基于改進的k-prototype和灰色關聯分析的機場相似日選擇方法技術

本發明專利技術公開了一種基于改進的k

【技術實現步驟摘要】
基于改進的k
?
prototype和灰色關聯分析的機場相似日選擇方法


[0001]本專利技術屬于大數據和機場相似日領域，具體涉及一種基于改進的k
?
prototype和灰色關聯分析的機場相似日選擇方法。

技術介紹

[0002]隨著航空運輸業的持續發展，空域資源的緊缺，機場運行效率也面臨著極大的考驗，而機場的效率很大程度上取決于管制人員的決策。但是管制員的決策主要依靠自己的經驗和直覺，這不可避免的會造成不合理的流控措施。
[0003]由于天氣的不確定性和日益增加的航班數量，使得機場的容量與需求不平衡問題變得嚴重，這不僅給航空公司、乘客和機場造成了經濟損失，而且給管制系統提出了更高的要求與挑戰。如何從過去的運行中獲得經驗，以支持當天的交通流控決策，從而幫助管制員更好地進行流量管理，這成為了本領域技術人員亟需解決的問題。因此，研究機場相似日可以幫助管制員從歷史中吸取經驗和教訓，對提高流控工作效率和提高航班正常性具有重要意義。
[0004]針對傳統研究所采用的聚類方式都是使用數值型指標尋找相似日集群，但是，在天氣信息和航班運行數據中既有數值型特征也有分類型特征，所以直接用適用于處理數值型特征的聚類算法，得到的聚類結果會不準確。同時，之前研究并未找尋到與未知日相似的具體某一天，這就造成模型的實用價值不高。

