發(fā)布時間：2024-05-10 02:39

　　持續(xù)增長的交通流量、紛繁多變的空域限制,導(dǎo)致當(dāng)前管制運(yùn)行服務(wù)的復(fù)雜性增強(qiáng)、安全壓力加大,管制員長時間處于超負(fù)荷工作。雖然我國民航安全運(yùn)行平穩(wěn)可控,但由空管原因引起的不安全事件數(shù)量增長,警示出管制運(yùn)行中存在潛在性隱患,即管制運(yùn)行處于亞健康狀態(tài)。因此,對管制運(yùn)行亞健康狀態(tài)進(jìn)行有效的識別和預(yù)測,使安全預(yù)防關(guān)口前移,為管制健康運(yùn)行提供有力保障。本文以扇區(qū)空域單元為研究對象,利用雷達(dá)數(shù)據(jù)對管制運(yùn)行亞健康狀態(tài)進(jìn)行識別和預(yù)測。首先,分析空中交通流特性及參數(shù),探討管制運(yùn)行過程及管制工作負(fù)荷,然后借鑒亞健康理論,從空中交通流層面對管制扇區(qū)運(yùn)行亞健康狀態(tài)進(jìn)行定義,并提出5項(xiàng)管制扇區(qū)運(yùn)行亞健康評估指標(biāo)。其次,利用組合賦權(quán)法確定亞健康指標(biāo)權(quán)重,依據(jù)亞健康識別的不確定性和模糊性,建立了基于灰色聚類的管制扇區(qū)運(yùn)行亞健康狀態(tài)識別方法。再次,結(jié)合無監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)算法的優(yōu)勢,構(gòu)建了基于Kmeans-AdaBoost的管制扇區(qū)運(yùn)行亞健康狀態(tài)識別方法,并比較了以上兩種識別方法的優(yōu)劣性。最后,根據(jù)交通流變化的長期周期性和短期不確定性特征,選擇求和自回歸移動平均模型和誤差反向傳播神經(jīng)網(wǎng)絡(luò)模型,建立了基于模糊軟集合的管制扇區(qū)...

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 管制運(yùn)行風(fēng)險
        1.2.2 交通流參數(shù)
        1.2.3 管制工作負(fù)荷
    1.3 研究思路與章節(jié)安排
        1.3.1 研究思路
        1.3.2 章節(jié)安排
第二章 基于扇區(qū)的管制運(yùn)行狀態(tài)分析及指標(biāo)描述
    2.1 空中交通流
        2.1.1 空中交通流特性
        2.1.2 交通流三參數(shù)
        2.1.3 交通流狀態(tài)描述
    2.2 空中交通管制
        2.2.1 管制運(yùn)行概述
        2.2.2 管制工作負(fù)荷
    2.3 管制扇區(qū)運(yùn)行狀態(tài)指標(biāo)
        2.3.1 運(yùn)行風(fēng)險指標(biāo)
        2.3.2 運(yùn)行效率指標(biāo)
        2.3.3 交通擁擠指標(biāo)
        2.3.4 管制工作負(fù)荷指標(biāo)
    2.4 本章小結(jié)
第三章 管制扇區(qū)運(yùn)行亞健康評估指標(biāo)及數(shù)據(jù)處理
    3.1 管制扇區(qū)運(yùn)行亞健康狀態(tài)定義
    3.2 管制扇區(qū)運(yùn)行亞健康評估指標(biāo)
    3.3 數(shù)據(jù)處理
    3.4 本章小結(jié)
第四章 基于灰色聚類的管制扇區(qū)運(yùn)行亞健康識別方法
    4.1 概述
    4.2 基于灰色聚類的管制運(yùn)行亞健康識別模型
        4.2.1 基于灰色聚類的管制運(yùn)行亞健康識別步驟
        4.2.2 確定亞健康評估指標(biāo)權(quán)重
        4.2.3 確定白化權(quán)函數(shù)
    4.3 實(shí)例分析
    4.4 本章小結(jié)
第五章 基于Kmeans-Ada Boost的管制扇區(qū)運(yùn)行亞健康識別方法
    5.1 概述
    5.2 基于Kmeans-Ada Boost的管制運(yùn)行亞健康識別模型
        5.2.1 K-means聚類
        5.2.2 Ada Boost算法
        5.2.3 Kmeans—Ada Boost識別模型
    5.3 實(shí)例分析
        5.3.1 基于Kmeans聚類的亞健康狀態(tài)劃分
        5.3.2 Ada Boost識別模型性能評價
        5.3.3 兩種識別方法對比
    5.4 本章小結(jié)
第六章 基于模糊軟集合的管制扇區(qū)運(yùn)行亞健康預(yù)測方法
    6.1 概述
    6.2 基于模糊軟集合的管制運(yùn)行亞健康預(yù)測方法
        6.2.1 組合預(yù)測模型
        6.2.2 單項(xiàng)預(yù)測方法
        6.2.3 組合預(yù)測方法求解步驟
    6.3 實(shí)例分析
    6.4 本章小結(jié)
第七章 總結(jié)與展望
    7.1 總結(jié)
    7.2 展望
致謝
參考文獻(xiàn)
作者簡介



本文編號：3968624