基于度量学习的机场交通态势弱监督评估_杜婧涵.pdf

http:/DOI:10.13700/j.bh.1001-5965.2021.0568基于度量学习的机场交通态势弱监督评估杜婧涵1，2，胡明华1，2，张魏宁1，2，尹嘉男1，2，*(1.南京航空航天大学民航学院，南京211106；2.国家空管飞行流量管理技术重点实验室，南京211106)摘要：为准确感知机场场面运行环境，提出基于度量学习的交通态势弱监督评估方法。根据机场场面航空器的时空分布类型，从交通流量、起降队列、资源需求等视角构建交通态势指标体系；借鉴度量学习范式，利用预先定义的相似集和不相似集自动学习态势样本之间的距离度量；在此基础上，采用 K 均值算法实现弱监督条件下交通态势的等级划分。以上海浦东国际机场实际运行数据为例，分析并验证所提方法的有效性。实验结果表明：起始时刻离场瞬时流量、离场累计流量、离场跑道队列长度及进场累计流量的距离系数大于 0.5，对场面态势影响较大；与基于欧式距离的 K 均值算法相比，度量学习将最优轮廓系数提升了 33.3%，得到符合预期语义的聚类结果；此外，机场的平均滑行时间越长、跑道配置越复杂，其场面交通态势等级越高。关键词：航空运输；机场拥堵；态势评估；度量学习；聚类分析中图分类号：V351文献标志码：A文章编号：1001-5965（2023）07-1772-07随着航空运输业的蓬勃发展和机场新改扩建工作的逐步推进，大型繁忙机场的航班起降需求不断增长，这使得空中交通管理面临巨大压力。机场作为航空运输网络的关键节点和航班起降活动的直接场所，其场面交通态势的好坏直接影响整体运行效率1-3。同时，航路航线结构、扇区结构、空域灵活使用策略等不断优化，使得交通拥堵正由空域转移到机场4-5，进一步加大了机场场面调度和拥堵控制的难度。因此，为科学把握场面交通运行情况，准确识别交通态势关键影响因素，有力支撑场面活动的精细化管理，亟需对交通流特征进行建模，并对交通态势进行综合评估。针对机场交通态势评估问题，李善梅等6从机场容量和需求方面构建拥堵态势指标，并利用神经网络分类方法对饱和度表示的拥堵等级进行预测。谢燕雯7应用模糊层次分析法确定以起降效率、机场资源利用率为代表地运行态势影响因素的权重，在此基础上，采用问卷调查方式将场面交通态势划分为 3 个等级，并用马尔可夫模型对其预测。由于缺少大量的客观运行数据支撑，此类主观层面的等级划分方法说服力不强。此外，由于飞机滑行时间能在一定程度上反映场面拥堵态势情况，Balakrishna 等8-9基于离场交通流在跑道和滑行道上的统计量，构建强化学习模型对机场平均滑出时间进行预测。为了感知机场场面滑行态势，Yin 等10提出从宏观视角构建指标，并利用主成分分析方法融合指标，实验验证了场面滑行时间与融合后的指标具有一致的波动性。可以看出，现有研究大多是对预先划设的态势等级或滑行时间进行直接预测，对交通态势的客观划分与综合评估方面存在不足。此外，在态势指标构建方面，大多单独针对离场航班，而忽略了进场航班和离场航班之间的相互耦合作用11。为解决以上问题，本文提出基于度量学习的机收稿日期：2021-09-26；录用日期：2021-12-12；网络出版时间：2021-12-2215：07网络出版地址： J.北京航空航天大学学报，2023，49（7）：1772-1778.DU J H，HU M H，ZHANG W N，et al.Weakly supervised evaluation of airport traffic situation based on metric learningJ.Journal ofBeijing University of Aeronautics and Astronautics，2023，49（7）：1772-1778（in Chinese）.2023年7月北京航空航天大学学报July2023第49卷第7期JournalofBeijingUniversityofAeronauticsandAstronauticsVol.49No.7场交通态势弱监督评估方法。