[发明专利]度量损失函数、扇区复杂度评估方法及系统

说明书

本发明属于空中交通管制的空域态势评估技术领域，具体涉及一种度量损失函数、扇区复杂度评估方法及系统，其中扇区复杂度评估方法包括：对空域扇区的扇区动态交通数据进行扇区运行复杂度等级标注；构造空域扇区的多通道空中交通场景图像数据，并根据扇区运行复杂度等级标注构建扇区动态交通图像库；构建度量损失函数；根据多通道空中交通场景图像数据和度量损失函数训练网络模型；以及根据训练后的网络模型进行扇区运行复杂度评估，实现了使用深度度量学习技术从原始图像空中学习到语义特征嵌入空间的非线性映射，使得在嵌入空间中语义相似样本的嵌入向量更加接近，而语义不同的样本被彼此分开，从而实现更准确的扇区运行复杂度评估。

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，具体涉及一种度量损失函数、扇区复杂度评估方法及系统。

背景技术

空中交通管理系统(ATMS)中，一个空域被划分为若干扇区作为基本管制单位。空中交通管制员(ATCos)实时监控每个扇区内的航班运行轨迹并向飞行员发出管控指令，以避免拥塞、冲突、航班延误等状况的发生。近年来随着国内航空运输业的飞速发展，空中交通状况变得愈加复杂，有限的空域资源和剧增的空中交通量，导致了管制员经常处于高密度、超负荷的工作状态。因此，如何科学准确地评估扇区运行复杂度是被广泛研究的问题之一。为了评估空中交通的复杂度，研究者们通过综合多个紧密相关的因素来产生更全面的度量指标，结合机器学习技术来对空中交通复杂程度进行分类。2021年，谢等人首次提出了一种扇区运行场景的图像表示法，进而结合深度学习技术在特征提取方面的优势，提出了一种基于深度卷积神经网络(DCNN)的扇区运行复杂度评估方法，解决了基于机器学习方法中手工制作特征集的缺陷。

从现有的研究中可以看出，对于扇区运行复杂度评估问题，大多数的研究是通过分析扇区运行状态信息，并构建与扇区运行复杂度相关的特征集，最后使用一些分类方法来实现对扇区复杂度的分类。基于机器学习的方法是根据一些先验知识来手工构建特征集，而基于深度学习的方法则采用深度卷积神经网络来自动提取相关的深层特征。然而，对于大多数基于相似性思想的分类方法而言，忽略数据样本之间自身的相似性信息，仅仅考虑构建更合适的相关特征集来训练扇区复杂度分类模型是远远不够的。这也是目前扇区复杂度评估方法准确度不高的原因之一。

现有技术只考虑构建更全面的扇区运行复杂度特征，虽然深度学习算法能够从图像数据中自动提取到更加复杂抽象的深层特征，但这对后续分类模型的分类准确度的提升是有限的。

因此，基于上述问题需要设计一种新的度量损失函数、扇区复杂度评估方法及系统。

发明内容

本发明的目的是提供一种度量损失函数、扇区复杂度评估方法及系统。

为了解决上述技术问题，本发明提供了一种度量损失函数，包括：

从每个类别的空中交通图像中选择一个代理作为锚点样本p；

将批量中所有的正样本拉到边界α-m以内，将所有的负样本推到边界α以外，使正负样本集之间保持间隔m；

排序代理锚损失的公式为：

L_m(x,p)＝(1-y)[α-d_(x,p)]₊+y[d_(x,p)-(α-m)]₊；

其中，x为对应于图像的嵌入；p为一个代理；d_(x,p)为嵌入x与代理锚点p的余弦距离；[·]₊为铰链函数；仅当x和p的类别相同时，y＝1，否则y＝0；

排序代理锚损失即为度量损失函数。

第二方面，本发明还提供一种基于动态空中交通图像和深度度量学习的扇区复杂度评估方法，包括：