大数据驱动的空域拥堵预测
人工智能
2023-10-16 v1 计算工程、金融与科学
系统与控制
系统与控制
摘要
全球各空中导航服务提供商(ANSP)一直在大力研发更好的方法，以测量并预测特定空域内的航空器数量，亦称空域密度。准确测量与预测空域密度对于在战略和战术层面更好地管理空域至关重要，可提升自动化水平，从而减轻空中交通管制员的工作负荷。尽管已有方法在一定程度上解决了该问题，但针对预测航空器数量等各类分析目的，对高速增长的海量空中交通数据进行数据管理与查询处理，在仅采用线性预测模型时仍具挑战。本文提出一种新颖的数据管理与预测系统，可准确预测国家空域系统(NAS)中特定空域扇区的航空器数量。输入的交通流管理(TFM)数据为流式、海量、不相关且含噪声。在预处理阶段，系统持续处理原始输入数据，将其压缩至紧凑规模并存入NoSQL数据库，以便高效查询处理。在预测阶段，系统从历史航迹中学习，利用其航段收集关键特征，如扇区边界穿越、气象参数及其他空中交通数据。这些特征被输入多种回归模型，包括线性、非线性及集成模型，并选用性能最优者进行预测。基于美国真实航迹、气象及含边界穿越的空中交通数据的广泛评估表明，本系统可高效且准确地预测各空域扇区的航空器数量。
引用
@article{arxiv.2310.08982,
title = {Big data-driven prediction of airspace congestion},
author = {Samet Ayhan and Ítalo Romani de Oliveira and Glaucia Balvedi and Pablo Costas and Alexandre Leite and Felipe C. F. de Azevedo},
journal= {arXiv preprint arXiv:2310.08982},
year = {2023}
}
备注
Submitted to the 2023 IEEE/AIAA Digital Aviation Systems Conference (DASC)