地球科学进展, 2019, 34(8): 879-888 DOI: 10.11867/j.issn.1001-8166.2019.08.0879

新学科 新技术 新发现

机场终端空域航空流量热区云图模型及其北京首都国际机场案例研究

杜欣儒,1,2, 路紫,1,2, 董雅晴1,2, 丁疆辉1,2

1. 河北师范大学资源与环境科学学院,河北 石家庄 050024

2. 河北省环境演变与生态建设实验室,河北 石家庄 050024

3. Decision Systems &-Service Intelligence Lab, Centre for Artificial Intelligence, Faculty of Engineering and Information Technology, University of Technology Sydney, Sydney, New South Wales, 2000, Australia

The Heat Airspace Cloud Map in Terminal Airspace of Airports Based on Air Passenger Flow and a Case Study in Beijing International Airport

Du Xinru,1,2, Lu Zi,1,2, Dong Yaqing1,2, Ding Jianghui1,2, Wu Dianshuang

1. School of Resource and Environment Sciences,Hebei Normal University,Shijiazhuang 050024,China

2. Hebei Key Laboratory of Environmental Change and Ecological Construction, Shijiazhuang 050024, China

3. Decision Systems &-Service Intelligence Lab, Centre for Artificial Intelligence, Faculty of Engineering and Information Technology, University of Technology Sydney, Sydney, New South Wales, 2000, Australia

通讯作者: 路紫(1960-),男,北京人,教授,主要从事信息经济地理与空域科学研究. E-mail:luzi@hebtu.edu.cn

收稿日期: 2019-04-13   修回日期: 2019-07-26   网络出版日期: 2019-09-20

基金资助: 国家自然科学基金项目“数据通信支持的空域资源配置模型与机制”.  41671121
河北省研究生创新资助项目“面向三大复合门户枢纽机场的空域资源动态配置模型与应用”.  CXZZBS2018107

Corresponding authors: Lu Zi (1960-), male, Beijing City, Professor. Research areas include economic geography information and airspace scientific. E-mail:luzi@hebtu.edu.cn

Received: 2019-04-13   Revised: 2019-07-26   Online: 2019-09-20

作者简介 About authors

杜欣儒(1989-),女,山西晋中人,博士研究生,主要从事航空地理与空域资源开发研究.E-mail:duxinru0224@126.com

DuXinru(1989-),female,JinzhongCity,ShanxiProvince,Ph.Dstudent.Researchareasincludeaviationgeographyanddevelopmentofairspaceutilization.E-mail:duxinru0224@126.com

摘要

大型枢纽机场终端空域航空流密度计算与热点空域识别是智能化时代一个新的挑战性研究课题,旨在利用航迹大数据自动生成航空流并解读其运行规律。针对机场终端空域航空流密度及其与空域资源占用之间的关系问题,设计了一个机场终端空域航空流量热区云图模型,以北京首都国际机场为案例,构建了由飞行航迹点构成的航空流经度、纬度和高度基本参数以及角度(转向)、速度(速差)额外参数与时间参数的时空数据集,通过航迹聚类和航迹点次数叠加生成4D流量热区云图,进而用细胞单元对应的基本参数和时间参数属性识别了热点空域范围,又用航迹网格识别了额外参数的变化以补充解释其影响,最后用概率密度拟合验证了4D识别的结果。这项研究识别出北京首都机场局部进近空域的热区分布和2个高度层上的热点空域峰值以及飞行转向、速差的影响,揭示出由飞行占用时长差异引起的热点空域范围变化规律。应用4D流量热区云图模型实现了细致准确的信息构建、热点空域变化的阶梯性表达、时空密度及其范围的多参数可视化,可辅助自动动态空域分区和空域资源配置决策,对缓解当前空中交通需求和空域资源限制的矛盾具有一定参考意义。

关键词: 航空流密度 ; 热点空域 ; 流量热区云图模型 ; 航迹网格 ; 北京首都国际机场

Abstract

The calculation of air passenger flow density and the recognition of heat airspace in terminal areas of large hub airports is a new challenging research in the intelligent era, that is, using big data can automatically generate air passenger flow and basic rules. Aimed for the air passenger flow density in airport and its relationship between occupation and airspace, based on the establishment of the Beijing International Airport 1 h flight, which consists of basic parameters-latitude, longitude and height, additional parameters-dogleg and speed of trajectories, time parameters, a spatio-temporal data set by clustering trajectories and calculation of aircraft trajectories points was made up. Then, heat cloud map of flight trajectories under 4D conditions was generated. Cell was used to identify the basic parameters and time parameter of heat airspace; grid graphs of flight trajectories were used to identify additional parameters and explain the influence on heat airspace; probability fitting graphs were used to verify the accuracy of 4D results. The conclusion is as follows: there are two areas of Beijing International Airport, which have the high density and at two different heights there also exist hot peaks; flight trajectories and speed of trajectories also affect the heat airspace. The variation of heat airspace caused by different flight occupancy time in 4D recognition was revealed. The method realized the 4D heat cloud map of flight trajectories, which is better for detailed and accurate information construction, expression of spatial changes, and more the parameters of density and visualization of temporal and spatial range, which can assist the automatic dynamic airspace sectorization and decision making on airspace allocation, and also have a definite reference meaning in alleviating the contradiction between the current air traffic demand and limited airspace.