首先，综合考虑离场航班流和进场航班流，构建机场场面交通态势指标体系；然后，根据预先定义的约束信息，学习态势指标的距离度量；最后，在此距离度量方式下，利用K 均值算法进行弱监督聚类，实现对机场场面交通态势等级的客观划分与综合评估。选取上海浦东国际机场历史运行数据验证了本文方法的合理性和有效性。1场面交通态势指标体系构建为进行机场场面交通态势评估，首先需根据场面交通流特征进行建模，构建用于描述机场场面交通态势的指标体系。图 1 为航班在机场场面滑行过程中的时空图。可以看出，给定参考时间片，离场航班共包含 4 种基本类型，即在起始时刻（前/后）从停机位推出，在终止时刻（前/后）从跑道头起飞。相应地，进场航班也包含 4 种类型。在后续的实验分析中，为体现各指标的区分度，参考时间片设置为 15min。跑道停机位时间空间参考时间片起始时刻终止时刻离港航班进港航班图1航空器滑行时空图Fig.1Time-spacediagramofaircrafttaxiing在此基础上，充分考虑本节所有航班类型和进离场的相互作用，从实际运行角度归纳并构建能够反映场面交通态势的指标体系，如表 1 所示，共包括 2 类 10 个指标。这些指标统计了给定参考时间片下不同运行状态的航空器架次，涵盖了机场场面交通流量、起降队列、资源需求等方面，能够在一定程度感知机场整体的拥堵环境。表1交通态势指标体系Table1Trafficsituationindexsystem指标类型指标名称解释说明离场类指标起始时刻离场瞬时流量d1参考时间片起始时刻处于离场过程的航空器架次终止时刻离场瞬时流量d2参考时间片终止时刻处于离场过程的航空器架次离场累计流量d3参考时间片内所有离场航班架次离场跑道队列长度d4参考时间片内从跑道起飞的航班架次离场资源需求指数d5参考时间片内从停机位推出的航班架次进场类指标起始时刻进场瞬时流量a1参考时间片起始时刻处于进场过程的航空器架次终止时刻进场瞬时流量a2参考时间片终止时刻处于进场过程的航空器架次进场累计流量a3参考时间片内所有进场航班架次进场跑道队列长度a4参考时间片内在跑道降落的航班架次进场资源需求指数a5参考时间片内推入到停机位的航班架次2机场交通态势弱监督评估机场交通态势评估流程如图 2所示，首先利用度量学习从构建的指标集和预定义的相关约束信息中学习用于描述不同时间片交通态势相似性的距离矩阵，然后结合距离矩阵和 K 均值算法进行有偏好的聚类分析，最终根据聚类结果对态势等级进行划分与评估。2.1度量学习度量学习12-14旨在以机器学习的方式从（弱）监督数据中自动构建特定任务的距离度量。为了使构建的指标可以更好地评估机场交通态势情况，本文借助度量学习思想学习相应的距离矩阵，以此来体现不同态势指标之间的差异性。具体地，利用马氏距离来衡量 2 个态势样本的相似性：distM(xi,xj)=(xixj)TM(xixj)=xixjM（1）xi R10iMM式中:表示第 个时间片由 10 个态势指标构成的特征向量；为距离度量矩阵。一般情况下，其是一个具有对角和非对角距离系数的全矩阵，对角线系数是各个态势指标的权值，非对角线系数是任意 2 个态势指标相互作用的权值，为了保持距离度量的非负性和对称性，为半正定对称矩阵。距离度量矩阵K均值算法度量学习弱监督聚类态势等级划分与评估交通态势指标集相关约束信息图2机场交通态势评估流程Fig.2Flowchartofairporttrafficsituationassessment第7期杜婧涵，等：基于度量学习的机场交通态势弱监督评估1773SDijstt(xi,xj)Sdtt(xi,xj)Dsttdtt度量学习的关键是根据具体应用场景定义约束信息，并在约束信息的指导下学习距离矩阵。由于本文的目标是对场面交通态势等级进行划分与评估，因此，定义了 2 个时间片交通态势的相似集和不相似集。