2. 四川大学 国家空管自动化系统技术重点实验室,四川 成都 610065
2. National Key Lab. of Air Traffic Control Automatization System Technol., Sichuan Univ. Chengdu 610065, China
当航班遭遇恶劣天气、空域容量下降等情况时,初期的战术级空中流量管理如地面等待,会造成大面积航班延误影响航班运行。因此,通过动态变更航空器的飞行路径来提高航班运行效率变得越来越重要,即以少量的空中飞行换取长时间的地面和空中等待。国外在改航路径规划研究上已经取得了一些具有代表性的成果:Krozel等[1]提出了自由飞行改航路径规划方法;Mukherjee等[2]研究了动态改航路径规划的模型;Taylor等[3]研究了基于模拟退火算法的改航路径规划模型;Chen等[4]提出一种基于网络的空中交通流模型,并将其用于实时的航路飞行流量预测,这对空中交通的改航路径规划具有相当大的借鉴意义;Sadovsky等[5]提出了一种针对天气不确定性的Risk-Hedged改航方法;Agustin等[6]提出了0–1模型,设计相关风险函数针对航班取消、改航策略进行研究以提高空中交通运行效率;Sheth等[7]在专利中也针对空域单元相关限制提出了行之有效的改航策略与方法。Souza等[8]针对交通拥堵问题进行研究,提出了相关预警和改变交通流向的方法以提高城市地面交通的容量和效率。国内的宋柯[9]、李雄等[10]、王飞等[11]等也对改航策略、改航模型以及算法做了大量具体研究,提出了基于几何和Maklink图的改航算法。
上述大多数方法只考虑某些单一因素进行改航研究,未能建立合理全面的约束条件。此外,在改航路径选取上没有考虑关键航段的历史运行情况,不能很好的衡量选取改航路径的合理性。因此,作者在总结已有研究的基础上,提出了一种基于改航约束和挖掘历史雷达数据的运行特征的改航算法。算法首先根据经济性、安全性、航路特征和容量影响等因素粗选改航区间的航路通路以得到满足条件的关键点序列集合。随后从雷达数据中分析频繁飞行航段(利用率)确定最终改航关键点序列。算法考虑了航班真实运行情况,频繁飞行航段(利用率高的航段)意味着有较高安全性、较少飞行冲突以及更加完善的飞行保障条件。最后通过机器学习方法挖掘经过该航段的航班运动特征(运动状态向量),采用运动学方程预测出完整的改航路径。
1 改航约束条件1)经济性约束
主要考虑当前飞机燃油量是否满足改航造成的额外燃油消耗,描述如下:
${R_{\rm f}} = w(\sum\limits_{i = 1}^N {{l_i}} - {l_{{\rm{src}}}}) \le 0.6{R_{{\rm{surplus}}}}$ | (1) |
式中,
2)安全性约束
主要考虑改航路径与受限区(危险区、限制区、天气影响区域、军事活动区和流量管制区域等)之间的距离间隔是否满足最低要求,将整个改航路径分段计算,因此只需要航段起始和终止点与受限区的距离满足如下条件:
${R_{\rm s}} = \min ({S_{\!\!mn}}) \ge {S_{{\rm{thresold}}}}$ | (2) |
式中:
3)航路特征约束
主要考虑改航路径的关键点数量、航段长度以及在各个关键点的转弯角度,包含进入改航规划路径和回到原航路的角度,约束描述如下:
改航路径关键点数量:
改航路径的航段长度:
飞行进入和离开改航路径的转弯角度:
4)对空中交通流量的影响
改航后的路径不能造成与该路径相关的空域单元(关键点、航段、空域等)出现流量告警或者预警问题。约束条件为
Step1 根据改航问题描述的区域获取改航起始关键点和最小改航区间终止关键点;
Step2 根据空管基础数据获取改航区间的关键点以及航段连通性,建立搜索树得到所有从起始点到终止点的改航路径集;
Step3 根据约束条件对改航路径集的所有路径进行判别,去掉不满足所提出的改航约束条件的路径;
Step4 若改航路径集中不存在满足条件路径,将终止关键点设置为计划航路的下一关键点,重复Step2和Step3,否则转到Step5;
Step5 基于历史雷达数据进行航段利用率分析,选取最优改航路径关键点序列;
Step6 根据改航路径关键点序列信息,基于历史雷达数据规划改航路径。
