[发明专利]空域态势评估系统

说明书

本发明具体涉及一种空域态势评估系统其包括：标注模块，抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注；网格化模块，划定目标空域扇区的外接矩形，并进行网格化处理；图像构造模块，构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库；模型构建模块，根据多通道空中交通态势图像构建空域运行复杂性分级网络模型；模型训练模块，对空域运行复杂性分级网络模型进行训练；以及评估模块，根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估，大大降低了空域复杂度评估的工作量和使用门槛。

技术领域

本发明属于空中交通管制的空域态势评估技术领域，具体涉及一种空域态势评估系统。

背景技术

随着航空运输业的发展，急剧增加的空中交通飞行流量和有限的空域资源给空中交通管制员带来了巨大工作负荷和压力。空域运行复杂度是评估管制员工作负荷的关键指标，同时空域运行复杂度也可以为战略和战术上的空中交通管理系统提供决策支持，因此如何确定一种科学、准确且可靠的方法来评估空域运行复杂度是被广泛研究的问题之一。近年来，一些学者采用基于手工特征的机器学习方法来解决空域运行复杂度评估问题，主要研究思路是：构建影响空域扇区运行复杂性的特征体系，同时采集不同空中交通场景下的空域运行复杂性标注，通过机器学习算法训练学习众多空域运行复杂性特征与复杂度标注之间的映射关系模型，利用训练好的机器学习模型来进行空域运行复杂度的评估工作。但影响空域运行复杂度的特征众多且复杂，目前尚无统一公认的空域运行复杂度特征体系，在实际中相关特征的选用受主观影响较大，不全面或者不合适的复杂性特征体系将会严重影响基于机器学习算法的空域运行复杂度评估模型的性能。

针对上述问题，缺乏统一、全面的空域运行复杂度特征体系，导致机器学习模型难以通过有缺陷的特征集学习到性能优良的评估模型，故希望计算机能够代替研究人员完成空域运行复杂度特征的自动生成或选取工作。在深度学习中，数据集的特征可以是未知的，目标是在标签的指导下通过深度卷积神经网络进行自动特征学习来挖掘原始数据丰富的特征信息，为后续的分类或者回归模型提供良好特征向量的输入。

现有技术依赖于人工选定的空域运行复杂度特征，虽然机器学习算法模型能够学习到不同特征与空域运行复杂度之间的映射关系，但由于特征集可能存在缺陷，这种映射关系并非完美，且特征集的选择和使用受实际场景及专业知识的影响较大。

因此，基于上述技术问题需要设计一种新的空域态势评估系统。

发明内容

本发明的目的是提供一种空域态势评估系统。

为了解决上述技术问题，本发明提供了一种空域态势评估系统，包括：

标注模块，抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注；

网格化模块，划定目标空域扇区的外接矩形，并进行网格化处理；

图像构造模块，构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库；

模型构建模块，根据多通道空中交通态势图像构建空域运行复杂性分级网络模型；

模型训练模块，对空域运行复杂性分级网络模型进行训练；以及

评估模块，根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估。

进一步，所述标注模块适于抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注，即

获取目标空域扇区的原始空中交通运行数据，根据预设时间粒度分时段从原始运行数据中抽取目标空域扇区的扇区动态交通数据；

根据预设时间段对扇区动态交通数据进行划分，并对各时间段对应的扇区动态交通数据进行空域运行复杂度等级标注。

进一步，所述网格化模块适于划定目标空域扇区的外接矩形，并进行网格化处理，即