文摘

行业是一个基本的单元操作是由空中交通管制的空域。行业的操作复杂性空中交通管理系统中起着重要的作用,如空域重构、空中交通流量管理、空中交通控制器的资源分配。因此,准确评估部门操作的复杂性(SOC)是至关重要的。考虑有许多因素可以影响SOC,研究者提出几种机器学习方法最近评估SOC的采矿因素和复杂性之间的关系。然而,现有的研究依赖于手工因素,计算困难,专业背景要求,可能会限制评估模型的性能。为了克服这些问题,本文首次提出了一种端到端的SOC学习框架基于深卷积神经网络(CNN)专门为免费的手工制作的环境因素。一个新的数据表示,即:,multichannel traffic scenario image (MTSI), is proposed to represent the overall air traffic scenario. A MTSI is generated by splitting the airspace into a two-dimension grid map and filled with navigation information. Motivated by the applications of deep learning network, the specific CNN model is introduced to automatically extract high-level traffic features from MTSIs and learn the SOC pattern. Thus, the model input is determined by combining multiple image channels composed of air traffic information, which are used to describe the traffic scenario. The model output is SOC levels for the target sector. The experimental results using a real dataset from the Guangzhou airspace sector in China show that our model can effectively extract traffic complexity information from MTSIs and achieve promising performance than traditional machine learning methods. In practice, our work can be flexibly and conveniently applied to SOC evaluation without the additional calculation of hand-crafted factors.

1。介绍

空域空中交通系统的载体,空中交通管制员(ATCos)负责其安全高效运行。为了规范空中交通安全、空域分为几个较小的部门负责ATCos。航空运输行业发展迅速,不断飙升的航班数量和有限的空域对ATCos更高的工作负载。研究显示,高工作负载的ATCos更可能导致操作错误(1]。因此,评估和监测ATCos工作负载是一个重要的安全有效的空中交通管理的先决条件。同时,要正确划分空域扇区和有效地管理空中交通流的交通控制负载ATCos可以保持在最大限度下,有必要确定一个权威的指标,可以反映部门控制负载准确和客观的2]。

根据先前的研究,它已经表明,空中交通复杂度(又名空域复杂性或空中交通管制的复杂性),用于测量所需的困难和努力在管理空中交通安全、有序,可能发挥重要作用的部门交通管理工作负载(3]。几年来,许多研究人员一直在挖掘空中交通复杂度之间的关系和工作负载(4- - - - - -6]。普遍的看法是,ATCos的工作负载是一个主观因素,是高度由空中交通的复杂性,这是一个客观因素(7]。虽然空中交通的复杂性和工作量不完全相同,它是合理的评估工作负载由空中交通的复杂性。原因在于主观因素是不确定的和复杂的,我们有必要定量评估工作负载以ATCo-independent方式(8]。注意,我们的概念是指“部门操作的复杂性(SOC)”(2)来表示空中交通行业的复杂性。SOC是更具体的,因为它指定了“部门”区域,而不是一个点,一个气管,或其他空域元素,它还可以区分交通模式复杂性的研究和我们的“操作”复杂性研究(2]。

总之,SOC域空中交通管制工作负载,在空中交通运行是至关重要的,在空中交通管理导致其非凡的作用,例如,空域重构、空中交通流量管理和分配ATCo资源。因此,准确地评估SOC是一个热门话题都在研究和实际应用9- - - - - -11]。

几十年来,许多研究定量评估空中交通复杂度通过研究空中交通复杂度的内部机制和模型从不同的角度12- - - - - -14]。研究的另一部分认为空中交通复杂度的形成是由于大量的相关因素的影响,所以我们可以描述空中交通复杂度综合考虑这些因素,研究他们之间的关系2,15- - - - - -17]。然而,由于许多非线性因素影响空中交通复杂度和空中交通的复杂的内部模式关系数据,它很难准确描述复杂性通过严谨的造型基于一定的角度来看,也有困难,建设一套完整的complexity-related因素。此外,现有方法主要依赖于主观经验或相关领域知识的复杂性因素选择,可能会遇到计算问题在实际的实现空中交通管理(ATM)应用程序或在空域部门更改。

面临这些问题,本文提出一种新颖的端到端SOC学习框架,可以直接从空中交通数据中提取有效complexity-related特性和学习SOC模式,可以独立于主观的手工特性和和一般SOC评价更准确。

动力性能优良的深度学习技术在造型和提取复杂的非线性特性,我们提出了一个深基于卷积神经网络(CNN)——的方法来评估SOC在给定的领空。首先,因为CNN主要处理数据基于图像类型,我们抽象的空中交通场景的多通道图像,作为CNN的输入。然后,CNN可以自动提取SOC-related高级功能复杂性的指导下标签通过卷积核的卷积和池处理方法。在这种情况下,提取的特征输入到完全连接层学习特性和SOC中提取之间的关系。最后,利用反向传播算法不断调整学习和完整的连接层的重量特性,以便学习SOC的模式,实现SOC评估。实验表明,基于图像的CNN模型可以自动提取有效的特征和SOC评价获得更好的性能比传统的机器学习方法。

