基于最优样本集在线模糊最小二乘支持向量机的飞行冲突网络态势预测

doi:10.11772/j.issn.1001-9081.2022101605

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (11): 3632-3640.DOI: 10.11772/j.issn.1001-9081.2022101605

所属专题：前沿与综合应用

基于最优样本集在线模糊最小二乘支持向量机的飞行冲突网络态势预测

温祥西¹^,², 彭娅婷¹^,², 毕可心³, 衡宇铭¹^,², 吴明功¹^,²()

^1.空军工程大学空管领航学院, 西安 710051
^2.国家空管防相撞技术重点实验室, 西安 710051
^3.中国人民解放军95703部队, 云南陆良 655600

收稿日期:2022-10-26 修回日期:2023-01-03 接受日期:2023-01-09 发布日期:2023-04-12 出版日期:2023-11-10
通讯作者: 吴明功
作者简介:温祥西（1984—），男，江苏连云港人，副教授，博士，主要研究方向：空管自动化
彭娅婷（1995—），女，湖南株洲人，硕士研究生，主要研究方向：扇区划设和优化、冲突探测与解脱
毕可心（1997—），男，陕西西安人，硕士研究生，主要研究方向：航空管制指挥与安全
衡宇铭（1998—），男，河南新乡人，硕士研究生，主要研究方向：交通运输
吴明功（1966—），男，山东潍坊人，教授，硕士，主要研究方向：交通运输工程、航空管制指挥与安全。wuminggong@sohu.com
基金资助:
国家自然科学基金资助项目(71801221)

Situation prediction of flight conflict network based on online fuzzy least squares support vector machine with optimal training set

Xiangxi WEN¹^,², Yating PENG¹^,², Kexin BI³, Yuming HENG¹^,², Minggong WU¹^,²()

^1.ATC and GCI College，Air Force Engineering University，Xi’an Shaanxi 710051，China
^2.National Key Laboratory of Air Traffic Collision Prevention，Xi’an Shaanxi 710051，China
^3.Unit 95703 of PLA，Luliang Yunnan 655600，China

Received:2022-10-26 Revised:2023-01-03 Accepted:2023-01-09 Online:2023-04-12 Published:2023-11-10
Contact: Minggong WU
About author:WEN Xiangxi， born in 1984， Ph. D.， associate professor. His research interests include air traffic control automation.
PENG Yating， born in 1995， M. S. candidate. Her research interests include sector planning and optimization， conflict detection and resolution.
BI Kexin， born in 1997， M. S. candidate. His research interests include air traffic control command and safety.
HENG Yuming， born in 1998， M. S. candidate. His research interests include transportation.
WU Minggong， born in 1966， M. S.， professor. His research interests include transportation engineering， air traffic control command and safety.
Supported by:
National Natural Science Foundation of China(71801221)

摘要/Abstract

摘要：

针对空中交通系统运行周期性和时变性的特点，结合复杂网络理论和模糊最小二乘支持向量机（LSSVM），提出一种基于最优样本集在线模糊最小二乘支持向量机（OTSOF-LSSVM）的飞行冲突网络态势预测方法。首先，基于三维的速度障碍法构建飞行冲突网络模型，并根据航空器的位置、航向和速度判断冲突；其次，分析飞行冲突网络拓扑指标的演化时间序列，得到与预测时刻在时间和距离上相关的样本组成最优样本集；最后，采用在线模糊LSSVM训练得到预测模型，并在模型更新过程中通过分块矩阵思想简化更新过程，提高算法效率。实验结果表明，所提方法能够快速、准确地预测空中态势，为管制员掌握空中交通的发展情况提供参考，并辅助进行冲突的预先调配。

关键词: 飞行冲突, 复杂网络, 最小二乘支持向量机, 态势预测

Abstract:

