XiaoMi-AI文件搜索系统
World File Search System交通管制
空中交通管制监视最低高度图 (ATCSMAC) 审查流程
大约 6 年前，经过充分协商，仪表飞行程序 (IFP) 的设计从民航局外包给了业界。从那时起，民航局的职责就是批准（或不批准）IFP 设计，从而在服务提供和民航局监管之间划清了界限。ATCSMAC 虽然属于 IFP 的范畴，但并未包括在最初的外包咨询中，并且始终作为一项单独的功能在不同的时间执行。显然，机场无论意图多么良好，都没有软件工具、专业知识或必要的数据来按照当前要求的标准进行审查，因此，作为一项安全措施，ATCSMAC 审查的关键要素由民航局执行。这项为机场提供的服务与我们作为监管者的地位相矛盾。此外，随着《航空数据质量实施规则》（ADQIR）的发布，数据质量要求将变得更加严格，该规则将在未来几个月内逐步实施。民航局认为，确保这些安全关键数据来自具有适当资质的组织非常重要，同时民航局的角色纯粹是监管者，而不是服务提供商。
未来计划 - 2016-2025 年空中交通管制人员十年战略
自 20 世纪 90 年代初以来，无人机系统 (UAS) 在国家空域系统 (NAS) 中有限运行，主要支持公共行动，例如军事和边境安全行动。近年来，UAS 和行动的数量、技术复杂性和应用显著增加。用途列表迅速扩展，涵盖广泛的活动，包括航空摄影、测量、通信和广播，以及业余爱好和娱乐。2015 年 12 月，FAA 开始注册所有无人机系统 (UAS)。随着政策和技术更新允许 UAS 广泛用于商业应用，对空中交通管制工作量的影响将纳入我们的模型和预测中。FAA 的新合规理念有助于监督 UAS，旨在帮助在潜在危险导致事件或事故之前识别和纠正它们。
关于实施 300 米（1000 英尺）空中交通管制的指导材料
加勒比/南美地区规划和实施小组 (GREPECAS) 的 ATM/CNS 小组发布了《在加勒比和南美地区空域实施 FL290 和 FL410 之间 300 米（1000 英尺）垂直间隔最低标准的指导材料》，其中描述了在 CAR/SAM 地区实施 RVSM 的概念、运行批准和适航程序、安全分析和需要考虑的流程*。* 注：就本文件而言，加勒比和南美地区将被称为一个地区，即；CAR/SAM 地区。GREPECAS 及其贡献机构将根据需要发布该文件的修订版，以反映正在进行的实施活动。欲获取在加勒比和南美地区空域实施 FL290 和 FL410 之间 300 米（1000 英尺）垂直间隔最低标准的指导材料副本，请联系：国际民航组织北美、加勒比和中美洲办事处墨西哥墨西哥城电子邮件：icaonacc@mexico.icao.int 网站：www.icao.int/nacc 传真：+5255 5203-2757 邮寄地址：Apartado Postal 5377, Mexico 5 D.F., Mexico PCO 电子邮件：待定
基于博弈论和云物元分析的空中交通管制系统安全风险评估
摘要：随着近年来空中交通需求的不断增长，安全风险评估对维护航空运输系统的运行安全、实现可持续发展具有重要意义。本文基于博弈论和云物元分析对空中交通管制（ATC）系统进行了安全风险评估。从人、机、环境和管理四个方面评估ATC系统的安全风险，引入博弈论中的纳什均衡来对指标进行权重计算。云物元评估采用模糊集和概率论中的云模型来取代传统物元理论中的确定性值，考虑到指标的随机性、模糊性和不相容性，通过计算指标与风险之间的标准云物元关联度来评估ATC系统的安全风险水平。本文通过引入并结合博弈论和云物元分析，扩展了研究范围。此外，以ATC系统为例，检验了该方法的适用性和鲁棒性，丰富了现有文献，指明了未来工作的方向。
空中交通管制专家使用的视觉搜索和冲突缓解策略
摘要：航路空中交通管制专家 (ATCS) 的作用对于维护国家空域系统 (NAS) 内的安全和效率至关重要。ATCS 必须使用航路自动化现代化 (ERAM) 雷达显示器警惕地扫描其控制下的空域和相邻空域。本研究旨在了解专家管制员的视觉搜索和飞机冲突缓解策略，这些策略可用作 ATCS 培训期间的支架方法。进行了访谈和实验，以从担任空中交通管制教员的退休管制员那里获得视觉扫描和冲突缓解策略。使用各种启发式方法对访谈结果进行描述和分类。特别是，确定了具有代表性的视觉扫描路径，这些路径与视觉搜索策略的访谈结果一致。我们的研究结果的亮点包括：（1）参与者使用系统搜索模式（如圆形、螺旋形、线性或基于象限的模式）来提取与操作相关的信息；（2）参与者在认知处理飞机信息时应用信息层次结构（高度 -> 方向 -> 速度）；（3）当即将发生的潜在冲突得到缓解时，通常优先考虑高度或方向变化而不是速度变化。将研究结果应用到候选人的培训课程中存在潜在的应用。