本文的贡献可以概括如下:(我)一个新的数据表示,即:,multichannel air traffic scenario image (MTSI), is proposed to describe air traffic scenario, and each channel is proved to be effective.(2)部门操作空中交通场景的复杂性特征自动提取使用CNN SOC评价精度高。(3)几个模型训练技巧,比如旋转数据增加,类别平衡抽样,和标签平滑,利用改进模型的性能。(iv)该方法实现了一个端到端的SOC学习框架基于深度学习,可以实现更高的SOC评估性能没有繁琐的手工制作的特性。

剩下的纸是组织如下。部分2显示相关工作。部分3使数据描述,提出了一个两步的过程,包括将空中交通转换为图像和CNN模型复杂性评价部门操作。节4介绍实验配置,进行四组实验。结果进行了分析和讨论。最后,结论是未来的研究方向5。为了可读性,总结了本文中用到的缩写表1。

2。相关工作

本节回顾前面的空中交通复杂度的评估工作,比SOC更一般的评估和卷积神经网络的主要发展。

在现有的文献中,主要有两种类型的研究方法主导研究空中交通复杂度的评估:基于模型的方法和基于因素系统的方法。这两组的相关工作进行分类表2,总结他们的主要方面,凸显其局限性相比,目前的研究。第一种方法主要侧重于研究空中交通复杂度的内在形成机制,期望建立一个模型来量化从一个特定角度的复杂性。例如,李等人定义了空中交通复杂度的难度ATCos解决潜在飞行冲突当新飞机进入目标空域,他们提出了一个投入产出方法评估空中交通复杂度(12]。Prandini飞行冲突的概率等人认为,在一个部门可以反映出复杂的大小,所以他们冲突的复杂性特征通过风险评估13]。此外,介绍了李雅普诺夫指数的空中交通复杂度的拍品,Puechmorel提出轨迹障碍的概念来衡量内在交通复杂性(14,18]。上述三种方法(即。,conflict resolution difficulty, conflict probability, and Lyapunov exponent) all depicted air traffic complexity from their separate perspectives. However, as air traffic complexity contains large amounts of information and is embedded with sophisticated relationships, it is usually insufficient to evaluate air traffic complexity perfectly by a single indicator or model [19]。

为了克服第一个基于模型方法的不足从单一的角度来看,一个额外的类别的复杂性评估方法提出了通过综合多个complexity-related因素描述空中交通的复杂性。最著名的一个是动态密度方法,计算复杂性为各种复杂因素不同的权重的总和(15),而这些线性方法不能准确评估空中交通复杂度为这些相关因素通常以非线性的方式相互影响。随后,采用机器学习的方法,因为他们可以处理非线性问题。2006年,Gianazza提议把空中交通复杂度评估作为一种复杂性水平分类任务,利用反向传播神经网络(摘要)捕捉非线性关系16]。后来的研究继承的概念分类问题,我试图更多的内部模式从空中交通数据的复杂性。自适应增强学习算法(17],semi-supervised学习[20.),和转移学习(2曾和获得丰硕的成果在小样本学习的领域中区域空中交通复杂度的评估。上面的机器学习方法都取得了极大的空中交通复杂度的评估结果,但仍有两个问题:(1)这种类型的算法是高度依赖于手工特性集的选择,和特性集的质量决定了最后的复杂性评价的性能。然而,很难确定一个完整的特性集,完全是空中交通复杂度,因为内部模式的空中交通场景的复杂性。(2)不同的行业有不同的交通属性和空域结构,以及影响不同行业的操作复杂性的特征也会有所不同。例如,一些行业的复杂性主要来自飞行的维修间隔,而其他行业主要集中在交通冲突避免的复杂性。不同的部门可能有不一致的特性集,也导致空中交通的复杂性评价的不确定性。因此,空中交通复杂度的性能评价为机器学习方法可能是有限的不完整和不确定的手工制作的功能。

与传统的机器学习方法相比,深度学习可以从高维数据捕捉非线性和复杂的功能,实现各种成功采用应用程序,如疾病诊断和移动流量分类(21- - - - - -23]。与此同时,它也有一个重要的特征特性学习;也就是说,可以自动从原始数据中提取特征。因此,在模型训练过程中,我们可以直接使用深度学习的特征提取方法,没有人工的参与功能。在深度学习领域,CNN是一种有效的和有效的图像处理算法,已经广泛应用于图像分类、目标检测等。24- - - - - -26]。雪等人介绍了深层神经网络自动从轨迹图像中提取特征(27]。经常性的卷积模型大规模视觉学习是由Donahue et al。28]。Baccouche等人提出了人类行为识别(连续3 d-cnn模型29日]。在文本分类领域的任务中,赖昌星等人反复架构应用于获取上下文信息(30.]。结果表明卷积神经网络适用于不同类型的复杂的场景,可以自动学习功能从原始数据和更好的性能。

