国际航空运输协会（International Air Transport Association）对空中交通增长前景的最新研究预测表明到2035年空中交通量将增加一倍[1]。为了应对流量突变，降低管制员的工作负担以及保障空中交通的安全性和效率，动态地划分空域变得更加重要。传统的空域划分包括基于交通流的图划分[2], 对扇区的合并增加[3]以及基于Voronoi图[4]。该工作CDAS[5]使用认知决策架构的模型, 采用多目标优化算法来动态的划分空域。评测结果表情该工作有效提高了管制员的工作效率。
CDAS的主要架构由图1所示的两部分组成：基础层面的认知引擎和更高层次的元认知决策者。其中认知引擎的输入包括航班的数据，以及上一轮的扇区划分结果，其采用了非支配排序遗传算法(NSGA-II)来进行多目标优化，产生的支配集(Pareto最优解)。然后更高层次的元认知决策者以Pareto最优解，ATC的需求以及未来交通模式的预测为输入，从多个Pareto解中选择最为合适的扇区划分方案。
图1 CDAS整体架构
其中，非支配排序遗传算法所优化的三个目标函数包括管制员的监视和调控负担以及前后动态划分扇区的相似性。其中监视负担包括扇区内的交通流量和复杂性，复杂性包括飞机的飞行方向，速度和高度等。调控负担测量采用的是离开扇区的飞机数目。前后前后动态划分扇区的相似性通过Weiler-Atherton裁剪算法计算最大重叠面积以及重叠面积和前一轮扇区面积的比例，这两个参数来衡量相似性。
接来下的非支配排序遗传算法根据三个优化目标和两个限制生成支配解。三个优化目标分别是最小化扇区间的监视负担流量差，最小化总共的调控负担以及最大化扇区前后形状相似度。两个限制分别为交叉点（因为重叠的交通流而容易产生冲突的区域）到扇区边界的最小距离，以及单个扇区最大的监视负载。多目标优化产生的支配解在交给更高层次的元认知决策者选取。
图2 动态调整扇区前后对比
前后划分扇区结果对比，上一轮划分结果采用虚线表示。可以发现扇区是近似的。
图3 预测交通流量测评
元认知决策者会把满足ATC需求的支配解在预测的交通流中做评测，如图3所示在未来七个小时内的测评结果。如果支配解满足未来几小时的交通流量需求，则接来下不需要在做扇区的划分。否则元认知决策者会通知基础层面的认知引擎继续做扇区划分在接下来的时间段。同时，评测结果表明，CDAS能够更加有效的降低管制员的工作负担，提高空中交通的运行效率和安全。
参考文献：
[1] IATA. (Oct. 2016). IATA Forecassts Passenger Demand to Double Over 20 Years. [Online]. Available: http://www.iata.org/pressroom/pr/Pages/2016-10-18-02.aspx
[2] J. Li, T. Wang, M. Savai, and I. Hwang, “Graph-based algorithm for dynamic airspace configuration,” J. Guid., Control, Dyn., vol. 33, no. 4, pp. 1082–1094, 2010.
[3] P. Flener and J. Pearson, “Automatic airspace sectorisation: A survey,” CoRR, pp. 1–19, Nov. 2013.
[4] J. Tang, S. Alam, C. Lokan, and H. A. Abbass, “A multi-objective approach for dynamic airspace sectorization using agent based and geometric models,” Transp. Res. C, Emerg. Technol., vol. 21, no. 1, pp. 89–121, 2012.
[5] G. Qi, A. Huang, W. Guan and L. Fan, “Analysis and Prediction of Regional Mobility Patterns of Bus Travellers Using Smart Card Data and Points of Interest Data,” in IEEE Transactions on Intelligent Transportation Systems 2018.
评论关闭。