一种机场场面交通拥堵状态演化模式识别方法

本发明涉及机场运行管理领域，具体涉及一种机场场面交通拥堵状态演化模式识别方法。

背景技术：

1、随着世界航空运输市场的蓬勃发展，迅速增长的航空运输量使得许多机场长期处于高负荷运行状态，步入大型繁忙机场行列。随之而来的是机场场面运行阶段的交通拥堵和航班延误现象频发，导致了场面滑出时间过长、燃油消耗排放过度污染环境、航空出行旅客体验感下降等系列问题。此外，由于机场是航空运输系统的关键瓶颈，机场场面交通拥堵导致的航班延误可能进一步波及到空中交通网络，从而影响全网范围内的航班正常运行。在此背景下，理解大型繁忙机场场面的交通拥堵与状态演化特性，以有效地适应日益增长的空中交通需求，具有重要意义。

2、然而，机场场面环境复杂、运行规则繁琐、利益相关方众多，难以建立粒度合适的表征模型；同时还存在状态连续和离散形式混杂的特点，例如连续的场面运行管理过程与离散的跑道运行模式变更混合交织；此外，大量环境与人为的不确定因素导致机场场面交通状态演化具有随机性，难以有效掌握其演化规律。因此，如何采用科学手段对机场场面交通拥堵状态及其演化过程进行分析识别，挖掘其对实际运行的指导价值和潜在效益，成为当前亟待解决的关键问题。

技术实现思路

1、为解决上述问题，本发明提出了一种机场场面交通拥堵状态演化模式识别方法，基于机场场面运行过程的连续性、离散性和随机性特点，构建机场场面运行随机混杂动力学方程；然后采用椭圆概率可达集模型计算各运行时段的状态变量范围；在此基础上制定滑行效率和交通负荷不同视角下的状态空间离散划分方法，得到多类边界条件；基于状态空间边界条件，设计状态轨迹表征方法和混杂特征集合，通过无监督聚类算法实现机场场面交通拥堵状态演化模式识别，为机场场面运行管理决策提供基础支撑。本发明能够自动挖掘不同时间尺度的状态演化模式，并给出相应特性描述，可以在实时运行管理过程中提供对未来交通状态的感知参考，也可以辅助对机场场面交通状态进行事后分析。

2、采用的技术方案如下：

3、一种机场场面交通拥堵状态演化模式识别方法，包括：

4、s1、机场场面运行动力学建模：基于机场场面运行过程的连续性、离散性和随机性特点，构建机场场面运行随机混杂动力学方程；并选取关键运行参数离场滑行量和起飞吞吐量作为状态变量形成二维状态空间，用于描述机场场面运行过程；

5、s2、运行时段状态可达集鲁棒计算：对不同运行时段的进行划分，构建椭圆概率可达集模型，基于场景方法对所述椭圆概率可达集模型求解，计算不同运行时段的状态变量范围；

6、s3、状态空间离散边界划分：分别从交通负荷和滑行效率两个方面对机场场面运行的状态空间进行离散边界划分，得到状态空间的多类边界条件并进行融合；其中，选取所述椭圆概率可达集模型的中心点作为交通负荷的表征，构建场景平均滑出时间指标来反映滑行效率；

7、s4、交通拥堵状态演化模式聚类识别：基于s3划分状态空间的边界条件，定义状态轨迹并提取状态轨迹数据集，以及构建状态轨迹的混杂特征集合；通过对所述混杂特征集合主成分降维和k-means聚类技术来识别场面交通拥堵状态的演化行为。

8、进一步，s1具体包括如下步骤：

9、s11、构建机场场面运行随机混杂动力学方程：

10、机场场面运行包含连续状态演化和离散状态切换的过程，运行过程具有连续性、离散性和随机性特点，将目标时间范围按照时间间隔进行离散划分，得到个采样时段，其中每一个采样时段表示为，；设表示机场场面运行的第个时段的连续状态变量样本，为描述机场场面运行的状态变量的维度；令表示第个时段的离散状态，为离散状态集合；

11、在每个离散状态中，机场场面运行的连续状态动力学方程如式（1）所示：

12、（1）

13、式中，表示带有未知参数的随机噪声概率分布，是一个非线性的用于表示特定的离散状态的函数；

14、s12、状态变量的选取

15、状态变量为离场滑行量，表示在时段内被推离停机位滑出但还未起飞的航班数量，状态变量为起飞吞吐量，表示在时段内完成起飞的航班数量，这两种状态变量能够有效描述机场场面运行过程，用作构建机场场面运行动力学方程的状态变量，形成二维状态空间，表示为：