给定时间片 和，若 2 个时间片的跑道配置相同且平均滑行时间之差小于，则；若 2 个时间片的跑道配置不同且平均滑行时间之差大于，则。和分别为滑行时间相似性阈值和不相似性阈值，参考欧控机场协 同 决 策(airport-collaborativedecisionmaking,A-CDM)执行手册对可变滑行时间的短期要求15及机场实际管制经验，分别设置为 2min 和 5min，对于不同机场运行环境可进行灵活调整。M基于本节约束信息，可以通过求解优化目标来得到距离矩阵，即minM(xi,xj)Sxixj2M s.t.(xi,xj)DxixjM 1 M 0（2）M 0M式中：为半正定矩阵的约束。式（2）在不相似时间片之间距离不小于 1 的前提下，尽可能拉近相似时间片之间的距离。一方面，若为一个低秩矩阵，可以达到对原有态势指标降维的目的。另一方面，度量学习以相似集和不相似集作为弱监督信息，自动学习偏向预期语义的距离矩阵，有助于更好地实现后续态势等级划分与评估。2.2交通态势弱监督评估为了识别机场场面潜在运行模式，对交通态势等级进行精细划分与综合评估，利用 K 均值算法对不同时间片态势样本进行聚类分析。作为经典的聚类算法，K 均值通过最小化簇内的平方距离之和来得到簇的最优划分，其优化目标为minC1,C2,Ckki=1xCixi22（3）ki=1|Ci|xCixCi|Ci|i式中：为簇的个数；为簇的聚类中心；为第 簇的样本个数。通常情况下，使用欧氏距离来度量样本之间的相似性。然而，这种距离度量方式隐含地假设样本不同维度的重要性相同，在实际应用中具有一定的局限性。因此，本文使用度量学习得到的距离矩阵作为相似性度量方法，在此基础上改进传统 K 均值算法实现弱监督条件下交通态势等级的划分与评估，基本步骤如下：步骤1以 15min 为参考时间片，构建场面交x1,x2,xnxi R10SD通态势的样本集，其中，根据预定义的约束信息得到相似集 和不相似集。M步骤2根据式(2)，求解距离矩阵。kk1,2,k步骤3设定聚类的类别数量，并随机选择个样本作为聚类中心。Mdji=xjiM步骤4基于距离矩阵，计算每个态势样本与各聚类中心的距离，并将态势样本划分到距离最近的簇中。步骤5判断各聚类中心是否收敛，若收敛则进入步骤 7，否则进入步骤 6。i=1|Ci|xCix步骤6根据每个簇中的样本，计算并更新聚类中心，并进入步骤 4。步骤7输出态势样本集的划分结果，对场面交通态势进行评估分析。3实例分析3.1实验数据本文选取上海浦东国际机场作为研究案例，其机场场面布局如图 3 所示，共包含 16R/34L、17L/35R、16L/34R、17R/35L 这4 条跑道，其中16R/34L 和17L/35R 是离场航班的跑道配置，而 16L/34R 和 17R/35L 是进场航班的跑道配置。R 和 L 是用来区分同一航向跑道，其中 R 为右侧跑道，L 为左侧跑道。实验选取 2019 年 2 月实际运行数据，涉及离场航班 19159架次，进场航班 19225 架次。数据项主要包括进（离）场航班降落（起飞）时间、停机位推入（推出）时间、机场场面布局及停机位和跑道配置信息。基于该运行数据计算表 1 中各指标的具体数值，并在表 2给出指标的基本统计信息。此外，为保证各指标尺度一致，使用最小最大标准化方法将各指标映射到01 之间。17L35L34L12 467197 H12 467197 H13 123197 H11 155197 H35R34R16L16R17R图3上海浦东国际机场场面布局Fig.3ScenelayoutofShanghaiPudongInternationalAirport1774北 京 航 空 航 天 大 学 学 报2023年表2指标的基本统计信息Table2Basicstatisticsofindices指标统计量/架次最小值最大值均值中位数d10258.999d20238.929d313816.9918d40178.