终端区飞行轨迹聚类分析及异常轨迹识别

为有效掌握空中交通流的分布规律,提高飞行轨迹聚类效率与质量,提出了一种精确度高、运算快、自主识别异常轨迹的飞行轨迹聚类方法。首先,改进均匀参数化法来降低了飞行轨迹数据规模。其次,提出一种基于核主成分分析法(kernel principal component analysis,KPCA)飞行轨迹降维方法,突出不同类点之间的差异。最后,采用基于密度空间聚类方法(density-based spatial clustering of applications with noise,DBSCAN)算法剔除飞行干扰轨迹并完成聚类。实验表明,该方法在简化数据预处理的条件下,对1243条飞行轨迹实现准确聚类,划分为识别出6个类别,保持较高的聚类质量并识别异常轨迹。相较于其他聚类方法,本文方法简化了聚类前对飞行轨迹的预处理,提高了聚类效率的同时聚类效果更加准确并能够识别异常轨迹。