空中交通短期流量管理的动态网络流模型

针对优化调度空中交通短期流量的迫切需求,研究空中交通管制区的网络结构和确定容量条件下空中交通流的动态行为,给出了空中交通短期流量管理的多品种动态网络流模型的数学描述(ST-TFMP);并就管制区内现有飞机的疏散问题对原模型进行了改进.利用北京管制区某日高峰飞行时段的到达流量实际数据,在不同场景下对模型进行了仿真验证,结果表明空中交通短期流量管理的动态网络流模型有着较好的计算性能.     

基于分解集成方法的空中交通流量短期预测

为对空中交通流量进行短期预测,提出了基于分解集成方法的组合预测模型。首先,应用EEMD方法将流量时序数据分解为若干个分量;其次,应用排列熵计算各分量的复杂度,复杂度高于0.5的归为高频分量,其余归为低频分量;然后,高频分量采用BP神经网络算法进行预测,低频分量采用最小二乘法进行预测;接着,对分量的预测结果进行加和集成,得到了最终的预测值。最后,采集实际运行数据进行算例分析。通过比较1~6 h和7~12 h的预测结果,本文模型在1~6 h的EC值为0.905,准确度更高。与EMD-BP-OLS模型、BP模型进行比较,本文模型的评价指标均优于其他模型。通过比较60 min,30 min,15 min时间尺度数据的预测结果,60 min时间尺度的EC值为0.924,准确度最高。结果表明,本文提出的模型是可行的和有效的,更适用于短期流量预测。     

空中交通流量管理

当前,随着国内飞行数量的不断增加,由于流量控制而导致航班延误的情况时有发生,流量管制原因与流量管理而引起其他原因的发生已经成为了导致航班延误的主要因素之一;所以,空中交通流量管理是现阶段民航迫切需要完成的任务。本文首先指出了空中交通流量管理存在的问题,其次提出了加强空中交通流量管理的措施。     

基于Multi-Agent的空中交通协同流量管理

充分考虑到空中交通流量管理系统三级结构的特点,把那些具有自主性和智能性,并对系统有重要影响的实体用Agent来实现,构建了空中交通流量管理系统的框架,详细阐述了终端区各分Agent系统的结构以及主要功能;将多Agent应用到空中交通流量管理系统,可有效提高系统的动态环境适应性和自治性,降低系统设计与实现的复杂性,为建设流量管理系统提供了新的思维模式。     

空中交通战略和战术级流量管理模型

针对日益增长的空中交通流量,提出了适合中国空中交通的战略、战术级流量管理模型.按照功能,分别提出了航路流量管理模型和机场流量管理模型以及终端区的流量管理模型.根据空中交通中信息的实时性和多样性,分析了其中的信息流动,并在此基础上提出了新一代信息共享网络.这些模型都应用于清华大学国家CIMS工程研究中心与华北空管局合作开发的空中交通管制指挥检测系统(ATCCMS)中,并取得了很好的效果,同时也为上层管理者提供了战略性决策支持.     

空中交通流量管理技术研究

我国对于空中交通的流量控制,有着自身的管理方式.对空域中交通流量的管理对于整体空域管理有着重要意义.实行流量管理的目的在于使飞行设备在空中能够保持一个安全、通畅的飞行状态.随着社会的发展,越来越多的飞行器出现在城市的上空,对空中管理的要求也逐渐提高,飞行器的大量出现也为空中管理带来了一定的难度.本文为了解决目前空中管理出现的问题,对空中流量管理作出了具体分析.首先阐述空域交通管理中的流量管理的概念,其次分析目前空中流量管理的形式与缺点,再结合目前已掌握的数据提出科学有效的解决方案.     

空中交通流量评估管理研究

本文主要对现阶段我国空中交通流量进行了系统的评估与管理研究工作;文章开头对我国现阶段空中流量的大背景做了简单介绍并就空中交通流量管理的基本概念做了系统阐述。接着,对我国现阶段我国空中交通流量管理发展现状做了分析,然后对我国空中交通流量进行了评估研究工作。最后对我国现阶段的空中交通流量评估管理研究工作作了简要总结。     

基于动态时间规整和长短期记忆的空中交通流量短期预测

空中交通流量短期预测对于精准实施空中交通流量管理具有重要意义。为提高空中交通流量短期预测准确性,充分利用历史运行数据,提出了基于动态时间规整和长短期记忆(dynamic time warping-long short-term memory, DTW-LSTM)的空中交通流量短期预测模型。首先,分析了空中交通流的时空相关性特征,采用DTW算法衡量扇区之间交通流相关性;其次,依据相关性度量结果构建数据集,在不同输入条件下建立LSTM网络预测模型;最后,在不同时空参数组合模型间展开预测性能对比及分析。实验结果表明,相较于不考虑时空相关性的LSTM模型,本模型平均绝对误差(mean absolute error, MAE)降低24.5%,均方根误差(root mean squared error, RMSE)降低31.4%,相较于时空相关性的支持向量回归(support vector regression, SVR)模型,MAE降低36.4%,RMSE降低30.6%。由此可见,通过考虑交通流时空相关性可以有效提升流量短期预测的准确性,为空中交通流预测提供有益参考。     

空中交通流量管理数据仓库建模研究

多维数据模型的设计已经成为数据仓库和联机分析处理的核心技术.简单介绍了空中交通流量管理和决策支持系统的特点,对一种四阶段规范化数据建模方法加以改进.新的建模方法通过在建模过程中引入UML的类图,方便了数据仓库组织构架的细化,并且很好地描述了数据仓库的元数据,使该方法更加适于设计面向主题的数据模型.同时指导设计了空中交通流量管理原型系统数据仓库的数据模型.     