16、；

17、在时段两种状态变量表示为：

18、（2）

19、（3）

20、式中，和为符号函数，用于判断航班集合中第架航班在时段中是否处于离场滑行或者已起飞状态，判断逻辑为：

21、（4）

22、（5）

23、式中：和分别代表第架航班的实际停机位推出时间和实际起飞时间。

24、进一步，s2具体包括如下步骤：

25、s21、不同运行时段划分。

26、将运行日以时间间隔进行划分，划分后不同运行日的相同运行时段表示为，代表所有历史运行日中时段的状态变量样本，；以历史状态变量样本数据为基础，在完成分组划分后，依次得到不同运行时段的历史状态变量样本集合；

27、s22、椭圆概率可达集模型构建：

28、将受随机因素影响的状态变量表示为，其中，表示不确定性，表示不确定性集合；为了表示时段的状态变量样本受到不确定性因素的影响，在状态空间中引入了概率可达集作为状态变量样本的范围表征，允许占比为的一小部分状态变量样本不必属于概率可达集；

29、根据s21不同运行时段的历史状态变量样本集合，对每一个时段构建椭圆概率可达集模型，为获得尽可能紧密的概率可达集，通过机会约束优化所述椭圆概率可达集模型，目标是使得整体的椭圆面积最小，并且机会约束确保概率可达集包含比例可能的状态变量样本，得到如下机会约束优化的椭圆概率可达集模型：

30、（6）

31、（7）

32、式中：和代表椭圆概率可达集模型的参数，为运行日划分后所得的时段总数量，代表概率可达集的概率度量；

33、s23、基于场景方法求解：

34、由于不确定性的概率分布是未知的，所述机会约束优化的椭圆概率可达集模型的精确解求解较为困难，因此，通过场景优化方法以获得近似解，具体地，通过次采样作为对不确定性进行的抽样，将机会约束替换为一组确定性约束，命名为场景，定义一天中的每个时段都为一个场景；此外，为避免离群异常状态变量样本的影响，设计了约束消除策略，即，移除场景的数量表示为，，对式（7）改进如下：

35、（8）

36、其中，为总采样的样本中移除异常状态变量样本后的采样次数，表示被移除的采样次数，所求得最优解表示为，其中概率保证是通过来实现的，而参数则由用户定义，状态变量的维度表示为，置信度参数为，得到如下表达：

37、（9）

38、其中，；式（9）表示如果将机会约束替换为从个场景中得到的确定性约束，则最优概率可达集满足式（10）：

39、（10）；

40、其中，分别为二维矩阵参数和二维向量参数。

41、进一步，s3具体包括如下步骤：

42、s31、基于交通负荷的边界划分：

43、s311、选取椭圆概率可达集模型的中心点作为交通负荷的表征，由s23中计算所得的各时段所述最优概率可达集的中心点为相应时段的典型可达集样本，作为其在状态空间的位置表示；

44、s312、对所有时段的所述典型可达集样本的集合进行聚类分析，将典型可达集样本集合以二维状态变量值作为特征，使用dbscan聚类算法，经调参聚类完成后得到个类簇，取每个类簇中到状态空间坐标原点最近距离和最远距离的样本作为边界样本，计算不同类簇间边界样本连接线的中值作为关键阈值；

45、s313、以状态空间的原点为圆心，原点到所述关键阈值的距离为半径做圆弧，得到条圆弧边界，作为基于时段可达集，即基于交通负荷的边界划分条件表示为：；

46、其中， c表示第 c条边界， c是聚类的总类别数量，表示第 c条交通负荷边界；

47、s32、基于滑行效率的边界划分，引入滑行效率度量指标对现有状态空间进行扩展，称之为扩展状态空间，以场景平均滑出时间指标来反映滑行效率：

48、s321、定义，，表示的最大值，令；定义，，表示的最大值，令；

49、遍历和的所有取值，计算对应的场景平均滑出时间；

50、的计算公式为：

51、（11）

52、（12）

53、式中，是符号函数，用于判断时段的样本是否属于状态变量为的场景，若属于，计算此样本对应的样本平均滑出时间，若不属于，则不纳入计算；

54、代表属于时段的样本平均滑出时间，计算公式为：

55、（13）

56、（14）

57、式中，是航班集合中第架航班的实际滑出时间，即和的时间差，用于判断第架航班在时段时是否处于离场滑行状态；

58、s322、选定个关键滑出时间作为参数，与s321计算得到的所有场景平均滑出时间按横轴方向逐一进行最近距离匹配，得到条状态变量序列，表示为，其中，，，为每一条序列的长度，对应的最大值，，。

