基于自组织神经网络的终端区航迹识别研究

谢春生，赵 龙，柳跃朋

（中国民航大学a.空中交通管理学院；b.机场学院，天津 300300）

航空器通常在空域内按照一定的航路、航线和程序飞行，但设备、天气等因素会导致航空器在运行中出现一定的偏离。随着自动相关监视广播系统（ADS-B,automatic dependent surveillance-broadcast）的广泛使用，在为民航运行提供便利的同时，也促进了航空器运行航迹的深入研究。准确识别和分析航迹数据将极大地促进空域结构优化、航路和航线规划、飞行程序设计和交通流态势分析等问题的研究。

国外对于航迹的研究已有了较多成果。García 等[1]从分类角度出发，以历史数据为基础，采用一种概率预测模型对某个航迹段进行分类。Enrique[2]从航迹聚类角度出发，采用一种层次聚类方法来识别终端区的交通流，识别结果具有良好的鲁棒性。国内对航迹的研究大多从聚类角度出发：王涛波等[3]在航迹分析中引入遗传模拟退火算法对模糊C 均值聚类进行改进，使聚类中心偏离数据点集中位置的问题得到改善；徐涛等[4-5]以航迹点法向距离来度量航迹的相似度，并采用K 均值聚类算法对航迹进行聚类分析，改善了聚类的效果，同时还提出以航迹间面积大小来确定航迹间的相似度，采用CURE 聚类算法分析航迹与标准飞行程序的关系，为飞行员飞行品质的评估提供了参考。聚类分析作为无监督学习的典型方法，在航空器航迹研究中得到了广泛使用，但同时也受多种因素影响，会出现聚类结果不理想、聚类中心偏离过大、类别数量与实际偏差过大以及计算困难等问题。……