照明和噪音对空中交通管制任务中的性能和态势感知的影响
学术共享引用 学术共享引用 Pruksaritanon, S. (2018)。照明和噪音对空中交通管制任务绩效和态势感知的影响。, ()。取自 https://commons.erau.edu/student-works/143
未来规划——2016-2025 年空中交通管制人员十年战略
自 20 世纪 90 年代初以来，无人机系统 (UAS) 在国家空域系统 (NAS) 内有限运行，主要用于支持公共行动，如军事和边境安全行动。近年来，UAS 及其行动在数量、技术复杂性和应用方面均显著增加。其用途迅速扩大，涵盖了广泛的活动，包括航空摄影、测量、通信和广播，以及业余爱好和娱乐。2015 年 12 月，FAA 开始对所有无人机系统 (UAS) 进行注册。随着政策和技术更新允许 UAS 广泛用于商业应用，对空中交通管制工作量的影响将纳入我们的模型和预测中。FAA 的新合规理念有助于对 UAS 进行监督，该理念旨在帮助在潜在危险导致事件或事故之前识别和纠正它们。
深度强化学习方法在空中交通管制冲突解决中的应用回顾
摘要：深度强化学习 (DRL) 近年来因其能够解决以前由于非线性和高维性而无法解决的决策问题而得到广泛采用。在过去的几年中，它已在空中交通管制 (ATC) 领域得到推广，特别是在冲突解决方面。在本文中，我们对现有的冲突解决问题 DRL 应用进行了详细回顾。本调查基于以下几个部分进行了全面回顾：(1) 冲突解决的基础、(2) DRL 的发展，以及 (3) DRL 在冲突解决中的各种应用，按环境、模型、算法和评估指标进行分类。最后，进行了开放式讨论，可能提出了使用 DRL 进行冲突解决的一系列未来研究方向。本评论的目的是为未来更有意义的研究提供指导点。
使用机器学习和实施的设计道路交通管制系统的研究将在Python
道路交通的复杂性和数量增加需要开发高级交通管制系统，以确保有效的交通流量并减少拥塞。本研究提出了一种新型的道路交通管制系统利用机器学习技术，并在Python进行了实施。该系统旨在优化流量信号时间，预测流量模式并实时管理动态的交通状况。机器学习模型，包括神经网络和加强学习算法，用于分析历史和实时的流量数据。这些模型可以预测交通量并优化信号控制策略，以最大程度地减少等待时间并提高整体交通效率。python及其可靠的库，例如Tensorflow，Keras和Scikit-Learn，用于模型开发，培训和部署。使用来自城市地区的现实世界流量数据来验证所提出的系统。关键的性能指标，例如平均等待时间，吞吐量和拥塞水平，以评估系统的有效性。初始结果表明，与传统的交通控制方法相比，交通流量和拥堵减少的减少显着改善。这项研究证明了将机器学习整合到交通管理系统中的潜力，为现代城市交通挑战提供了可扩展和自适应解决方案。Python中的实现展示了使用开源工具来开发智能交通控制系统的实用性和灵活性。未来的工作将集中于增强模型准确性，将系统扩展到较大的网络，并结合其他流量参数，以进行更全面的流量管理。
增强型空中交通管制系统——人工智能作为预测空中交通冲突的数字辅助系统
摘要：当今的空中交通管理 (ATM) 系统围绕空中交通管制员和飞行员发展。这种以人为本的设计在过去使空中交通非常安全。然而，随着航班数量的增加和使用欧洲空域的飞机种类的增加，它正在达到极限。它带来了严重的问题，例如拥堵、飞行安全性下降、成本增加、延误增加和排放量增加。将 ATM 转变为“下一代”需要复杂的人机集成系统，以提供更好的空域抽象并创建态势感知，正如文献中针对此问题所述。本文做出了以下贡献：(a) 概述了问题的复杂性。(b) 它引入了一种数字辅助系统，通过系统地分析飞机监视数据来检测空中交通中的冲突，从而为空中交通管制员提供更好的态势感知。为此，使用长短期记忆 (LSTM) 网络（一种流行的循环神经网络 (RNN) 版本）来确定其时间动态行为是否能够可靠地监控空中交通并对错误模式进行分类。 (c) 大规模、真实的空中交通模型（包含数千个包含空中交通冲突的航班）用于创建参数化的空域抽象，以训练 LSTM 网络的几种变体。所应用的网络基于 20-10-1 架构，同时使用泄漏 ReLU 和 S 形函数