文摘

空中交通管制的空域分为几个较小的部门更好的管理空中交通和空中交通控制器的工作负载。这样的行业通常是由一个团队管理两个空中交通管制员:规划控制器(D侧)和执行控制器(R侧)。D侧控制器是负责处理飞行计划计划和组织交通流进入该行业。R侧控制器处理确保航班安全部门。一个更好的理解和可预测性D侧控制器动作,对于一个给定的交通场景中,可能会帮助自动化的一些任务,因此减少工作量。在本文中,我们提出一个学习模型预测D侧控制器动作。学习问题建模为监督学习问题,目标变量在哪里D侧控制器操作和解释变量是飞机4 d轨迹特征。ads - b模型训练6个月的数据中转了一个部门,其泛化性能进行评估,使用crossvalidation,在同一部门。结果表明,该模型对垂直机动动作提供了预测精度最高(99%)。此外,模型的速度变化和改变行动提供了可预测性的准确性为80%和87%,分别。模型来预测所有的操作的集合(高度、速度和课程变化)为每个航班达到70%的精度意味着70%的航班;D端控制器的行动可以从轨迹预测信息部门的入口位置。操作验证,提出的方法是设想作为ATCO协助工具,不是一个自治的工具。因此,总有ATCO判断元素,收集更多ATCO行动,该模型可以进一步训练了更好的精度。对于未来的工作,我们将考虑扩大包括设定的特性参数如天气和风力。此外,人类在回路仿真将测量进行了该方法的有效性。

1。介绍

空中交通管制(ATC)的主要目的是为了防止全球冲突,组织并加速空中交通的流通,为飞行员提供信息和其他支持(1]。在地区空中交通管理(ATM)系统很发达,三种类型的控制设备在连续阶段发挥重要作用的一个典型的飞行:(1)机场交通管制塔(机场控制),(2)终端空域控制中心(方法控制),和(3)行程控制中心(面积控制)2]。航路空域是组织根据当地空气垂直和水平结构,和交通流量较小的区域称为“行业。“行业通常被认为是作为一个基本“单位”的空域容量ATM的观点。中转部门通常是由一个团队管理两个空中交通管制员:规划控制器(D侧)和执行控制器(R侧)[3]。

这两个D一边和R一边空中交通管制员(ATCOs)负责空域监视,冲突检测和解决,以及管理路线或从飞机高度修改请求。这两个角色之间的区别在于战略和战术水平的干预。的D侧控制器主要负责处理飞行计划计划,协调和组织的空中交通流进入一个行业。的D侧控制器使用的飞行计划信息和使用中期冲突检测(MTCD)工具(4)来预测飞机轨迹在20分钟有预见性的时间窗口。D侧控制器采用各种策略/动作,即。,combination of altitude, speed, course change, hold maneuvers, etc. to maintain an orderly flow of the incoming traffic in a sector. Thus, it minimizes crossings events which may lead to loss of separation. This ensures, at a tactical level, a minimum intervention is required from theR侧控制器在一个给定的空中交通管理部门。的R侧控制器使用短期冲突警戒(STCA)工具(5分离的)来预测任何损失4到8分钟先行的时间窗口。的R侧控制器主要关心的是战术干预保持安全分离之间的航班。

的D侧控制器接收航班的飞行计划信息之前,进入部门(传输的通信)。在这一点上,飞机都接触,以前的部门D侧控制器以及下一个部门D侧控制器。的D侧控制器与飞机飞行高度有关条目,然后提出入口速度和入口路点取决于他/她的部门的战略形势在一定的预见性。这个计划的主要目标是保持有序的交通流量,减少交叉分离可能导致的损失(LOS)的场景R侧控制器进行干预。一旦飞机进入部门边界(传送控制)D一边手飞机了R侧控制器然后通过无线电通信提供空中交通管制服务。在某些情况下(例如,恶劣天气),飞机可能需要移交不同协议的信。在这些情况下,D侧控制器必须与其他部门协调控制器要求批准另一条路线,在信中没有指定的协议之前,飞机越过边界。