Keywords: Density of air passenger flow ; Heat airspace ; Heat cloud map of flight trajectories ; Trajectories grid ; Beijing International Airport

PDF (4213KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

杜欣儒, 路紫, 董雅晴, 丁疆辉. 机场终端空域航空流量热区云图模型及其北京首都国际机场案例研究. 地球科学进展[J], 2019, 34(8): 879-888 DOI:10.11867/j.issn.1001-8166.2019.08.0879

Du Xinru, Lu Zi, Dong Yaqing, Ding Jianghui, Wu Dianshuang. The Heat Airspace Cloud Map in Terminal Airspace of Airports Based on Air Passenger Flow and a Case Study in Beijing International Airport. Advances in Earth Science[J], 2019, 34(8): 879-888 DOI:10.11867/j.issn.1001-8166.2019.08.0879

1 引 言

空中交通的快速增长以及愈益严重的航班延误要求更充分发挥现有机场空侧能力[1],以提高相关空域资源产能及其利用率。面对这一挑战,为适应空中交通需求的复杂性和空域资源利用的多维性,国际航空运输协会(International Air Transport Association,IATA)、欧盟、美国联邦航空管理局(Federal Aviation Administration,FAA)和中国民用航空局都在探索、测试和实施受容量约束的特定时间内航空流最优方案[2]。理论上形成了3个关键变革:灵活空域使用(Flexible Use of Airspace,FUA)强调在精准时间计划下空域连续使用[3]、动态空域配置(Dynamic Airspace Configuration,DAC)强调在多种空域优化方法下空域重构与调整[4]、动态空域分区(Dynamic Airspace Sectorization,DAS)强调繁忙区段繁忙时段空域划设与航线更改[5]。实践上实施了新的航空流计划(Air Traffic Flow Planning,ATFP):预测航空器穿越拥堵空域单元[6],协调航空流变化与空域时隙资源分配[7],适应有限空域资源容量的影响[8]。以上灵活性和动态化变革与实践均是以机场终端空域航空流密度估测为前提的,需要基于航空器航迹时空分布识别不同时间的热点空域[9],因为这一空域最有可能影响航空流[10,11]。其中特别关注航迹的空间和时间相互作用,如新一代航空运输体系(Next Generation Air Transportation System,NextGen),即通过航迹操作(Trajectory Based Operation,TBO)检测相同时间同一空域单元空中交通流量[3],划分出3个空间维和1个时间维[12],以求解决需求能力时空不平衡问题[13]。近年来,4D可视化技术的发展为机场终端空域航空流密度的动态识别提供了支持[14]

综述当前航空流密度计算与热点空域识别相关研究可发现,以固定航路信息作为数据集构建标准,难以反映航迹点的某些特殊情况;以整数划归作为空域分区标准,难以反映终端空域航空流的阶梯变化;以3D参数识别作为空域流量建模标准,难以反映航空流在不同维度的空域占用问题;以地面延误计划作为机场终端空域时刻资源管理标准,难以反映多维空间的航空流预测和决策。为弥补以上不足,本文以机场终端空域航空流变化规律为研究对象,在Enea等[15]提出的基于航迹的4D(4D-Trajectory)空域需求交互操作模型基础上并受气象图的启发,尝试建立一个具有时空属性并包括航空流量统计、飞行航迹点叠加计算和热点空域识别的流量热区云图模型,较全面调查机场终端空域各网格内航空流的变化特征。

案例研究证明,本文提出的4D流量热区云图模型,在数据集构建、空域单元划分、评估参数设定以及未来实践等关键问题上具有一定优势:利用航迹点信息构建数据集,可以得到每个时间段内航迹点的空间状态,具有较好的数据可追踪性,依赖其基本参数、额外参数和时间参数形成的高仿真航空流场景,为航迹点多时间周期的空间状态研究奠定了基础,也为未来立体交通流量智能化管理提供了依据。其动态变化的描述方法也可以用于其他机场终端空域与时间相关的航空流流量热区识别,以辅助决策机场终端空域容量释放,解决空域需求和空域流量相匹配问题。

2 研究依据和数据采集

2.1 研究依据

时段选取、单元划分和参数确定的主要依据为:

