空域扇区概率交通需求预测模型

为预测空域扇区在未来一定时段内的交通需求及其变化规律,基于简化的空域运行网络结构,从不确定性角度分析了航空器飞行时间对空域扇区交通需求预测的影响,针对航空器进入、离开扇区和在扇区内飞行过程的随机性,给出了相应概率分布函数.在此基础上,建立了空域扇区概率交通需求预测模型,设计了启发式算法.对实际航班数据的仿真结果表明:本文模型和算法预测时段10:00~11:00扇区发生拥挤,比传统的确定性方法预测的拥挤时段减少了30 min,避免了在时段9:30~10:00采取不必要的流量管理措施,降低了该时段管制员的工作负荷.     

空域扇区流量与拥塞预测的概率方法

为了提高扇区流量预测准确度、减小扇区拥塞预测的虚警率,分析了影响空中交通的随机因素,建立了航空器进入扇区时刻、穿越扇区飞行时间和离开扇区时刻的概率分布模型.利用进入、离开扇区时刻的累积分布函数,计算航空器占用扇区的概率,并在此基础上,提出了基于Monte Carlo仿真的扇区拥塞预测概率方法.算例仿真结果表明:与确定型拥塞预测方法相比,采用概率预测方法可将拥塞时段比例的平均值从42%减少到33%.     

航路扇区容量需求的交通流动力学推演与预测

为科学应对交通需求的持续增长，合理进行空域规划，从介观层面刻画交通流动态演化过程，提出航路网络交通流演化模型. 以此为基础，将预测得到的城市对间年度交通总需求量推演到整个航路网络中，实现未来交通需求时空分布的中长期预测；构建航路扇区容量需求预测模型，选取华东地区两个相邻航路扇区为研究对象，进行实例验证.结果表明，所提方法能对航路扇区容量需求进行有效预测，未来5 年内两个航路扇区容量需求将分别由50架次/h、 39架次/h上升为70架次/h、45架次/h.     

基于需求不确定性的机场拥挤风险预测模型与方法

为了获得机场交通需求的概率分布及其变化规律,量化机场交通需求预测的不确定性,从需求不确定性角度分析了航空器进离港时刻对机场交通需求预测的影响,基于多个时段交通需求相互转化的不确定性,建立了多时段机场进离港交通需求概率分布模型.在此基础上,将进离港交通需求与进离港容量曲线相匹配,建立了机场拥挤风险预测模型,给出了具体求解过程与方法.亚特兰大机场实际航班运行数据的验证结果表明,机场概率需求预测值比确定型需求预测值更接近实际进离港交通需求值;与确定型拥塞预测方法的准确度60.0%相比,本文模型将拥挤预测提高到80%;用旧金山机场实际航班数据验证了本文方法的有效性,准确性达到87.5%,为机场拥挤管理提供了依据.      

考虑航段相关性的航路拥挤态势多模型 融合动态预测方法

研究航路交通拥挤状态动态实时预测问题,可为缓解航路交通拥挤,优化拥挤管控 策略提供科学的依据.首先,采用神经网络理论建立考虑航段相关性的交通流参数预测模型, 预测航段流量和航段密度参数;然后,运用多模型融合预测算法提高预测精度,基于模糊C均 值聚类算法和航段历史及预测交通流参数预测航段交通拥挤态势;最后,采用雷达实测航迹 数据验证模型的有效性.研究结果表明,本文建立的预测模型同时考虑了时间和空间因素,对 航路拥挤状态预测准确率达到82.29%,预测方法符合实际且对航路交通态势的预测具有应用 价值;同时考虑航段相关性影响和采用多模型融合预测算法能够明显提高预测精度.     

基于贝叶斯估计的短时空域扇区交通流量预测

为准确把握空域扇区流量分布态势及未来变化趋势,提出了一种基于贝叶斯估计的短时空域扇区交通流量预测方法.首先,通过解析空域系统内航空器原始雷达数据,提取各扇区历史运行信息,建立了多扇区聚合交通流模型;其次,采用贝叶斯估计理论对模型参数进行最优估计和动态更新,预测了空域扇区交通流量的未来演变趋势及其不确定范围;最后,选取国内5个典型繁忙扇区为例,以5 min为时间段,以未来1 h为预测范围,对所提预测方法进行了验证.研究结果表明:85%以上时段交通流量预测结果的绝对误差在3架以内,平均绝对误差均在2架次以内,预测结果的稳定性较好,可充分反映各空域扇区之间短时交通流的动态性和不确定性,符合空中交通的实际情况.      

基于低空风预测模型的救援航迹修正规划方法

针对低空救援航迹易受到侧风影响难以获得准确的航迹规划路径问题,采用数据融合方法预测低空风,修正航空器的低空规划航迹.首先,将飞行区域内的国际交换站作为观测点,通过应用基于无迹卡尔曼滤波（UKF）的数值气象预报释用技术,将观测点的风速、风向记录数据与预报值进行融合,建立低空风预测模型;其次,利用该模型,校正预报数据的系统误差,得出修正的风预测值;最后,结合航空器的爬升率、巡航速度等性能参数与所经航路点的风速、风向信息,依据速度矢量合成原理,修正各航路点的过点时刻.仿真实验表明,与传统的卡尔曼滤波预测方法相比,由UKF方法预测得到的风速、风向RMSE分别减少了12.88%与17.50%,对初始规划航迹的修正更为精确.      