ATC正变得日益复杂和动态的角色ATCOs ATC系统越来越具有挑战性的(6]。ATC的安全性至关重要的领域内,工作仍然是一个主要考虑提高ATC系统的性能。因为主要的职责D侧控制器来管理和组织交通流的战术飞行的干预措施R侧控制器被最小化,这是理想的自动化D负载侧控制器等任务,其任务是减少。一个可能的方法是建立一个机制,可以学习和预测D端控制器的交通管理策略对于一个给定的交通场景。

本文的贡献是通过提取建模的学习问题D侧控制器的行动。新奇的制定问题作为一个观察预测定量反应,即。分类,观察,因为它涉及到分配观测到一个类。因此,我们已经接近传统仿真建模问题作为一个数据驱动的问题,控制器的策略从一个人的自然行为D侧控制器,他/她的方式处理不同的交通场景。这个任务需要可视化、分析和理解6个月交通轨迹数据制定一个合理的和可以解决的问题。除此之外,本文的另一个贡献是学习机制,可能提供更好的可预见性规划控制器在不同的交通场景。我们采用了基于树的整体方法学习ATCO的行为在一个复杂的空中交通环境对一个真实的数据集。方法包括分段预测空间分成几个简单的区域,然后为了预测从一个给定的观察,平均或模式的训练观察,它所属的使用。这样的分裂规则集被用来分割预测空间,然后总结的形式树。等多种树可以结合,从而生成一个精确的共识(7]。此外,我们已经证明,基于树的方法可以密切反映人类比其他分类方法决策[8]。尽管利用学习模型是众所周知的,为培训准备分析数据集都是具有挑战性的,因为噪音和失踪的轨迹。此外,检测和消除异常值,如持有或不完整的轨迹在这些条件下也是另一个挑战。

本文组织如下。部分2介绍了研究问题的背景特别关注的成功应用机器学习在空中交通管理和基于树的整体学习。部分3描述了该方法预测的概述计划控制器的操作包括数据准备步骤。部分4详细讨论了我们的数据分析和数据处理步骤提取ATCO从轨迹数据的行动。部分5介绍我们的方法来开发预测模型整体学习使用两种不同的技术:随机森林和极端的梯度增加。部分6描述了我们的预测模型预测控制器决定和出租车时间起飞的航班和介绍我们的实验设置评价预测模型以及结果的讨论和分析。部分7讨论了实现ATCO命令从我们的预测结果。最后,部分8展示我们的结论和未来的工作。

2。背景

理解的追求和学习对手的策略游戏,比如国际象棋、西洋双陆棋,和游戏,并能够预测对手的下一步行动,是众所周知的在文献[9- - - - - -12]。机器学习方法如深层神经网络树搜索方法和贝叶斯强化学习最近在学习游戏的策略非常成功和超越世界冠军13- - - - - -16]。然而,这样的机器学习算法的一个主要假设是培训和未来的数据必须在同一个特征空间和具有相同的分布(17]。

在空中交通,特征空间(空域结构包括其航空公司和方式分)和数据分布(飞机轨迹点)显著不同。由于每个领空是独一无二的,因此每一个空中交通场景中都有不同的数据分布。此外,交通流量管理几乎完全依赖空中交通管制员的判断决策(18]。先前的研究研究识别空中交通控制器的策略从交通数据已经发现了一些有趣的见解,但他们在自然和缺乏任何通用的可预测性ATCO行动给交通场景。例如,在[19),它是发现,在冲突面前几艘,速度变异策略似乎花费更多的时间飞行)比航向角偏差的策略。在[4),作者开发了一个进化计算框架来确定可能暴露一个空中交通机动交通场景中分离损失,但达不到推广这一系列的交通场景。在[20.),作者预测空中交通控制器工作负载从过去的部门合并和分裂行为但不能概括的学习新行业由于过度拟合训练数据。在[21),作者提出在航路空域使用博弈论对解决冲突。除了航路空域,机器学习方法也被应用于终端空域。例如,在[22),模拟器可以模拟控制设计的空中交通和着陆间隙和出发,利用反向传播网络基于各种控制参数,但对于single-runway。