(1)Klein[16]在自动识别空域资源共享与配置研究中采用15 min间隔扫描指定空域的过载状况,Enea等[15]在某一航路航空流密度K-means聚类时使用15和30 min 2种时间间隔,Kopardekar等[17]和Cook等[18]也曾提出“15 min有限调整”时间间隔设定和“15 min短延迟”研究方案。结果证明这个时段已能较好地满足空域资源动态研究的需要。

(2)Delahaye等[19]在遗传算法应用中即将空域分割成一组细胞单元,Basu等[20]在递归几何分割法应用中也使用细胞单元划分方式,Drew[21]在Yousefi等[22]研究基础上将空域细胞单元划分方式发展为正六边形细胞单元;此外,Prevot等[23]在应用TBO范式评估空域时具体给出0.1纬度×0.1经度(6NM)和304.8 m高度的细胞单元范围,Bonami等[24]定义的空域网格单元范围是1.85 km×1.85 km×228.6 m。实践表明,细胞单元方式能更准确地定向和更集中地描述空域资源配置,具有在离散空域统计航空器数量的优势。

(3)McNally等[25]在航空器冲突预测中应用飞行转向、速差特征向量描述航空流密度并将速差超过277.8 km/h的航迹点标记为变速点,Shridhar等[26]在空域复杂性测试评估中标记航空器变速为200 s内速度变化大于245 km/h。Romli等[27]界定飞行转向为10 min内总角度变化大于100°。综上,本研究采用20 min时段系统自动生成的0.01纬度×0.01经度×328.5 m高度的细胞单元飞行航迹点数据,识别热点空域及评估空域资源占用情况。

2.2 数据采集

对特定时间内大规模航迹点数据处理和存储的需求,促使空域地图分割小比例化并以集合单元表示其相关参数,特别是使用大数据构建多维立体时空参数,以实现人机互动的可操作性。本文将利用大规模航迹点云数据,在进行数量增量和批量处理后,将机场终端空域研究问题分割为多个平面问题,用以辅助热点空域识别。

借鉴前人研究资料获取的做法[28],从北京首都国际机场(PEK)门户网站(http://www.bcia.com.cn/)和FlightAware截取2017年8月26日8:00-9:00时段全部航班抵港前20 min和离港后20 min飞行航迹点的经度、纬度和高度基本参数以及角度(转向)、速度(速差)额外参数与时间参数原始数据组成一个数据矩阵,为保证样本数据加工的精度剔除因系统自身问题导致的航迹数据缺失的航班(因为部分航段的飞行航迹可能在实时航班飞行图中遗漏),并对航迹数据不完整的航班以相近航迹替代,最终形成研究资料,进而生成PEK单位时间内全部抵离航班多参数时空变化指示图(图1)。图1给出了所有航班每个飞行航迹点的6个维度的场景信息,该场景的飞行航迹点组合可用于评估该系统的最终状态。

图1

图1   PEK 1 h内全部抵离航班多参数时空变化指示图

Fig. 1   Temporal and spatial variation chart of multi parameters from arrival and departure trajectories of PEK in 1 h


与数据采集中使用航路信息相比,使用飞行航迹点信息具有航空流细致准确识别的优势。一直以来,研究中较多采用固定航路信息,如Basu等[20]截取带有时间标识的动态航路信息构建航路段,Brinton等[29]对某一时段某一航路上的航空流密度进行K-means聚类。这类研究多利用空域结构图建立航路网络关系,以航空器的航路因素作为空域划分标准,并认为其结果能贴合实际的空域交通情况。但是航路信息因缺乏局部时段性,因此只能反映统计时段内航空流的整体状况,在反映该时段空中交通的特殊情况时仍存在障碍。而飞行航迹点信息能对应该时段每个参数的特殊性,所以利用飞行航迹点云数据生成热点空域更能有效地辅助动态空域划设。此外,飞行航迹点信息有利于每个参数的可视化表达,能更细致准确地反映机场终端空域交通流变化。

3 模 型

4D流量热区云图模型由航空流量统计、4D参数曲面生成、叠加次数计算和热点空域识别4个步骤组成。将整个机场终端空域划分为许多大小相同细胞单元后,计算每个细胞单元中航迹点叠加次数,依据给出的映射规则将叠加次数相近的细胞单元自动合并为一个热区。该模型应用中用“SQL”语言映射多变量数据集的智能规则,用数学操作导引智能化推理,用规则性聚类得出评估结果,形成一种航迹点云数据加工处理机制,通过映射关系对GPS缺失值进行替换和补充最终转化为清晰的智能输出。

