基于k-means的機(jī)場(chǎng)終端區(qū)對(duì)流天氣場(chǎng)景識(shí)別

王 洪，彭 瑛，郭聰聰，陳博偉

(南京航空航天大學(xué) 民航學(xué)院，南京 211106)

在面臨多變的對(duì)流天氣時(shí)，管制員會(huì)依據(jù)歷史上曾經(jīng)相似的場(chǎng)景發(fā)布同一流量管理策略.Tien[1]等將航路和終端天氣預(yù)報(bào)轉(zhuǎn)化為天氣影響場(chǎng)景，根據(jù)歐幾里得范數(shù)和高斯核定義的成對(duì)相似性聚類(lèi).Michael[2]等采用半監(jiān)督學(xué)習(xí)算法，通過(guò)距離度量終端天氣預(yù)報(bào)的天氣特征，識(shí)別給定日期所屬類(lèi)別的相似日.Grabbe[3]等利用最大期望算法將機(jī)場(chǎng)的天氣和預(yù)計(jì)到達(dá)率作為特征進(jìn)行聚類(lèi)，分析不同情景下實(shí)施地面延誤程序的概率.Chen[4]等使用機(jī)器學(xué)習(xí)技術(shù)對(duì)氣象和風(fēng)況等天氣影響因素聚類(lèi)，輸出天氣對(duì)機(jī)場(chǎng)產(chǎn)生相似影響的結(jié)果.許逸凡[5]等從機(jī)場(chǎng)航空例行天氣報(bào)告中獲取天氣特征聚類(lèi).馬莉[6]等以冰雹云的形態(tài)特征、基本反射率因子兩方面為特征聚類(lèi).范文[7]采用K均值聚類(lèi)評(píng)分對(duì)暴雨/冰雹進(jìn)行模型分類(lèi).朱曄[8]提出了一種基于密度信息的K-中心點(diǎn)算法應(yīng)用于雷暴聚類(lèi).

在天氣相似日方面的研究較為成熟，主要根據(jù)機(jī)場(chǎng)終端區(qū)及其附近區(qū)域航路的天氣預(yù)報(bào)信息，將其轉(zhuǎn)換為影響空域運(yùn)行的天氣特征，利用聚類(lèi)方法劃分影響程度不同的天氣場(chǎng)景，或是用來(lái)預(yù)測(cè)具體的天氣類(lèi)型，在構(gòu)建特征時(shí)往往未考慮空域特征，即未考慮對(duì)流天氣面積、對(duì)流天氣在空域中所處的位置等是否對(duì)空域運(yùn)行能力產(chǎn)生影響以及影響的大小.因此，為滿足空中交通流量管理的需求，協(xié)助發(fā)布空中交通流控措施，以減輕管制員工作負(fù)荷，從而提高空域運(yùn)行能力.本文從終端區(qū)的角度出發(fā)，構(gòu)建特征時(shí)融入空域特性思想，不僅考慮氣象報(bào)文的天氣特征，還考慮了突出空域特性下的天氣特征，通過(guò)聚類(lèi)算法分類(lèi)，以廣州終端區(qū)在對(duì)流天氣影響下的日期采集樣本數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，獲得不同聚類(lèi)的對(duì)流天氣場(chǎng)景.

1 方法設(shè)計(jì)

在有對(duì)流天氣的情景下考慮空域結(jié)構(gòu)與交通流走向構(gòu)建天氣與交通特征，并對(duì)特征進(jìn)行篩選，確保特征與空域通行能力因素相關(guān)，最后對(duì)特征變量降維，作為聚類(lèi)模型的輸入數(shù)據(jù)集.

1.1 對(duì)流天氣特性分析

對(duì)流天氣往往伴隨著積雨云，能見(jiàn)度低下且有降雨的發(fā)生，威脅航空器的安全飛行[9].當(dāng)對(duì)流天氣發(fā)生在機(jī)場(chǎng)及終端區(qū)附近，如天氣大面積覆蓋跑道上空區(qū)域或進(jìn)離場(chǎng)航路航線網(wǎng)絡(luò)，在某一繁忙時(shí)段中多架航班同時(shí)駛向該區(qū)域時(shí)，管制員工作負(fù)荷增加，忙于為多方提供空中交通管制服務(wù)，對(duì)航班起降造成一定的影響.因此，根據(jù)對(duì)流天氣面積對(duì)空域容量，航班流量的影響，在已有研究中選取天氣危險(xiǎn)指數(shù)(WSI)[10]作為特征.WSI指空域被危險(xiǎn)天氣覆蓋的比例，表示為：

(1)

其中：研究空域的面積為S，被危險(xiǎn)天氣覆蓋的區(qū)域面積為SWs.