航空数据的可用性和巨大的计算能力的进步,数据驱动和machine-learning-based方法最近已成为一个非常有前途的方法在空中交通管理许多具有挑战性的问题,如的士从时间预测(23,24)、飞机排序(25)、飞机性能参数预测(26)、空中交通流提取(27],航班延误预测[28,29日),和飞机轨迹预测(30.,31日]。然而,最好的作者的知识,没有任何研究提取控制器行为或决策以及学习控制器策略从真实数据。

在这项研究中,我们认为基于树的整体学习学习算法被应用于各种领域,包括运输(32)、能源(33,34)、网络(35- - - - - -37),和空中交通管理(38,39]。是流行的不仅能够实现高精度水平(32,40),但也使的解释功能用于预测的重要性。在空中交通管制等以人为中心和安全性至关重要的领域,这是一个关键属性提供ATCO提出模型的理解和解决方案(41,42]。此外,基于树的乐团需要最低数据预处理和能够拟合高度非线性数据和处理大数据。

3所示。概述

提出的学习过程是显示在图1,其中包含预处理数据,提取ATCO行动,和建立学习模型。单个航班的4 d轨迹点构造直接从ads - b的原始数据和空间信息收集和处理部门从航空信息发布(AIP)。然后,预处理技术应用于干净的数据和去除噪声和离群值轨迹从原始数据。两点从每个航班(第一个和最后一个点的时间戳)被用来识别新的飞行轨迹进入该行业,这反映了行业内的轨迹的主菜。只有简单的动作是通过比较提取上述结果与航班信息(速度、高度和课程)退出点。这些可以被看作是变化的速度,课程,高度需要申请,每个航班到达出口点在给定的4 d位置(经度、纬度、海拔高度和时间)。到目前为止,两组生成:行动值(连续)和行为([−1,0,1])与地面速率,垂直速度为每个飞行课程。最后,使用入口点的信息作为输入,提到两组目标,我们建立两组随机森林模型:回归和分类模型。输出的模型更改或应用行动为每个给定飞行的入口点。

指出,这项工作的范围,只有三个组的行为被认为是提到的,和行动如持有或更复杂的行动将在未来的研究工作。除此之外,在未来的工作中,将包括增加更多的交通信息预测的准确性。

3.1。选择部门

对于这个研究目的,我们已经确定了部门2 e、中转区区域内吉隆坡的航班信息(杉木),由新加坡区域控制中心(ACC),提供空中交通服务从飞行高度FL120 (12000脚飞行高度FL360 (36000)脚)包容性。我们选择在新加坡部门2 e冷杉,因为这是主馈线部门到新加坡TMA,与三个接口冷杉边界胡志明冷杉、冷杉、曼谷和吉隆坡冷杉。这个行业有高度的飞行引导和战术轨迹管理使其自然选择控制器动作预测问题。图2描述了所选部门的空间特征。平均大约需要5分钟为一个典型的飞行交叉领域。部门包含8路点和交叉的8空中交通服务(ATS)路线。有一个交叉的部门和收敛一点南方的部门(路点VMR)。

3.2。数据集和数据准备

ads - b的数据收集的东南亚地区的六个月(从2016年9月至2017年2月)。数据集包含三个主要在新加坡天气条件:西南季风季节,intermonsoon时期,东北季风季节(表1)不同强度和方向的风。本研究的数据集是充分的,因为它捕获所有的主要天气和交通循环在新加坡领空。每个样本数据包含的特性,如表所示2,一行四维轨迹的样本数据的一个例子如表所示3。即使我们的数据集不是可供公众,类似欧洲领空ads - b数据(从OpenSky交换网络或ads - b)是我们建议的方法可供应用。

