基于数据挖掘的ADS―B航迹数据偏差分析方法研究.docVIP

基于数据挖掘的ADS―B航迹数据偏差分析方法研究 　　摘 要：为了解决由于航路设计不足而导致的航迹与预定航路存在偏差的问题，基于数据挖掘的理论，采用时空航迹聚类、航迹相似度度量及分层聚类航迹方法分析了航迹航路偏差。采用Matlab软件处理了飞机飞行的ADS-B航迹数据，求得飞机飞行平均航迹。以天津上空航路网为例计算平均航迹。结果表明，此方法能分析出航迹与航路的偏差。 　　关键词：数据挖掘；ADS-B数据；航路；航迹偏差 　　引言 　　随着交通流的增大，飞行航迹与航路经常出现存在偏差的情况，原有设计的航路在一定程度上已不能够完全满足当前飞机运行需求。通过航路优化可以有效提高交通运行效率。 　　广播式自动相关监视（ADS-B）是一种基于全球卫星定位系统（GPS）和地/空，空/空数据链通信的航空器运行监视技术[1]，具有数据量大、易获取的特点。文章以天津上空的航路为例分析，运用时空航迹聚类、航迹相似度量及分层聚类航迹方法，提出的基于ADS-B数据挖掘的航路航迹偏差分析研究方法，能够为航路优化提供参考。 　　1 天津上空航路分析 　　天津位于北京东南方向，距离北京110公里。去往北京和从北京机场出发的航班大部分都需要经过天津上空，且该地区航路复杂（天津上空的主要航路图如图1所示）。 　　天津地区上空的A461和A593航路，作为京广通道和京沪通道，是全国较繁忙的两条航路。从目前的航路和飞行航迹来看，飞行航迹并不完全与按照航路所设计的路线一致，这在一定程度上不利于交通流量的控制，需要通过研究航迹偏差的原因来调整现有航路结构。 　　2 应用到的聚类方法 　　2.1 时空轨迹聚类方法 　　时空轨迹是移动对象的位置和时间的记录序列[2]。时空轨迹是连续的，但通常用一组时空记录点序列，以离散的方式表示。对时空对象的实际轨迹曲线进行采样，用得到的集合来代表时空轨迹[3]。而航迹也可以看成是一种时空轨迹。因此，时空轨迹（航迹）的模型如式（1）所示： 　　式中：代表一条轨迹，序列中每一个（d+1）元组（xn，yn，tn）代表轨迹对象tn时刻在d维空间中的一个记录点，其空间位置是tn 　　为了能够从ADS-B轨迹数据中发现有用的信息，需要使用空间数据挖掘的方法，通过聚类识别出对象空间稠密和稀疏的区域，将数据中的相似性与异常特征提取出来，从而发现全局分布模式和数据属性间的关系。具体的研究思路图3所示。 　　具体思路如下： 　　首先，采用Hausdorff距离的方法对两两航迹进行相关性运算。 　　其次，计算一条航迹中一点到另一条航迹全部点的距离，求出d1，d2......dn；其次，求出该点到另一条航迹上全部点的最大距离，记为dmax； 　　再次，用该方法求得航迹上全部点到另一条航迹的最大距离； 　　最后，两条航迹的近似距离D可以用所有该航迹上的点到另一条航迹的距离中取最小值表示，得到两条航迹间的距离D后，就可以通过判断D来得到两条航迹的相关性。 　　其中，X表示航迹点的经度，Y表示航迹点的纬度，T表示采集到航迹点的时间。由于航迹数据采用的是按时间顺序排列，所以处理时就可以不用三维点而直接用二维坐标进行处理即可简化为： 　　两两航迹进行相关性运算，设两条航迹为： 　　一条航迹T中特定m（xn，xy）点到另一条航迹U的距离可以简化为欧式距离，即： 　　该点到另一条航迹的最大距离dmax（m）可以近似为：dmax（m）=max（d1，d2，......dn） 　　两条航迹的近似平均距离D可以用所有该航迹上的点到另一条航迹的距离dmax中取最小值可以近似看成两条航线间的距离D为： 　　D=min{dmax（1），dmax（2），dmax（3）......dmax（m），dmax（n）} 　　在通过对D进行判断，就可以得出两条航迹的相关性。 　　2.2 航迹相似度的度量方法 　　在这里，我们需要对D进行特殊分析。根据国内的国情，中国国内航路宽度设计标准一般为20km，所以我们度量的标准S也为20Km，相似度用距离来表示的话可以为R=■，判断R可以得到两条航迹间的相似度。当R1时，表示两条航迹完全无关，当R1时，表示两条航迹有相关性，R数值越小，两条航迹之间的平均偏差越小，两条航迹相似度越高。 　　2.3 分层聚类航迹分析 　　由于分层聚类是由不同层次的分割聚类组成，层次之间的分割具有嵌套的关系并且它不需要输入参数，因此采用文献[4]的分层聚类航迹分析方法，对航迹进行分层聚类分析，然后得到某航迹聚类Ci。 　　2.4 聚类的平均航迹构造 　　首先，针对聚类得到的航迹进行分析。在两导航台之间，每隔一定的距离取适当的航路点ti，把以该航路点为圆心，半径为一定距离的圆内所有航迹点的平均值作为平均航迹的航