空中交通流量管理中的多机场地面等待策略

为解决航班延误问题,提出了一种考虑机场网络的延误累加效应及连续航程航班影响的多机场空中交通流量管理模型。该模型采用地面等待策略,对机场网络中各机场的延误情况进行综合考虑。当某些机场容量受恶劣天气或其他突发情况影响发生变化,使延误无法避免时,能够合理分配机场的出发和到达容量,减少航班的空中延误。结合中国3个枢纽机场的流量数据,对模型进行了仿真计算。仿真结果表明:该模型提供了一种更安全、更经济的航班调度策略,可为民航相关部门制定航班计划提供辅助的战略决策。     

非参数回归方法在短时交通流预测中的应用

为了提高短时交通流预测的准确性,提出了应用改进的非参数回归方法进行短时交通流预测。利用反馈机制动态调节系统变量和输入变量集是对非参数回归方法的主要改进之处。将建立的模型用于北京实际大规模路网的交通流预测预报,实例分析结果表明,应用非参数回归方法的5m in交通流预测结果明显优于神经网络方法;有反馈调节机制的非参数回归方法优于有固定输入变量集的非参数回归方法。     

基于SARIMA-GA-Elman组合模型的短时交通流预测方法

针对单一模型无法深入挖掘交通流复杂的线性和非线性特征方面的局限性以及神经网络模型在训练时收敛速度缓慢等问题,提出了一种基于SARIMA-GA-Elman的组合预测模型.该组合模型有效地融合了季节性差分自回归滑动平均(seasonal autoregressive integrated moving average,SARIMA)模型良好的线性拟合能力和Elman递归神经网络强大的非线性映射能力;在预测过程中首先基于SARIMA滚动预测时间序列的线性分量,然后使用SARIMA模型的预测误差序列建立Elman-RNN构建非线性误差模型;此外在训练非线性误差模型的过程中使用经过二进制编码的遗传算法(genetic algorithm,GA)优化Elman-RNN,旨在提升Elman-RNN的训练效率,最后把两个模型的预测结果加权组合得到最终的预测值.实验结果表明,该组合模型在预测精度和鲁棒性方面相比单一模型都有较为明显的提升.     

基于航班计划的空域交通流量实时预测模型

空中交通流量预测是空中交通管理的基础,实时的空中流量预测能够有效地保证空中交通有序顺畅的运行,对保证飞行安全和解决空中交通拥挤、减少航班延误有很大的帮助。为了准确预测空域内实时的交通流量,本文首先建立了空域内单航路有N个转弯点情况下的实时流量预测模型,然后将模型推广到了空域内有任意条航路的情况,最后进行了算例仿真。仿真结果证实了文中所建模型能够很好对空域内的实时流量进行预测,模型是可行和有效的。     

基于小波分析的短时交通流非参数回归预测

短时交通流预测是交通诱导与控制的关键技术之一.传统的预测方法难以预测短时状况下具有较强不确定性的交通流.根据交通流信号在不同的时频域空间的不同特性,提出一种组合小波分析和非参数回归的短时交通流预测方法,并对其原理进行了详细分析和描述.首先对交通流时序信号进行多分辨率小波分解,然后对低频和高频分量分别进行单支重构.在此基础上,引入非参数回归对各频率部分分别进行预测,组合各频率空间的预测分量获取预测结果.实验结果验证了该方法的有效性和可行性.     

船舶交通流的流体模型

基于流体动力学的交流流通理论，提出了船舶交通的流体模型，并进行了实例研究，对船舶交通在确保安全的前提下如何提高交通效率进行了探讨，得出了船舶交通流的流体模型，从一个侧面明确了船舶交通效率的量化问题。     

A new dynamics model for traffic flow

As a study method of traffic flow, dynamics models were developed and applied in the last few decades. However, there exist some flaws in most existing models. In this note, a new dynamics model is proposed by using car-following theory and the usual connection method of micro-macro variables, which can overcome some ubiquitous problems in the existing models. Numerical results show that the new model can very well simulate traffic flow conditions, such as congestion, evacuation of congestion, stop-and-go phenomena and phantom jam.     

基于ACapsGRU的短时交通流预测研究

针对交通流预测中的时空相关性进行研究．首先,根据城市交通路网建立速度矩阵,将每个时刻的速度矩阵输入胶囊网络进行空间特征的提取;其次,利用注意力机制结合近期交通流数据生成注意力权重;最后,将带有注意力权重的数据输入到门控循环单元学习交通流的时间特征,进行组合模型的短时交通流预测．使用西安市的交通流数据进行验证,结果表明：提出的ACapsGRU组合模型有更好的预测结果,相比于卷积神经网络、胶囊网络及CapsNet-NLSTM等模型预测结果,在平均绝对误差(MAE)方面分别优化了17.08%,13.85%和4.78%.