每组的记录表示轨迹的航班,航班在时间空间上的状态。图2说明了4个不同的轨迹飞行穿过该行业。采样点相同的颜色属于同一航班,每个点之间的时间间隔15秒。

最初的ads - b的数据集是一个大型的数据集,噪音和缺失的数据点。此外,随着部门2 e的给定的空间信息,只有一个子集的轨迹应该考虑和调查。因此,需要应用一些预处理步骤:(1)因为每个部门被定义为一个三维体积,因此我们申请一个3 d空间滤波过滤掉所有轨迹通过部门不及格。在这一步中,我们过滤掉使用横向(部门边界)和纵向(FL120 FL360)条件。例如,我们发现,有12141个航班,通过2 e部门2016年12月的数据。(2)第二个3 d空间滤波(类似条件)应用于过滤轨迹段以外的所选的部门。它是分开的第一步只是为了操纵的灵活性过滤标准。(3)离群值轨迹检测和删除的数据集,轨迹,不通过部门的横向边界或明显长旅行距离和时间都视为离群值。在我们的研究问题的背景下,轨迹也视为离群值。他们是罕见的事件,只有贡献不足整体的数据,但可能影响显著的预测模型。(4)处理缺失数据点,我们先删除所有的飞行轨迹不到四行业数据点。在这一步中,数据集包含了工作从原始数据75%的航班。剩下的数据集仍然有缺失的数据使变得不一致的时间间隔。此外,为以后处理,我们的目标是提取航班的入口和出口位置对该行业的边界;然后,一个密集的和一致的时间间隔的数据集是必需的。因此,为了实现这一剩下的轨迹是up-sampling使用插值技术(间隔= 1秒)。

4所示。ATCO行动提取

在实际场景中,飞行员与沟通D侧控制器同时进入的行业和R侧控制器一旦进入该行业。飞机轨迹熊签名R一边和D侧控制器动作。然而,D侧控制器动作可以识别轨迹数据通过观察轨迹之前进入一个行业。

为了更好地理解控制器之间的关系的行为和空中交通轨迹数据来源于ads - b,我们首先可视化与GIS 4 d数据。观察领空的可视化离散网格长度和宽度3海里,行动在同一网格将总结,和每一个网格将分为5类使用詹金斯自然优惠分类方法(43),这是一种数据聚类方法旨在减少它们之间的类内方差和方差最大化。网格的颜色从黄色到红色意味着某些特性的高频率出现的位置,第一节课并没有将可视化。数据3和4展示的空间密度的进入点和退出点飞机部门2 e,而数据5- - - - - -7展示空间分布行为的行为。这些数据表明在ATCO行为模式。

4.1。提取飞行/行动值变化

观察从飞行轨迹如图2时,有多种变化轨迹的飞机飞过。然而,飞行通常在一个特定的地区进入部门,应该针对遵循ATS设计路线和路点这意味着所有的变化都应该申请飞机到达一个特定地区退出该行业。图8为轨迹提供了一些例子通过新加坡部门2 e冷杉。相同的航班飞行的识别将分享他们的飞行计划,反映在他们的轨迹模式。然而,在部门的入口和出口的位置,他们表现出明显的分散。色散可能来自多个因素,如天气或控制器的决定。除此之外,另一个有趣的观察是一致的航班的入口和出口的位置之间的关系证明。假设是ATCO有自己的模式或策略在处理给定部门的交通。然后,进入部门在特定地区的航班将导航到类似的地区退出该行业。因此,而不是使用飞行计划信息预测,我们主要关注使用入口和出口的位置关系来捕捉和验证ATCO的行为。这种方法可以捕捉飞行的重大变化。三个值将从这双点:

以下4.4.1。地面速率

游弋在部门2 e时,飞行速度通常不同。然而,由于这个行业的本质,可观察到三种常见和简单的趋势数据:保持速度,增加(加速),和减少(减速),见图9。它表明,地面变速率相当稳定,可以作为行动的飞行。从这个观察,变化的速度提取并被认为是未来学习步骤。在细节,它是计算基于估计所需的飞行与给定的速度入口点前往出口点。对于不稳定的地面速度,估计变化的地面速度可以被视为平均利率的变化: 在哪里通过部门,飞机的平均速度是总旅行时间,速度入口点,地面加速度(速率)。

