基于Arc GIS的動(dòng)態(tài)復(fù)雜空域臨時(shí)航跡人工智能規(guī)劃的研究

趙鶴逸，付茂洺

（中國(guó)民用航空飛行學(xué)院，廣漢 618307）

0 引言

我國(guó)可用的空域資源及提升空間均非常有限。我國(guó)民航可用的空域主要由航路、航線、終端管制空域以及一些臨時(shí)調(diào)配空域組成，除此之外均為軍方控制或其他用途。目前我國(guó)空域民航使用范圍只有約20%，其余80%為軍用或者處于控制范圍，一般情況下民航飛機(jī)不得進(jìn)入軍用或處于控制范圍內(nèi)的空域。我國(guó)航路里程的復(fù)合增速僅3.4%，而航班起降架次增速達(dá)9.9%，在空域資源放開推進(jìn)十分緩慢。另一方面，全球民航客運(yùn)市場(chǎng)在快速發(fā)展導(dǎo)致民航飛機(jī)數(shù)量快速增加。圖1是全球民航客運(yùn)市場(chǎng)增速曲線和全球經(jīng)濟(jì)增長(zhǎng)曲線對(duì)比圖。從圖1中可以看出全球民航客運(yùn)市場(chǎng)的增長(zhǎng)速度始終保持在全球經(jīng)濟(jì)增長(zhǎng)速度兩倍左右。2016—2018年，民航客運(yùn)市場(chǎng)依然保持了較高速增長(zhǎng)，整體RPK同比增速高于全球綜合PMI指數(shù)。這說明民航客運(yùn)市場(chǎng)需求增速領(lǐng)先于經(jīng)濟(jì)增長(zhǎng)。所以在可以預(yù)計(jì)的未來經(jīng)濟(jì)會(huì)繼續(xù)保持增長(zhǎng)。民航產(chǎn)業(yè)會(huì)在經(jīng)濟(jì)的增長(zhǎng)前保持高速增長(zhǎng)，所以民航飛機(jī)數(shù)量會(huì)快速增加，民航飛機(jī)可用的航線資源相對(duì)而言會(huì)越來越少。由此看來，充分提高規(guī)劃管理臨時(shí)航線數(shù)量和管理臨時(shí)航線效率是解決民航航線資源和民航飛機(jī)數(shù)量快速增長(zhǎng)矛盾的唯一辦法。

圖1 民航增速曲線

為了提高有限空域的利用效率以應(yīng)對(duì)快速發(fā)展的民航運(yùn)輸業(yè)，需要采用更好的方法管理民航飛機(jī)臨時(shí)飛行航線。這就是本文所研究的問題，其已經(jīng)成為民航飛機(jī)飛行管理過程中必須要解決的難題。要解決這個(gè)難題，必須采用下技術(shù)：①實(shí)時(shí)準(zhǔn)確跟蹤空域內(nèi)民航飛機(jī)飛行參數(shù)。②分段規(guī)劃民航飛機(jī)的臨時(shí)飛行航線。③采用多層智能規(guī)劃算法提高規(guī)劃民航飛機(jī)臨時(shí)航線的效率。④優(yōu)化規(guī)劃民航飛機(jī)臨時(shí)航線的算法；本文通過分段規(guī)劃民航飛機(jī)臨時(shí)航線的方法和多層人工智能技術(shù)解決以上問題。

1 國(guó)外規(guī)劃臨時(shí)航線算法

國(guó)外在規(guī)劃民航飛機(jī)臨時(shí)航線方面研究多年積累了豐富經(jīng)驗(yàn)。提出了多種算法，如動(dòng)態(tài)規(guī)劃法、Voronoi圖法、A*算法、粒子群算法、遺傳算法、狼群算法、神經(jīng)網(wǎng)絡(luò)算法、人工勢(shì)場(chǎng)法。這些算法由于功能單一在規(guī)劃空域民航飛機(jī)臨時(shí)航線時(shí)有一定作用，但是不能解決大量實(shí)時(shí)動(dòng)態(tài)規(guī)劃四維空間中民航飛機(jī)臨時(shí)飛行航線。而實(shí)時(shí)動(dòng)態(tài)分段計(jì)算臨時(shí)航線的生命周期可以充分利用空域資源。避免啟用和終止臨時(shí)航線的過程中占用臨時(shí)航線的整個(gè)空域。

1.1 建立仿真平臺(tái)

由于需要考慮動(dòng)態(tài)實(shí)時(shí)分段規(guī)劃臨時(shí)航線所以需要跟蹤民航飛機(jī)的飛行速度、飛行高度、空域天氣參數(shù)。常用的飛行路線規(guī)劃軟件無法滿足要求。所以采用SXEarth_Pro 4.7.0通過谷歌影像獲取所需區(qū)域的實(shí)時(shí)影像。如圖2所示是SXEarth_Pro 4.7.0模擬的指定空域?qū)崟r(shí)影像。