总之,空中交通复杂度评估问题抽象出来作为一个分类问题复杂性水平通过机器学习方法取得了可观的成绩,但面对这一事实的性能依赖于手工特性和现有的特性集是主观的,不确定的,不一定完成。深度学习的方法我有一个优秀的能力内部模式的复杂性和可以自动从原始数据中提取特征。因此,我们深度学习技术应用于空中交通复杂度评估的问题,可以摆脱手工的限制功能。

3所示。材料和方法

因为现有SOC-related因素可能不全面,我们必须探索其他方法来更好的SOC评估性能足够我更多的知识。SOC是起源于ATCos,他们管理空中交通运行基于雷达屏幕,显示空中交通状况以视频的形式,即,连续多帧的图像。因此,我们可以空中交通场景信息转换成图片,然后使用深度学习技术来提取有用信息。考虑到基于图像的方法,我们提出了一个端到端的学习框架,评估部门操作复杂性(SOC)通过使用深卷积神经网络(CNN)学习策略和框架的名字SOCNN (SOC + CNN)。图1演示了整个方案的提出SOCNN,由三个过程((1)数据预处理;(2)MTSI代;(3)CNN培训)。指出,在这篇文章中,我们将使用MSTIs作为模型输入来代替传统的手工制作的功能。因此,CNN从MSTIs实现功能可以自动提取知识学习过程的学习特性和使用SOC评价,这是我们提出SOCNN小说的特点。

3.1。数据描述

空中交通数据主要分为静态空间数据和动态飞行数据。静态数据是由经度和纬度数据,用于单独的空域结构和设置航线和定位分。动态数据是通过雷达设备或ads - b传输设备,覆盖的主要空中交通信息。飞机操作的动态数据的大量信息,包括飞机识别号码、纬度、经度,速度,高度,和标题。本文中使用的动态飞行数据来自雷达,收集每4 - 5秒,包括飞行位置信息和飞行状态信息。

在传统评价复杂性基于机器学习方法的过程,静态数据是用来过滤目标行业的动态飞行数据,然后,过滤后的动态飞行数据用于计算complexity-related特性,从而实现复杂性的评估。MTSI-based深学习方法,静态数据主要用于网格的领空,然后,动态飞行数据填充到网格空域使用某种方法来生成交通场景图像,然后使用生成的图像进行特征提取完成评估任务复杂性。

复杂性标签用于我们的实验是通过字段集合。我们邀请了几个类似的经历和年龄的控制器作为空中交通管制专家来评估不同的交通场景的复杂性。摘要复杂性范围设置为5的水平,和一分钟时间的交通场景是一个评估样本。为了避免不同的人之间的认知差异,我们采用的方法收集多个标签相同的样本集来减少人为错误。

3.2。将空中交通转换为图像

如前所述,随着时间的推移SOC是不确定性和变化。它可能会受到其他因素的影响除了飞机的数量,如飞机运动参数之间的相对趋势不同的飞机,飞机的部门入口点。与此同时,我们不应该只使用本地状态信息的一个飞机还看交通状况的未来发展从全球视角。因此,我们提出一种新的数据表示称为多路空中交通场景图像(MTSI)来代表整个空中交通场景和飞机之间的互动影响的部门。

图像是由一个二维矩阵,所以我们需要电网目标部门首先作为后续图像的基础。为了保证图像的规律性和后续图像操作的便利,我们使用限制的行业边界图像的范围和目标行业划分为网格地图与一个合适的规模。我们单身的时间跨度空中交通场景示例1分钟。考虑到实际的雷达数据更新每4 - 5秒和飞机的平均飞行速度是每分钟15公里,只有一个飞行轨迹数据1 - 1.25公里。确保实际交通数据在每一个网格的存在,换句话说,防止交叉网格的现象,适当的网格宽度应设置1.25 -15公里的范围内。基于上述因素,为了显示飞机的飞行轨迹尽可能仔细计算的方便,我们将在2公里网格的宽度。有不同的网格之间的空间位置关系,所以我们可以在空域飞机的位置映射到相应的网格位置,相应的网格是充满了飞机的飞行状态信息,如速度、高度、航向。然而,由于网格只能装满一个值,不能包含大量信息的同时,我们使用多个二维矩阵来存储交通信息的输入,分别。这些不同的二维矩阵可以被理解为多通道图像,我们称之为多通道空中交通场景图像(MTSI)。这些不同的渠道MTSI表达交通信息从不同的角度相同的交通场景。 When these channels are combined and superimposed at the same time, the real traffic scenario can be restored.