4.1.2。垂直速度

垂直速度相关的行动:类似于地面速率,我们也观察到一些常见的高度从数据变化的趋势。垂直速度作为垂直操作和计算简单的基于比率的入口和出口之间的高度差异和旅行时间。

4.1.3。课程

它的区别是入口点和“课程的课程领域。“由于飞行在不同的部门和在出口点也不反映旅游方向,我们简化定义为“部门”课程从入口点和出口点方向的预期方向飞行穿过我们的部门。我们使用当然不是“课程领域”,因为它反映了把行动进入部门后的航班。

行动的细节提取算法在算法说明了入口点和出口点1。

4.2。从行动值编码ATCO行动

作为监督学习的需求,我们需要一组行为作为构建分类模型的标签。因此,对于每个航班,提取的行动应该转换动作值。图10显示的想法怎样的标签编码值。有三种类型的行动是与地面速率有关,当然,垂直速度和δ。他们每个人都是编码到3行动:−1,0,1的基础上选择如下: :的10节方差在飞机的巡航速度可以被视为保持速度,因为这些变化可能发生,不需要从ATCO许可。在我们的工作中,我们假定任何改变的巡航速度超过10节被认为是应用速度控制。因此,如果出入境点之间的绝对变化速度小于10节,我们认为这是保持速度。除了预期的行业的旅行时间是5分钟。从这两个, 被选中。 :由于测高系统误差对飞机航路阶段,记录海拔可能有一些分散其真实值。在[44),出于安全原因,作者指定这些错误小于2飞行高度(200英尺)。的启发,在这工作,如果两点之间的绝对变化高度小于100英尺,我们认为这是保持飞行的水平。除了预期的行业的旅行时间是5分钟。因此, 被选中。的爬和下行动主要分布对应于南部和北部的行业将会有一个强大的影响力在构建预测模型给定的条目信息的飞行。 :由于导航系统中的错误,风,或其他一些因素,即使飞机维护,记录的课程也有一些变化。从分析数据和考虑课程的合理值错误,我们有选择3度的误差阈值这一行动。然后,如果δ的绝对小于3度,我们认为这是保持课程。 选择课程行动编码。

图11说明了提取的所有行为的分布。速度行动的分布和课程行动贝尔形状(在(a)和(c))。从(c)和(d),我们得出这样的结论:行动平衡分布。然而,地面平均速度率是正的;因此,有更多的加快行动比别人速度行动。(b)证实了:大约86%的速度行动在这个部门加快。然而,由于每一个行动都同样被认为是,我们不学习模型中解决不平衡的问题。在(e),垂直速度的变化可以看作是两个分开的正态分布。然后,只有两个主要操作:爬和下对应于两个分布。保持维护水平,但这个动作有有限的样本,见(f)。

5。方法

在本部分中,我们将描述我们的方法预测下一个飞行动作后进入该行业。飞行训练数据包括功能入口点和从实际数据中提取操作的目标。表4提到的特性列表和所有目标。我们建议随机森林方法(45)和极端梯度增加(XGBoost) [46)构建ATCO行动的预测模型。

5.1。基于树的整体学习法

基于树的整体学习方法用于构建预测模型的分类和回归的任务。一般来说,它构造多个决策树训练和组合在一起,以减少方差的模型(见图12)。它被用于不同的领域和预测问题,因为它为高精度提供了简单的实现。它是非常健壮的因为它可以处理异常值/噪音没有预测结果的偏差,并避免过度拟合由于树木的多样性。整体学习的一个关键的优点基于树的方法适合我们的问题是其能力来处理不平衡数据集,能够与不同类型的工作特性和特征值的范围。此外,4 d轨迹来自ads - b数据通常包含噪声数据和输入特性有不同的含义和尺度。此外,模型的解释能力也被认为是理解为预测行为的重要因素;因此,基于树的整体学习方法找到适合这一目的。在这项研究中,我们考虑的两种算法是随机森林(RF)和XGBoost-Extreme梯度增加(XGB)。

