朱承元,孫辰欣,趙立剛
(1. 中國(guó)民航大學(xué)空中交通管理學(xué)院,天津 300300;2. 民航局空管局空域管理中心,北京 101312)
在經(jīng)濟(jì)快速發(fā)展的大環(huán)境下,民航業(yè)前景廣闊,航班量持續(xù)增長(zhǎng),扇區(qū)運(yùn)行環(huán)境愈加復(fù)雜。由于不同空域單元的運(yùn)行環(huán)境存在差異性,導(dǎo)致空中交通復(fù)雜性不同,扇區(qū)復(fù)雜程度的變化對(duì)空中交通管理系統(tǒng)的運(yùn)行效率和安全性產(chǎn)生較大的影響。因此,如何科學(xué)客觀分類空域單元的復(fù)雜性,成為空域和飛行流量管理的重要基礎(chǔ),也成為空管單位關(guān)注的焦點(diǎn)。
Christien.Rapha?l等[1]和Arash Yousefi等[2]提煉扇區(qū)結(jié)構(gòu)、沖突類型、流量等指標(biāo),通過聚類分析不同地區(qū)的扇區(qū)得到交通運(yùn)行模式分類。Song Zhuoxi等[3]通過仿真工具對(duì)扇區(qū)運(yùn)行情況進(jìn)行模擬,提取影響空域復(fù)雜性的指標(biāo)。張進(jìn)等[4]基于空域復(fù)雜度度量指標(biāo)體系分析了空中交通系統(tǒng)的運(yùn)行特征。復(fù)雜性與眾多影響因素相關(guān),以上文獻(xiàn)度量空域復(fù)雜性的指標(biāo)還未十分完善。Geraldine M Flynn等[5]和Steve Penny等[6]利用決策樹和K均值法對(duì)空域單元復(fù)雜性按高、中、低進(jìn)行聚類分析,張建平等[7],趙嶷飛等[8]和叢瑋等[9]采用K均值算法分別對(duì)終端區(qū)的運(yùn)行品質(zhì)、交通流運(yùn)行特性和扇區(qū)復(fù)雜程度進(jìn)行聚類分析,上述文獻(xiàn)采用傳統(tǒng)聚類算法運(yùn)行效率較高,但K-means算法易受極值影響產(chǎn)生局部最優(yōu),對(duì)數(shù)據(jù)量較大的聚類問題會(huì)產(chǎn)生較高的難度,并且大多數(shù)學(xué)者對(duì)空域進(jìn)行簡(jiǎn)單的定性分析,未對(duì)聚類結(jié)果進(jìn)行驗(yàn)證,具有主觀隨意性。當(dāng)前,群智能聚類算法的研究受到學(xué)者關(guān)注,李可[10]通過蟻群算法對(duì)航線進(jìn)行聚類,但缺乏對(duì)聚類結(jié)果準(zhǔn)確性的驗(yàn)證。
因此,在扇區(qū)復(fù)雜性指標(biāo)體系的基礎(chǔ)上,選擇蟻群聚類算法對(duì)扇區(qū)的復(fù)雜性進(jìn)行聚類分析,利用螞蟻的生物屬性提高全局搜索能力和收斂速度,選擇Silhouette指標(biāo)評(píng)估聚類質(zhì)量,得到扇區(qū)復(fù)雜性的復(fù)雜程度分類,最終通過全空域與機(jī)場(chǎng)仿真軟件(TAAM,Total Airspace and Airport Modeler)對(duì)聚類結(jié)果進(jìn)行驗(yàn)證。
復(fù)雜性的相關(guān)研究甚多,借鑒已有研究成果[11],結(jié)合空域結(jié)構(gòu)和動(dòng)態(tài)運(yùn)行特征,提取有利于定量分析空域運(yùn)行態(tài)勢(shì)的復(fù)雜性指標(biāo),構(gòu)建能夠反映空域運(yùn)行特征的復(fù)雜性指標(biāo)體系見表1。
表1 復(fù)雜性指標(biāo)體系