59、s323、采用一组非递减的凹函数来拟合条状态变量序列，同时也用于表示基于滑行效率的边界条件；每一个凹函数的输入和输出取值分别属于和；

60、为最小化的映射值与匹配状态变量序列的误差平方和，设置目标函数：

61、（15）

62、函数单调性和逐次递减性的约束如下：

63、（16）

64、（17）。

65、进一步，s3还包括：

66、s33、多类边界融合：

67、基于交通负荷的边界划分和基于滑行效率的边界划分分别为以状态空间原点为圆心的圆弧形式、和以状态空间原点为起点的单调递增曲线形式，互相之间呈现近似垂向关系；将两种边界划分在同一状态空间中进行集成，视为机场场面运行的离散边界；当状态变量样本的位置越过离散边界时，则认为发生了状态跳变；令状态空间原点与其最近的圆弧边界形成的区域统一设置为静默区域，不再进行边界区分。

68、进一步，s4具体步骤如下：

69、s41、状态轨迹定义与提取：

70、利用状态变量在状态空间中的移动轨迹作为状态轨迹，表达机场场面交通拥堵状态演化模式，将状态轨迹的形成条件进行规定：（1）必须由静默区域开始，途径非静默区域，终止于静默区域；（2）处于非静默区域的持续时间不少于1小时；（3）根据状态轨迹定义和形成条件，从历史状态变量样本集合中提取历史状态轨迹数据集；

71、s42、构建状态轨迹的混杂特征集合：

72、针对状态轨迹构建连续状态特征和离散状态特征，并将两类特征作为一个混杂特征集合；

73、s43、混杂特征集合的降维与聚类：

74、s431、基于s42得到的混杂特征集合形成历史状态轨迹数据集的二维矩阵，使用主成分分析方法对特征维度进行降维压缩，提取轨迹关键表征信息；

75、s432、使用k-means算法对压缩后的特征进行聚类分析，利用手肘法判断聚类类别数量；

76、s433、选取所得每一个聚类类别的中心样本作为相应类别的典型拥堵状态演化模式样本，其对应的特征数值为所述典型拥堵状态演化模式的相关特性表征。

77、进一步，s41中，对历史状态轨迹数据集提取的具体步骤如下：

78、s411、基于s3得到的离散边界，对历史状态变量样本集合进行离散区域标定；

79、s412、依据时段索引，逐条样本判断离散区域；

80、s413、当状态变量样本处于静默区域时，其时段索引被视为状态轨迹的开始时段索引；若后续状态变量样本仍处于静默区域，则状态轨迹的开始时段索引被对应状态变量样本的时段索引更新；

81、s414、若后续状态变量样本进入非静默区域，开始时间索引停止更新；当处于非静默区域的时间超过1小时后，有效轨迹判断变量被激活，并将当前状态变量样本的时段索引记录为终止时间索引，其随后续处于非静默区域的状态变量样本的时段索引不断更新；

82、s415、当状态变量样本返回静默区域且有效轨迹判断变量处于激活时，意味着当前状态轨迹终止；将当前状态变量样本的时段索引作为状态轨迹的结束时间索引，并与其最初记录的开始时间索引形成一条状态轨迹对应的时段进行存储；

83、s416、依时段索引顺序遍历完所有原始的状态变量样本，按照时段索引进行提取，得到历史状态轨迹数据集合。

84、进一步，s42中，定义两种机动动作来描述状态变量的转移过程：一种是共生机动，表明离场滑行量和起飞吞吐量的数值变化方向是一致的，另一种是权衡机动，表明离场滑行量和起飞吞吐量的数值变化方向是相反的。

85、进一步，s42中，连续状态特征包括：

86、持续时间：状态轨迹开始时段索引与终止时段索引之差；

87、跨天指示量：为布尔变量，当状态轨迹的终止时间超过次日零点时为1，否则为0；

88、状态变量最大值：状态轨迹所达到离场滑行量和起飞吞吐量的最大值；

89、状态变量平均值：状态轨迹所包含所有状态变量样本的离场滑行量和起飞吞吐量平均值；

90、机动计数：共生和权衡方向的机动次数；

91、机动距离：共生和权衡方向的机动距离和；

92、起止时间：状态轨迹开始时间索引和终止时间索引；

93、包围面积：状态演变过程中起飞吞吐量的变化情况，通过计算其与状态空间横轴包围形成的面积；

94、离散状态特征包括：

95、模式多样性：状态轨迹所历经离散区域的种类数；

96、各模式驻留时间：状态轨迹在各离散区域中的驻留时间。

97、本发明与现有技术相比所具有的有益效果如下：

98、1. 考虑了机场场面运行过程的连续性、离散性和随机性特点，通过随机混杂动力学方程进行统一建模，并选取关键运行参数进行状态变量表示，更加完整地建模了机场场面的复杂运行过程。

99、2. 从交通负荷和滑行效率等不同视角分析机场场面运行的离散特性，并提供多类状态空间边界条件，可以从多个维度反映机场场面的状态演化模式。

100、3. 引入状态轨迹表征形式来刻画机场场面动态运行过程，并利用特征降维和无监督学习算法来进行聚类分析，实现了时间尺度灵活的机场场面交通拥堵状态演化模式自动识别。