[发明专利]一种基于深度无监督学习的空域复杂度评估方法

说明书

本发明提出一种基于深度无监督学习的空域复杂度评估方法，用于空中交通管制。本发明包括：采用堆叠式自编码器模型的深度学习网络来建立空域复杂度评估模型，将输入的空域复杂度指标因子进行低维嵌入表示，利用得到的低维嵌入点获取空域复杂度的聚类质心；本发明利用低维嵌入点的软指派分布和真实指派分布来构建代价函数，对所建立的模型采用梯度下降法进行训练，获得训练好的空域复杂度评估模型以及三个空域复杂度的聚类质心，用于评估当前空域复杂。本发明不依赖空中交通管制员标定标签，使用无监督的方法对空域扇区数据进行复杂度分类，大大降低了人力物力成本，同时实现空域复杂度数据的准确挖掘，使得评估结果更加准确。

技术领域

本发明属于空中交通管制的空域态势评估技术领域，具体涉及一种基于深度无监督学习的空域复杂度评估方法，以基于此进行交通管制。

背景技术

随着航空运输业的发展，空中交通流量急剧增大，空域环境越发复杂，给空中交通管制员带来的工作负荷不断加大。空域复杂度计算是指管制员所指挥的空域的复杂度，包括可见得飞机运行、不可见的程序运行等等。空域复杂度计算在空中交通管制领域是被广泛研究的问题之一。该问题的主要研究内容是：如何利用空域态势运行特征，通过一定的计算方式，给出空域运行态势的复杂度等级，包含高复杂度、中复杂度和低复杂度，进而指导空中交通管制员是否需要对空域进行交通管制。

空域复杂度计算本质上是个分类问题。传统方法依据管制员经验知识来进行空域复杂度评估，一般包含以下三个步骤：(1)依据原始数据提取空域态势运行特征，对空域态势信息进行向量化；(2)通过空域态势运行特征进行向量化计算，得到复杂度指标因子；(3)依据管制员的经验知识，参考计算后的复杂度指标因子进行复杂度标定。由此可见，在工程上实现空域复杂度的评估严重依赖于空中交通管制员经验知识，因此，传统计算方法依据管制员经验知识来进行空域态势复杂度评估，需要耗费大量的人力物力资源，并且无法做到实时性，即：给出一条空域运行态势数据，仍然需要通过一定时间的人工计算才能给出复杂度等级。

随着机器学习的兴起，有监督学习方法广泛用于模式识别、分类任务，并取得了令人瞩目的效果。利用传统有监督学习方法进行空域态势复杂度评估问题时，需要提供大量的人工标定样本数据，否则模型极易出现欠拟合。与之相反，使用先进的基于深度学习的有监督学习方法，人工标定的样本数据量如果不够大，模型有出现过拟合的风险。因此，利用有监督学习方法进行空域复杂度计算需要提供高质量和海量的人工标定样本，用于模型的学习。但是海量的人工标定数据样本的获取是一个耗时耗力的过程，并且过程中难以保证数据的质量性，因此利用有监督学习进行空域复杂度计算遇到了巨大瓶颈。

无监督学习一直广泛应用于数据挖掘、数据处理等科学领域，这类学习算法在挖掘原始数据信息、分析原始数据结构以及发掘数据潜在特征方面存在巨大优势。在空域复杂度方面，参考文件1(D.Gianazza,Airspace configuration using air trafficcomplexity metrics.In Proc.ATM,Barcelona,Spain,2007)中采用了无监督学习中主成分分析方法(PCA)对复杂度指标进行挖掘，遴选出6个能够充分代表扇区运行复杂性的关键指标，进而利用BP((back propagation))神经网络进行复杂度的等级分类，在一定程度上解决了复杂度样本维度较高、指标间存在冗余等问题。然而这种策略并不是最优的，PCA是一种线性降维方法，并不考虑指标间的非线性关联，无法对空域复杂度数据准确分类。因此，利用传统无监督学习在解决空域复杂度的分类任务时仍然面临着以下挑战：(1)高维数据在高维空间存在维度灾难，用于分类任务时，样本极易存在偏倚；(2)原始数据空间一般存在复杂的非线性，且难以预知，虽然诸如：谱方法、核化方法等非线性方法能够解决部分数据空间的非线性问题，但是这几类研究方法仍然存在着盲目性和尝试性。

发明内容