綜上,根據(jù)空域結(jié)構(gòu)的特點(diǎn)和空域交通運(yùn)行確定復(fù)雜性指標(biāo),該指標(biāo)體系主要功能是深入分析考慮空中交通復(fù)雜度與空域狀態(tài)變化,全面度量空域復(fù)雜性,在這一指標(biāo)體系的基礎(chǔ)上,進(jìn)一步將空中交通復(fù)雜性的方法進(jìn)行更深入研究。
扇區(qū)管制運(yùn)行態(tài)勢(shì)復(fù)雜,考慮因素多,需要結(jié)合實(shí)際運(yùn)行選取有效指標(biāo)進(jìn)行分析,提煉出能有效表征復(fù)雜性的指標(biāo),通過主成分分析法(PCA,Principal Components Analysis)精簡(jiǎn)出可定量分析復(fù)雜性的指標(biāo)。主成分的數(shù)學(xué)模型如下:
∑=(σij)p=E[(X-E(X))(X-E(X))T]
(1)
(2)
4)樣本X的第q個(gè)主成分表示為
Yi=li1X1+li2X2+…+lipXp(q=1,2,…,p)
(3)
針對(duì)傳統(tǒng)K-means算法易產(chǎn)生局部最優(yōu)解的缺陷,蟻群聚類算法(ACCA,ant colony clustering algorithm)是一種基于種群尋優(yōu)的搜索算法[12],螞蟻利用自身的生物特征屬性,通過信息素強(qiáng)度分布式尋優(yōu),在搜索過程中不容易陷入局部最優(yōu),同時(shí)貪婪式搜索有利于快速找出可行解。
螞蟻在群體進(jìn)化過程中主要是螞蟻的記憶、螞蟻之間的信息交流及群體向目標(biāo)靠近,最終尋找到食物源。
設(shè)X={Xi|Xi=(xi1,xi2,…,xin)|(i=1,2,…,N)是待聚類分析的樣品集合,N為樣品的特征數(shù),聚類過程可表述如下:
1) 初始分配N個(gè)樣品各自為一類(ω1,ω2,…,ωN)。
2) 計(jì)算類ωi和ωj之間的歐式距離dij。
(4)
(5)
3) 計(jì)算各路徑上的信息素量。設(shè)r為聚類半徑,τij(t)是t時(shí)刻ωi到ωj路徑上殘留的信息素量,路徑(i,j)上的信息素量定義為
(6)
式中,r=A+dmin+(dmax-dmin)·B,A,B為常量參數(shù),dmin=min(dij),dmax=max(dij)。
4) 計(jì)算類ωi歸并到ωj的概率
(7)
式中,S={s|dij≤r,s=1,2,…,j-1,j+1,M},s代表某一類號(hào),S代表到第j類距離小于等于r的所有類號(hào)集合,M為當(dāng)前的總類數(shù),α表示信息素啟發(fā)因子,β期望啟發(fā)因子,ηij(t)=1/dij為啟發(fā)函數(shù)。
5) 判斷若Pij(t)≥p0,則ωi歸并到ωj鄰域,類別數(shù)減1。p0為一給定的概率值。
6) 判斷是否有歸并。若無(wú)歸并,則停止循環(huán)。否則,轉(zhuǎn)2)繼續(xù)迭代,直至達(dá)到最大迭代次數(shù),返回最優(yōu)解為聚類結(jié)果[13]。
由于聚類是無(wú)監(jiān)督學(xué)習(xí)過程,無(wú)法確定某種劃分結(jié)果是合理有效的,聚類評(píng)價(jià)指標(biāo)對(duì)數(shù)據(jù)集本身的內(nèi)部結(jié)構(gòu)、相似關(guān)系和簇類之間的緊湊與疏遠(yuǎn)關(guān)系進(jìn)行評(píng)價(jià)[14],選擇Silhouette指標(biāo)分析評(píng)價(jià)聚類質(zhì)量。