不僅天氣面積大小與空域通行能力有關(guān)聯(lián)，天氣所處的位置也會(huì)影響航班.當(dāng)某條交通流上覆蓋零散的對(duì)流天氣塊時(shí)該交通流的通行能力下降，下降程度視天氣塊而定.設(shè)被研究多邊形扇區(qū)空域由頂邊、底邊、源邊和匯邊構(gòu)成，可用流容比(AFCR)[11]基于最大流最小割理論, 反映某飛行方向受到天氣影響時(shí)可用空域容量的縮減程度.因此，選擇AFCR作為特征.第f條交通流在對(duì)流天氣影響下的AFCR表示為：

(2)

除了考慮對(duì)流天氣與空域的關(guān)系等外部因素外，再?gòu)膶?duì)流天氣的內(nèi)部因素出發(fā)，按固定時(shí)間間隔對(duì)機(jī)場(chǎng)的氣象情況進(jìn)行觀測(cè)，從機(jī)場(chǎng)例行天氣報(bào)告(METAR報(bào))中獲取信息，包括風(fēng)向、風(fēng)速、陣風(fēng)、云類(lèi)型、云底高、能見(jiàn)度等，即考慮對(duì)流天氣所具有的天氣屬性對(duì)空域通行能力的影響.

以上三方面為本文所選取特征，從對(duì)流天氣外部與內(nèi)部出發(fā)，為以下采用聚類(lèi)算法劃分不同對(duì)流天氣場(chǎng)景作支撐.其中，METAR報(bào)起輔助判斷聚類(lèi)特點(diǎn)的作用，在進(jìn)行結(jié)果分析時(shí)主要以WSI和AFCR為主要依據(jù).

1.2 空域劃分

由于WSI和AFCR特征數(shù)據(jù)的獲取需結(jié)合空域和交通流情況.因此，為研究對(duì)流天氣位于不同區(qū)域?qū)沼蛲ㄐ心芰Φ挠绊?，以廣州機(jī)場(chǎng)終端區(qū)及其附近區(qū)域?yàn)槔?，按照一定?guī)則將其分成不同的區(qū)域部分.劃分區(qū)域具體規(guī)則如下.

以白云國(guó)際機(jī)場(chǎng)塔臺(tái)作為基準(zhǔn)點(diǎn)，將一個(gè)長(zhǎng)40 km，寬10 km的矩形區(qū)域稱為機(jī)場(chǎng)塔臺(tái)空域，該空域被劃分為A～D四部分(見(jiàn)圖1).規(guī)定距離機(jī)場(chǎng)塔臺(tái)30 km的一個(gè)圓形區(qū)域稱為近機(jī)場(chǎng)空域，該空域被劃分為E～H四部分(見(jiàn)圖1).

圖1 機(jī)場(chǎng)塔臺(tái)空域及近機(jī)場(chǎng)空域劃分Figure 1 Division of Airport Tower and Adjacent Airspace

將塔臺(tái)視為圓心，以其到區(qū)域扇區(qū)關(guān)鍵航路點(diǎn)的距離為半徑作若干同心圓，該部分環(huán)形區(qū)域稱為終端區(qū)及其附近區(qū)域扇區(qū)空域，該空域被劃分為I～L四部分(見(jiàn)圖2).

圖2 終端區(qū)及附近區(qū)域扇區(qū)空域劃分Figure 2 Division of Terminal Area and Adjacent Sector Airspace

廣州終端區(qū)主要離場(chǎng)方向包括YIN、LMN和VIBOS三條航線，廣州終端區(qū)主要進(jìn)場(chǎng)方向包括ATAGA|GONO、GYA和P270|DUMA三個(gè)方向.則根據(jù)終端區(qū)進(jìn)離場(chǎng)航班流的走向?qū)⒔K端區(qū)空域劃分為西北向進(jìn)離場(chǎng)空域、東向進(jìn)離場(chǎng)空域和南向離場(chǎng)空域(見(jiàn)圖3).

