机构名称：
¥ 1.0
摘要 - 平衡空中交通需求和空域储能是领空管理中的关键挑战。此任务需要空中交通管制员之间的情境意识，需要使用可解释的流量预测和视觉工具来促进知名度良好的决策过程。本文提出了拟议的机器学习框架 - 旨在通过动态空域部门（DAS）平衡空域需求和容量的工作。das是一个概念，涉及扇区配置的动态变化，以响应交通需求的波动。所提出的框架包括四个关键组件：（i）需求和容量预测，利用时间融合变压器（TFT） - 一个高性能的多疗法预测模型，可为温度动态提供可解释的洞察力，启用交通需求和空域行业能力的预测，并具有4个小时的空间预测，并在4小时内和6小时的后方窗口外观。 （ii）使用基于密度的使用噪声（DBSCAN）算法的应用程序的空间聚类来有效地学习交通模式并识别主要的流量流； （iii）DAS，通过采用基于图的分区方法来优化空域行业的容量，以分裂扇形，而预测需求超过容量； （iv）视觉界面，提供一个交互式平台，该平台为需求和容量预测提供了扇区分裂边界和关键影响者，从而为空中交通管制员提供了良好信息的及时DAS。为了验证拟议的空调框架，2019年12月，来自新加坡飞行信息区（FIR）的四个选定部门的空中交通数据用于培训和评估。实验结果证明了该模型的高精度，交通需求预测的平均绝对误差为0.0234，空域部门容量预测为0.0291。此外，R平方值表示高预测性能，流量需求平均为0.9133，空域行业容量为0.9605。
平衡空中交通需求的机器学习框架...
主要关键词
相关文件推荐