3.1 航空流量统计

该步骤是以细胞单元统计机场终端空域起始时间ts和终止时间te间隔△tte=ts+△t)内飞行航迹点的基本参数、额外参数和时间参数。鉴于实际飞行比计划飞行更为客观,故本研究中输入实际航空流航迹点数据,并将机场终端空域20 min、经度、纬度和高度三维数据相同的飞行航迹聚为一类。用有向线段MiNi表示某一细胞单元内航空器i的航迹(共59条),用MiNiTinMiNiTout表示航空器i抵离细胞单元的飞行航迹点(共2 599个),每一个细胞单元内航空流量数据集ft

ft=MiNi|MiNiTints, SiEiToutte

将细胞单元内飞行航迹点作抵离两类划分:

xi, j=1,i, j-1,i, j

在流量统计过程中,细胞单元内飞行航迹点数量需满足航路最大流量的限制,表示为:

xi, j=1,(i, j)[0, Sar]
xi, j=0,(i, j)[0, Sdp]

式中:SarSdp分别是抵离航迹点最大航路流量。还需满足航路方向连续性,表示为:

xi, j=1,xi1, j=xi2, j=1,i1<i<i2,0<j<n
xi, j=1,xi, j1=xi, j2=1,j1<j<j2,0<i<m

通过过程化SQL语言(PL/SQL)对各细胞单元内飞行航迹点数量求和可得最终航空总流量。

3.2 4D参数曲面生成

该步骤是对细胞单元内所有飞行航迹点进行4D参数定义并生成4D参数曲面。设经度(x)、纬度(y)和高度(z)基本参数以及时间参数(c)在一个指定空域内连续变化,本研究将时间7:40定义为0 s,经纬度使用WGS-84坐标;4D参数曲面生成:首先采用矩阵实验室(MATLAB)2017a中surf函数,以细胞单元飞行航迹点各参数控制该点在屏幕上的显示,将网格化后的数据矩阵输入程序运行指令中x,y,z=size(data);其次采用slice函数绘制三维物体切片图,在此对四维坐标飞行航迹点数量按叠加次数定义为0~10,10~20,20~30,30~40和>50共5档,以颜色表示叠加次数的变化,使用只叠加一次的细胞单元(标记为蓝色)作为创建热点空域的起点,通过颜色变化把参数曲面的表现力扩展到四维。叠加次数的颜色变化可以任意设置,其连通性将确保覆盖连续的空域段。

与使用整数划归方式[14]相比,空域单元划分中使用细胞单元方式更有利于对小比例尺梯度变化的表达。以前学者曾设计整数划归算法进行空域多边形分割,如Mitchell等[30]在某些虚拟航空器节点实验以及Klein等[31]在空域凸多边形分割时均是以整数划归节点数据为基础的并用于空域分区计算。但是因其外循环计算过程的不断叠加,其计算结果只能生成一个较大的区域,区域属性也被视为一个较固定的数值,不存在连续的梯度。为解决这一问题,鉴于机场终端空域内航空流密度具有的离散性,在流密度计算中可采用细胞单元方式,将离散空域划分为相互毗邻的细胞单元并进行飞行航迹点叠加次数计算,从而使叠加过程表示为航空流密度改变的过程,将空域离散化生成过程看作优化问题。在计算过程中再配以使用较大分辨率的细网格,可保证热点空域曲面较为平滑,进而保证热点空域范围精准化。这种精准化是智能化梯度表达实现的。后文的概率密度拟合曲线验证了其机场终端空域航空流的梯度变化。

3.3 叠加次数计算

该步骤是计算细胞单元内飞行航迹点的叠加次数,获得重叠区域的经度、纬度和高度以及时间数据集。初始条件不同生成的热点空域即不同:条件1是使用基本参数进行3D流量热区识别,采用meshgrid函数创建二维坐标细胞单元,采用griddata函数对不规则数据向量(xyz)进行曲面拟合,在此选用线性(linear)插值算法以使飞行航迹点随机数据的曲面拟合效果更好[32];条件2是使用基本参数和时间参数进行4D流量热区识别,在上述meshigrid基础上将griddata函数的参数扩大到四维,在此选用v4(MATLAB 4 griddata method)插值算法,将占用空域时间“常数列”作为插值选项,以使热点空域变化曲面更加平滑。插值结果将分段返回前述形成的数据矩阵中。航迹点叠加次数计算是一个大规模复杂识别的智能化过程。其优势主要表现为对资源数据进行有效处理,并以安全的方式对数据进行存储,这有助于资源的动态管理和动态配置的需求。