假設(shè)某個(gè)樣本集合具有n個(gè)樣本點(diǎn),被聚合為k個(gè)類別Ci(i=1,2,…,k)。a(t)為類別C中的樣本點(diǎn)t與t相同的群集中其他點(diǎn)的平均距離,b(t)是從第i個(gè)點(diǎn)到不同群集中的點(diǎn)的最小平均距離,d(t,Ci)為Cj的樣本t到另一個(gè)類Ci的所有樣本的平均不相似度或距離,則b(t)=min{d(t,Ci)},其中i=1,2,…,k且i≠j。樣本t的Silhouette指標(biāo)的計(jì)算公式如下
(8)
輪廓值范圍是[-1,1],如果樣本點(diǎn)的輪廓值越大,則聚類效果更好。
針對(duì)扇區(qū)復(fù)雜性進(jìn)行聚類時(shí),空域仿真模型的準(zhǔn)確性對(duì)最終的聚類結(jié)果有很大影響,TAAM仿真工具能夠還原空域動(dòng)態(tài)運(yùn)行的全過程。以西安和杭州進(jìn)近管制扇區(qū)作為對(duì)象,選擇某天的航班計(jì)劃數(shù)據(jù),將航路點(diǎn)、航路、進(jìn)離場(chǎng)程序及扇區(qū)等錄入到仿真中,構(gòu)建空域復(fù)雜性模型,并對(duì)模型進(jìn)行校驗(yàn),空域運(yùn)行效果與實(shí)際相符。
采集扇區(qū)復(fù)雜性仿真數(shù)據(jù)用于指標(biāo)分析,9個(gè)扇區(qū)作為分析樣本,用S1-S9表示,通過對(duì)交通流的時(shí)空分布進(jìn)行統(tǒng)計(jì)和分析,采集指標(biāo)分別為Z1~Z16見表2和表3。
表2 靜態(tài)復(fù)雜性指標(biāo)數(shù)據(jù)
表3 動(dòng)態(tài)復(fù)雜性指標(biāo)數(shù)據(jù)
通過PCA分析,靜態(tài)復(fù)雜性前兩個(gè)主成分貢獻(xiàn)率為0.9529+0.047=0.99,累計(jì)已達(dá)99%以上,提取Z1和Z2兩個(gè)主成分。動(dòng)態(tài)運(yùn)行復(fù)雜性前三個(gè)主成分貢獻(xiàn)率計(jì)算為0.726+0.164+0.082=0.972,累計(jì)已達(dá)97%,因此提取了Z6、Z7和Z8三個(gè)主成分。
通過主成分分析提取指標(biāo)數(shù)據(jù),得到扇區(qū)的復(fù)雜性見表4。
表4 主成分分析
綜合兩類復(fù)雜性值對(duì)扇區(qū)分別通過K-means和ACCA進(jìn)行對(duì)比分析,結(jié)果見表5。初始化螞蟻個(gè)數(shù)為9,最大迭代次數(shù)為50,設(shè)置參數(shù)A=0.2,B=0.28,α=1,β=1。τij(0)=0,轉(zhuǎn)移概率p0=0.65,樣本數(shù)為9,當(dāng)K=2-8之間時(shí),對(duì)應(yīng)不同的Silhouette值如圖1。
表5 聚類數(shù)據(jù)對(duì)比
圖1 Silhouette指標(biāo)評(píng)價(jià)圖
從表5和圖1中得到,K-means得到的質(zhì)心大致正確,但不精確,運(yùn)行時(shí)間較長(zhǎng),受質(zhì)心位置影響容易產(chǎn)生局部最優(yōu)解;ACCA的質(zhì)心位置準(zhǔn)確,聚類有效性好,時(shí)間性能表現(xiàn)的較好。因此,采用的ACCA的聚類效果要比K-means好,分類更加合理。
從評(píng)價(jià)指標(biāo)來(lái)看,當(dāng)Silhouette值越大時(shí),聚類效果越好。兩種算法對(duì)比來(lái)看,當(dāng)K=3時(shí),通過蟻群聚類算法的輪廓值值最大,所以根據(jù)扇區(qū)復(fù)雜性將扇區(qū)分為3類,比較符合實(shí)際的管制情況。
當(dāng)K=3時(shí)蟻群聚類得到的復(fù)雜性結(jié)果如圖2。
圖2 K=3的聚類結(jié)果圖
