一种基于机器学习与机场容量的进港排序方法与流程

1.本发明涉及机场进港排序技术领域，具体涉及一种基于机器学习与机场容量的进港排序方法。


背景技术：

2.随着经济的快速发展，民航业也得到了长足快速的发展。传统的航班进港管制流程中，更多的基于管制员个人经验进行指挥，其进港效率和安全性在进港航班越来越多的情况下，越发受到挑战。进港航班排序管理系统作为辅助管制指挥航班进港落地的重要性日益增加，现有的进港排序方案更多的关注于通过各种排序方案与策略，优化进港效率，降低延误，提高吞吐量。进港排序一般涉及两个核心方面：四维轨迹预测与排序，其中四维轨迹涉及时间与空间三维轨迹；排序涉及到进港航班落地顺序及解决落地时隙冲突。
3.中国发明专利公开了基于aman系统的自动调整航班进近程序的方法及系统(申请号：cn202010745169.5)，其提供了一种在终端区解决落地航班冲突的方法，核心思想是通过进港与进近程序航路段的截断与组合，拼接出多条基于航路的飞行路线，来达到调整落地时间的目的，从而避免落地时隙冲突的问题。但其存在以下缺点：虽然解决了进近区域内落地航班的时隙冲突问题，但其航路路线具有局限性，不足以描述进近空域航班真实的飞行轨迹；基于准确度不足的飞行时间数据而给出时隙冲突解决方案，其排序建议可信度不高。
4.中国发明专利(申请号：cn202010745169.5)存在上述缺点的原因如下：
5.(1)采用对进港与进近程序航路段截断组合的方式生成新的航线，来达到调整航班落地时间的目的，但是在实际管制中，进近空域采用雷达引导的方式指挥，不受航路航线的约束，所以进近进港与进近程序航路组合出来的新航路航线，并非真实飞行航线，不足以描述进近空域真实的飞行轨迹；
6.(2)传统的各种方案将关注点集中于技术本身，而忽视了管制各部门之间的协作流程，尤其是进近管制与区域管制两大管制部门，进港排序的主要受益方为进近管制，其能为进近管制提供进港航班的排序建议，有效降低管制负担，而区域管制需要同时关注进港、出港和飞越航班，若进港排序方案为区域管制带来了更多额外的管制负担，将会导致受到包括区域管制在内的其他管制部门的抵触，所以进港排序方案不应仅仅关注技术本身的先进与否，而应同时兼顾各个管制部门的诉求，降低新技术推行的难度。


技术实现要素：

7.针对现有技术中的缺陷，本发明提供一种基于机器学习与机场容量的进港排序方法，包括：
8.预先基于历史航班飞行数据进行飞行时间机器学习和飞行航迹机器学习，以建立进近空域飞行时间资源池和航迹资源池；
9.采集进港航班数据，基于所述进港航班数据和进近空域飞行时间资源池预测所有
进港航班的预计落地时间；
10.根据所述预计落地时间进行进港航班容量排序；
11.遍历所有进港航班，并判断各进港航班所在空域；
12.若所述进港航班在区调空域，则基于所述容量排序结果对所述进港航班进行区调排序；
13.若所述进港航班在进近空域，则基于所述容量排序结果对所述进港航班进行进近排序，并根据所述航迹资源池进行航路建议。
14.进一步地，所述预先基于历史航班飞行数据进行飞行时间机器学习，具体为：
15.获取历史航班飞行数据，基于所述历史航班飞行数据记录历史航班进入走廊口点的进入时间和航班落地时间，并根据所述进入时间和落地时间获取进近飞行时间和当前进近空域的航班流量；
16.基于所述历史航班飞行数据，将对应走廊口点、进港程序、落地跑道以及航班流量联合构成时间键值，基于所述时间键值将所述进近飞行时间进行分组并保存至数据池；
17.取出所述数据池内所有进近飞行时间数据，并对所述分组内的进近飞行时间数据进行数据清洗；
18.对清洗后的所述进近飞行时间数据进行平均值计算，并基于所述平均值计算结果建立进近空域飞行时间资源池。
19.进一步地，所述预先基于历史航班飞行数据进行飞行航迹机器学习，具体为：
20.获取历史航班飞行数据，基于所述历史航班飞行数据对历史航班在进近空域内的航迹进行采样，所述采样以历史航班进入进近空域开始，直至航班落地结束；