技術實現思路

[0005]專利技術目的：本專利技術的目的是為了解決現有技術中存在的缺點，從而提出的一種基于改進的k
?
prototype和灰色關聯分析的機場相似日選擇方法，可以找尋未知日具體某天的相似日，展示了直觀并且高準確率的相似日結果。
[0006]技術方案：本專利技術提供了一種基于改進的k
?
prototype和灰色關聯分析的機場相似日選擇方法，具體包括以下步驟：
[0007]S1：收集數據，包括METAR報文數據和航班運行數據；
[0008]S2：數據預處理，包括對航班數據補齊及數據歸一化；
[0009]S3：使用CRITIC權重法得到數值屬性的權重系數；
[0010]S4：通過改進的k
?
prototype對未知日和歷史數據進行日屬性聚類；
[0011]S5：使用誤差平方和與輪廓系數曲線判斷出最佳的聚類數；
[0012]S6：采用灰色關聯分類法找尋未知日的相似日。
[0013]進一步地，步驟S1中所述航班運行數據包括實際進港航班數、實際離港航班數和計劃進離港航班數。
[0014]進一步地，所述步驟S2包括以下步驟：
[0015]S2.1：解析METAR報，選擇能見度，風向，風速，云底高，霧、雨和雷暴作為關鍵氣象
因素；
[0016]S2.2：對風向、霧、雨和雷暴進行離散化處理；
[0017]S2.3：獲取的數據有數值型和屬性型，其中數值型有能見度、風速、云底高、實際進港航班數、實際離港航班數和計劃進離港航班數；屬性型有風向、霧、雨和雷暴；采用線性插值的方式進行補全數據，對于缺失整天起降信息的日期進行刪除處理；
[0018]S2.4：將數值型數據歸一化采用MinMax法，利用公式進行歸一化后的數據值域變換到[0,1]；其中，x為樣本數據，x
min
為該屬性所有樣本的最小值，x
max
為該屬性所有樣本的最大值。
[0019]進一步地，所述步驟S3包括以下步驟：
[0020]S3.1：計算對比強度，計算公式為：
[0021][0022]其中，V
j
是第j項指標的變異系數，σ
j
是第j項的標準差，是第j項的平均數；
[0023]S3.2：計算相關系數：
[0024][0025]其中，x
hi
和x
hj
是第h個評價對象的第i個指標和第j個指標的值，和是n個對象中第i個指標和第j個指標的均值；
[0026]S3.3：計算第j個指標與其他指標沖突性量化指標值：
[0027][0028]其中，r
ij
為相關系數；
[0029]S3.4：計算指標信息量：各個指標的客觀權重是以對比強度和沖突性來綜合衡量的，計算公式為：
[0030][0031]其中，C
j
為第j個評價指標所包含的信息量；
[0032]S3.5：計算權重指標：
[0033][0034]其中，w
j
為權重指標。
[0035]進一步地，所述步驟S4包括以下步驟：
[0036]S4.1：數值屬性指標之間采用歐式距離計算，計算公式為：
[0037][0038]其中，x
ijr
和y
ijr
為數值特征，w
ij
為不同數值評價指標的權重，P為數值特征個數；
[0039]S4.2：類別屬性指標之間的采用漢明距離計算，即屬性值相同為0，屬性值不同為1計算公式為：
[0040][0041]其中，x
ijt
和y
ijt
為類別特征，P為類別特征個數；
[0042]S4.3：數據集和簇的相異度可以寫為如下公式：
[0043]d(x
i
,y
i
)＝d1+γd2[0044]因為γ難以確定所以對d(x
i
,y
i
)進行改寫：
[0045][0046]式中，|A
r
|為數值型屬性個數，|A
c
|為分類型屬性個數和|A|總的屬性個數；
[0047]S4.4：改進的k
?
prototype聚類是一個迭代過程，對比目標函數值是否改變，循環直到目標函數不再改變為止：
[0048][0049]其中，γ
li
∈{0,1},1≤l≤k,1≤i≤n；E為樣本總的損失。
[0050]進一步地，所述步驟S5包括以下步驟：
[0051]S5.1：選取能見度，云底高，進離港航班等m個重要特征構建天氣
?
交通矩陣，則第i日的日特征向量為：x
i
＝[x
i1
,x
i2
,
…
,x
im
],i＝1,2,
…
,N；
[0052]S5.2：數據進行無量綱化處理，得到灰色關聯判斷矩陣，未知日的特征向量x0，與其他日期屬性的特征計算關聯系數ρ
ik
，公式為：
[0053][0054]式中，ρ為分辨系數，ρ∈[0,1]，其中ρ取0.5；
[0055]S5.3：得到每個樣本的灰色關聯值γ
i
：
[0056][0057]S5.4：依據灰色關聯值，選擇與未知日關聯系數較大的日期組成相似日。
[0058本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于改進的k
?
prototype和灰色關聯分析的機場相似日選擇方法，其特征在于，包括以下步驟：S1：收集數據，包括METAR報文數據和航班運行數據；S2：數據預處理，包括對航班數據補齊及數據歸一化；S3：使用CRITIC權重法得到數值屬性的權重系數；S4：通過改進的k
?
prototype對未知日和歷史數據進行日屬性聚類；S5：使用誤差平方和與輪廓系數曲線判斷出最佳的聚類數；S6：采用灰色關聯分類法找尋未知日的相似日。2.根據權利要求1所述的基于改進的k
?
prototype和灰色關聯分析的機場相似日選擇方法，其特征在于，步驟S1中所述航班運行數據包括實際進港航班數、實際離港航班數和計劃進離港航班數。3.根據權利要求1所述的基于改進的k
?
prototype和灰色關聯分析的機場相似日選擇方法，其特征在于，所述步驟S2包括以下步驟：S2.1：解析METAR報，選擇能見度，風向，風速，云底高，霧、雨和雷暴作為關鍵氣象因素；S2.2：對風向、霧、雨和雷暴進行離散化處理；S2.3：獲取的數據有數值型和屬性型，其中數值型有能見度、風速、云底高、實際進港航班數、實際離港航班數和計劃進離港航班數；屬性型有風向、霧、雨和雷暴；采用線性插值的方式進行補全數據，對于缺失整天起降信息的日期進行刪除處理；S2.4：將數值型數據歸一化采用MinMax法，利用公式進行歸一化后的數據值域變換到[0,1]；其中，x為樣本數據，x
min
為該屬性所有樣本的最小值，x
max
為該屬性所有樣本的最大值。4.根據權利要求1所述的基于改進的k
?
prototype和灰色關聯分析的機場相似日選擇方法，其特征在于，所述步驟S3包括以下步驟：S3.1：計算對比強度，計算公式為：其中，V
j
是第j項指標的變異系數，σ
j
是第j項的標準差，是第j項的平均數；S3.2：計算相關系數：其中，x
hi
和x
hj
是第h個評價對象的第i個指標和第j個指標的值，和是n個對象中第i個指標和第j個指標的均值；S3.3：計算第j個指標與其他指標沖突性量化指標值：
其中，r
ij
為相關系數；S3.4：計算指標信息量：各個指標的客觀權重是以對比強度和沖突性來綜合衡量的，計算公式為：其中，C
j
為第j個評價指標所包含的信息量；S3....

【專利技術屬性】
技術研發人員：董襄寧，祝許浩，趙征，
申請(專利權)人：南京航空航天大學，
類型：發明
國別省市：