以往的低维度研究方法,尽管构建了基于航迹交叉点的网络图并广泛应用,如Trandac等[33]以机场、航路点和交叉点作为中心点生成2DVoronoi图,Delahaye等[34]对2D空域以随机产生的点(航空器位置)作为类中心聚类,Xue[35]采用2DVoronoi图方法为空域流量建模;再如Hanif等[36]考虑空域3D特性分别依据不同高度层的航空流情况划分热点空域。但是这些方法或没有考虑不同高度层的协调,或没有表述时间参数对热点空域识别的具体影响,所以较适用于自由飞行空域和小空域规模问题。采用4D流量热区云图方法将空域视为三维空间中平均分布的细胞单元,利用航迹确定个体初始位置的经度、纬度和高度基本参数以及转向和速差额外参数与时间参数,计算细胞单元内飞行航迹点叠加次数以识别热点空域,应视为一种进步。

3.4 热点空域识别

该步骤是识别热点空域范围和所占用时间。对前者,当检测到叠加时改变叠加次数的赋值,通过飞行航迹在时间窗口的重叠得到热点空域位置,在触发形成第一个交叉点后更新系统状态,对叠加次数的颜色赋值进行更改。在每步叠加后即得到飞行航迹点的间隙和重叠数量,系统在判断出热点空域状态后将返回初始数据中继续新的指令,最终生成热点空域范围。其整个循环过程是对飞行航迹点的初始信息替换,是生成热点空域信息的图解全过程。对后者,在分析飞行航迹点间的时空相互作用中需识别每条航迹潜在的空域占用时间,借助MATLAB三维数据游标(Data Cursor)在3D和4D条件下可得到热点空域飞行航迹点间的时间间隔,即占用时长。热点空域的识别将通过细胞单元方法和航迹网格方法来实现,分别用于经度、纬度与高度的4D热点空域识别和转向与速差的3D热点空域识别。

4 研究结果与验证

4.1 应用细胞单元对经度、纬度和高度进行热点空域范围的4D识别

经对PEK 1 h内所有飞行航迹聚类,系统默认生成基本参数的3D流量热区云图(图2a),加入时间切片后又生成4D流量热区云图(图2b),三维旋转又自动生成3D和4D的流量热区平面图,用飞行航迹点叠加次数的颜色(从蓝色到黄色)表示航空流密度以及热点空域范围。

图2

图2   PEK终端空域3D4D流量热区云图及其流量热区平面图

Fig.2   Heat cloud maps and plane maps of flight trajectories under 3D and 4D conditions in the terminal airspace of PEK

(a)3D;(b)4D

(a)3D condition;(b)4D condition


图2可以看出,PEK热点空域的基本格局是经度、纬度和高度3个维度上各存在一个峰值。经度、纬度峰值位于机场终端空域偏东南,即东进场—东离场空域(39.5°~40.8°N,116.1°~117.1°E),体现为东南进近定位特征,与繁忙航线抵离方向的航班数量有密切关系,其在仅依据航班数量的3D流量热区云图中反映更明显。增加时间参数后的4D流量热区云图中热点空域范围发生改变,一是东进场—东离场热点空域范围缩小,其与东南方向繁忙航线抵离航迹占用空域时间较少有关;二是增加了新的西北部热点空域(40°~40.8°N,115°~115.5°E),所受转向和速差的影响在下一部分阐述。高度上的峰值在3D和4D间有一定差异,3D条件下在2 000 m以上存在大面积热点空域,4D条件下在2 000~4 000 m存在小范围集中分布的热点空域,在3 000 m以下的东进场空域表现明显(图3),其热点空域高度范围能被下文中对高度的概率密度拟合结果所验证。

图3

图3   PEK终端空域不同高度4D条件下流量热区平面图

Fig.3   Plane maps of flight trajectories under different altitude of 4D conditions in the terminal airspace of PEK

(a)高度小于3 000 m;(b)高度大于等于3 000 m

(a)The height is less than 3 000 m;(b)The height is more than or equal to 3 000 m


4.2 应用航迹网格对飞行转向与速差进行飞行航迹点增多的解释

飞行转向与速差也会影响航空流密度的非匀质性[37]。在经度和纬度二维间生成航迹网格并以每个网格代表航迹点相应的空间位置,可描述飞行航迹的转向与速差。本研究借鉴前人研究中曾使用的边缘单位来定义某一空域[22],共计生成40 000个航迹网格描述,将飞行航迹点连线形成飞行航迹网格图(图4),用以解释机场终端空域飞行转向和速差对飞行航迹点增多的影响。

图4

图4   PEK终端空域航迹网格图

Fig. 4   Grid maps of flight trajectories in PEK

(a)59条全部航迹;(b)大于等于180°转向角航迹

(a)All 59 flight trajectories;(b)Fight trajectories of steering is more than or equal to 180°


图4可以看出:PEK东进场—东离场空域范围内有5条转向不低于180°的航迹,均出现小幅度盘旋,其部分解释了机场偏北部进近空域飞行航迹点数量的增多。受制于跑道影响的航空器盘旋强化了机场低空空域资源占用[38]PEK西北部空域范围内出现多个变速点,5条飞行航迹(1条抵港和4条离港)的最大速差均在415 km/h以内,最小速差只有251 km/h,远小于59条飞行航迹最大速差均值503.04 km/h,其占用空域时间较长,部分解释了西北部空域飞行航迹点数量的增多。