21.基于所述历史航班飞行数据对所采样的航迹设置属性标签，并将设置标签后的航迹保存至预处理航迹池，所述属性标签包括走廊口点、进港程序、落地跑道以及机型；
22.从所述预处理航迹池中取出航迹数据，基于所述航迹数据将对应的走廊口点、进港程序以及落地跑道联合构成航迹键值，并根据所述航迹键值对所述航迹数据进行分组；
23.对所述分组内的航迹数据进行数据清洗，并基于清洗后的所述航迹数据建立航迹资源池。
24.进一步地，所述采集进港航班数据，基于所述进港航班数据和所述进近空域飞行时间资源池预测所有进港航班的预计落地时间，具体为：
25.采集进港航班数据；
26.基于所述进港航班数据遍历所有进港航班，并判断各进港航班所在空域；
27.若所述进港航班位于区调空域，则基于所述进近空域飞行时间资源池对所述区调空域内的进港航班进行区调cta计算；
28.若所述进港航班位于进近区域，则基于所述进近空域飞行时间资源池对所述进近区域内的进港航班进行进近cta计算；
29.直至所有进港航班完成cta计算，以得到所有进港航班的预计落地时间。
30.进一步地，所述若所述进港航班位于区调空域，则基于所述进近空域飞行时间资源池对所述区调空域内的进港航班进行区调cta计算，具体为：
31.若所述进港航班位于区调空域，则根据所述进港航班数据获取所述进港航班飞行至走廊口点时间；
32.根据所述进港航班数据基于走廊口点、进港程序、落地跑道以及航班流量从所述进近空域飞行时间资源池中获取对应的进近飞行时间；
33.根据所述进近飞行时间和飞行至走廊口点时间计算cta阶段剩余飞行时间，并根据所述cta阶段剩余飞行时间获取进港航班的预计落地时间。
34.进一步地，所述若所述进港航班位于进近区域，则基于所述进近空域飞行时间资源池对所述进近区域内的进港航班进行进近cta计算，具体为：
35.若所述进港航班位于进近区域，则根据所述进港航班数据获取所述进港航班的沿剩余航路飞行时间和全航路飞行时间；
36.根据所述进港航班数据基于走廊口点、进港程序、落地跑道以及航班流量从所述进近空域飞行时间资源池中获取对应的进近飞行时间；
37.根据所述进近飞行时间、沿剩余航路飞行时间以及全航路飞行时间计算cta阶段剩余飞行时间，并根据所述cta阶段剩余飞行时间获取进港航班的预计落地时间。
38.进一步地，所述根据所述预计落地时间进行进港航班容量排序，具体为：
39.获取容量配置，所述容量配置包括单位时间和允许最大进港航班数；
40.以所述预计落地时间为基础，计算任意单位时间内，预计进港航班数是否超过所述允许最大进港航班数；
41.若未超过，则所述进港航班正常进港；
42.若超过，则根据所述单位时间和允许最大进港航班数计算所述进港航班的容量排序延误时间，并根据所述预计落地时间和容量排序延误时间进行容量排序。
43.进一步地，所述若所述进港航班在区调空域，则基于所述容量排序结果对所述进港航班进行区调排序，具体为：
44.若所述进港航班在区调空域，则根据所述进港航班所经航路的走廊口点进行分组，并对每组所述进港航班按照到达走廊口点的时间顺序进行预排序；
45.依次对预排序后的所述进港航班进行区调冲突判断，若所述进港航班存在任一区调冲突，则根据所述容量排序延误时间计算区调空域延误时间；
46.基于所述区调空域延误时间对所述进港航班进行区调排序，以消除区调冲突；
47.所述区调冲突包括尾流间隔冲突、指定间隔冲突以及航路点间隔冲突。
48.进一步地，所述若所述进港航班在进近空域，则基于所述容量排序结果对所述进港航班进行进近排序，具体为：
49.若所述进港航班在进近空域，则对所述进港航班进行进近冲突判断，若所述进港航班存在任一进近冲突，则根据所述容量排序延误时间计算进近空域延误时间；
50.根据所述进近空域延误时间生成进近排序落地时间，基于所述进近排序落地时间对所述进港航班进行进近排序，以消除进近冲突；
51.所述进近冲突包括跑道关闭时间冲突、跑道间隔冲突、斜距间隔冲突、尾流间隔冲突以及指定间隔冲突。