圖3 交通流走向空域劃分Figure 3 Division of Traffic Flow Direction Airspace

1.3 特征選擇

前文已經(jīng)將廣州機(jī)場(chǎng)空域劃分成六空域區(qū)域.在劃分空域后用選取的特征WSI和AFCR將空域區(qū)域化表示，通過(guò)特征數(shù)值顯示該空域的對(duì)流天氣情況.即 A～L區(qū)域?qū)?yīng)WSI特征，即WSI_A，…，WSI_L共12個(gè)特征；三個(gè)進(jìn)離場(chǎng)區(qū)域?qū)?yīng)ARCR特征，即WN_AFCR，E_AFCR，S_AFCR共3個(gè)特征.此外，METAR報(bào)包含風(fēng)向WD、WD_L與WD_U，陣風(fēng)Gust，風(fēng)速WS，能見(jiàn)度VIS，云量FEW、SCT、BKN、OVC，云ClOUD、CB、TCU，天氣類(lèi)型Wx、溫度T、露點(diǎn)Dew等報(bào)文觀測(cè)信息共17個(gè)特征.

WSI與AFCR特征計(jì)算依托于對(duì)流天氣避讓區(qū)(WAF)產(chǎn)品，通過(guò)WAF產(chǎn)品中確定對(duì)流天氣區(qū)域從而獲取WSI與AFCR.WAF的更新頻率為6 min，METAR報(bào)的更新頻率為30 min，為了使兩者的時(shí)間重疊，本文選取1 h為時(shí)間窗.在1個(gè)時(shí)間窗內(nèi)WAF更新10次，METAR報(bào)更新2次，對(duì)應(yīng)的特征表示為WSI_A_1，WSI_A_2，…,WSI_A_10.累計(jì)獲得120個(gè)WSI特征，30個(gè)AFCR特征與34個(gè)METAR報(bào)文所含特征，共184個(gè)特征.

本文旨在確定不同類(lèi)型的對(duì)流天氣場(chǎng)景，其與空域通行能力有關(guān).為了確保以上選擇特征的準(zhǔn)確性與相關(guān)性，先采用皮爾遜相關(guān)系數(shù)法對(duì)以上特征進(jìn)行篩選，再通過(guò)聚類(lèi)算法分類(lèi)對(duì)流天氣場(chǎng)景.原理是相關(guān)系數(shù)值越接近±1，說(shuō)明兩變量間的正負(fù)相關(guān)性越強(qiáng)，越接近0說(shuō)明兩者相關(guān)性越弱.而兩變量間是否相關(guān)除了關(guān)注系數(shù)，更重要的是顯著水平，如果不顯著，相關(guān)系數(shù)再高該特征變量也不可取.

1.4 主成分分析

本文中為反映不同對(duì)流天氣下的聚類(lèi)場(chǎng)景，選取多維特征變量以供觀察，并收集大量數(shù)據(jù)以便進(jìn)行分析尋找規(guī)律.多特征變量與樣本數(shù)據(jù)毫無(wú)疑問(wèn)能為研究提供豐富的信息，但可能許多變量之間存在關(guān)聯(lián)性，在一定程度上增加了問(wèn)題分析的復(fù)雜性，盲目減少變量可能會(huì)損失重要信息，容易得出錯(cuò)誤結(jié)論，同時(shí)造成分析困難，倘若對(duì)每個(gè)特征變量單獨(dú)進(jìn)行分析，那么該分析是獨(dú)立而非綜合的.因此要在盡量保證特征信息較少損失的前提下實(shí)現(xiàn)高維度數(shù)據(jù)降維，再進(jìn)行聚類(lèi)分析以達(dá)到對(duì)所搜集數(shù)據(jù)的有效利用.

主成分分析(PCA)[12-13]是使用最廣泛的一種數(shù)據(jù)降維算法，其原理使設(shè)法將原始變量按照一定映射規(guī)則重新組合成一組新的相互無(wú)關(guān)的綜合變量，即為主成分，同時(shí)結(jié)合實(shí)際問(wèn)題的需求確定主成分m，以盡可能多的反映全部變量信息.根據(jù)矩陣Z建立相關(guān)系數(shù)矩陣R，反映標(biāo)準(zhǔn)化后的數(shù)據(jù)之間相關(guān)關(guān)系的密切程度.矩陣R為：

(3)

最后根據(jù)選取主成分個(gè)數(shù)的原則，特征根大于1且累計(jì)貢獻(xiàn)率達(dá)80%～95%，最終確定主成分.