圖2 指定空域?qū)崟r(shí)影像

考慮到數(shù)據(jù)大小和清晰度的前提下進(jìn)行截取獲取影像數(shù)據(jù)，下載ASTER GDEM v3獲取相應(yīng)經(jīng)緯度的固定區(qū)域的高程數(shù)據(jù)，然后通過ArcScene軟件將該區(qū)域的影像數(shù)據(jù)與高程數(shù)據(jù)進(jìn)行結(jié)合，實(shí)現(xiàn)所需地域的3D場(chǎng)景可視化。

1.2 A*神經(jīng)網(wǎng)絡(luò)

由于實(shí)時(shí)動(dòng)態(tài)分段規(guī)劃民航飛機(jī)臨時(shí)航線的算法需要同時(shí)跟蹤10～500架飛機(jī)飛行航線參數(shù)，以及飛機(jī)飛行空域天氣參數(shù)。普通的A*算法已經(jīng)快速不能完成計(jì)算任務(wù)。所以采用模擬人工智能的三層神經(jīng)網(wǎng)絡(luò)算法結(jié)合A*算法完成實(shí)時(shí)跟蹤民航飛機(jī)飛行航線任務(wù)和跟蹤空域天氣參數(shù)任務(wù)以及實(shí)時(shí)動(dòng)態(tài)分段規(guī)劃臨時(shí)焊線任務(wù)。如圖3所示，整個(gè)神經(jīng)網(wǎng)絡(luò)采用三層結(jié)構(gòu)。輸入層是跟蹤空域天氣參數(shù)和已知民航飛機(jī)飛行航線參數(shù)以及需要臨時(shí)進(jìn)入空域的民航飛機(jī)的起點(diǎn)和重點(diǎn)以及實(shí)時(shí)位置參數(shù)。輸出層是根據(jù)SXEarth_Pro 4.7.0獲取的該空域高程、風(fēng)力等參數(shù)信息利用A*計(jì)算模型計(jì)算可以使用臨時(shí)航線航線。A*神經(jīng)網(wǎng)絡(luò)的隱藏層有多個(gè)。每一個(gè)隱藏層的數(shù)據(jù)結(jié)構(gòu)記錄一架跟蹤的民航客機(jī)的實(shí)時(shí) 坐標(biāo) 以及 飛行 速度{ID，x，y，h，v}。如圖4所示，神經(jīng)網(wǎng)絡(luò)模擬曲線和實(shí)際參數(shù)曲線接近。可以看出神經(jīng)網(wǎng)絡(luò)模擬結(jié)果的誤差較小。A*神經(jīng)網(wǎng)絡(luò)計(jì)算出結(jié)果與實(shí)際數(shù)據(jù)對(duì)比很接近。

圖3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差

圖5 神經(jīng)網(wǎng)絡(luò)擬合曲線

2 A＊神經(jīng)網(wǎng)絡(luò)算法規(guī)劃臨時(shí)航線的改進(jìn)

2.1 增加臨時(shí)分段航線的生命周期

民航飛機(jī)飛行過程是一個(gè)動(dòng)態(tài)實(shí)時(shí)變化的過程。上文規(guī)劃民航飛機(jī)臨時(shí)航線僅僅跟蹤記錄民航飛機(jī)的實(shí)時(shí)位置。民航飛機(jī)使用的航線依然是靜態(tài)的。在民航飛機(jī)使用航線空域過程中，別的飛機(jī)是不能利用這段空域的。而這一點(diǎn)就是浪費(fèi)空域資源的根本原因。所以需要分段跟蹤記錄民航飛機(jī)的飛行航線{（），（），（），（），（），（）}。（）是A*神經(jīng)網(wǎng)絡(luò)隱藏層記錄民航客機(jī)飛行航線數(shù)據(jù)結(jié)構(gòu)的代號(hào)。（），（），（）表示民航客機(jī)在時(shí)間（）內(nèi)的三維坐標(biāo)。數(shù)據(jù)結(jié)構(gòu)（）在時(shí)間（）內(nèi)是有效的。在時(shí)間（））內(nèi)，（），（），（）表示的這段航線是被占用的。在時(shí)間（）以外，（），（），（）表示的這段航線是可以使用的。分段計(jì)算臨時(shí)航線后要檢測(cè)臨時(shí)航線與已有航線重疊的情況以及臨時(shí)進(jìn)入空域民航飛機(jī)與固定航線飛機(jī)的距離。計(jì)算臨時(shí)進(jìn)入空域飛機(jī)與其他飛機(jī)航線的距離，A*神經(jīng)網(wǎng)絡(luò)程序會(huì)實(shí)時(shí)計(jì)算空域內(nèi)每一架飛機(jī)與其它航線飛機(jī)在時(shí)間（）內(nèi)與其它飛機(jī)航線之間的距離。通過公式（1）計(jì)算空域內(nèi)每一架飛機(jī)與其它航線飛機(jī)在時(shí)間（）內(nèi)與其它飛機(jī)航線之間平均的距離