52.进一步地，所述根据所述航迹资源池进行航路建议，具体为：
53.根据所述进近排序落地时间计算所述进港航班进近排序后的进近剩余飞行时间；
54.获取所述进港航班的当前位置，从所述航迹资源池中获取经过所述当前位置的航迹，并存入待处理航迹队列中；
55.基于所述进港航班对应的走廊口点、进港程序、落地跑道以及机型，与所述待处理航迹队列进行匹配，根据匹配结果获取与所述进近剩余飞行时间相近的最优航迹；
56.将所述最优航迹作为航路建议输出至航班管制终端。
57.本发明的有益效果体现在：基于航班历史飞行时间与航迹路线进行机器学习，建立进近空域飞行时间资源池和航迹资源池，提高了后续进近空域四维轨迹的预测准确度；基于进近空域飞行时间资源池预测进港航班预计落地时间，并结合进近与区调管制特点，以机场进港航班容量为核心进行进港排序，兼顾进近和区调的管制诉求；当进行进近排序时，还能基于航迹资源池给出最优航路建议，以航路建议替代传统的时间建议，通过航路调整来解决落地冲突问题，提高管制效率。
附图说明
58.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
59.图1为本发明实施例提供的一种基于机器学习与机场容量的进港排序方法的流程图；
60.图2为本发明实施例提供的一种基于机器学习与机场容量的进港排序方法的飞行时间机器学习流程图；
61.图3为本发明实施例提供的一种基于机器学习与机场容量的进港排序方法的飞行航迹机器学习流程图；
62.图4为本发明实施例提供的一种基于机器学习与机场容量的进港排序方法的预计落地时间计算流程图；
63.图5为本发明实施例提供的一种基于机器学习与机场容量的进港排序方法的容量排序示意图；
64.图6为本发明实施例提供的一种基于机器学习与机场容量的进港排序方法的区调排序流程示意图；
65.图7为本发明实施例提供的一种基于机器学习与机场容量的进港排序方法的进近排序流程示意图；
66.图8为本发明实施例提供的一种基于机器学习与机场容量的进港排序方法的航路建议流程示意图；
67.图9为本发明实施例提供的一种基于机器学习与机场容量的进港排序方法的航班当前位置航迹匹配示意图。
具体实施方式
68.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
69.需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
70.如图1所示，一种基于机器学习与机场容量的进港排序方法，包括：
71.s1：预先基于历史航班飞行数据进行飞行时间机器学习和飞行航迹机器学习，以建立进近空域飞行时间资源池和航迹资源池；
72.具体地，机场航空管制系统会在后台实时采集航班飞行数据，并对数据进行相应的存储。在进行进港排序之前，需要预先从实时采集的航班飞行数据中获取历史航班飞行数据，根据历史航班飞行数据进行进近空域四维轨迹机器学习，包括从飞行时间和三维空间轨迹两个方面进行机器学习。
73.如图2所示，飞行时间机器学习包括时间采集和时间处理两个阶段。其中，在时间采集阶段，获取历史航班飞行数据，并以航路中的走廊口点为界，走廊口点以内为进近空域，基于所述历史航班飞行数据记录历史航班在进近空域的飞行时间，即记录历史航班进入走廊口点的进入时间和航班落地时间，根据进入时间和落地时间计算出进近飞行时间。同时，以进入时间为时间节点，计算出当前进近空域的航班流量。
74.基于所述历史航班飞行数据，将对应走廊口点、进港程序、落地跑道以及航班流量联合构成唯一的时间键值，基于该时间键值将进近飞行时间进行分组，并保存至数据池中。
75.在时间处理阶段，取出所述数据池中所有进近飞行时间数据，并遍历所有分组和所有分组内的进近飞行时间，计算每组进近飞行时间的中位数，并按照一定比例去除偏离中位数最大的进近飞行时间，以对每组进近飞行时间数据进行数据清洗。对清洗后的剩余进近飞行时间数据进行平均值计算，将该平均值计算结果作为分组下的进近飞行时间，并根据每组进近飞行时间建立进近空域飞行时间资源池，直至所有分组处理完成。由于每组飞行时间数据均对应唯一时间键值，因此在进近空域飞行时间资源池中，包含对应走廊口点、进港程序、落地跑道以及航班流量下的进近飞行时间。