随着交通场景在我们的问题是一段时间,而不是一个时刻,交通也不是一个短期的复杂性和瞬时指标。为了反映真实情况的飞机时间,我们选择映射所有接收到的交通数据在此期间的形象。换句话说,通过映射的战斗状态数据部门的相应位置二维网格矩阵,图像将显示不同的飞机的历史轨迹,和相应的网格轨迹充满了不同飞行状态信息。在这里,我们选择利用速度和高度交通信息来生成两种类型的图像,称为高度通道和速度通道,如图2。

此外,为了反映空中交通的运营情况和飞行冲突信息在一个部门,我们也建立一个虚幻的形象轨迹(预测轨迹)。飞机的轨迹预测是通过使用生成速度,航向,纬度和经度信息,同时映射到飞行冲突意识通道。由于预测轨迹是不完全准确的感情由其他因素,我们认为预测轨迹的影响将变得更小的增加预计时间。区分预测轨迹的影响的大小在不同的时间长度,我们已经进行了削弱治疗预测的轨迹。具体来说,预测轨迹的起点网格充满最大像素值,然后,网格的方向预测轨迹。每当一个新的网格填充,像素值将减少在某种程度上,直到像素值减少到零个或预计达到时间限制,以达到削弱的效果预测的轨迹(见图3(一个))。

基于实际的空中交通管制的实际情况,预测轨迹时间3分钟,预测轨迹会占据大约20 - 30网格根据网格宽度设置在前面的部分。为了反映逐渐削弱的影响预测轨迹,轨迹起始点应设置适当的初始值,然后逐渐下降。最后预测轨迹,网格值应接近0。我们将初始值设置为10000,下降率为100。通过预测轨迹,递减率是动态的,也就是说,每下降,下降率增加到40岁,以反映实际情况的快速贬值的真实轨迹的影响。根据以上设置,最后预测轨迹网格值将接近0。

此外,飞机交叉冲突可能影响SOC的一个重要因素,为了描述信息,我们有像素进行增强处理交叉冲突的网格点的预测轨迹(见图3 (b))。步骤如下:(1)定位预测的轨迹冲突网格首先,(2)提取的高度信息交叉冲突电网相应的飞机从高空通道,和(3)确定网格像素根据增强交叉冲突的价值点 在哪里表示的像素值的交点飞机预计通道和轨迹之间的高度差是吗和飞机在网格交点。

因此,几个单通道编码为一个多通道图像的像素值由各种空中交通数据。应该注意的是,三个通道图像用于我们的最终模型,即高度,速度,和飞行冲突意识通道。然而,更多的渠道可以建立适应未来空中交通信息综合研究。

3.3。CNN部门操作复杂性评估

3.3.1。CNN的基本原理

卷积神经网络(CNN),提出了提取高层空间依赖性的特点,主要用于图像识别领域。它指的是一种网络,而不是一个特定的网络,其中包含许多不同的结构。不同的网络结构往往不同。一个典型的美国有线电视新闻网由三部分组成:卷积层、汇聚层,和完整的连接层。卷积层负责挖掘空间相邻网格之间的相关性和提取MTSI地方特色。池层是我用来区别的特性和显著降低参数大小。完整的连接层的一部分传统神经网络输出所需的结果。

为了提取不同的特征造型的空间相关性,大量不同的卷积核是为了一起工作。相互依存的相邻网格之间的权重是共享的,这样信息从一个当地可以应用于图像的其他部分,使前馈传播和落后的培训更有效(31日]。上面的重量共享和本地感知使CNN学习更多的浅层次的基本特性和保持旋转,扭曲,对空间造型和缩放不变性:

方程(2)和(3),它代表卷积层和汇聚层的操作,分别构成前馈的操作。代表了特征的地图层。的数量特征图上层用 。卷积的内核用于图像特征提取和相应的补偿项是代表 。操作符表示卷积操作。是非线性激活函数,如乙状结肠,双曲正切,ReLU(修正线性单元)。完成卷积操作后,进入采样过程。抽样层实现将采样的所有输入特征图,以满足要求的尺度不变的特征。与卷积层操作,将采样层不会改变特征图的数量,但只有它的大小,如方程所示(3)。表明池操作的空间领域。是将采样函数在一个池层,通常指定为平均值,中位数,或最大操作。当整个网络结构模型卷积和池操作完成,所有的特征图转换为一个中间值的过渡,最后扩展到一个一维向量,它用作下一个神经网络的输入,最后,得到分类结果。

3.3.2。SOCNN网络架构和模型训练

如之前所述,为了满足CNN输入数据的格式要求,我们空中交通数据转换成MTSI,包括最基本的导航元素(即。,高度,速度,航向)和感知能力的冲突。考虑到深度学习方法首次引入SOC评估,我们设计一个简洁深刻的卷积神经网络,如图所示4。它是用来学习和预测某一空域部门的操作复杂性的前提下获得导航信息。输入数据多通道输入图像(MTSIs)从空中交通数据,转换和转换过程可以称为部分3.2。输出标签数据部门操作复杂性水平由ATCos提供基于实时判断空中交通场景。

模型由几个卷积层、汇聚层,全接触层。借鉴的想法VGG [32),我们采用小卷积核( )和使用大量的连续卷积层代替大的卷积核,因为多层非线性层可以增加网络的深度,确保学习更复杂的模式,计算成本也低。卷积核的数量在每一个卷积层(32,64,64,128,128),和最大池大小( )。卷积过程使用“相同”模式。学习速率是0.001,批量大小是50。采用ReLU的激活函数。深度学习模型训练的目标是迭代优化网络模型的参数和学习训练集样本数据的分布。一般来说,优化方向是由目标函数,它由一个错误的项目(J)和正则化项(R):