4.3 应用基本参数的概率密度函数进行4D热点空域分布的验证

为证实4D热点空域分布范围识别的准确性,以及更好地描述基本参数的概率分布特征,借鉴Dunbar等[39]在机场终端空域资源配置研究中采用的概率估算方法,使用MATLAB分别对PEK终端空域飞行航迹点经纬度和高度基本参数进行拟合,得到线性曲线和概率密度函数(图5)。

图5

图5   PEK终端空域基本参数的概率拟合图

Fig. 5   Probability fitting graphs of basic parameters in the terminal airspace of PEK


图5可见基本参数的概率分布特征:经度和纬度参数的拟合曲线为单峰值对数正态分布,其中经度最大值位于116.50°E,纬度最大值位于39.83°N,其线性变化趋势为平缓上升和平缓下降,拟合曲线中经度和纬度的峰值分别位于机场终端空域的东部和南部,线性变化趋势以及数据直方图与4D流量热区云图所显示的热点空域范围较为吻合,验证了PEK热点空域位于机场偏东南的识别;高度参数的拟合曲线为双峰值对数正态分布,在低于3 000 m和3 000 m及以上空域各存在一个峰值,其中1 244 m空域航空流密度最大,验证了PEK热点空域进近分布的识别。

针对基本参数的对数正态分布拟合度检验问题,本研究采用MATLAB中的mle函数进行最大似然估计,通过曲线拟合工具得到基本参数的拟合度检验值为0.9325,0.9162和0.9083,均能满足对数正态分布。又在拟合度检验基础上进行残差分析,测定3个基本参数的系数R2为0.8447,0.8273和0.7129,F值为52.713,41.417和36.681,Durbin-Watson检测值为0.0022,0.0041和0.0092,均显示残差序列存在正自相关。基本参数的拟合曲线和概率密度函数验证了4D流量热区云图方法较有效。

5 结论与展望

5.1 主要结论

(1)PEK终端空域的东、南进港点和离港点附近存在较集中分布的热点空域;在机场终端空域高度层形成东南部1 244 m和西北部6 502 m 2个热点空域,转向和速差分别对机场东部热点空域和西北部热点空域的产生有较大影响,飞行航迹点的时间参数成为主导因素。

(2)采用基于飞行航迹点信息的细胞单元划分方式经叠加次数计算生成的4D流量热区云图较3D而言存在较大差异:西北部低空热点空域出现,东离场出港点附近热点空域范围减小;该模型不仅可以用于离散飞行航迹点的热点空域识别,也可以用于离散事件空间状态分析,飞行航迹点基本参数概率密度拟合结果验证了4D流量热区图模型的有效性。

(3)以飞行航迹点叠加次数作为目标函数计算的航空流密度,通过3D中选用线性插值算法和4D中选用v4插值算法,更平滑地显示了热点空域的曲面,并通过细网格描述了热点空域变化的阶梯性。

5.2 应用前景展望

航空流量热区云图模型通过数据预处理改善了航迹点数据质量,提供了对大范围航空流精准状态的描述,也提供了对多参数集聚空域的表述,因此该模型能更直观、有效地捕捉空中交通拥挤的形成和消退过程,能更好地研究航空流的运行规律,具有较广阔的应用前景:由实际飞行数据信息构建带有时间标识的航迹段,在综合考虑影响航空器飞行航迹点的多种复杂性参数基础上划分细胞单元,得到繁忙空域范围以及热点空域位置,可精准估算空域内的流量约束;基于飞行航迹点信息构建数据集、通过细胞单元表示航空流密度的梯度变化,可实现不同时段的空域密度可视化,并为进一步优化空域分区提供参考;4D飞行航迹点叠加算法的应用和热点空域的识别有助于空域信息使用并辅助建模,有助于对航空流状态和可能出现的流量高峰进行预测,从而成为缓解航班延误和空中交通拥堵的一项关键技术。

在未来实践中,航空流量热区云图模型还将有助于推进立体交通流量管理。目前空中交通流量管理(Air Traffic Flow Management,ATFM)控制方案集中于地面延误以及基于机场跑道的航班时刻资源管理[40],缺乏不同高度的分层智能管理。随着空地结合的变革,NextGen已将ATFM重点聚焦于机场终端空域。在航空流分配时不仅考虑地面2D空间还同时考虑3D乃至多维空间[14]。鉴于多参数算法应用中其维数和复杂度不随航班数量而变化,因此能根据不同时空尺度预测航空流量,支持热点空域自动生成、智能识别。立体交通流量管理模型有望不断发展成为未来ATFM优化评估和战略设计的重要工具。

参考文献

Du Xinru , Lu Zi , Gao Fang , et al .