Concerning the periodicity and time-varying characteristics of air traffic system operation， a flight conflict network situation prediction method based on Optimal Training Set Online Fuzzy-Least Squares Support Vector Machine （OTSOF-LSSVM） was proposed by combining complex network theory and fuzzy Least Squares Support Vector Machine （LSSVM）. Firstly， a flight conflict network model was constructed based on the three-dimensional velocity obstacle method， and conflicts were judged according to the positions， headings and velocities of the aircrafts. Then， the evolution time series of topology indicators of flight conflict network were analyzed to obtain the optimal training set which consisted of samples related to the predicted moment in time and distance. Finally， a prediction model was obtained by online fuzzy LSSVM training， and the idea of block matrix was used to simplify the updating process and improve the efficiency of the algorithm. Experimental results show that the proposed method can quickly and accurately predict the air situation， provide reference for controllers to master the development of air traffic， and assist the pre-deployment of conflicts.

Key words: flight conflict, complex network, Least Squares Support Vector Machine (LSSVM), situation prediction

中图分类号:

TP301.6

温祥西, 彭娅婷, 毕可心, 衡宇铭, 吴明功. 基于最优样本集在线模糊最小二乘支持向量机的飞行冲突网络态势预测[J]. 计算机应用, 2023, 43(11): 3632-3640.

Xiangxi WEN, Yating PENG, Kexin BI, Yuming HENG, Minggong WU. Situation prediction of flight conflict network based on online fuzzy least squares support vector machine with optimal training set[J]. Journal of Computer Applications, 2023, 43(11): 3632-3640.

图/表 14

图1 位置探测区

Fig. 1 Position detection area

图2 三维速度障碍模型

Fig. 2 Three-dimensional velocity obstacle model

图3 飞行冲突网络示意图

Fig. 3 Schematic diagram of flight conflict network

图4 SVM原理

Fig. 4 Principle of SVM

图5 飞行冲突网络态势预测模型

Fig. 5 Network situation prediction model of flight conflict

图6 演化的初始场景

Fig. 6 Initial scene of evolution

图7 网络演化过程示意图

Fig. 7 Schematic diagram of network evolution process

表1 网络指标时间序列

Tab. 1 Time series of network indicators

演化次数	集聚系数	平均路径长度	鲁棒性	网络效率
1	0.456	0.085	0.998	0.136
2	0.414	0.091	1.058	0.142
3	0.478	0.086	0.987	0.145
4	0.438	0.080	0.920	0.142
5	0.331	0.082	0.929	0.133
6	0.326	0.075	0.923	0.113
	0.346	0.065	0.902	0.089
︙	︙	︙	︙	︙
1 998	0.374	0.054	0.789	0.084
1 999	0.366	0.052	0.780	0.084
2 000	0.380	0.053	0.813	0.081

图8 网络指标演化情况

Fig. 8 Evolution of network indicators

表2 各时间序列的最大Lyapunov指数

Tab. 2 Maximum Lyapunov exponents for each time series

样本序列	嵌入维	时间延迟/s	最大Lyapunov指数
集聚系数	3	11	0.499
平均路径长度	4	13	0.309
鲁棒性	3	17	0.211
网络效率	4	9	0.342

图9 各指标的预测结果

Fig. 9 Prediction results of each indicator

图10 四项指标的相对误差

Fig. 10 Relative errors of four indicators

表3 数据集生成规则

Tab. 3 Dataset generation rules

数据集序号	空域大小/km³	航空器数	演化规则			数据集样本数
数据集序号	空域大小/km³	航空器数	进入概率/%	间隔时间/s	改变高度概率/%	数据集样本数
1	100×100×0.6	50	60	8	30	3 000
2	120×120×0.3	55	50	10	40	2 500
3	150×150×0.6	80	40	10	20	3 000

