号的航空器进场的飞行轨迹,由n个航迹点排列组成,w={p1,p2,…,pi,…pn},每条进场轨迹点所包含的航迹点数量不尽相同。获得的每个航迹点pi的ADS-B信息包括经度loni、纬度lati、高度heighti、航空器地速speedi、航向anglei、数据刷新时刻ti等参数。

2.2 异常航迹检测

异常航迹是明显偏离标准飞机程序或者正常航迹集,航空器进场过程中会受到异常天气、流量管控等不可控因素影响,受到管制调配,其飞行轨迹会发生一定程度的偏离。在进一步的数据处理之前,绘制出机场终端区进场航迹轨迹图,将实际运行航迹与标准飞行程序比对。将异常航迹剔除,确保航迹聚类的准确性。

2.3 卡尔曼滤波

从ADS-B获取的航迹数据是离散的点迹,测量精度受地形阻挡、信号干扰、天气变化、流量控制等因素的影响。样本中的数据不能完全代表航空器飞行真实轨迹,因此采取卡尔曼滤波对点迹进行平滑滤波处理为后续聚类提供精准的数据基础。卡尔曼滤波是一种线性最小方差估计,目的是使估计的均方误差最小。基本的滤波步骤如图1所示[8]。其中,k表示时间,这里指第k步迭代时,相应信号的取值。用((k|k-1)) 表示在k-1 时刻对k时刻的信号X(k) 的最优线性预测估计,用X(k)表示k时刻对随机信号X(k) 的最优线性滤波估计值。

图1 卡尔曼滤波算法流程

时间更新方程式负责计算当前状态变量和误差协方差估计值,以构造下一个时间状态的先验估计。测量更新方程将先验估计与新的测量变量组合在一起,以构造改进的后验估计。

3 航迹聚类分析

模糊算法属于无监督学习算法,对运动状态相互联系模糊、无清晰界限这一特性,模糊算法相对于其它聚类方法有很大的优势[9]。模糊C均值聚类目标函数为

(1)

必要条件:聚类中心

上述两类检查方法对肠壁增厚的检出率无明显差异，P＞0.05。值得说明的是，确诊组开展B超检查时，发现腹腔积液12例，肠道蠕动消失18例，肠蠕动速度减慢32例。疑似组肠道蠕动减慢24例，肠道蠕动消失10例，腹腔积液16例。

(2)

隶属度

(3)

终止条件判别:

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

(4)

式中:M为数据组;mi为数据矩阵;i为样本;j为各样本特征属性值的维度数;Ok为聚类中心;uik为第i个数据在第k个数组的隶属度;b为迭代步数;s为数组总数;min为隶属度最小变化量。

按上述模糊C均值算法的原理聚类航迹,具体步骤如下:

1)输入航迹点样本集,隶属度矩阵指数一般取2,最大迭代次数取100,隶属度最小变化量取尽可能小的常数值10-5,即可认为此时隶属度值基本不发生变化,目标函数已达到最优。

2)根据机场不同进场方向飞行程序的特征,取合适值作为聚类类别数s。

3)通过新航迹集类中心和各航迹对新航迹集类中心的隶属度值的不断迭代,直到隶属度变化值符合条件后,得出新航迹簇。

4 程序优化与评估

4.1 特征点识别与程序优化

依据仪表进场程序的运行特点可知,进场程序可以表示为一系列特征点的组合。通过对聚类中心结果的统计,找出航迹特征点,再对航迹特征点进行连接,就能得到机场终端区进场优化程序。特征点主要包括高度改变点,速度变化点,和航向转变点[10]。笔者通过对聚类各簇内的关键信息统计,得到相关飞行状态改变的信息以识别特征点,高度变化的信息可以直接根据统计获得。由于根据关键地理信息进行计算获得的航向更为精准,故航向变化特征采取式(5)计算tT时刻两聚类中心点间航空器的航向。

(5)

设定阈值HF,当|HR+1-HR|>HF,则可以识别出一个转弯点。运算时将弧度制转换为角度制,γ角取绝对值,根据航线位置的象限,求出γTC(航线角)的数值。如图2所示。

图2 航迹角与象限位置的关系

基于聚类中心所识别出的特征点集可为现有飞行程序优化提供有力参考,对重新规划飞行程序,优化进离场起到一定的指引作用。

4.2 飞行程序评估

重新规划后的飞行程序还应进行评估,评估的目标主要为判定优化程序是否满足运行安全要求、是否与周边机场运行存在冲突、是否存在进离场冲突等。主要评估依据来自国际民航组织(international civil aviation organization,ICAO)的 Doc8168 和中国民航局发布的《目视和仪表飞行程序》。

5 算例仿真实例

5.1 机场终端区航迹提取与分析

为验证基于ADS-B数据挖掘的机场终端区飞行程序优化方法的合理性,应用上述介绍方法,本文选取了天津滨海国际机场12月18日到12月22日的进港航班进行实例仿真验证。算例共选取机场终端区34R跑道进场航迹161条,清洗后的航迹数据点一万余个。滨海机场的主要进港点有三个GUVBA,AVBOX,DUMAP。通过分析进场航班与标准进场程序偏离程度和交通流的密集程度,共挑选出6条异常航迹,如图3所示为从滨海机场机场终端区34R跑道三个方向的进场航迹中挑除的异常航迹,其中黑色为标准进场程序。