3 改航关键点选择 3.1 变量描述1)历史航班信息集合
2)针对某空域单元
3)
4)
5)
6)
算法核心思想为:遍历历史航迹轨迹点
令
${\delta _i} = \frac{{pn(a{r_i},{F_r}(a{r_i}))}}{{pn(a{r_i},{F_p}(a{r_i}))}}$ | (3) |
航段利用率定义主要考虑在航段实际经过航班数量与计划经过航班数量的比值。一般来说,若无特殊情况航班将按照计划航路执行整个飞行过程,其经过的航段利用率应该为1。若某一航段的利用率小于1,则说明该航段可能因为某些情况导致了航班改航,即该航段存在改航的潜在可能(如经常进行飞行管制、导航设施覆盖等问题),在确定改航路径时必须避免这些具有潜在风险的路径。同时,航段利用率大除与正常飞行次数相关外,还可以衡量其被选择为改航路径的可能性。若一条航路多次被选择为航段路径,则说明该航段满足本文提出的改航约束条件(如经济、安全等),这也是在确定改航路径应该重点考虑的因素。总之,利用率高的航段更加符合改航路径的要求。
4 路径规划经过历史航迹数据分析得到改航路径关键点之后,进一步预测完整的改航飞行路径。本文路径规划算法主要思想是以历史航班飞行的速度矢量
由于各关键点航段之间的飞行条件差异,因此对经过相邻关键点组成的航段区间的轨迹速度矢量单独建模。采用高斯分布对航段速度矢量分布进行描述[13],其分布函数表示为:
$p({ V}|\psi ) = \frac{1}{{\sqrt {\det 2{\text{π}} {{\varSigma}}} }}{{\rm e}^{ - \frac{{{{(V - {{\mu }})}^T}{{{\varSigma}} ^{ - 1}}(V - {{\mu }})}}{2}}}$ | (4) |
式中,
采用贝叶斯估计方法对高斯分布对未知参数进行学习[14],贝叶斯估计方法认为未知参数也服从某一分布,假设其分布为
$p({{V}}|\psi ) = \mathop \prod \limits_{i = 1}^N p({{{v}}_i}|\psi )$ | (5) |
$p(\psi |{{V}}) = \frac{{p({{V}}|\psi )p(\psi )}}{{\int_{\psi \in \Omega } {p({{V}}|\psi )p(\psi ){\rm d}\psi } }}$ | (6) |
在平方误差损失下的最优贝叶斯估计量为:
$\overline \psi = d\int_{\psi \in \Omega } {\psi p(} \psi |{{V}}){\rm d}\psi $ | (7) |
式中:
在已学习到各航段区间速度矢量分布函数之后,需要通过采样得到预测的速度矢量序列,本文采用了一种效率较高的MCMC(Markov chain Monte Carlo)采样方法[15],其基本思想如下:
1)初始化速度矢量为上一阶段的最终值,假设为
2)在
$\left\{\begin{aligned}& v_x^{t + 1} \sim p({v_x}|v_y^t,v_{\textit{z}}^t),\\& v_y^{t + 1} \sim p({v_y}|v_x^{t + 1},v_{\textit{z}}^t),\\& v_{\textit{z}}^{t + 1} \sim p({v_{\textit{z}}}|v_x^{t + 1},v_y^{t + 1})\end{aligned}\right.$ | (8) |
在对速度矢量序列采样之后,采用匀加速运动方程计算航班各预测周期的位置形成最终的改航路径。设航班在
$\left\{\begin{aligned}& {x_{t + 1}} = v_x^tT + 0.5(v_x^{t + 1} - v_x^t)T,\\& {y_{t + 1}} = v_y^tT + 0.5(v_y^{t + 1} - v_y^t)T,\\& {{\textit{z}}_{t + 1}} = v_{\textit{z}}^tT + 0.5(v_{\textit{z}}^{t + 1} - v_{\textit{z}}^t)T\end{aligned}\right.$ | (9) |
通过预测航班在改航飞行阶段不同的预测周期的位置,我们可以得出航班的改航航迹。