图11 三组数据集的预测相对误差

Fig. 11 Relative error of prediction on three datasets

参考文献 23

1	LIN Y， ZHANG J W， LIU H. Deep learning based short-term air traffic flow prediction considering temporal-spatial correlation［J］. Aerospace Science and Technology， 2019， 93： No.105113. 10.1016/j.ast.2019.04.021
2	GUI G， ZHOU Z， WANG J， et al. Machine learning aided air traffic flow analysis based on aviation big data［J］. IEEE Transactions on Vehicular Technology， 2020， 69（5）： 4817-4826. 10.1109/tvt.2020.2981959
3	ZHANG Z， ZHANG A， SUN C， et al. Research on air traffic flow forecast based on ELM non-iterative algorithm［J］. Mobile Networks and Applications， 2021， 26（1）： 425-439. 10.1007/s11036-020-01679-0
4	VERDONK GALLEGO C E， GÓMEZ COMENDADOR V F， AMARO CARMONA M A， et al. A machine learning approach to air traffic interdependency modelling and its application to trajectory prediction［J］. Transportation Research Part C： Emerging Technologies， 2019， 107： 256-386. 10.1016/j.trc.2019.08.015
5	PANG Y， ZHAO X， YAN H， et al. Data-driven trajectory prediction with weather uncertainties： a Bayesian deep learning approach［J］. Transportation Research Part C： Emerging Technologies， 2021， 130： No.103326. 10.1016/j.trc.2021.103326
6	王春政，胡明华，杨磊，等. 空中交通延误预测研究综述［J］. 系统工程与电子技术， 2022， 44（3）：863-874. 10.12305/j.issn.1001-506X.2022.03.19
	WANG C Z， HU M H， YANG L， et al. Review on air traffic delay prediction［J］. Systems Engineering and Electronics， 2022， 44（3）： 863-874. 10.12305/j.issn.1001-506X.2022.03.19
7	吴仁彪，赵婷，屈景怡. 基于深度SE-DenseNet的航班延误预测模型［J］. 电子与信息学报， 2019， 41（6）：1510-1517. 10.11999/JEIT180644
	WU R B， ZHAO T， QU J Y. Flight delay prediction model based on deep SE-DenseNet［J］. Journal of Electronics and Information， 2019， 41（6）：1510-1517. 10.11999/JEIT180644
8	吴仁彪，赵娅倩，屈景怡，等. 基于CBAM-CondenseNet的航班延误波及预测模型［J］. 电子与信息学报， 2021， 43（1）：187-195. 10.11999/JEIT190794
	WU R B， ZHAO Y Q， QU J Y， et al. Flight delay propagation prediction model based on CBAM-CondenseNet［J］. Journal of Electronics and Information， 2021， 43（1）： 187-195. 10.11999/JEIT190794
9	刘继新，曾逍宇，尹旻嘉，等. 基于累积Logistic回归模型的管制员应激程度预测［J］. 重庆交通大学学报（自然科学版）， 2019， 38（3）：97-102， 115. 10.3969/j.issn.1674-0696.2019.03.15
	LIU J X， ZENG X Y， YIN M J， et al. Stress level prediction of controller based on cumulative logistic regression model［J］. Journal of Chongqing Jiaotong University （Natural Science）， 2019， 38（3）： 97-102， 115. 10.3969/j.issn.1674-0696.2019.03.15
10	王洁宁，张钰涵，冀姗姗. 基于马尔科夫蒙特卡罗的管制员警觉概率预测［J］. 安全与环境学报， 2020， 20（4）：1412-1420. 10.13637/j.issn.1009-6094.2019.0832
	WANG J N， ZHANG Y H， JI S S. Probability prediction of the controller’s status-in-situ alertness based on Markov chain Monte Carlo［J］. Journal of Safety and Environment， 2020， 20（4）： 1412-1420. 10.13637/j.issn.1009-6094.2019.0832
11	王岩韬，刘宏，唐建勋，等. 动态预测技术在航班运行风险中的应用［J］. 控制与决策， 2019， 34（9）：1946-1954. 10.13195/j.kzyjc.2018.0108
	WANG Y T， LIU H， TANG J X， et al. Dynamic prediction technology in the application of flight operation risk［J］. Control and Decision， 2019， 34（9）： 1946-1954. 10.13195/j.kzyjc.2018.0108
12	王岩韬，李景良，谷润平. 基于多变量混沌时间序列的航班运行风险预测模型［J］. 工程科学学报， 2020， 42（12）：1664-1673.
	WANG Y T， LI J L， GU R P. Flight operation risk prediction model based on the multivariate chaotic time series［J］. Journal of Engineering Science， 2020， 42（12）： 1664-1673.