基于FCM-粗糙集的多扇区交通拥挤识别方法研究

通过分析管制扇区交通时空拥挤特征,基于雷达航迹数据建立了多扇区交通拥挤识别模型.建立当量交通量、接近度、饱和度、交通密度4个多扇区拥挤特征指标,采用FCM(模糊C均值聚类算法)和粗糙集理论,对扇区拥挤程度进行划分和识别,并以中南地区区域管制扇区数据进行了实例验证.实验结果表明,扇区的拥挤态势受扇区多种宏观和微观特征的共同影响,且拥挤识别模型计算可行、识别效率较高.多扇区交通拥挤识别对空域规划、空管辅助决策、空中交通流量管理具有一定的应用价值.     

大型活动交通分布预测方法比较及应用

大型活动的举办势必会对城市交通产生影响,为更好地制定交通管理措施,需要对大型活动进行交通需求预测。四阶段法是交通需求预测的常用方法,交通分布预测是四阶段法的第二阶段。通过对交通分布预测常用三种方法的比较分析,说明三种方法的优缺点,并通过三种方法在唐山世园会举办期间交通分布预测中的应用比较,得到交通需求总量。     

基于浮动车数据的交通拥堵时间维度特征

以北京市浮动车数据为基础,对比2个工作日上午时段的交通拥堵时间百分比、持续时间特征指标,引入残存函数描述路段拥堵持续时间分布概率,采用曲线拟合后得到Log-Logistic模型可以更好地描述拥堵持续时间残存函数曲线,并对比不同路段的拥堵持续时间分布差异;此外,通过对比分析拥堵时段内速度的区间分布,得到拥堵前后时段交通状态的演变关系．通过对实际数据的具体分析直观说明交通拥堵时间维度的特征,以期为交通拥堵评估与预测奠定基础．     

基于局部连通性的在途动态路径诱导方法

驾车购物已经成为现代城市居民常见的生活出行方式,而驾车购物出行量的不断 增长也引发了严重的道路交通供需矛盾,加重了城市交通拥堵程度.为更好地满足居民驾车购 物出行的实际需要,出行路径诱导已成为一种优先选择,但目前大多数路径诱导方法运用固 定的最优路径搜索算法来规划行驶路线,不能完全自适应交通流的变化,并没有考虑到购物 出行特点.本文提出一种在途动态路径诱导方法,分析实时交通信息对路网连通性的动态影 响,在途中对诱导路径进行局部范围的重新搜索,并及时将更新结果反馈给在途车辆.实验结 果表明,与其他动态路径诱导方法相比,该方法计算量减少了56%以上,具有更强的实时性和 有效性,并具有开放性结构,能够根据需求替换不同路径搜索算法.     

基于模型预测的城市快速路匝道流量协调控制

为保证城市快速路处于最大通行能力状态,提出了城市快速路交通流量的一种非线性模型预测方法,在此基础上,对快速路各入口匝道流量进行协调控制.以城市快速路某一拥挤路段为例进行了仿真研究,结果表明,该方法不仅能够有效地消除交通拥挤,维持主线车流稳定,而且匝道调节率平稳,同时该控制方法能保证各入口匝道交通需求的公平性.     

考虑人口效益的城市路网OD 矩阵推算模型

交通分布数据获取难度大、成本高，是制约交通工程师开展交通预测的主要因素. 为提高效率、降低工程实践中的预测成本，对城市路网OD矩阵可预测性展开研究. 描述3 种交通分布推算模型并以广州为例，给出交通流概率分布及发生量概率分布. 通过回归分析及残差分析探究发生量与人口、经济的关系，提出考虑人口效益的靶向双联模型(称为TDM模型). 根据误差分析验证4 种模型准确度，并将模型应用于深圳市. 结果表明：交通流及发生量概率分布具有高度异质性，遵循Zipf 定律；发生量与人口、经济相关性强，拟合优度为0.87； TDM模型精度略低于重力模型，但高于其他两种模型，且在深圳市推算效果良好. 综合预测精度、成本和效率，TDM模型更适合预测城市道路交通分布.     

基于集成学习算法的航路网络航段交通拥挤识别方法研究

基于航路网络ADS-B航迹数据定义航路网络航段交通流量、航段交通密度、航段交通饱和度、航段交通接近率4 项交通拥挤状态评价指标；采用模糊C均值聚类算法和航段历史交通拥挤状态评价指标参数划分航段交通拥挤状态等级；结合集成学习算法构建航路网络航段交通拥挤状态识别模型，实现航段交通拥挤状态的识别. 实证分析表明：航路网络交通拥挤状态集成学习识别模型对实验航路网络航段交通拥挤状态识别准确率达到98.34%，采用决策树基学习器优于k 近邻基学习器，且增加的集成学习基学习器数量可提升模型的识别精度；集成学习识别模型的识别性能优于BP神经网络模型，识别方法符合实际且具有应用价值.