76.如图3所示，飞行航迹机器学习包括航迹采集和航迹处理两个阶段。其中，在航迹采集阶段，获取历史航班飞行数据，并以航路中的走廊口点为界，走廊口点以内为进近空域，基于所述历史航班飞行数据对历史航班在进近空域内航迹进行采样，采集历史航班从进入走廊口点开始至航班落地的真实航迹。
77.基于历史航班飞行数据对所采样的航迹设置属性标签，所述属性标签包括走廊口点、进港程序、落地跑道以及机型，设置好属性标签后，将航迹存放入预处理航迹池中。
78.进一步地，在航迹处理阶段，从所述预处理航迹池中取出航迹数据，基于航迹数据将对应的走廊口点、进港程序以及落地跑道联合构成唯一的航迹键值，根据航迹键值将航迹数据进行分组。遍历所有分组和分组内的航迹数据，计算每组进近航迹数据的中位数，并按照一定比例去除偏离中位数最大的航迹，以对每组进近航迹数据进行数据清洗，根据数据清洗后剩余的航迹数据建立航迹资源池，以供后续进港排序使用，直至所有航迹处理完成。
79.预先基于历史航班飞行数据进行飞行时间机器学习和飞行航迹机器学习，为航空管制人员后续进港排序提供数据支持，提高了四维轨迹的预测精度。需要说明的是，本实施例所述机器学习的学习周期和学习内容均可由航空管制人员进行具体设定，例如，航空管制人员可设定系统在每天早上四点，基于前一天的历史航班飞行数据开始机器学习。
80.s2：采集进港航班数据，基于所述近港航班数据和进近空域飞行时间资源池预测所有进港航班的预计落地时间；
81.具体地，在预先进行的机器学习基础上，基于机器学习结果预测所有进港航班的预计落地时间，根据航班所处空域的不同，所采用的预计落地时间计算方式也有所不同，包括区调cta计算和进近cta计算。
82.如图4所示，采集进港航班数据，并遍历所有进港航班，判断各进港航班所在空域，若进港航班当前位于区调空域，则将其分为区调航班，采用区调cta计算方法计算区调航班的预计落地时间；若进港航班当前位于进近空域，则将其分为进近航班，采用进近cta计算方法计算进近航班的预计落地时间，直至所有进港航班完成cta计算，得到所有进港航班的预计落地时间。区调cta计算和进近cta计算过程如下：
83.(1)若进港航班当前位于区调空域，则根据进港航班数据计算航班飞行至走廊口点时间tg，计算公式为:
[0084][0085]
式中，t
now
为当前系统时间，d1为飞机当前位置到第一个未飞航路点的距离，v
now
为飞机当前飞行速度，d
i-1
为第i-1和i个未飞航路点的距离，vi为第i点的过点速度，n为走廊口点的序号。
[0086]
根据进港航班数据获取走廊口点、进港程序、落地跑道以及航班流量信息，将走廊口点、进港程序、落地跑道以及航班流量构成唯一时间键值，根据时间键值从步骤s1建立的进近空域飞行时间资源池中获取对应的进近飞行时间tm。根据飞行至走廊口点时间tg和进近飞行时间tm，计算得到cta阶段剩余飞行时间t，计算公式为：
[0087]
t＝tg+tm[0088]
根据进港航班数据获取当前系统时间，将当前系统时间加上各自对应的cta阶段剩余飞行时间t，即可计算出区调空域内所有进港航班的预计落地时间cta。
[0089]
(2)若进港航班当前位于进近空域，则根据进港航班数据计算进港航班的沿剩余航路飞行时间tr和全航路飞行时间ta，所述全航路飞行时间为进港航班从走廊口点沿航路飞行至跑道接地点的全航路飞行时间。根据进港航班数据获取走廊口点、进港程序、落地跑道以及航班流量信息，将走廊口点、进港程序、落地跑道以及航班流量构成唯一时间键值，根据时间键值从步骤s1建立的进近空域飞行时间资源池中获取对应的进近飞行时间tm。根据进近飞行时间tm、沿剩余航路飞行时间tr以及全航路飞行时间ta，计算得到cta阶段剩余飞行时间t，计算公式为：