13	付凯，夏靖波，申健. 基于复杂网络拓扑性质的网络态势预测方法［J］. 华中科技大学学报（自然科学版）， 2018， 46（1）：42-48. 10.13245/j.hust.180109
	FU K， XIA J B， SHEN J. Network situation prediction method based on topological properties of complex network［J］. Journal of Huazhong University of Science and Technology （Natural Science Edition）， 2018， 46（1）： 42-48. 10.13245/j.hust.180109
14	SAÂDAOUI F， SAADAOUI H， RABBOUCH H. Hybrid feedforward ANN with NLS-based regression curve fitting for US air traffic forecasting［J］. Neural Computing and Applications， 2020， 32（14）： 10073-10085. 10.1007/s00521-019-04539-5
15	王超，朱明，赵元棣. 基于改进加权一阶局域法的空中交通流量预测模型［J］. 西南交通大学学报， 2018， 53（1）：206-213. 10.3969/j.issn.0258-2724.2018.01.025
	WANG C， ZHU M， ZHAO Y D. Air traffic flow prediction model based on improved adding-weighted one-rank local-region method［J］. Journal of Southwest Jiaotong University， 2018， 53（1）： 206-213. 10.3969/j.issn.0258-2724.2018.01.025
16	李昂，聂党民，温祥西，等. 管制-飞行状态相依网络演化过程研究［J］.航空学报， 2021， 42（9）： No.324726. 10.12305/j.issn.1001-506X.2021.05.16
	LI A， NIE D M， WEN X X， et al. Evolution process of control-aircraft state dependent network［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（9）： No.324726. 10.12305/j.issn.1001-506X.2021.05.16
17	张学工. 关于统计学习理论与支持向量机［J］. 自动化学报， 2000， 26（1）：32-42.
	ZHANG X G. Introduction to statistical learning theory and support vector machines［J］. Acta Automatica Sinica， 2000， 26（1）：32-42.
18	丁世飞，齐丙娟，谭红艳. 支持向量机理论与算法研究综述［J］. 电子科技大学学报， 2011， 40（1）：2-10. 10.3969/j.issn.1001-0548.2011.01.001
	DING S F， QI B J， TAN H Y. An overview on theory and algorithm of support vector machines［J］. Journal of University of Electronic Science and Technology of China， 2011， 40（1）： 2-10. 10.3969/j.issn.1001-0548.2011.01.001
19	刘双印，徐龙琴，李道亮，等. 基于时间相似数据的支持向量机水质溶解氧在线预测［J］. 农业工程学报， 2014， 30（3）：155-162. 10.3969/j.issn.1002-6819.2014.03.021
	LIU S Y， XU L Q， LI D L， et al. Online prediction of dissolved oxygen in water quality based on support vector machine with time series similar data［J］. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（3）：155-162. 10.3969/j.issn.1002-6819.2014.03.021
20	田中大，高宪文，石彤. 用于混沌时间序列预测的组合核函数最小二乘支持向量机［J］. 物理学报， 2014， 63（16）： No.160508. 10.7498/aps.63.160508
	TIAN Z D， GAO X W， SHI T. Combination kernel least squares support vector machine for chaotic time series forecasting［J］. Acta Physica Sinica， 2014， 63（16）： No.160508. 10.7498/aps.63.160508
21	陆锦军，王执铨. 基于混沌特性的网络流量预测［J］. 南京航空航天大学学报， 2006， 38（2）：217-221. 10.3969/j.issn.1005-2615.2006.02.018
	LU J J， WANG Z Q. Prediction of network traffic flow based on chaos characteristics［J］. Journal of Nanjing University of Aeronautics and Astronautics， 2006， 38（2）： 217-221. 10.3969/j.issn.1005-2615.2006.02.018
22	胡瑜，陈涛. 基于C-C算法的混沌吸引子的相空间重构技术［J］. 电子测量与仪器学报， 2012， 26（5）：425-430. 10.3724/sp.j.1187.2012.00425
	HU Y， CHEN T. Phase-space reconstruction technology of chaotic attractor based on C-C method［J］. Journal of Electronic Measurement and Instrumentation， 2012， 26（5）： 425-430. 10.3724/sp.j.1187.2012.00425
23	林玲，陈福集，谢加良，等. 基于改进灰狼优化支持向量回归的网络舆情预测［J］. 系统工程理论与实践， 2022， 42（2）：487-498. 10.12011/SETP2020-1500
	LIN L， CHEN F J， XIE J L， et al. Prediction of network public opinion prediction based on improved grey wolf optimization support vector regression［J］. Systems Engineering Theory and Practice， 2022， 42（2）： 487-498. 10.12011/SETP2020-1500