在方程(4),X和Y模型的输入和输出。代表不同的损失函数和正则化项J和R,分别。表示参数的神经网络,确定正则化项的重量。采用交叉熵作为损失函数摘要和确认 ,在这和地面实况标签和预测的输出训练样本。辍学层是用来有效地缓解过度拟合的发生。亚当优化器是应用于提高梯度下降算法的性能。

实际的SOC数据集问题的有限样本大小,数据不平衡、噪音和标签。鉴于以上问题,我们采用了几个技术解决这些缺陷在模型训练过程中。有限的样本大小的问题,数据深度学习的增强是一个极为重要的一步,我们使用图像的随机旋转增加MTSI样本的多样性。考虑数据不平衡的问题,我们采用类别均衡抽样技术和平衡抽样在生成每个minibatch确保学习过程不会偏向类别有更多的样品。为了防止过度学习的模型噪声样本,我们执行标签平滑处理输入数据,这有助于提高其学习过程的鲁棒性。

我们提出的计算复杂性网络体系结构可以被看作是所有卷积的计算复杂度的积累层与表示为O( )。其中,神经网络的层数;代表了 - - - - - -th卷积网络层;的边长是卷积内核和特征映射输出,主要由输入矩阵尺寸 ,卷积核大小 ,填充和步幅;K是每个卷积核的边长;和和 ,分别代表的卷积核的数量 - - - - - -th卷积层和输出通道的数量 - - - - - -层。

4所示。实验和讨论

4.1。实验配置

在本节中,为了验证我们提出的复杂性的有效性评价方法基于卷积神经网络,一些实验进行真正的空中交通运行数据。目标空域,图中所示黄色的一部分5位于主要航线从广州在中国武汉。我们收集并过滤掉3605个样本(样本类别分布:SOC-1: 19日SOC-2: 742年,SOC-3: 1787年,SOC-4: 1010年,和SOC-5: 47)的部门从2019年12月1日至12月15日。每个样本对应一个生成MTSI起源于一分钟空中交通数据和相应的复杂性水平(5层)提供的ATM专家。在接下来的实验中,整个数据集随机打乱,分成两部分。80%的样本训练集,其余的测试集,我们也设计了一些基于机器学习算法的比较实验,我们使用手工的特性一直是有关空中交通复杂度及其定义可以称为(2]。

评估不同复杂度的性能评估模型,我们采用几个标准,包括召回,精度,F1-score、准确性、美和科恩kappa (CK)。标准定义,以下将使用缩写:真阳性的数量,TP;假阳性的数量,《外交政策》;真正的底片,TN;和数量的假阴性,FN。准确性(Acc)是一种最常用的指标分类问题的总体性能评价和正确预测样本的比例是样品的总数。注意,Acc全球标准无法衡量复杂性评价性能准确地分类样本空间的分布是不平衡的。因此,召回的指标、精度和F1介绍了分数。回忆可以认为比例的真实样本正确识别的模型,和精密的关注评价的比例预测真实的样品哪确实是真实的。的F1分是调和平均数的查全率和查准率。科恩kappa (CK)也可以评估整体分类性能的一致性。意味着平均误差(美)是度量回归和应用于SOC评价有一个顺序不同的复杂性水平之间的关系。以上指标的定义如下所示: 在哪里 表示预测的价值, 代表地面真理,是测试样本的大小。服务器的主要配置培训总结如下:40Intel Xeon e5 - 2640 cpu, 128 GB内存2NVIDIA Tesla M60 gpu,操作系统是Windows Server 2012 R2。Python编程语言的代码,和深度学习模型是建立基于TensorFlow(2.2.0)框架。

4.2。之间的性能比较复杂性评价方法

第一个实验侧重于比较SOCNN模型的性能,从MTSIs学习,与几个机器学习方法基于手工的特性。这些对比机器学习方法包括高斯朴素贝叶斯(GNB),k最近的邻居(资讯),物流线性回归(LLR)、支持向量机(SVM),多层感知(MLP)和集成学习算法,如随机森林(RF)和自适应增强(演)。它们的参数调整后的网格搜索方法。为了测量模型的泛化能力更严格,避免固定分工带来的特殊性小数据集,我们进行了一项(分层)5倍交叉验证并提供每个性能测量的均值和标准方差在五个不同的折叠。考虑到有限的空间和结果的简洁陈述,我们选择(即三个最重要的指标。、准确性、F1分,美)研究不同的表现方法,如表所示3。