[0090][0091]
根据进港航班数据获取当前系统时间，将当前系统时间加上各自对应的cta阶段剩余飞行时间t，即可计算出进近空域内所有进港航班的预计落地时间cta。
[0092]
s3：根据所述预计落地时间进行进港航班容量排序；
[0093]
具体地，获取容量配置，所述容量配置包括单位时间p和允许最大进港航班数q，本实施例所述容量配置，可由机场进近管制与区域管制工作人员共同协商制定，平衡了各方管制诉求，具体配置可根据管制需求实时调整。
[0094]
以预计落地时间为基础，计算任意单位时间p分钟内，预计进港航班数是否超过允许最大进港航班数q，若未超过，则进港航班正常进港，无航班延误；若超过允许最大进港航
班数量q，则根据单位时间p和允许最大进港航班数量q计算进港航班的容量排序延误时间δtc，假设第m个航班超过容量，则其容量排序延误时间δtc计算公式为：
[0095][0096]
最后根据预计落地时间cta和容量排序延误时间δtc进行航班容量排序。为方便理解，本实施例以p为60分钟、q为30架次为例，对容量排序进行说明，如图5所示，第一架进港航班预计落地时间t0时刻，t0+60分钟时间范围内，预计有30架次的航班落地，未超过容量，无需延误；第二架进港航班预计落地时间t1时刻，t1+60分钟时间范围内，预计有32架次航班落地，已超过容量30的限制，所以t1+60范围内的第31架次航班容量排序延误时间为：即第31架次航班延误2分钟。同理，第32架次航班延误4分钟，第三架次及后续落地的航班，以此类推计算容量排序延误时间。
[0097]
经过对进港航班进行容量排序，当进港航班数量未超过容量时，对区域管制工作不会产生过多的干扰，不会因为进港排序增加额外的工作量；当超过容量时，区域管制适当控制交给进近管制的航班数量，有效降低了进近管制的负担。
[0098]
s4：遍历所有进港航班，并判断各进港航班所在空域；
[0099]
具体地，对所有进港航班完成容量排序后，根据进港航班所在空域进行区调排序或进近排序。遍历所有进港航班，判断各进港航班所在空域，以航路中的走廊口点为界，走廊口点以外为区调空域，走廊口点以内为进近空域，区调空域排序的基准点则为走廊口点。
[0100]
s41：若所述进港航班在区调空域，则基于所述容量排序结果对所述进港航班进行区调排序；
[0101]
具体地，如图6所示，若进港航班在区调空域内，则按照进港航班所经航路的走廊口点进行分组，并计算进港航班预计到达走廊口点的时间t
gate
，计算公式为：
[0102][0103]
式中，t
now
为当前系统时刻，d1为飞机当前位置到第一个未飞航路点的距离，v
now
为飞机当前飞行速度，d
i-1
为第i-1和i个未飞航路点的距离，vi为第i点的过点速度。
[0104]
计算得到进港航班预计到达走廊口点的时间后，对每组进港航班按照到达走廊口点的时间顺序进行预排序。依次对预排序后的进港航班进行区调排序，若进港航班为第一个落地航班，则直接完成区调排序，若进港航班不是第一个落地航班，则依次对预排序后的进港航班进行区调冲突判断，判断其是否存在尾流间隔冲突、指定间隔冲突以及航路点间隔冲突。
[0105]
需要说明的是，尾流间隔冲突、指定间隔冲突以及航路点间隔的判断顺序可由管制人员进行设定，在此不作限定。
[0106]
若进港航班存在任一区调冲突，则根据容量排序延误时间δtc计算区调空域延误时间δt1，计算公式为：
[0107]
δt1＝δtc+δt
a1
[0108]
式中，δt
a1
表示区调空域内相近进港航班到达走廊口点的时间差。
[0109]
得到区调空域延误时间δt1后，基于该区调空域延误时间δt1对进港航班进行区
调排序，以消除区调冲突，直至所有进港航班完成排序。
[0110]
s42：若所述进港航班在进近空域，则基于所述容量排序结果对所述进港航班进行进近排序，并根据所述航迹资源池进行航路建议；
[0111]