随机森林(45]。装袋技术适用于决策树。训练模型,它创造了大量的树木通过重采样给定的数据并将它们(使用平均值或投票技术)的过程。

XGBoost-Extreme梯度增加(46,47]。在基于树的整体算法,梯度树增加(48)表明它的成功在许多应用程序中,提供最先进的结果在许多标准分类基准(49]。它促进技术适用于决策树。它还创建并结合大量的树木;然而,而不是结合他们最后,它开始开始的过程。树算法将火车每个后续使用残差(预测和真实值之间的差异)之前的。在这项工作中,我们使用一个可扩展的机器学习系统树增加,称为XGBoost。它已广泛应用于机器学习和数据挖掘的挑战与真实数据在Kaggle和KDDCup。除了所有树增加算法的优点,XGBoost成功背后的最重要的因素是其可伸缩性在所有场景。

5.2。建立预测模型

应该调查的预测有两个层次:我们能否预测每个操作的抽象行为或大小。每一种设置可以回答不同的问题。第一个可以支持控制器的分析策略,而第二个可以支持理解和学习控制器行为的细节。然而,他们是有用的和有很强的关系;因此,在这项工作中,我们介绍两种使用随机森林和XGBoost回归预测和随机森林和XGBoost分类模型(见图13)。因为每个维度的行动(速度、垂直和课程)可以影响不同的价值观和不同的特点,我们为每个操作建立分离模型。开发6个回归模型和6个分类模型预测的值每一种行动。然而,对于分类、两个3-actions模型使用随机森林(RF)和XGBoost (XGB)也发展到探索潜在的行动相结合的三个模型组合成一个预测。这些模型被认为是完整性的方法而不是实际的需求,因为在实践中,控制器通常只执行一种行动/决定在处理交通。(1)XGB回归模型(RF):模型RR1 / XR1:预测地面速率模型RR2 / XR2:预测垂直速度模型RR3 / XR3:预测课程

我们使用作为这群模型的性能指标。(2)XGB分类模型(RF):模型RC1 / XC1之前:预测速度的行动模型RC2 / XC2:预测垂直动作模型RC3 / XC3:预测课程行动所有3-Actions模型RC4 / XC4:预测。

我们使用 总数的预测作为这组模型的性能指标。

6。实验和结果

正如前面提到的,我们使用射频和XGB方法构建预测模型的两组。对于两组,我们应用相同的实验设置:模型的训练和测试所有6个月的数据。使用入口点的航班信息作为预测模型的输入,目标是提取操作(表中提到的4)。参数调优:hyperparameters的范围为两种类型的模型是手动选择最优hyperparameter集。回归模型:estimatorsruns数量从50到300的一步是50(6值)而max_depth森林从6天至58岁不等的步骤2(27个值)。分类模型:数量的估计从50到300的一步是50(6值)而max_depth森林从6天至58岁不等的一步是2(27个值)。的k倍crossvalidation (k= 10)技术用于评估和平均性能来选择最佳的一组参数。它是受欢迎的处理机器学习的过度拟合问题。数据集分为十倍,对于每一个褶皱,用于测试,其余的用于训练模型。计算错误平均来估计模型的性能。

实验结果的参数调优射频回归模型如图14。这的热图显示了 与每一对射频回归模型的参数。颜色越淡,得分越高的模型;因此,结果表明,评估人员的数量(150)不会影响模型的性能,相反,起着更重要的作用。 使所有三个模型稳定小方差。另一个有趣的观察是模型的显著改善RR3 (当我们增加从6到20。它强调的重要性这个参数调优步骤hyperparameters选择适合我们的模型。因此,所有射频回归模型训练与 , ]。可以观察到类似的现象在XGB回归模型的参数优化过程。因此,一组通用的参数( , )所有XGB回归模型的选择。

表5介绍了回归模型的性能为每个类型的行动。请注意,最好最差1和0。所有六个模型可以预测每个给定的飞行动作值的高价值 。模型的性能报告每月以及整体性能。模型的整体性能有点高intermonsoon期(10月和11月)和2月是最高的东北季风季节的干燥阶段。当我们观察时,模型的性能低于其他月份12月。自去年12月以来的过渡月风和天气状况的不稳定,准确的预测是更具挑战性。从两种学习方法比较模型,我们可以看到,XGB模型优于射频模型一般为垂直速度和课程。而对于地面速率,它们随不同的数据集。