从上面的结果,我们有以下的观察:(我)这些机器学习方法相比,SOCNN获得最好的结果在三个性能标准,即。Acc,F1分,美。SOCNN和机器学习方法之间的主要区别在于所使用的功能。其中,SOCNN自动提取特征从MTSIs深卷积神经网络,而机器学习方法使用手工制作的特性。即使使用优秀的整体学习算法等,性能差距仍然从我们SOCNN方法。结果表明,现有的手工功能可能在描述空中交通复杂度不够,和深度学习方法可以从构建MTSIs中提取有效的信息。(2)除了SOCNN以外,我们还使用单层卷积的结果和池CNN(浅CNN)作为比较。最严重的结果是除了GNB。这表明美国有线电视新闻网有能力学习SOC模式,但浅网络不能学好高层次的知识。因此,一个更复杂的CNN网络构建更好地学习知识。(3)机器学习算法中,演算法取得了伟大的成果,这表明,集成学习方法的有效性。此外,支持向量机和MLP LLR做得更好,因为空中交通数据复杂性、非线性和内部模式所无法学到的一般线性模型。最后,由于不平衡问题,模型的性能只有Acc无法测量。例如,SVM的Acc和MLP没什么不同,但F1分SVM显著恶化,表明支持向量机更倾向于多数类和少数类别的表现很差。

进一步研究评价不同方法的性能,我们分组6性能指标通过训练数据集和测试数据集,提出了雷达图表(见图6)。最外层和最大循环将是完美的在所有指标得分。

从雷达图表,分析模型的过度拟合现象显而易见,在训练集的分数很高,而测试集的分数很低。这些不规则多边形的形状也可以代表不同的算法的质量。测试集的多边形区域越大,其性能越好。

在雷达训练集(参见图的图表6(一))、SOCNN射频、演算法和延时都取得了优秀的成果。评价指标如Acc,回忆,精密,F1分数已经达到80%以上,射频的准确性和SOCNN训练集几乎接近100%,这反映了这两个算法有很强的学习能力为现有的样品。然而,训练集的准确性无法保证模型具有相同的性能不熟悉的样本。

从雷达测试集(参见图的图表6 (b)),可以看出,射频的性能,中长期规划演算法,在测试集已大幅下降。只有SOCNN保持相对较高水平,Acc和精度都接近80%。这表明严重的过度拟合现象发生在射频,延时,演算法的方法。同样清楚的是,多边形图SOCNN完全包围所有其他方法的评价指标,表明SOCNN性能的测试集上比其他所有人更好。演算法执行的机器学习分类方法。GNB和shallow-CNN最糟糕的表现。

根据以上实验结果,我们可以看到,我们的方法几个性能指标上超过传统的机器学习方法在我们的数据集。在同样的研究(2,19,20.),现有研究的复杂性评价精度一般在70% - -80%的水平。可以看出,我们的实验评估的准确性(76.06%)与现有的研究。应该注意的是,所使用的数据集,我们的复杂性水平被收集在5的水平,而现有的研究有三个水平,这无疑让我们的复杂性评价任务更加困难。因此,我们相信,我们的实验评价有意义的评价性能指标相比,现有的类似的研究。在实际应用中,空中交通系统是一个系统和一个人在循环。复杂性评价结果通常用来为ATCos提供决策帮助和参考。在这种情况下,当前的评估精度足以满足实际工作的需要,所以我们认为实验评价方法在实践中是有效的。我们也尝试更多的方法来提高评价精度开拓其他SOC在未来应用的可能性。

4.3。性能分析的SOCNN

图7显示了Acc和损失函数的变化对训练集和测试集SOCNN在训练过程中。我们300 -时代进行了实验。它可以被发现,在100时代,测试集上的Acc和损失已经达到收敛状态,他们在后期稳定波动。Acc基本稳定在75%至80%之间,而失去稳定在1.15 - -1.20。训练集的情况略有不同。训练集上的Acc往往收敛在70 th - 80时代,在损失仍处于下降状态在同一时间;它逐渐达到收敛状态直到第200期。上述结果表明,SOCNN的迭代训练过程是合理的,没有严重的过度拟合现象。

混淆矩阵的性能度量分类问题,表的大小等于类的数量的平方。如图8(一个)SOCNN的混淆矩阵对角线上的值高,因此,SOCNN SOC评价被证明是一种有效的方法。前规的美,很明显,我们SOCNN方法的平均平均误差非常小。在这里,我们进一步计算SOC评估误差分布基于混淆矩阵(见图8 (b))。不同颜色的酒吧代表不同程度的错误。SOCNN方法的结果,77.1%的病例是评估的复杂性水平真正的复杂性水平,和22.2%的情况下有一个评估误差1水平。总之,99.3%病例的评估误差在1级。只有5个样本,占不到1%,有估计误差大于1水平和复杂性没有样本的误差超过2水平。这个结果再一次表明我们SOCNN方法不仅有很大的性能在整个准确性还拥有一个相对较低的预测误差。