具体地，如图7所示，若进港航班在进近空域内，则遍历所有进近区域的进港航班，并依次对进港航班进行进近排序，若进港航班为第一个落地航班，则直接完成进近排序，若进港航班不是第一个落地航班，则依次对进港航班进行进近冲突判断，以判断航班是否存在跑道关闭时间冲突、跑道间隔冲突、斜距间隔冲突、尾流间隔冲突以及指定间隔冲突，其中，跑道关闭时间冲突判断指检查进港航班的预计落地时间cta是否处于跑道临时关闭期间。
[0112]
需要说明的是，跑道关闭时间冲突、跑道间隔冲突、斜距间隔冲突、尾流间隔冲突以及指定间隔冲突的判断顺序可由管制人员进行设定，在此不作限定。
[0113]
若进港航班存在任一进近冲突，则根据容量排序延误时间计算进近空域延误时间δt2，计算公式为：
[0114]
δt2＝δtc+δt
a2
[0115]
式中，δt
a2
表示进近区域内相近进港航班到达落地点的时间差。
[0116]
得到进近空域延误时间δt2后，根据该进近空域延误时间δt2和预计落地时间cta生成进近排序落地时间sta，计算公式为：
[0117]
sta＝cta+δt2[0118]
基于该进近排序落地时间sta对进港航班进行进近排序，以消除进近冲突。
[0119]
进一步地，在解决进港航班超过容量和航班落地冲突问题，并得到新的进近排序落地时间sta后，还包括根据航迹资源池进行航路建议，如图8所示。
[0120]
将进近排序落地时间sta减去系统当前时间，即可得到进港航班进近排序后的进近剩余飞行时间，计算公式为：
[0121]
t
′
＝sta-t
now
[0122]
式中，t
now
为当前系统时间。获取进港航班的当前位置，从步骤s1建立的航迹资源池中获取经过该当前位置的航迹，并将所得航迹存入待处理航迹队列中。为方便理解，如图9所示，以进港航班当前位置为球心，s公里为半径(s为可配置系统参数)，形成航迹匹配区域，若航迹资源池中的航迹有航迹点经过此区域，则将此航迹纳入待处理航迹队列中，否则丢弃，即航迹l1，l2，l3经过本航班匹配区域，放入待处理航迹队列中，而l4，l5不经过，则丢弃。
[0123]
获取进港航班对应的走廊口点、进港程序、落地跑道以及机型，并与待处理航迹队列进行匹配，根据匹配结果获取与所述进近剩余飞行时间相近的最优航迹，以进行航路建议。具体匹配流程如图8所示，包括：
[0124]
(a)从待处理航迹队列中匹配出走廊口点、进港程序、落地跑道以及机型均相同的航迹，并判断是否存在当前位置进近剩余飞行时间相近的航迹，若是，则采用该航迹，退出航迹匹配；
[0125]
(b)若否，从待处理航迹队列中匹配走廊口点、进港程序以及落地跑道相同的航迹，并判断是否存在当前位置进近剩余飞行时间相近的航迹，若是，则采用该航迹，退出航迹匹配；
[0126]
(c)若否，从待处理航迹队列中匹配落地跑道和机型相同的航迹，并判断是否存在当前位置进近剩余飞行时间相近的航迹，若是，则采用该航迹，退出航迹匹配；
[0127]
(d)若否，从待处理航迹队列中匹配落地跑道相同的航迹，并判断是否存在当前位置进近剩余飞行时间相近的航迹，若是，则采用该航迹，退出航迹匹配；
[0128]
(e)若否，则采用全航路航迹。
[0129]
根据匹配结果获取对应匹配航迹后，根据飞行时间，修正匹配航迹上各个过点时间，并将修正后的匹配航迹作为最优航迹输出至航班管制终端，以便为管制人员提供参考建议。
[0130]
在实际进近管制中更多的是采用调整航班飞行路线，而不是调速来解决落地航班冲突(调速体现为时间建议)，所以传统方法计算时间建议与实际管制场景不符合。本实施例进近空域航路建议，代替延误时间建议，更能满足实际需求，另外，本实施例输出的航路建议是基于历史真实航迹的机器学习而来，其飞行时间真实且可靠，飞行轨迹越多越准确，同时避免了对航班在进近空域飞行轨迹的复杂建模过程。
[0131]
