[发明专利]一种基于迁移学习的空域运行态势计算方法

说明书

本发明提供了一种基于迁移学习的空域运行态势计算方法。首先收集目标扇区及其它非目标扇区的空域运行态势样本，基于因子子集生成对训练样本集降维分解，使用降维的样本子集训练基分类器；在使用非目标扇区样本子集训练时，先进行核转换，使转换后的非目标扇区样本子集在保留态势计算知识的前提下，最小化与对应目标扇区样本子集的样本分布差异；科学集成所有基分类器，针对每条测试样本分别计算各基分类器的分类置信度，进而加权各基分类器输出得到最后分类结果。本发明实现了对目标空域有限样本中知识的充分挖掘，且对非目标空域的样本进行了有效知识迁移，降低了模型训练对于大样本的依赖性，在样本缺乏的情况下也能较好计算目标空域运行态势。

技术领域

本发明属于空域运行态势计算领域，具体涉及一种基于迁移学习的空域运行态势计算方法。

背景技术

随着民航运输业的快速发展，航班数量逐年增加，空域运行日益繁忙。空中交通管理系统所承载的航空管制需求逐年升高，管制员所面临的管制任务和压力急剧增多，造成管制员过度劳累，由此导致的“睡岗”，“跑道侵入”等事故症候时有发生。因此，为保证空管系统能够安全高效地运行，须保证管制员所面临的管制工作负荷在其可承受的范围之内。

在当前的空管系统中，扇区是管制运行的基本空域单元。航班从出发机场起飞，直到降落至目的机场，途中将穿越多个扇区，并实时接受所在扇区管制员的管制。为有效地对管制负荷进行管理，亟须研究准确计算扇区运行态势的方法。一方面，准确计算扇区运行态势有助于管制员及时发现高复杂性态势，从而有根据地实施开扇、流量控制等战术型运行调控措施降低态势复杂度，避免管制负荷超限；另一方面，准确计算扇区运行态势可用于指导空域划分、流量管理等战略型运行调控举措的科学实施，即通过科学调整扇区边界，飞行计划等主动策略来保证各扇区的交通运行复杂程度、管制员所承受的工作负荷不至于过高。因而，设计能够准确计算扇区运行态势的方法已成为空管领域研究的热点和亟需解决的问题。

由于扇区运行态势与扇区的数十种动静态属性因素(称为空域运行态势因子)相关联，因此许多学者使用机器学习方法来综合各态势因子，得到高层的总体态势指标，是现有普遍使用的方法。基于机器学习计算扇区运行态势依赖于样本学习。现有的此类扇区运行态势计算模型是基于充足的运行态势大样本进行学习来建立因子与态势之间的关联。但由于样本的采集成本较高，因此很多情况下仅有少量的目标计算扇区的样本可用，造成现有模型无法通过训练得到良好的性能。此外，现有方法未区别性地对目标扇区样本和其它非目标扇区的样本进行学习，而是将两种样本混杂在一起进行学习。由于非目标扇区的样本所包含的态势计算知识与目标扇区样本的知识存在偏差，不加以区别地学习可能会造成“负学习”等现象，导致态势计算模型性能下降。

发明内容

本发明的目的在于提供一种基于迁移学习的空域运行态势计算方法，在目标扇区的态势样本有限的情况，本发明建立了准确的扇区运行态势计算模型，弥补现有扇区运行态势计算模型无法有效利用其它非目标扇区样本进行训练的不足。

本发明提供的基于迁移学习的空域运行态势计算方法，具体包括以下步骤：

步骤一、获取目标扇区的空域运行态势样本(简称目标样本)集，其中的每条目标样本包含目标扇区在某一单位时间片内的m个空域运行态势因子的值，并且每条样本被标定有一个态势等级。m为正整数。

所述的空域运行态势因子，简称为因子，是指能够影响或反映空域运行态势的航班航迹分布、空域航路结构、空管运行规则等方面的属性因素，一般用连续或离散数值表示。

步骤二、基于目标扇区样本学习态势计算知识，包括：对m个空域运行态势因子进行关键性和独立性分析，生成T个因子子集；分别基于T个因子子集对目标样本进行降维，得到T个降维的目标样本子集，并分别基于各样本子集训练基分类器。T为正整数。