基于危险值分布流模型的飞机时间间隔计算方法

前后两架飞机的间隔是影响进近航路容量的关键因素,为了在飞机进近阶段前后两架飞机之间既能保持安全,又能最大程度地缩小两机之间的尾流间隔,提升进近阶段的到达容量,使用一种改进的Lighthill-Whitham-Richards(LWR)的交通流量模型,改进后的LWR模型将进场着陆的飞机发生碰撞冲突的概率视为与飞机数量相关的连续分布,称为危险值分布,通过危险值分布预测发生冲突的概率,使用速度平差法计算不同机型组合的安全间隔.基于危险值分布流模型对进近阶段上不满足间隔的飞机提出速度调整方法,使飞机之间保持所需的最小间隔时间,以便能够最佳利用进场着陆空域的容量.     

基于时空特征融合的飞机尾涡识别

为了实现动态尾流缩减技术，减少进近阶段前机尾流对后机飞行安全的影响。依据相干激光雷达（coherent Light Lidar，简称CDL）扫描风场循环周期性特点，提出一种基于时空特征融合的飞机尾涡识别模型。首先，CDL扫描生成的径向速度风场转换成序列输入和块输入。然后，双向长短时记忆（bidirectional long short-term memory, 简称Bi-LSTM）网络用于提取序列输入的时间特征，卷积神经网络（convolutional neural network, 简称CNN）网络用于提取径向速度风场块输入的空间特征。最后，将融合的时域和空域特征输入全连接层分类器，得到最终分类识别结果。实验团队在深圳宝安机场附近采集风场，并构建尾流数据集来验证所提得融合模型，结果表明：基于CNN和Bi-LSTM时空特征混合模型具有较好的分类性能，在尾涡识别上的准确率、召回率、F1分数分别达到97.13%、97.50%、97.03%，且相比单一模型是一种更有效的识别方式，能够获得实时高效尾流预警。