本发明基于航班历史飞行时间与航迹路线进行机器学习，建立进近空域飞行时间资源池和航迹资源池，提高了后续进近空域四维轨迹的预测准确度；基于进近空域飞行时间资源池预测进港航班预计落地时间，并结合进近与区调管制特点，以机场进港航班容量为核心进行进港排序，兼顾进近和区调的管制诉求；当进行进近排序时，还能基于航迹资源池给出最优航路建议，以航路建议替代传统的时间建议，通过航路调整来解决落地冲突问题，提高管制效率。
[0132]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

技术特征：
1.一种基于机器学习与机场容量的进港排序方法，其特征在于，包括：预先基于历史航班飞行数据进行飞行时间机器学习和飞行航迹机器学习，以建立进近空域飞行时间资源池和航迹资源池；采集进港航班数据，基于所述进港航班数据和进近空域飞行时间资源池预测所有进港航班的预计落地时间；根据所述预计落地时间进行进港航班容量排序；遍历所有进港航班，并判断各进港航班所在空域；若所述进港航班在区调空域，则基于所述容量排序结果对所述进港航班进行区调排序；若所述进港航班在进近空域，则基于所述容量排序结果对所述进港航班进行进近排序，并根据所述航迹资源池进行航路建议。2.根据权利要求1所述的一种基于机器学习与机场容量的进港排序方法，其特征在于，所述预先基于历史航班飞行数据进行飞行时间机器学习，具体为：获取历史航班飞行数据，基于所述历史航班飞行数据记录历史航班进入走廊口点的进入时间和航班落地时间，并根据所述进入时间和落地时间获取进近飞行时间和当前进近空域的航班流量；基于所述历史航班飞行数据，将对应走廊口点、进港程序、落地跑道以及航班流量联合构成时间键值，基于所述时间键值将所述进近飞行时间进行分组并保存至数据池；取出所述数据池内所有进近飞行时间数据，并对所述分组内的进近飞行时间数据进行数据清洗；对清洗后的所述进近飞行时间数据进行平均值计算，并基于所述平均值计算结果建立进近空域飞行时间资源池。3.根据权利要求1所述的一种基于机器学习与机场容量的进港排序方法，其特征在于，所述预先基于历史航班飞行数据进行飞行航迹机器学习，具体为：获取历史航班飞行数据，基于所述历史航班飞行数据对历史航班在进近空域内的航迹进行采样，所述采样以历史航班进入进近空域开始，直至航班落地结束；基于所述历史航班飞行数据对所采样的航迹设置属性标签，并将设置标签后的航迹保存至预处理航迹池，所述属性标签包括走廊口点、进港程序、落地跑道以及机型；从所述预处理航迹池中取出航迹数据，基于所述航迹数据将对应的走廊口点、进港程序以及落地跑道联合构成航迹键值，并根据所述航迹键值对所述航迹数据进行分组；对所述分组内的航迹数据进行数据清洗，并基于清洗后的所述航迹数据建立航迹资源池。4.根据权利要求2所述的一种基于机器学习与机场容量的进港排序方法，其特征在于，所述采集进港航班数据，基于所述进港航班数据和所述进近空域飞行时间资源池预测所有进港航班的预计落地时间，具体为：采集进港航班数据；基于所述进港航班数据遍历所有进港航班，并判断各进港航班所在空域；若所述进港航班位于区调空域，则基于所述进近空域飞行时间资源池对所述区调空域内的进港航班进行区调cta计算；
若所述进港航班位于进近区域，则基于所述进近空域飞行时间资源池对所述进近区域内的进港航班进行进近cta计算；直至所有进港航班完成cta计算，以得到所有进港航班的预计落地时间。5.根据权利要求4所述的一种基于机器学习与机场容量的进港排序方法，其特征在于，所述若所述进港航班位于区调空域，则基于所述进近空域飞行时间资源池对所述区调空域内的进港航班进行区调cta计算，具体为：若所述进港航班位于区调空域，则根据所述进港航班数据获取所述进港航班飞行至走廊口点时间；根据所述进港航班数据基于走廊口点、进港程序、落地跑道以及航班流量从所述进近空域飞行时间资源池中获取对应的进近飞行时间；根据所述进近飞行时间和飞行至走廊口点时间计算cta阶段剩余飞行时间，并根据所述cta阶段剩余飞行时间获取进港航班的预计落地时间。6.