如圖6所示，平均距離的計(jì)算過程，1為固定航線飛機(jī)坐標(biāo)點(diǎn)，3是已有臨時(shí)航線飛機(jī)坐標(biāo)點(diǎn)。為正在規(guī)劃臨時(shí)航線飛機(jī)的坐標(biāo)點(diǎn)。由此可以看出，1、2、3之間最小的距離分別為2 km與6 km。相關(guān)的距離為40 km以及100 km，為此可以計(jì)算得到1的平均每跳距離為17.50 km，同理得到到2、3的平均距離為16.42 km以及15.9 km。然后飛行分段臨時(shí)航線的民航飛機(jī)數(shù)據(jù)結(jié)構(gòu)向飛行航線管理程序發(fā)送平均距離的數(shù)據(jù)。就可以避免臨時(shí)分段航線出現(xiàn)重疊的情況。

圖6 平均距離估計(jì)示意圖

在指定空域內(nèi)臨時(shí)分段航線數(shù)量巨大的時(shí)候，會(huì)出現(xiàn)規(guī)劃的臨時(shí)分段航線冗余或不足的情況。從而導(dǎo)致A*神經(jīng)網(wǎng)絡(luò)計(jì)算出現(xiàn)延時(shí)。在分段臨時(shí)航線有效而使用這段航線的民航客機(jī)沒有使用這一段臨時(shí)航線的時(shí)候。（）是無效的，但是飛行航線{（），（），（），（），（），（）}是有效的。飛行航線{（i-k），（），（），（），（），（）}參數(shù)記錄在預(yù)選飛行航線數(shù)據(jù)庫中。從而降低A*神經(jīng)網(wǎng)絡(luò)的計(jì)算量，減少A*神經(jīng)網(wǎng)絡(luò)出現(xiàn)計(jì)算延時(shí)的情況。

2.2 增加A*神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)優(yōu)化處理

由于A*神經(jīng)網(wǎng)絡(luò)在不考慮天氣因素和高程的時(shí)候，民航飛機(jī)飛行航線規(guī)劃各個(gè)方向是可行的。如圖7（a）所示臨時(shí)分段航線是有很多選擇的。

圖7 兩種臨時(shí)分段航線拓?fù)浣Y(jié)構(gòu)

需要利用A*神經(jīng)網(wǎng)絡(luò)輸入層的陸地高程信息和天氣信息以及在（）時(shí)刻已經(jīng)使用的分段臨時(shí)航線參數(shù)進(jìn)行篩選。得到圖（b）的優(yōu)化臨時(shí)分段航線?？紤]到利用人工智能篩選技術(shù)，在已經(jīng)優(yōu)化的分段臨時(shí)航線中篩選出最佳臨時(shí)分段航線可以大大提高臨時(shí)航線的合理性。

如圖8所示，在以上優(yōu)化的臨時(shí)分段航線內(nèi)，起點(diǎn)和終點(diǎn)之間的距離為55 km，分段臨時(shí)航線有4條，可以得到起點(diǎn)到終點(diǎn)平均每一段臨時(shí)航線距離是12.5 km；在考慮高程、天氣因素、已有分段臨時(shí)航線等因素的時(shí)候，起點(diǎn)和終點(diǎn)之間的距離還是55 km。但是臨時(shí)分段航線變成為10段。由此可以計(jì)算得到起點(diǎn)到終點(diǎn)方向上的平均每段距離變成5.5 km。但是總航程增加了。由此可以看出臨時(shí)航線2分段數(shù)增加數(shù)量也增加航程。

圖8 兩種分段臨時(shí)航線

為了避免增加臨時(shí)分段航線數(shù)量的同時(shí)增加總航程。在A*神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)上，采用人工智能模型在A*神經(jīng)網(wǎng)絡(luò)算法規(guī)劃出的分段臨時(shí)航線數(shù)據(jù)集中，從滿足油耗最少、路線最短、時(shí)間最短、路線最安全等條件出發(fā)篩選最優(yōu)臨時(shí)分段航線。這個(gè)人工智能模型只在A*神經(jīng)網(wǎng)絡(luò)算法計(jì)算結(jié)果中進(jìn)行篩選。篩選后的結(jié)果也反饋到A*神經(jīng)網(wǎng)絡(luò)計(jì)算的入口。從而降低A*神經(jīng)網(wǎng)絡(luò)算法的計(jì)算量。提高A*神經(jīng)網(wǎng)絡(luò)算法規(guī)劃分段臨時(shí)航線的速度。提高規(guī)劃的分段臨時(shí)航線合理性。避免出現(xiàn)民航客機(jī)飛完臨時(shí)航線后大大增加航程和油耗的問題。

