-
题名基于时效网络的关键航空器识别方法
- 1
-
-
作者
王红勇
马丽书
许平
-
机构
中国民航大学空中交通管理学院
-
出处
《北京航空航天大学学报》
北大核心
2025年第5期1579-1590,共12页
-
基金
国家自然科学基金(U1833103)
天津市自然科学基金(21JCZDJC00840)。
-
文摘
针对空中交通态势中关键航空器识别问题,现有研究未能充分考虑空中交通实际运行中的时空效应。因此,提出一种基于时效网络的关键航空器识别方法。利用航空器间汇聚关系及其复杂性,通过邻居拓扑重叠系数构建时效网络模型,并基于特征向量中心性确定关键航空器。对关键航空器节点进行网络攻击观察扇区复杂性变化情况,并对比基于静态网络指标下的攻击,采用改进遗传算法为网络攻击删除的航空器节点分配新的进扇区时刻,从而验证关键航空器的选取效果。通过实际数据验证表明:所提方法相较于静态网络攻击在移除关键航空器时更高效地降低了扇区平均复杂性,改进的遗传算法求解关键航空器进扇区时刻分配问题时收敛性更高,使得扇区复杂性在一定时间段内更加平稳。分析关键航空器的控制效果表明:所提方法相较于静态网络更能准确地识别一段时间内对扇区复杂性影响较大的航空器。
-
关键词
航空运输
扇区复杂性
关键航空器
空中交通态势时效网络
网络攻击
遗传算法
-
Keywords
air transportation
sector complexity
critical aircraft
air traffic situation timeliness network
network attack
genetic algorithm
-
分类号
V355
[航空宇航科学与技术—人机与环境工程]
-
-
题名基于相依网络和SVM的管制系统运行态势评估
被引量：9
- 2
-
-
作者
李昂
聂党民
温祥西
王泽坤
杨诚修
-
机构
空军工程大学空管领航学院
国家空管防相撞技术重点实验室
中国人民解放军
-
出处
《系统工程与电子技术》
EI
CSCD
北大核心
2021年第5期1287-1294,共8页
-
基金
国家自然科学基金(71801221)资助课题。
-
文摘
客观准确地评估管制系统整体的运行态势,能够帮助管制员从宏观上掌控管制系统的运行状态,针对这一问题本文提出了一种基于相依网络和支持向量机(support vector machine,SVM)的管制系统运行态势评估方法。使用管制飞行状态相依网络模型来代表管制系统,充分考虑了空中航空器与地面管制员的整体状态,采用相依网络指标描述网络运行态势。评估方法选择SVM,将运行态势评估问题转化为分类问题,以点到运行顺畅分类边界的距离作为指标从整体上评估管制系统的运行态势,降低了主观因素对评估方法的影响。仿真分析与在长水机场的实例分析结果均表明:该评估方法能够给出具体的管制系统运行态势值,为管制员提供客观准确的态势信息。
-
关键词
空中交通管制
复杂网络
相依网络
支持向量机
态势评估
-
Keywords
air traffic control
complex network
interdependent network
support vector machine(SVM)
situation assessment
-
分类号
V355
[航空宇航科学与技术—人机与环境工程]
-
-
题名基于时空图卷积的航段拥挤态势预测
- 3
-
-
作者
殷建棠
刘继新
田文
张颖
陈海燕
-
机构
南京航空航天大学民航学院
-
出处
《北京航空航天大学学报》
2025年第11期3906-3915,共10页
-
基金
国家重点研发计划(2022YFB2602403)
国家自然科学基金(71971112)。
-
文摘
针对空中交通流量增加而导致航段拥挤现象加重的问题,对航段拥挤态势预测进行了研究。采用时空图卷积模型可以很好地提取航段空间特征和捕捉交通数据时间特征。将区域扇区航段网络转化为模型输入的航段拓扑图,其中,点的信息代表航段网络中边的信息;提出一种新的衡量航段拥挤的指标,即航段单位长度飞机平均飞行时间;建立新的四维特征数据表示航段拓扑图中点的信息;基于图卷积网络(GCN)和门控循环单元(GRU)组成的时空图卷积神经网络对指标进行预测。实验结果表明:与传统自回归求和滑动平均(ARIMA)模型和GRU相比,采用的模型短期预测(15 min)下性能最优,均方根误差(RMSE)分别下降了21.95%和1.44%,平均绝对误差(MAE)分别下降了23.36%和3.74%。采用的方法充分利用影响航段拥挤态势的输入特征,捕捉航段交通流之间的时空相关性,能有效提高航段拥挤态势预测的精度,为准确把握各航段交通流运行态势并实施有效的管理提供了技术支撑。
-
关键词
空中交通管理
航段拥挤态势预测
图卷积网络
时空相关性
交通数据
-
Keywords
air traffic management
segment congestion situation prediction
graph convolutional network
spatiotemporal correlation
traffic data
-
分类号
V355.1
[航空宇航科学技术]
-