根据权利要求4所述的一种基于机器学习与机场容量的进港排序方法，其特征在于，所述若所述进港航班位于进近区域，则基于所述进近空域飞行时间资源池对所述进近区域内的进港航班进行进近cta计算，具体为：若所述进港航班位于进近区域，则根据所述进港航班数据获取所述进港航班的沿剩余航路飞行时间和全航路飞行时间；根据所述进港航班数据基于走廊口点、进港程序、落地跑道以及航班流量从所述进近空域飞行时间资源池中获取对应的进近飞行时间；根据所述进近飞行时间、沿剩余航路飞行时间以及全航路飞行时间计算cta阶段剩余飞行时间，并根据所述cta阶段剩余飞行时间获取进港航班的预计落地时间。7.根据权利要求5或6所述的一种基于机器学习与机场容量的进港排序方法，其特征在于，所述根据所述预计落地时间进行进港航班容量排序，具体为：获取容量配置，所述容量配置包括单位时间和允许最大进港航班数；以所述预计落地时间为基础，计算任意单位时间内，预计进港航班数是否超过所述允许最大进港航班数；若未超过，则所述进港航班正常进港；若超过，则根据所述单位时间和允许最大进港航班数计算所述进港航班的容量排序延误时间，并根据所述预计落地时间和容量排序延误时间进行容量排序。8.根据权利要求7所述的一种基于机器学习与机场容量的进港排序方法，其特征在于，所述若所述进港航班在区调空域，则基于所述容量排序结果对所述进港航班进行区调排序，具体为：若所述进港航班在区调空域，则根据所述进港航班所经航路的走廊口点进行分组，并对每组所述进港航班按照到达走廊口点的时间顺序进行预排序；依次对预排序后的所述进港航班进行区调冲突判断，若所述进港航班存在任一区调冲突，则根据所述容量排序延误时间计算区调空域延误时间；基于所述区调空域延误时间对所述进港航班进行区调排序，以消除区调冲突；所述区调冲突包括尾流间隔冲突、指定间隔冲突以及航路点间隔冲突。9.根据权利要求7所述的一种基于机器学习与机场容量的进港排序方法，其特征在于，
所述若所述进港航班在进近空域，则基于所述容量排序结果对所述进港航班进行进近排序，具体为：若所述进港航班在进近空域，则对所述进港航班进行进近冲突判断，若所述进港航班存在任一进近冲突，则根据所述容量排序延误时间计算进近空域延误时间；根据所述进近空域延误时间生成进近排序落地时间，基于所述进近排序落地时间对所述进港航班进行进近排序，以消除进近冲突；所述进近冲突包括跑道关闭时间冲突、跑道间隔冲突、斜距间隔冲突、尾流间隔冲突以及指定间隔冲突。10.根据权利要求9所述的一种基于机器学习与机场容量的进港排序方法，其特征在于，所述根据所述航迹资源池进行航路建议，具体为：根据所述进近排序落地时间计算所述进港航班进近排序后的进近剩余飞行时间；获取所述进港航班的当前位置，从所述航迹资源池中获取经过所述当前位置的航迹，并存入待处理航迹队列中；基于所述进港航班对应的走廊口点、进港程序、落地跑道以及机型，与所述待处理航迹队列进行匹配，根据匹配结果获取与所述进近剩余飞行时间相近的最优航迹；将所述最优航迹作为航路建议输出至航班管制终端。

技术总结
本发明公开了一种基于机器学习与机场容量的进港排序方法，包括：预先基于历史航班飞行数据进行飞行时间机器学习和飞行航迹机器学习，以建立进近空域飞行时间资源池和航迹资源池；采集进港航班数据，基于所述进港航班数据和进近空域飞行时间资源池预测所有进港航班的预计落地时间；根据所述预计落地时间进行进港航班容量排序；遍历所有进港航班，并判断各进港航班所在空域；若所述进港航班在区调空域，则基于所述容量排序结果对所述进港航班进行区调排序；若所述进港航班在进近空域，则基于所述容量排序结果对所述进港航班进行进近排序，并根据所述航迹资源池进行航路建议。本发明基于机器学习和机场容量实现进港排序并给出最优时间或航路建议。给出最优时间或航路建议。给出最优时间或航路建议。


技术研发人员：曾元军 侯昌波 陈朝勇 彭国埕 朱文成 朱秀莹 惠文晓 范丽娟 茆以乐
受保护的技术使用者：中国民用航空总局第二研究所
技术研发日：2022.12.29
技术公布日：2023/5/30