2 算法設(shè)計(jì)

步驟1 確定歷史數(shù)據(jù)信息及相似性特征，以1 h為時(shí)間窗，以6 min為步長(zhǎng)，構(gòu)建樣本數(shù)據(jù)集Dataset_ori.其中，每條樣本特征先按空域，后按時(shí)間規(guī)則排序.即將空域A～L記為{Zi|i=1,2,…,12}，交通流記為{Fj|j=1,2,3}，更新次序記為{Tm|m=1,2,…,10}，METAR報(bào)所含特征記為{Mk|k=1,2,…,17}，更新次序記為{Tn|n=1,2}，最終樣本特征表示為{WSI_Zi_Tm;Fj_AFCR_Tm;Mk_Tn}.

步驟2 根據(jù)相關(guān)性及顯著性程度，對(duì)樣本數(shù)據(jù)集進(jìn)行特征選擇，移除未擾動(dòng)空域流量值的特征，剩余特征按序排列，得數(shù)據(jù)集Dataset_sel.

步驟3 對(duì)選擇后的特征數(shù)據(jù)集進(jìn)行主成分分析，選取保留85%的特征信息，確定主成分m，作為聚類(lèi)模型的輸入數(shù)據(jù)集Dataset_input.

步驟4 繪制誤差平方和關(guān)于聚類(lèi)簇?cái)?shù)的曲線，曲線上第一個(gè)或最顯著的拐點(diǎn)指向最優(yōu)簇?cái)?shù)，設(shè)置為聚類(lèi)簇?cái)?shù)k.

步驟5 以簇內(nèi)高相似性和簇間低相似性為目標(biāo)，通過(guò)k-means聚類(lèi)模型[14-15]實(shí)施聚類(lèi).對(duì)給定樣本集Dataset_input={x1,x2…,xm}，針對(duì)上述步驟4中結(jié)果所得到的簇?cái)?shù)C={c1,c2,…,cm}計(jì)算最小化平方誤差為：

(4)

算法結(jié)束.

3 實(shí)例驗(yàn)證

以廣州白云機(jī)場(chǎng)終端區(qū)2017～2018年受對(duì)流天氣的影響為例，統(tǒng)計(jì)得到這段時(shí)間內(nèi)廣州白云機(jī)場(chǎng)終端區(qū)受影響的天數(shù)為201 d，獲得包含上文提到的184個(gè)特征的12 316個(gè)樣本數(shù)據(jù)集.

首先，利用皮爾遜相關(guān)系數(shù)法對(duì)構(gòu)建的特征進(jìn)行選擇.圖4中x軸代表特征，y軸代表皮爾遜相關(guān)系數(shù)與是否顯著.從圖4中可看出WSI變量與y值成負(fù)相關(guān)，相關(guān)性較強(qiáng)；MINCUT變量與y值成正相關(guān)，相關(guān)性較強(qiáng)；METAR變量與y值即有正相關(guān)也有負(fù)相關(guān)，相關(guān)性較弱.圖4中藍(lán)色星形表示不顯著的特征，將無(wú)關(guān)且不顯著的特征剔除后，采用余下181個(gè)特征做主成分分析.

其次，對(duì)廣州機(jī)場(chǎng)終端區(qū)的p維特征向量x=(x1,x2,…,xp)T，和特征數(shù)據(jù)xi=(xi1,xi2,…,xip)T(p=181,n=12 316)進(jìn)行Z-score標(biāo)準(zhǔn)化，得標(biāo)準(zhǔn)化陣Z，隨后進(jìn)行PCA降維，部分主成分累計(jì)方差貢獻(xiàn)率如圖5所示.根據(jù)85%閾值，最終選取前25個(gè)主成分應(yīng)用于以下聚類(lèi)中.

圖4 皮爾遜相關(guān)系數(shù)法Figure 4 Pearson Correlation Coefficient Method

圖5 主成分累計(jì)方差貢獻(xiàn)率Figure 5 Principal Component Cumulative Variance Contribution Rate

最后，繪制SSE關(guān)于k的曲線，圖6中顯示拐點(diǎn)所對(duì)應(yīng)的k值為4，因此設(shè)置簇?cái)?shù)為4進(jìn)行聚類(lèi).

圖6 SSE關(guān)于k的曲線Figure 6 SSE Curve with Respect to k

3.1 聚類(lèi)結(jié)果

聚類(lèi)分成了4類(lèi)場(chǎng)景，表1顯示每個(gè)類(lèi)別包含的樣本數(shù)以及對(duì)應(yīng)的小時(shí)流量均值.其中聚類(lèi)1包含的樣本數(shù)最多，聚類(lèi)4最少，每個(gè)聚類(lèi)中流量均值分布較為均勻.