Design method, application and time alternetive mechanism of flexible use of airspace

[J]. Advances in Earth Science, 2016, 31(6): 643-649.

[本文引用: 1]

杜欣儒, 路紫,郜方, .

灵活空域使用的设计方法与应用及其时间替代机制

[J]. 地球科学进展, 2016, 31(6): 643-649.

[本文引用: 1]

Farhadi F , Ghoniem A , Al-Salem M .

Runway capacity management-an empirical study with application to Doha International Airport

[J]. Transportation Research Part E: Logistics and Transportation Review, 2014, 18(68): 53-63.

[本文引用: 1]

Mihetec T , Steiner S , Odić D .

Utilization of flexible airspace structure in flight efficiency optimization

[J]. Promet-Traffic & Transportation, 2013, 25(2): 109-118.

[本文引用: 2]

McNally D , Thipphavong D .

Automated separation assurance in the presence of uncertainty

[C]//26th International Congress of the Aeronautical Sciences, 2008.

[本文引用: 1]

Sunil E , Hoekstra J , Ellerbroek J , et al .

Metropolis: Relating airspace structure and capacity for extreme traffic densities

[C]//11th USA/EUROPE Air Traffic Management R&D Seminar. Lisboa, Portugal, 2015.

[本文引用: 1]

Manley B , Sherry L .

Analysis of performance and equity in ground delay programs

[J]. Transportation Research Part C: Emerging Technologies, 2010, 18(6): 910-920.

[本文引用: 1]

Rodionova O , Sbihi M , Delahaye D , et al .

North Atlantic aircraft trajectory optimization

[J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(5): 2 202-2 212.

[本文引用: 1]

Pellegrini P , Castelli L , Pesenti R .

Metaheuristic algorithms for the simultaneous slot allocation problem

[J]. IET Intelligent Transport Systems, 2012, 6(4): 453-462.

[本文引用: 1]

Nosedal J , Piera M A , Ruiz S , et al .

An efficient algorithm for smoothing airspace congestion by fine-tuning take-off times

[J]. Transportation Research Part C: Emerging Technologies, 2014, 19(44): 171-184.

[本文引用: 1]

Wu Qunyong , Sun Mei , Cui Lei .

A survey of the spatio-temporal data model

[J]. Advances in Earth Science, 2016, 31(10): 1 001-1 011.

[本文引用: 1]

邬群勇, 孙梅, 崔磊 .

时空数据模型研究综述

[J]. 地球科学进展, 2016, 31(10): 1 001-1 011.

[本文引用: 1]

Wei P , Spiers G , Sun D .

Algebraic connectivity maximization for air transportation networks

[J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(2): 685-698.

[本文引用: 1]

Wandelt S , Sun X .

Efficient compression of 4D-trajectory data in air traffic management

[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 16(2): 844-853.

[本文引用: 1]

Churchill A M , Lovell D J .

Coordinated aviation network resource allocation under uncertainty

[J]. Transportation Research Part E: Logistics and Transportation Review, 2012, 48(1): 19-33.

[本文引用: 1]

Lu Zi , Du Xinru .

The theoretical sources, innovation of methodologies and practice of the exploitation and utilization of airspace in western countries

[J]. Advances in Earth Science, 2015, 30(11): 1 260-1 267.

[本文引用: 3]

路紫, 杜欣儒 .

国外空域资源开发利用的理论基础, 方法论变革与实践

[J]. 地球科学进展, 2015, 30(11): 1 260-1 267.

[本文引用: 3]

Enea G , Porretta M .

A comparison of 4D-trajectory operations envisioned for Nextgen and SESAR, some preliminary findings

[C]//28th Congress of the International Council of the Aeronautical Sciences. Brisbane, Australia, 2012.

[本文引用: 2]

Klein A .

An efficient method for airspace analysis and partitioning based on equalized traffic mass

[C]//6th USA/Europe Seminar on Air Traffic Management Research and Development. Baltimore, MD, USA, 2005.

[本文引用: 1]

Kopardekar P , Rhodes J , Schwartz A , et al .

Relationship of maximum manageable air traffic control complexity and sector capacity

[C]//26th International Congress of the Aeronautical Sciences. Anchorage, Alaska, 2008.

[本文引用: 1]

Cook A J , Tanner G , Anderson S .

Evaluating the true cost to airlines of one minute of airborne or ground delay

[C]//Report to Eurocontrol Experimental Centre, University of Westminster, 2004.

[本文引用: 1]

Delahaye D , Puechmorel S .

3D airspace sectoring by evolutionary computation

[C]//8th Annual Conference on Genetic and Evolutionary Computation. Seattle, Washington, USA, 2006.