5 应用实践本文提出的改航算法自研究开始已在某大型流量管理系统中得到应用并逐步完善,通过事后轨迹分析验证算法的正确性和有效性。下面简要说明本文提出算法的仿真过程,仿真数据为2014年7月14日某已改航航班,该航班在SUBUL-P248航段区间受天气影响需改航飞行,系统历史数据包含2013年1月1日至2014年7月1日的所有航班信息,航班数据包含航班计划信息和雷达航迹信息,评价指标为算法改航路径的航班位置信息与雷达采集的航班改航区间内位置信息的误差。本文算法的“改航关键点选择”部分由于与现有系统相关联采用C++实现,并为后续实现提取出所需数据;“路径规划部分”在Matlab中实现并仿真。
5.1 关键点选择首先从最小改航区间开始进行航路连通性判别,得到满足条件的改航关键点序列有4个候选,其航路点序列分别为:
1)〈SUBUL, TOREG, P248〉;
2)〈SUBUL, TOREG, GAO, VENON〉;
3)〈SUBUL, TOREG, OGOMO, JTG〉;
4)〈SUBUL, TOREG, WFX, OMGUS〉。
随后,按照约束条件对关键点集合进行判别,结果如表1所示,其中经济性以改航造成的额外飞行距离表示,km;安全性以关键点与天气影响区域的最小距离表示,km。
然后,对表1中满足约束条件的关键点序列进行利用率分析可知,由第3和4个序列点组成的航段的利用率相对较高,约为93%左右。但第4个序列的额外飞行距离较短(经济性更高),因此选择关键点序列4作为改航航段,如图1所示,其中,实线为计划航路,虚线为改航关键点的连线。
5.2 路径规划
根据算法步骤,在历史数据中查找所有经过“SUBUL-TOREG-WFX-OMGUS”关键点序列的雷达数据,并提取飞行各时刻在三维空间内的速度矢量,将其按飞行日期和航班号保存在文件中。在Matlab中实现GMM参数学习和速度矢量预测功能,利用匀加速运动方程进行航班位置点计算,并与历史数据中该航班在改航区间采集的位置点进行比较。本文的改航发生在巡航阶段,因此不考虑高度变化(
图2和3分别描述了本文算法的改航路径与真实采集轨迹的误差曲线图。通过图2可知,由本文算法选择的最优改航关键点序列(路径)与实际运行过程中采取的改航策略一致。进而从图3可知基于机器学习的改航路径规划算法与历史数据采集的轨迹点具有较高的相似度,其距离误差较小且稳定。通过更加准确的改航路径轨迹预测,改航路径相关的空域单元(机场、空域等)能够提前预测局部空中交通态势并制定相关管理措施。
6 总结与展望针对航班运行过程中的改航问题进行研究,综合考虑经济性、安全性、航路特征等约束以及真实历史数据的运行特点,应用数据挖掘和机器学习的思想解决改航关键点选择以及路径规划问题。通过实践证明了算法的正确性,且具有很高的实用价值。本文的主要工作如下:
1)建立了改航约束条件,为改航区间的粗选航段提供了一种有效的方法。采用的约束条件全面的考虑了改航过程的经济性、安全性、航路特征以及局部流量影响等因素,能更加合理的选择改航路径;
2)提出了基于历史雷达数据分析关键点利用率的路径规划算法以获取改航路径的最优关键点。算法考虑关键点(航段)在历史数据中的运行情况,能够筛选出更加安全的改航路径。
3)建立速度矢量分布函数,通过机器学习算法学习模型参数并预测速度矢量序列,最终利用运动学方程预测规划路径。机器学习模型能够更加准确的预测航班的飞行路径,也为改航路径相关空域单元的流量管理提供数据支撑。
同时,在运行实践中遇到的问题也指明了本课题下一步研究的重点:建立更加合理高效的历史雷达数据搜索和分析模型,并基于已选关键点进行更加准确的路径规划等。
[1] |
Krozel J,Penny S,Peter J,et al.Comparison of algorithms for synthesizing weather avoidance routes in transition airspace[C]//AIAA Guidance,Navigation,and Control Conference and Exhibit.Providence,Rhode Island:American Institute of Aeronautics and Astronautics,2004:446–461.
