[发明专利]基于局部遍历密度聚类的ADS-B航迹清洗与校准方法

说明书

本发明涉及一种基于局部遍历密度聚类的ADS‑B航迹清洗与校准方法。基于局部遍历密度聚类的ADS‑B航迹清洗与校准方法包括：建立基于ADS‑B航迹数据的特征字段的数据样本，其中特征字段包括初始字段以及扩展字段，所述扩展字段通过所述初始字段计算得出；对数据样本进行去重；根据数据样本中的特征字段的数据特点选择特征字段，并用于字段数据异常检测和处理；依据局部遍历的DBSCAN密度聚类方法对数据样本的特征字段进行离群点识别，判断异常点，对异常点进行修正或删除；根据数据样本中的初始字段对航迹进行校准。使用局部遍历的DBSCAN密度聚类方法识别离群点，大幅提高清洗效率，通过航迹校准对时间戳进行修正，使整个飞行轨迹符合质点运动学规律。

技术领域

本发明涉及航空领域，具体涉及一种基于局部遍历密度聚类的ADS-B航迹清洗与校准方法。

背景技术

广播式自动相关监视(Automatic Dependent Surveillance-Broadcast，ADS-B)国际民航组织(International Civil Aviation Organization，ICAO)确定为未来的主要航行监视技术，搭载ADS-B发送设备的航空器通过航空数据链自动向搭载ADS-B接收设备的其他航空器和地面接收站自动广播航班识别标志、位置以及飞行状态信息，以实现空对空、空对地以及场面运行的协同一体化监视。近几年我国已经开始大力推动ADS-B技术在空管系统中的发展与应用。

一个航班的ADS-B飞行轨迹，由多个航迹点组成，并且每个航迹点都带有多个字段信息(例如时间戳、经度、纬度、高度、航向、速度等)。因此，利用航班的飞行轨迹数据可以开发出很多有价值的应用，例如航空器飞行状态异常监控、航空器油耗与污染物排放计算、航班运行效率评估、航空数据统计与预测、空域运行质量评价等等。ADS-B数据字段内容越丰富，飞行轨迹的利用价值就越高。但是，地形阻挡、电磁干扰、信号覆盖面限制、信道堵塞等诸多因素不可避免地影响着ADS-B数据质量，例如出现漏点、跳点、重复记录、更新延迟等异常现象。因此在对ADS-B飞行轨迹进行分析与应用之前，如何对航迹数据进行高效清洗(即预处理)是重中之重。

数据清洗的主要内容即清除冗余、检测并处理异常和数据融合，为下一步的数据应用提供有力支撑。数据清洗过程中最重要的是异常检测和处理，对于轨迹类数据，检测异常的方法主要有均值滤波、卡尔曼滤波、粒子滤波和密度聚类等。要实现高效的数据清理，就必须根据数据的特点选择适合的方法。ADS-B每个字段都可能存在着异常点，且发生位置具有随机性。当异常点恰好是轨迹第一个点(边界点)时，使用滤波类方法则需要额外的预判处理且实现起来较为繁琐，而使用密度聚类方法则不会受到异常点位置的影响，但是当航迹点数目较多时，由于遍历次数的急剧增加导致检测效率大幅降低。

如果航迹点数据不满足质点运动学规律，即时间戳、位置和速度三者不匹配的情况称为航迹失准，此时需要根据现有数据条件，尽可能地进行航迹校准，以满足航迹数据应用的要求。

如何解决上述问题，是目前亟待解决的。

发明内容

本发明的目的是提供一种基于局部遍历密度聚类的ADS-B航迹清洗与校准方法。

为了解决上述技术问题，本发明提供了一种基于局部遍历密度聚类的ADS-B航迹清洗与校准方法，包括：

建立基于ADS-B航迹数据的特征字段的数据样本，其中特征字段包括初始字段以及扩展字段，所述扩展字段通过所述初始字段计算得出；

对数据样本进行去重；

根据数据样本中的特征字段的数据特点选择特征字段，并用于字段数据异常检测和处理；

依据局部遍历的DBSCAN密度聚类方法对数据样本的特征字段进行离群点识别，通过相邻正常点进行插值的方法对离群点进行判断是否为异常点，对异常点进行修正或删除；

根据数据样本中的初始字段对航迹进行校准。