[1]	黄杰, 武瑞梓, 李均利. 高效的自适应复杂网络鲁棒性优化算法[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3530-3539.
[2]	王中钰, 钱晓东. 基于改进期望最大化算法的供应链网络边连接规则优化[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3386-3395.
[3]	周琳, 肖玉芝, 刘鹏, 秦有鹏. 基于节点多关系的社团挖掘算法及其应用[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1489-1496.
[4]	李鹏, 王世林, 陈光武, 闫光辉. 基于改进的局部结构熵复杂网络重要节点挖掘[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1109-1114.
[5]	李占利, 李颖, 罗香玉, 罗颖骁. 基于Monte-Carlo迭代求解策略的局部社区发现算法[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 104-110.
[6]	孟昱煜, 郭静. 信息熵改进主成分分析模型的链路预测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2823-2829.
[7]	张仲华, 赵福媛, 郭钧枫, 赵高长. 柯西自适应回溯搜索与最小二乘支持向量机的集成预测模型[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1829-1836.
[8]	郝志刚, 秦丽. 基于多属性综合评价的食品安全标准引用网络重要节点发现方法[J]. 《计算机应用》唯一官方网站, 2022, 42(4): 1178-1185.
[9]	胡军, 许正康, 刘立, 钟福金. 融合多粒度社区信息的网络嵌入方法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 663-670.
[10]	陈广福, 王海波, 连雁平. 基于高阶自包含协同过滤的有向网络链路预测[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3060-3068.
[11]	蔡彪, 李蕊岑, 吴媛媛. 相似性特征对链路预测的影响与增强[J]. 计算机应用, 2021, 41(9): 2569-2577.
[12]	李亚芳, 梁烨, 冯韦玮, 祖宝开, 康玉健. 基于社区优化的深度网络嵌入方法[J]. 计算机应用, 2021, 41(7): 1956-1963.
[13]	唐延强, 李成海, 宋亚飞. 基于改进粒子群优化和极限学习机的网络安全态势预测[J]. 计算机应用, 2021, 41(3): 768-773.
[14]	李萍, 汪芬, 陈祺东, 孙俊. 求解多目标社区发现问题的离散化随机漂移粒子群优化算法[J]. 计算机应用, 2021, 41(3): 803-811.
[15]	陆荣秀, 陈明明, 杨辉, 朱建勇. 基于溶液图像时序特征的元素组分含量动态监测系统[J]. 计算机应用, 2021, 41(10): 3075-3081.

基于最优样本集在线模糊最小二乘支持向量机的飞行冲突网络态势预测

Situation prediction of flight conflict network based on online fuzzy least squares support vector machine with optimal training set

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 23

相关文章 15

编辑推荐

Metrics