根據(jù)復(fù)雜程度將扇區(qū)分為3類,分別為:Sector 3/7(復(fù)雜);Sector2/5/6/8/9(中等);Sector 1/4(低)。其中:
1)Sector3/7的復(fù)雜程度都屬于最大值。從靜態(tài)結(jié)構(gòu)來(lái)看,受地理位置的限制,可用空間小,矛盾點(diǎn)較多,可調(diào)配的機(jī)動(dòng)空域面積??;從運(yùn)行狀態(tài)看,該類扇區(qū)航空器分布最為密集,處于進(jìn)離場(chǎng)的交匯處,大部分航空器處于爬升、下降狀態(tài)。航空器對(duì)之間的平均時(shí)間間隔最少,存在潛在沖突多,管制員同時(shí)指揮架次較高,造成管制員負(fù)荷最大。
2)Sector2/5/6/8/9的復(fù)雜程度都屬于中等水平。從靜態(tài)結(jié)構(gòu)來(lái)看,扇區(qū)面積較大,靈活調(diào)配空間,航路匯聚交叉點(diǎn)多;從運(yùn)行狀態(tài)看,該類扇區(qū)的航空器數(shù)量分布較多,產(chǎn)生的沖突較多,對(duì)航空器引導(dǎo)機(jī)動(dòng)較多,航空器對(duì)之間的時(shí)間間隔分布有所提高。
3)Sector1/4的復(fù)雜程度屬于低水平。從靜態(tài)結(jié)構(gòu)來(lái)看,扇區(qū)結(jié)構(gòu)限制較少,航路分布較簡(jiǎn)單。從運(yùn)行狀態(tài)看,扇區(qū)內(nèi)航班流分布最少,航空器對(duì)之間的時(shí)間間隔最大,航空器之間的沖突較少。
TAAM仿真軟件中的空域復(fù)雜性可視化工具TAAM Viewer能夠以3D形式顯示模擬輸出報(bào)告數(shù)據(jù)。扇區(qū)復(fù)雜性信息分析航空器在空域運(yùn)行時(shí)的相互作用,以及它對(duì)管制員工作負(fù)荷和沖突等度量的影響。復(fù)雜性信息由扇區(qū)顏色的變化顯示,可以實(shí)時(shí)觀測(cè)到不同時(shí)段各個(gè)扇區(qū)的復(fù)雜程度,綠色表示扇區(qū)的復(fù)雜程度最低,黃色表示扇區(qū)復(fù)雜程度中等,紅色表示扇區(qū)復(fù)雜程度最高。
如圖3和圖4所示,將西安和杭州進(jìn)近管制扇區(qū)復(fù)雜性投影到一個(gè)平面中進(jìn)行動(dòng)態(tài)顯示,連續(xù)不斷地展示整個(gè)空域復(fù)雜性的傳播。
圖3 西安扇區(qū)復(fù)雜性
圖4 杭州扇區(qū)復(fù)雜性
仿真結(jié)果表明,不同時(shí)段的扇區(qū)顏色變化分類與ACCA聚類結(jié)果一致,扇區(qū)復(fù)雜程度分類結(jié)果與聚類結(jié)果相符,從客觀角度確認(rèn)了該聚類結(jié)果和方法的合理性。
在扇區(qū)復(fù)雜性指標(biāo)體系的基礎(chǔ)上,采用蟻群聚類算法使用信息素強(qiáng)度作為判斷函數(shù),實(shí)現(xiàn)了扇區(qū)的復(fù)雜程度分類,表明了ACCA算法的有效性和可靠性,準(zhǔn)確地揭示數(shù)據(jù)間的復(fù)雜關(guān)系,并通過TAAM仿真軟件對(duì)聚類結(jié)果準(zhǔn)確性進(jìn)行驗(yàn)證。研究成果有助于加強(qiáng)空域系統(tǒng)的運(yùn)行效率,提升空域運(yùn)行安全性,為其規(guī)劃與管理起到?jīng)Q策支持作用。
未來(lái)研究中,進(jìn)一步可以將聚類算法與其他群智能算法結(jié)合開展深入研究,構(gòu)造出更為優(yōu)良的聚類改進(jìn)方法,將實(shí)現(xiàn)更多指導(dǎo)意義。