表1 k-means聚類(lèi)結(jié)果Table 1 k-means Clustering Results

結(jié)合各聚類(lèi)航班流量均值與流量核密度曲線，分析每個(gè)聚類(lèi)對(duì)應(yīng)的流量值分布情況.圖7中顯示聚類(lèi)4流量分布最集中且流量值較大，集中于58～64架次之間；聚類(lèi)3流量分布跨度大但大部分流量值較小，集中于24～43架次之間；聚類(lèi)1和聚類(lèi)2的曲線走勢(shì)與峰值較為相似，前者集中于47～59架次之間，后者集中于41～55架次之間.各聚類(lèi)間流量集中區(qū)間重疊部分相對(duì)較少，且各峰值間隔適當(dāng)，可見(jiàn)流量集中與峰值分布合理，聚類(lèi)效果較為理想.

圖7 流量核密度估計(jì)曲線Figure 7 Flow Core Density Estimation Curve

3.2 空間分布分析

根據(jù)主成分的特征影響，查看每個(gè)聚類(lèi)對(duì)應(yīng)的原始特征數(shù)據(jù)，更清晰地了解每類(lèi)的特征分布情況.將每個(gè)時(shí)間窗中表示相同區(qū)域的特征匯總，繪制六區(qū)域，即A～L區(qū)域的WSI箱線圖和WNf、Ef、Sf的AFCR箱線圖.下箱體線為第一個(gè)四分位數(shù)線，上箱體線為第三個(gè)四分位數(shù)線，箱體中的綠線為中位線，點(diǎn)代表均值，箱體外的點(diǎn)通常代表離群點(diǎn).通過(guò)箱線圖的箱體觀聚類(lèi)A～L區(qū)域的WSI與三交通流WNf、Ef、Sf的AFCR數(shù)值數(shù)據(jù)散布情況，進(jìn)一步觀察六空域區(qū)域中各聚類(lèi)的對(duì)流天氣場(chǎng)景主要受影響區(qū)域，并如何對(duì)空域通行能力產(chǎn)生影響.

聚類(lèi)3的箱體圖如圖8所示.A～H區(qū)域的WSI值呈逐漸下降趨勢(shì)，而WSI值與對(duì)流天氣覆蓋區(qū)域范圍成正比，說(shuō)明對(duì)流天氣在機(jī)場(chǎng)塔臺(tái)及近機(jī)場(chǎng)區(qū)域較為嚴(yán)重，跑道上空區(qū)域受對(duì)流天氣覆蓋面積大.終端區(qū)及其附近區(qū)域扇區(qū)空域受對(duì)流天氣影響較大，且離終端區(qū)距離越近的區(qū)域天氣危險(xiǎn)程度越大.三方向的交通流也受到影響，而AFCR值與對(duì)流天氣覆蓋交通流范圍成反比，其中西北向交通流受影響較為嚴(yán)重，東向交通流和南向交通流也受到影響.總體而言，各區(qū)域均受到嚴(yán)重程度不一的對(duì)流天氣影響.

圖8 聚類(lèi)3箱線圖Figure 8 Box Plot of Cluster 3

結(jié)果顯示對(duì)流天氣面積大小，覆蓋位置及危險(xiǎn)程度三者相互影響，且與空域通行能力均有關(guān)聯(lián)性.當(dāng)對(duì)流天氣覆蓋在機(jī)場(chǎng)塔臺(tái)及近機(jī)場(chǎng)區(qū)域且危險(xiǎn)程度較大時(shí)，由于覆蓋跑道上空直接影響跑道的使用，從而影響航班起降，對(duì)航班流量影響較大.當(dāng)對(duì)流天氣覆蓋終端區(qū)及區(qū)域扇區(qū)時(shí)，盡管?chē)?yán)重程度不高且天氣面積小，但剛好覆蓋在進(jìn)離場(chǎng)交通流位置，聚集于交通流及其附近區(qū)域，導(dǎo)致關(guān)鍵點(diǎn)受到覆蓋，航班進(jìn)出終端區(qū)受限制，交通流可用率越小，對(duì)航班流量影響大.或是對(duì)流天氣覆蓋范圍大，且嚴(yán)重程度較高時(shí)，即使不是集中于交通流附近而是分散于各空域內(nèi)時(shí)，也會(huì)造成空域容量減小，從而引發(fā)空域扇區(qū)之間的連鎖反應(yīng).繁忙時(shí)段航空器數(shù)量多，經(jīng)受影響嚴(yán)重區(qū)域時(shí)航班需繞飛改航， 導(dǎo)致另一區(qū)域單位時(shí)間內(nèi)負(fù)荷大，通行能力減弱.