整整模型是建立在六个月的数据集(所有数据),地面模型的速率与整体性能最低XGB作为射频的0.667和0.677。模型实现高性能(XGB射频:0.793:0.858)XGB课程(射频:0.835:0.870)的垂直速度。XGB模型预测相比,RF模型中表现出更好的性能。此外,我们从图可以观察到15,群黑点在图的底部接近对方,而相应的红点是空间多样化由考虑克服特性来源和目的地的航班上。

如前所述,基于树模型可以提供功能重要性的信息反映了这些模型的每个特性的贡献。的十大特性列表最贡献三个射频回归模型如表所示6。最有贡献的两个特性(66%)预测地面速率(模型RR1) Entry_Speed Destination_WSSS。在模型RR2(垂直),只有一个主要特性(Destination_WSSS 82%)。模型RR3(课程),入口位置和飞行产生重大影响的课程通过所选的部门(86%)的课程比纬度和经度更重要。特性的飞行的日期和时间信息,如小时的天,天的星期,和月的一年,有一个小的贡献在训练模型,这也意味着这个赛季没有一个强有力的影响我们的预测模型。

分类的参数调优模型显示类似特征的回归模型。优化过程的一个例子为射频模型可以观察到在图16。估计的数量,每个值的模型性能将发生变化,变得稳定 。估计的数量( )不影响分类模型的性能。因此,所有射频训练分类模型与= 50,= 24)和所有XGB分类模型训练(= 250,= 8)。

表7显示了分类模型的性能。八个预测模型开发和评估。对不同的几个月他们的表演相当稳定。整个表演与整六个月访问这些模型训练数据集。因此,对垂直的行为模型提供最高的预测精度(99.0%)。两个模型速度行动达到大约80%的精度而XGB模型课程行动可以达到86.5%的准确率。最好的模型来预测所有的操作的集合(高度、速度和课程变化)为每个航班XGB模型,暗示它达到一个精度70%,70%的航班,D端控制器的行为可以预测轨迹信息部门的入口位置。三招模型有较低的性能比较个人行动模型由于复杂性的增加和三维输出的27个可能的标签。虽然预测模型对个人行动实现良好的性能和精度高,三招的性能模型提出了结果的完整性。不大可能,控制器将问题三个操作在一起同一个航班。操作验证,提出的方法是设想作为ATCO协助工具,不是一个自治的工具。因此,总有ATCO判断元素,收集更多ATCO行动,该模型可以进一步训练了更好的精度。

表8显示了四个射频特性重要性分类模型。不同于射频回归模型,一些功能有重大贡献,所有射频的特性或特征重要性的贡献分类模型是分散的。三招射频模型特性的重要性凸显了位置等特性的影响,速度,当然,和垂直速度的入口点,日期时间信息,这个航班的关系与樟宜国际机场(WSSS)作为其来源或目的地。

这提出了可伸缩性学习机制也有优势。两个选择基于树的整体技术而闻名与并行计算的低计算成本的选择。此外,XGBoost是专门设计来处理大数据。运行时间而言,所选模型的训练时间从40到50秒输入25000个样本。所有的实验都与英特尔处理器上执行桌面Xeron w - 2123 CPU 3.6赫兹和RAM 32 GB。

7所示。实现ATCO的命令

ATC的复杂和随机环境所需的任务和行动规划控制器比什么都包含在这个工作的范围。然而,当我们ATCO目标最基本的行为,预测结果是有用的在预测ATCO行动拨款命令形式。一些例子ATCO命令飞行员的关于速度控制,引导,和垂直速度表9。

过程将结果转换成类似ATCO命令可以观察到的流图17。飞机信息的入口点空速等地面速度(风速),标题,课程(或风矢量)和飞行高度是必要的输入生成命令。通过结合预测的输入操作,我们可以估计空速的目标值,标题,和给定飞机飞行高度。然后,通过使用预定义的命令列表模板,我们可以生成预期的命令。