3 預(yù)改進(jìn)A＊神經(jīng)網(wǎng)絡(luò)算法的實(shí)現(xiàn)

通過上述的分析改進(jìn)傳統(tǒng)的規(guī)劃臨時(shí)民航航空航線方法。改進(jìn)之后采用A*神經(jīng)網(wǎng)絡(luò)算法以及優(yōu)化的A*神經(jīng)網(wǎng)絡(luò)算法可以很好的計(jì)算規(guī)劃出分段臨時(shí)航空航線。然后結(jié)合人工智能算法篩選出合理的臨時(shí)航線。并把篩選結(jié)果反饋給A*神經(jīng)網(wǎng)絡(luò)?？梢詼p低A*神經(jīng)網(wǎng)絡(luò)計(jì)算大量復(fù)雜臨時(shí)分段航線時(shí)可能出現(xiàn)的延時(shí)。為此本文給出的改進(jìn)模式為：

首先利用A*神經(jīng)網(wǎng)絡(luò)計(jì)算出可用的臨時(shí)分段航線拓?fù)渚W(wǎng)絡(luò)，然后利用Python采用人工智能技術(shù)從臨時(shí)分段航線拓?fù)渚W(wǎng)絡(luò)篩選出合理的臨時(shí)航線。

4 仿真實(shí)驗(yàn)與分析

4.1 仿真目的

本文在SXEarth 4.7.0環(huán)境下仿真A*神經(jīng)網(wǎng)絡(luò)規(guī)劃實(shí)時(shí)動(dòng)態(tài)分段臨時(shí)航線算法。

4.2 仿真的環(huán)境

本文采用的SXEarth 4.7.0進(jìn)行仿真，所有的數(shù)據(jù)都是采用Google地球?qū)崟r(shí)數(shù)據(jù)。仿真實(shí)驗(yàn)結(jié)果更加真實(shí)可靠。

4.3 仿真參數(shù)

本文仿真航線如圖9所示。

圖9 臨時(shí)航線模擬

本文主要用臨時(shí)航線航程比較判斷臨時(shí)航線規(guī)劃算法的性能，航程誤差為Er，第個(gè)分段航線的航程誤差為：

其中的EstiX 以及EstiY分別是未知分段臨時(shí)航線的估計(jì)橫、縱坐標(biāo)，UX 以及UY為其分別是最優(yōu)航程的橫縱坐標(biāo)。所有的未知節(jié)點(diǎn)的平均航程誤差為，

其中為臨時(shí)分段航線的個(gè)數(shù)。

4.4 結(jié)果與分析

如圖10所示，采用A*神經(jīng)網(wǎng)絡(luò)規(guī)劃臨時(shí)航線算法規(guī)劃臨時(shí)航線航程誤差是非常大的。對(duì)于改進(jìn)之后的A*神經(jīng)網(wǎng)絡(luò)規(guī)劃臨時(shí)航線算法航程誤差較均勻。同時(shí)因?yàn)椴捎肞ython人工智能篩選技術(shù)，規(guī)劃臨時(shí)航線的運(yùn)算速度提高了。

圖10 A＊神經(jīng)網(wǎng)絡(luò)算法和改進(jìn)的A＊神經(jīng)網(wǎng)絡(luò)算法規(guī)劃臨時(shí)航線的航程誤差對(duì)比

5 結(jié)語

對(duì)于我國(guó)民航客機(jī)數(shù)量迅速增加，航空空域資源有限的情況，本文采用A*神經(jīng)網(wǎng)絡(luò)優(yōu)化規(guī)劃臨時(shí)航線的方法。在仿真分析結(jié)果的基礎(chǔ)上，采用規(guī)劃分段臨時(shí)航線的技術(shù)結(jié)合人工智能算法篩選合理的分段臨時(shí)航線。綜合考慮油耗、路線、時(shí)間、路線安全等因素篩選出更合理的臨時(shí)航線。達(dá)到合理規(guī)劃臨時(shí)航線提高空域利用效率的目的。解決我國(guó)民航客機(jī)數(shù)量迅速增加，航空空域資源有限限制航空業(yè)快速發(fā)展的矛盾。