3.3 時(shí)間分布分析

各聚類(lèi)對(duì)流天氣的時(shí)間分布情況如圖9所示.

圖9 對(duì)流天氣時(shí)間箱線圖Figure 9 Time Box Plot of the Convective Weather

聚類(lèi)4時(shí)間分布十分集中，只發(fā)生在三月.聚類(lèi)3時(shí)間分布也較為集中地分布在5～8月，其中6月發(fā)生的頻率最大，密度最高，該類(lèi)個(gè)別案例也會(huì)發(fā)生在剩余其他月份，但該種情況極少.聚類(lèi)1和2時(shí)間跨度長(zhǎng)，幾乎全年發(fā)生，但聚類(lèi)1主要發(fā)生在4～8月，聚類(lèi)2主要發(fā)生在6～8月，因此聚類(lèi)1發(fā)生在春季的密度大于聚類(lèi)2，而發(fā)生在夏季的密度小于聚類(lèi)2.結(jié)合各聚類(lèi)的分布情況，全年各月份均有對(duì)流天氣發(fā)生，主要集中發(fā)生在3～10月，即春、夏、秋對(duì)流天氣較多，冬季較少，其中6～8月對(duì)流天氣活動(dòng)最頻繁且類(lèi)型復(fù)雜.

3.4 典型日分析

隨機(jī)選取典型日2017年3月18日19∶24～21∶24時(shí)段，時(shí)段流量值分別為37和34架次/h.繪制關(guān)于各區(qū)域的WSI與AFCR曲線圖以及列出所在時(shí)段的機(jī)場(chǎng)METAR報(bào)數(shù)值，用圖表方式直觀地展示各區(qū)域的對(duì)流天氣情況.圖10(A)、(B)表明機(jī)場(chǎng)塔臺(tái)空域與近機(jī)場(chǎng)空域受對(duì)流天氣嚴(yán)重，特別是C、D、G、H空域WSI值較大，圖10(C)中終端區(qū)及其附近區(qū)域扇區(qū)空域WSI值較小，其中I空域受A和B空域影響WSI值驟然增大.西北向和南向交通流通行能力受阻較為嚴(yán)重，但也出現(xiàn)直接從峰值跌落至0.此外，圖中空域之間波動(dòng)的時(shí)間轉(zhuǎn)折點(diǎn)相同，說(shuō)明各區(qū)域之間相互影響，且短時(shí)間內(nèi)天氣極端性明顯，瞬息變化.

圖10 關(guān)于各區(qū)域的WSI與AFCR曲線Figure 10 About WSI and AFCR Curves of Each Region

表2 METAR報(bào)文Table 2 METAR Message

此時(shí)段內(nèi)的METAR報(bào)文信息見(jiàn)表2.風(fēng)向變化多端，每次測(cè)量角度均不同，而風(fēng)速較為穩(wěn)定，為2 m/s，此外溫度與露點(diǎn)溫度整體趨勢(shì)相同.能見(jiàn)度在時(shí)間片2降了1 000 m，云在時(shí)間片4出現(xiàn)，對(duì)航空器運(yùn)行有一定影響，從而影響航班流.

4 結(jié) 語(yǔ)

本文根據(jù)對(duì)流天氣不確定性因素、天氣類(lèi)型對(duì)終端區(qū)航班起降的影響，以廣州終端區(qū)為例，運(yùn)用k-means聚類(lèi)方法，將終端區(qū)對(duì)流天氣進(jìn)行分類(lèi)預(yù)測(cè).結(jié)果表明本文提出的分類(lèi)模型在一定程度上分類(lèi)合理，符合實(shí)際的運(yùn)行情況，在未來(lái)相似日天氣下對(duì)管制發(fā)布流量管理策略時(shí)能提供幫助，輔助進(jìn)行決策.但歐式距離還是不能很好的區(qū)分近距離的對(duì)流天氣類(lèi)型，因此找到合適且合理的度量對(duì)流天氣相似是未來(lái)研究的重點(diǎn).