8。结论

在本文中,我们有了学习和预测D端控制器的动作对于一个给定的交通场景在一个部门使用两个树型回归和分类方法被称为随机森林和XGBoost。这种学习问题建模为一个目标变量的分类问题D侧控制器操作和解释变量是飞机4 d轨迹特性之前进入一个行业。空中交通轨迹构造通过ads - b数据时空分析与行业数据模式的建立D侧控制器存在。两组模型的发展,预测一个预测的行动,另一副行动的价值。我们使用航班信息在部门入口点预测模型的输入和提取的目标行动。模型垂直行动提供了最高的准确性为99%,而对速度模型和课程行动提供预测的准确性为80%和87%,分别。这是归因于高度复杂的行业进入和退出点配置,使学习的挑战。高度变化的预测精度高机动的ATCO显著的空域部门用于这项研究是一个过渡部门(部门2 e在新加坡ACC)。转变行业通常的航班在哪里爬的巡航飞行水平或降序从终端空域巡航飞行高度。在这种行业,ATCO行动涉及高度变化非常重要,因为有相当数量的攀升,在演习发生在该行业。模型预测所有三种行为的集合(输出)为每个飞行实现了70%的准确性。这意味着,70%航班,ATCO行为可以预测在所有操作通过使用航班信息在部门入口位置。 The lower predictability can be due to an imbalance of the training data for the controller’s actions, leading to poor generalization performance. The noise and low quality of ADS-B可以改善的另一个领域的数据模型,数据用于训练它。此外,正如前面提到的,这个工作只专注于预测简单动作从个人飞行条目的信息。

这个研究的结果,发现可以以多种方式使用,应用程序。例如,预测策略的集合可以被组织成模式推导和理解ATCO策略,为交通管理,在一个给定的行业结果还可以提供一个洞察任何偏见ATCOs可能在管理交通在给定的领域,可以解决

对于未来的工作,我们将运用聚类模型来确定集群的损失事件在时空平面上分离。检测到事件可以用来评估模型性能的解决冲突。然后,一些聚类方法将被应用在整个轨迹检测和提取从ads - b数据更复杂的行为。最后,从交通部门和更多的功能将被认为是对学习和改善的实用预测模型。扩展的功能集包括天气和风力等参数可能是有用的;然而,在气象信息的缺失,飞行高度挑战。然而,我们将尝试近似风数据推断表面风(可以从航空例行数据)到一个更高的高度为我们的未来的工作。我们还将进行人体循环模拟测量算法的有效性以及比较它与传统工具使用的空中交通管制员对飞机轨迹预测,以便更好地理解ATCO的行为的可预测性。

可以有多个实际意义和困难在实施研究的结果。尽管拟议的方法是设想作为ATCO协助工具,不是一个自治的工具。最大的挑战是接受这样的控制器和基于机器学习工具的安全监管机构。这种工具的设计将在本已拥挤ATCO也是一个挑战的工作环境。有问题的信任这样的自动化/咨询系统,在ATCOs并不完全接受提议的解决方案/报告由系统生成。因此,将会有一个人为因素研究的需要和安全验证场景,意识到这类研究的好处。最终,这项研究可以帮助开发一个智能代理,可以增加一个D侧控制器来管理和协调战略交通流行业内外,从而管理他们的工作量。

命名法

:	区域管制中心
:	广播式自动监控广播”
:	航空信息发布
:	空中交通管制
:	空中交通控制器(年代)
:	空中交通管理
:	空中交通服务
:	航班信息区域
:	损失的分离
:	机场气象报告
:	中期冲突检测
:	随机森林(机器学习技术)
:	短期冲突警戒
:	终端控制区域
:	极端的梯度增加或xgboost(机器学习技术)。

数据可用性

使用ads - b数据或飞行轨迹,属于ATMRI和南大,限制公开共享数据集。

信息披露

任何意见、发现和结论或建议用这种材料是作者的,不能反映国家研究基金会的观点,新加坡和新加坡民航局。这个研究发表的一部分作为博士论文的第一作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了美国国家研究基金会,新加坡,和新加坡民航局航空转换计划。