[本文引用: 1]

Basu A , Mitchell J S B , Sabhnani G .

Geometric algorithms for optimal airspace design and air traffic controller workload balancing

[J]. Journal of Experiment Algorithmics, 2009, 14(1): 75-89.

[本文引用: 2]

Drew M .

Analysis of an optimal sector design method

[C]//27th Digital Avionics Systems Conference, 2008.

[本文引用: 1]

Yousefi A , Donohue G L , Sherry L .

High-volume Tube-shape Sectors (HTS): A network of high capacity ribbons connecting congested city pairs

[C]//The 23rd Digital Avionics Systems Conference (IEEE Cat. No. 04CH

37576)

Piscataway: IEEE, 2004: 1-7.

[本文引用: 2]

Prevot T , Battiste V , Palmer E , et al .

Air traffic concept utilizing 4D trajectories and airborne separation assistance

[C] //Proceedings of the AIAA Guidance, Navigation, and Conference Control .

Austin, Texas

USA, 2003.

[本文引用: 1]

Bonami P , Olivares A , Soler M , et al .

Multiphase mixed-integer optimal control approach to aircraft trajectory optimization

[J]. Journal of Guidance, Control, and Dynamics, 2013, 36(5): 1 267-1 277.

[本文引用: 1]

McNally M , Kulkarni A .

Assessment of influence of land use-transportation system on travel behavior

[C]//Transportation Research Record: Journal of the Transportation Research Board, 1997.

[本文引用: 1]

Shridhar R , Cooper D J .

A tuning strategy for unconstrained multivariable model predictive control

[J]. Industrial & Engineering Chemistry Research, 1998, 37(10): 4 003-4 016.

[本文引用: 1]

Romli F I , Yaakob M S .

Travel time and cost analysis of PAVE application in Malaysia

[J]. Applied Mechanics & Materials, 2014, 11(629): 246-251.

[本文引用: 1]

Dai R , Cochran J E .

Three-dimensional trajectory optimization in constrained airspace

[J]. Journal of Aircraft, 2009, 46(2): 627-634.

[本文引用: 1]

Brinton C , Lent S .

Departure queue management in the presence of traffic management initiatives

[C]//Integrated Communications, Navigation and Surveillance Conference. Herndon, VA, USA, 2012.

[本文引用: 1]

Mitchell J S B , Sabhnani G , Krozel J , et al .

Dynamic airspace configuration management based on computational geometry techniques[

C] guidance //AIAA , Navigation, and Conference Control .

Honolulu, Hawaii

USA, 2008.

[本文引用: 1]

Klein A , Rogers M , Kaing H .

Dynamic FPAs: A new method for dynamic airspace configuration

[C]//Integrated Communications Navigation and Surveillance Conference, 2008.

[本文引用: 1]

Vazhkudai S , Schopf J M .

Predicting sporadic grid data transfers

[C]//High Performance Distributed Computing. Edinburgh, UK, 2002.

[本文引用: 1]

Trandac H , Baptiste P , Duong V .

A constraint-programming formulation for dynamic airspace sectorization

[C]//21st Digital Avionics Systems Conference. Irvine, CA, USA, 2002.

[本文引用: 1]

Delahaye D , Puechmorel S .

3D airspace design by evolutionary computation

[C]//IEEE/AIAA 27th Digital Avionics Systems Conference. St. Paul, MN, USA, 2008.

[本文引用: 1]

Xue M .

Airspace sector redesign based on Voronoi diagrams

[J]. Journal of Aerospace Computing Information and Communication, 2009, 6(4): 624-634.

[本文引用: 1]

Hanif D S , Justin M H .

Configuration of airspace sectors for balancing air traffic controller workload

[J]. Annals of Operations Research, 2013, 203(1): 3-31.

[本文引用: 1]

Histon J M , Hansman R J , Aigoin G , et al .

Introducing structural considerations into complexity metrics

[J]. Air Traffic Control Quarterly, 2002, 10(2): 115-130.

[本文引用: 1]

Cafieri S , Omheni R .

Mixed-integer nonlinear programming for aircraft conflict avoidance by sequentially applying velocity and heading angle changes

[J]. European Journal of Operational Research, 2017, 260(1): 283-290.

[本文引用: 1]

Dunbar M , Froyland G , Wu C L .

Robust airline schedule planning: Minimizing propagated delay in an integrated routing and crewing framework

[J]. Transportation Science, 2012, 46(2): 204-216.

[本文引用: 1]

Klooster J K , de Smedt D .

Controlled time of arrival spacing analysis

[C]//Proceedings of the Ninth USA/Europe Air Traffic Management Research and Development Seminar. Berlin, Germany, 2011.

[本文引用: 1]

/