4.4。多通道结构的有效性验证

在这组实验中,我们将验证的有效性提出了渠道的影响,探索不同频道数字SOCNN的性能。首先,我们定义了三个通道提出了部分3.2作为基本的渠道,没有标题的通道。原因是我们认为,渠道冲突的意识已经包含标题信息,但是在这个实验中,我们还考虑标题的渠道,以验证不同渠道的影响。所以,我们目前一共有4通道,即channel-altitude (C1),通道速度(C2),渠道冲突意识(C3)和channel-heading (C4)。根据所选通道的数量,4实验设计的主要群体。实验结果如表所示4。为表示我们的模型的计算复杂度,我们报告他们的训练时间和测试时间。具体来说,培训执行几个时代以来,我们报告这些信息标准化的方式,通过提供运行时per-epoch (RTPE)。同样的,我们测试集上的预测时间表示为运行时测试(RTT)。

通过实验结果,我们发现以下:(我)单通道组实验用于研究单通道对SOC的效用评估。这组实验表明,即使只有一个通道信息,SOC评价精度可以达到70%左右。也许每一个通道是由历史的轨迹或预测轨迹。尽管通道的像素值满是单一的导航信息,如高度或速度、轨迹的形状仍包含了空间结构的关系。CNN的卷积和池操作可以挖掘的空间关系特征,恢复交通场景中,并利用提取的特征对SOC模式学习。值得注意的是,C3通道仅能达到72.4%的精度。原因是C3通道产生一个预测轨迹提供冲突意识的能力。预测轨迹的方向是由标题,和长度是由速度决定。因此,C3通道不仅包含导航信息,如标题和速度还有感觉飞行冲突的能力,使它在SOC评估取得更好的性能。(2)比较两个渠道组的实验结果和单一通道组可以证明两个渠道的结合比单独使用单通道的效果更好,因为两个渠道包含更多的信息,可以产生协同联合效应来描述交通信息。例如,航向和高度的联合效应可能决定是否有飞机之间的冲突。(3)因为相互补充的函数和合资公司的影响,精度高达77.12%在使用三个频道(C1, C2, C3),这是渠道的最优数量和组合。然而,其他实验结果并不如预期在三个通道组实验。从对比实验在这组实验中,我们发现由于C4的通道,结果并不像以前以及更少的通道。C4属于标题频道。通道的像素值充满了航向数据。我们原本预期该频道提供飞机的航向信息深度学习过程,但结果似乎并不是这样。分析表明,它是不合适直接使用标题数据通道的像素值,因为标题数据有特殊关系。例如,标题1度和航向365度非常相似的实际空间,但从数值的大小关系,它们之间有一个巨大的差异。正是因为错误的标题所提供的信息数据,CNN模型可能会受到影响,从而降低最终预测的准确性。

综上所述,可以看出,每个频道的C1, C2, C3有效复杂性评价,和不同渠道的共同作用可以改善我们的模型的评价性能,但这并不意味着更多的渠道,评估性能就越好。的冗余和不恰当的渠道,如C4通道可能损害评估模型的性能。

调查方法的计算复杂度,我们报告RTPE和RTT不同通道的组合。结果很明显,模型的训练时间和预测时间随着渠道的增加,因为增加的数量输入数据通道和计算复杂度呈正相关。以C1-C2-C3通道组合为例进行具体分析,一个时代的平均培训时间是42.50秒,在测试集预测时间是2 s。从图可以看出7(一)训练时,模型一般收敛70 - 80时期,所以它需要不到一个小时( )完成整个模型训练过程。在实际的空中交通管制的问题,因为标签的复杂性难以获得实时、历史数据通常使用离线训练模型;然后,训练模型用于实时SOC评估。因此,成本的计算模型在测试集上是至关重要的在实际应用程序中,我们的方法,2 s预测时间内,是适用的。如果有必要考虑样本更新模型的影响在未来,高需求将提出了模型训练时间。我们的方法可以实现更新的样品大约一个小时之前评估的时间包含在模型训练过程。

4.5。研究SOCNN的参数

提出SOCNN建设期间,有几个关键的参数,应该适当的设置。在本节中,我们将调查数据中的随机旋转角的范围增大和标签在过度拟合平滑系数抑制对他们影响SOCNN的性能。在这些实验中,除了研究参数,所有的设置SOCNN保持不变的部分4.2。

4.5.1。参数研究旋转角的范围

深入学习需要大量的标签数据,但是在很多情况下,数据的数量不足,和我们的SOC评价问题也不例外。因此,我们采取了数据增强策略,防止过度拟合的条件下样本量不足。由于SOC评估的特殊性,数据增加随机裁剪和噪声等不适用,只有随机旋转方法用于提高我们的摘要MTSIs的多样性。在实验中,我们发现随机旋转的数据增加确实会提高SOC的性能评估,但随机旋转角度范围的设置对最终结果有不同的影响。因此,我们设计了一组实验探索的旋转角度范围如何影响SOCNN的性能。实验设置相同的部分4.2除了旋转角度和批量大小的范围。这里,旋转角度变化的范围从0到360,并且实验不同的批量大小(25、50、75、100)进行调查为每个设置我们的方法的鲁棒性。具体的实验结果如图9。