图3 天津机场终端区进场异常航迹

对剩余的155架进场航班通过上述卡尔曼滤波方法进行数据预处理,剔除干扰点,对航迹轨迹平滑降噪处理,并进行航迹提取,如图4所示。

图4 滤波降噪后的进场航迹提取

将降噪滤波后的机场终端区实际进场航迹与34R跑道标准进场程序比较,图5中所示为从AVBOX进港点进港的航班实际飞行轨迹与标准进场程序的对比图。其中,实线航迹代表标准飞行程序,虚线航迹是航空器实际运行轨迹,星号是航路点标识。可以明显的发现大部分进港航班都与标准进场程序有一定程度的偏离,部分航空器在空域资源较好,交通不拥堵时选择直飞五边加入进近程序,另一些航空器部分依照标准程序,在转弯时依据自身飞行习惯和调配情况都与标准程序有一定的横向偏离。从数据统计意义上来看,在实际的运行中,飞行员并没有严格的按照标准飞行程序所规定的航路点飞行。

图5 西侧进场航班实际运行轨迹与标准程序的相对偏离情况

5.2 聚类分析

为了将得到盛行交通流做进一步分析与优化,对所筛选时间内所有进港航班进行模糊聚类,采用第2节的模糊C均值聚类,对预处理后统计样本的三个方向进场航迹点进行分开聚类。选取的聚类中心数目必须适中,若太少不能完全反应真实航迹的特征,若太多则会降低航迹聚类的效果。经过多次的调试与试验分析,AVBOX方向进场数据点较多,设航迹点聚类成35个航迹点聚类中心;而DUMAP方向进场数据点较少且航迹走向平稳,故设聚类中心数目为10;GUVBA进港点进场高度较高,进场航迹跨度大,但是进港的航班并不多,综合考虑后将航迹点聚类成25个航迹点聚类中心效果较佳[12]。聚类后,中心点和航迹的相对关系图如图6所示。图中灰色轨迹为进场航迹,黑色点为聚类中心。图7为二维聚类中心航迹,从中可以航迹聚类后分为6类,标准程序为四条,与标准程序有一定偏差。

图6 聚类中心点与航迹相对位置

图7 二维聚类中心航迹

聚类得到盛行交通流相比标准进场程序更为简单和直接,在管制调配下大部分航空器不经过IAF点而是直接飞向最后进近定位点进行着陆,更加符合飞行员的操作习惯和管制员的指挥意图。

5.3 基于聚类结果的优化飞行程序

如上述介绍,先通过对各聚类中心进行特征性分析,得到的特征点基本可作为优化程序的航路点。表1为西侧进场轨迹聚类中心点的飞行状态特征信息统计,其中的高度改变点可以直接统计得到,转弯点识别利用上述3.1节的方法实现。由于篇幅所限,北侧和东侧进场航迹聚类中心点信息不在文中列出。为了使机场终端区程序设计尽量简单、便于操作,尽量用直线段航段来代替曲线段和小坡度转弯。转弯识别阈值Φ设定为rad=π/12,deg=15°,该值可以辨别出机场终端区有意义的机动转弯,消除微小变化带来的影响。根据识别出的特征点重新规划的航迹如图8所示。其中:图8(a)为新规划的天津机场终端区东侧进场进近航迹,与原程序大体相同但距离缩短;图8(b)为新规划的西侧进场程序,相比原程序多设置了一条直飞IF点的程序;图8(c)为新规划的机场北侧进场程序,根据特征点位置,相对于现有程序新增一进港点DOTRA,并新增由该进港点进场的飞行程序两条。图8(d)为天津机场终端区现有进场进近程序。

表1 西侧进场航迹中心特征信息

图8 优化后的飞行程序与原程序对比图

5.4 优化后的飞行程序评估

对优化后的飞行程序进行评估,评估结果如表2所示。由天津滨海国际机场航行资料(AIP)可知,天津机场36R跑道标准仪表进场程序IF点(中间进近定位点)的程序高度为600m,控制障碍物为海拔高度205.4 m的烟囱。根据ICAO8168中间进近航段障碍物评估方法,该航段的OCA超障高度为355m,因此表2中优化后的飞行程序IF点程序高度均满足超障高度要求。进场航段航空器飞行高度较高,天津机场终端区障碍物对进场航段的飞行安全影响无影响,故评估过程主要是检查各个航段梯度,如表2 PDG列所示,满足ICAO8168中有关航空器进场进近航段下降梯度的要求。

表2 优化后的程序评估

与原机场标准飞行程序相比,优化后的飞行程序更加符合飞行员和管制员使用习惯,将会显著提升机场飞行程序的使用效率,未来可考虑基于某个运行时段(半年或一年)实际航空器运行数据和机场周边障碍物变化情况,动态更新机场飞行程序。

6 结论

本文讨论了现有飞行程序设计、优化中存在的问题,提出了利用航迹大数据挖掘的手段来优化机场终端区飞行程序的模型。根据所给出的优化模型重新设计出一套天津机场36R跑道的进场程序,该程序满足规范且符合程序用户使用需求。研究结果表明:现有终端区标准飞行程序设计存在不足,实际飞行轨迹与标准程序存在偏差。通过实际航空器飞行航迹聚类结果进行机场标准飞行程序优化合理有效,可为优化现有飞行程序、提升飞行程序的可执行性提供关键技术支撑。