|
[2] |
Mukherjee A,Hansen M. A dynamic rerouting model for air traffic flow management[J]. Transportation Research(Part B Methodological), 2009, 43(1): 159-171. DOI:10.1016/j.trb.2008.05.011 |
[3] |
Christine T,Craig W.Generating operationally-acceptable reroutes using simulated annealing[C]//10th AIAA Aviation Technology Integration and Operations (ATIO) Conference.Reston,Virigina:American Institute of Aeronautics and Astronautics,2010:1–22.(DOI:10.2514/6.2010-9017)
|
[4] |
Chen Dan,Hu Minghua,Ma Yuanyuan,et al. A network-based dynamic air traffic flow model for short-term en route traffic prediction[J]. Journal of Advanced Transportation, 2017, 50(8): 2174-2192. DOI:10.1002/atr.1453 |
[5] |
Sengupta P,Tandale M D,Menon P K. Risk-Hedged approach for re-routing air traffic under weather uncertainty[J]. Journal of Guidance,Control,and Dynamics, 2014, 37(5): 1487-1500. DOI:10.2514/1.G000412 |
[6] |
Agustin A,Alonso-Ayuso A,Escudero L F,et al. On air traffic flow management with rerouting.Part I:Deterministic case[J]. European Journal of Operational Research, 2012, 219(1): 156-166. DOI:10.1016/j.ejor.2011.12.021 |
[7] |
Sheth K S,Mcnally D B,Erzberger H.Method and system for air traffic rerouting for airspace constraint resolution.US Patent 9558670 [P].2017–1–31.
|
[8] |
Souza A M,Boukerche A,Maia G,et al.SPARTAN:A solution to prevent traffic jam with real-time alert and re-routing for smart city [C]//Vehicular Technology Conference (VTC-Fall),Montréal,Canada:IEEE,2016:1–5.
|
[9] |
Song Ke.The research of re-routing problem in air traffic flow management [D].Nanjing:Nanjing University of Aeronautics and Astronautics,2002. 宋柯.空中交通流量管理改航策略初步研究[D] .南京: 南京航空航天大学,2002. |
[10] |
Li Xiong,Xu Xiaohao,Zhu Chenyuan, et al. Air traffic reroute planning based on geometry algorithm[J]. Systems Engineering, 2008, 26(8): 37-40. [李雄,徐肖豪,朱承元,等. 基于几何算法的空中交通改航路径规划[J]. 系统工程, 2008, 26(8): 37-40. DOI:10.3969/j.issn.1001-4098.2008.08.007] |
[11] |
Wang Fei,Wang Hongyong. A re-routing path planning method based on Maklink graph and GA algorithm[J]. Journal of Transportation Systems Engineering and Information Technology, 2014, 14(5): 154-160. [王飞,王红勇. 基于Maklink图和遗传算法的改航路径规划方法研究[J]. 交通运输系统工程与信息, 2014, 14(5): 154-160. DOI:10.3969/j.issn.1009-6744.2014.05.023] |
[12] |
Zheng Yu,Zhou Xiaofang.Computing with spatial trajectories [M].NewYork:Springer,2011:167–171.
|
[13] |
Qiao Shaojie,Jin Kun,Han Nan,et al. Trajectory prediction algorithm based on gaussian mixture model[J]. Journal of Software, 2015, 26(5): 1048-1063. [乔少杰,金琨,韩楠,等. 一种基于高斯混合模型的轨迹预测算法[J]. 软件学报, 2015, 26(5): 1048-1063.] |
[14] |
Qiao Maoying,Bian Wei,Richard, et al. Diversified hidden markov models for sequential labeling[J]. IEEE Transactions on Knowledge and Data Engineering, 2015, 27(11): 2947-2960. DOI:10.1109/TKDE.2015.2433262 |
[15] |
Ronald P S Mahler.Statistical multisource- multitarget information fusion [M].Boston:Artech House,2013:27–42.
|