从上面的图可以看出,当随机旋转角设置0到60度之间时,SOCNN显示状态的性能先上升,然后下降。从性能指标(即。、Acc美,F1分)我们使用,它可以认为,在这个区间我们称之为积极的范围,数据增加操作确实改善了SOC评估的整体性能。当随机旋转范围设置为10,我们的方法达到最优性能。然而,当随机旋转角度范围超过90度,整体性能开始低于没有数据的情况下增加。这一现象告诉我们,为我们的SOC评价问题,随机轮换策略可以影响的性能模型,并极大地影响其性能的设置旋转角度范围。

的原因分析,可以看出,随着SOC评价认为交通操作复杂性在整个部门,以确保整体的完整性,数据扩增方法的缩放,剪切、平移可能不适用。真正的空中交通操作是基于固定的航空公司,这并不是严格的地面交通。飞机不能飞完全根据航空公司,和它的飞行方向往往是不同于真正的气道方向,即随机旋转方法是有效的。然而,这种方法是有限的。airctafts的偏差从航空公司必须满足飞行的要求。在实际飞行中,几乎是不可能导致大角度偏差。同时,航空公司的限制也将确保整个空中交通流保持一定的方向。因此,随机旋转的角度不能太大。否则,将会产生样品完全与实际情况无关。这些样本可能误解了CNN模型和影响最终的评价性能。 From the above experimental results, it can be found that when the random rotation angle is set to 10 degrees, the best performance can be achieved.

4.5.2。参数研究标签平滑系数

标签平滑策略是一个损失函数修改来解决这个缺点在训练的过程中深入学习网络,也就是说,深层神经网络训练期间成为“过于自信”的预测,这将减少他们的泛化能力。这里,我们设计一组实验来探索标签平滑系数之间的关系和SOCNN的性能。我们让标签平滑系数变化从0到0.4,同时保持其他设置不变,然后,总共14个实验。Acc和梅的指标用于评估SOCNN的性能,实验结果如图10。

在图10,蓝色的直方图和橙色虚线代表Acc的变化趋势和梅测试集,分别。损失函数的子图表示收敛曲线的训练集和测试集不同参数设置下。如果系数为0,标签平滑策略并没有被执行。我们可以发现,模型的性能,增加标签平滑系数,评价性能先增加然后减少。评估性能与一个标签平滑系数在0.003和0.03之间比性能没有标签平滑策略;即系数为0。系数大于0.03时,模型的性能将被削弱甚至落后nonlabel平滑性能的策略。的损失函数的收敛曲线,可以看出从子图,测试集上的叉损失曲线不能收敛时,标签不进行平滑策略(如插图1所示图10),标签平滑策略有助于的损失函数收敛测试集(如插图2所示图10),但太大导致高损失系数的训练集(如插图3所示图10)。

上述现象的原因是一个特别大的标签平滑系数就会失去一部分有用的信息,减少模型的学习能力,从而影响评估模型的性能和损失函数的异常测试集的收敛曲线。考虑上面的分析结果和实际试验结果,我们选择一个标签平滑系数0.02,不仅能保证模型性能的改善也使损失曲线正确测试集的收敛。

5。结论

深度学习技术广泛应用于图像处理领域取得了丰硕的成果,因为其强大的复杂特性的表征能力比其他方法(33,34]。然而,有限的研究在SOC的评估。通过深入学习方法提取更复杂的功能将提高SOC的性能评估。

本文提出了一种基于图像的SOC可以自动抽取文摘流量特性的评价方法学习SOC的模式。方法主要由两部分组成。第一个涉及将空中交通场景转换为包含导航和冲突信息的公司形象。第二个过程是利用深CNN学习领空操作复杂性信息基于构造反应图像,实现SOC评估。在实验结果,我们的方法优于其他的机器学习方法在所有性能指标和每一个频道的形象是被证明是有效的。此外,我们还进行了参数分析数据增加和标签平滑。

由于端到端学习框架的实现,该方法可以更容易地在实践中应用比传统的机器学习方法,它依靠手工质量特性和特性计算中有困难。此外,我们相信,我们的方法可以进一步提高在未来在以下方向:(1)我们可以尝试设计更复杂的和高效的网络,如ResNet DenseNet, MobileNet,进一步提高SOC评估性能和效率;(2)真正的空中交通场景不是基于单帧图像,和2 d图像帧之间可能不考虑运动信息在时间维度,所以3 d CNN或Conv-LSTM方法可以用来更好的捕获时间和空间特征信息在空中交通场景;(3)因为它是很难获得目标行业的标签样本,我们可以试着建立一个更精确的SOC评价模型利用未标记的样本目标行业或标签的样本不属预定目标的部门有限的情况下标签样品通过semi-supervised学习或转让学习技术。

数据可用性

使用的数据来支持本研究的发现正在禁运,而研究成果商业化。请求数据,本文的发表之后的12个月内,将被相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(没有。61903187)和南京航空航天大学研究生创新基地(实验室)开放基金(没有。kfjj20190732)。