CN112489497B - 基于深度卷积神经网络的空域运行复杂度评估方法 - Google Patents

Abstract

本发明具体涉及一种基于深度卷积神经网络的空域运行复杂度评估方法其包括：抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注；划定目标空域扇区的外接矩形，并进行网格化处理；构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库；根据多通道空中交通态势图像构建空域运行复杂性分级网络模型；对空域运行复杂性分级网络模型进行训练；以及根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估，实现了在不依赖复杂度相关特征的前提下以“端到端”的方式自动从原始数据中进行学习最相关的特征，从而辅助空域运行复杂性分级网络模型的建立，大大降低了空域复杂度评估的工作量和使用门槛。

Description

基于深度卷积神经网络的空域运行复杂度评估方法

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，具体涉及一种基于深度卷积神经网络的空域运行复杂度评估方法。

背景技术

随着航空运输业的发展，急剧增加的空中交通飞行流量和有限的空域资源给空中交通管制员带来了巨大工作负荷和压力。空域运行复杂度是评估管制员工作负荷的关键指标，同时空域运行复杂度也可以为战略和战术上的空中交通管理系统提供决策支持，因此如何确定一种科学、准确且可靠的方法来评估空域运行复杂度是被广泛研究的问题之一。近年来，一些学者采用基于手工特征的机器学习方法来解决空域运行复杂度评估问题，主要研究思路是：构建影响空域扇区运行复杂性的特征体系，同时采集不同空中交通场景下的空域运行复杂性标注，通过机器学习算法训练学习众多空域运行复杂性特征与复杂度标注之间的映射关系模型，利用训练好的机器学习模型来进行空域运行复杂度的评估工作。但影响空域运行复杂度的特征众多且复杂，目前尚无统一公认的空域运行复杂度特征体系，在实际中相关特征的选用受主观影响较大，不全面或者不合适的复杂性特征体系将会严重影响基于机器学习算法的空域运行复杂度评估模型的性能。

针对上述问题，缺乏统一、全面的空域运行复杂度特征体系，导致机器学习模型难以通过有缺陷的特征集学习到性能优良的评估模型，故希望计算机能够代替研究人员完成空域运行复杂度特征的自动生成或选取工作。在深度学习中，数据集的特征可以是未知的，目标是在标签的指导下通过深度卷积神经网络进行自动特征学习来挖掘原始数据丰富的特征信息，为后续的分类或者回归模型提供良好特征向量的输入。

现有技术依赖于人工选定的空域运行复杂度特征，虽然机器学习算法模型能够学习到不同特征与空域运行复杂度之间的映射关系，但由于特征集可能存在缺陷，这种映射关系并非完美，且特征集的选择和使用受实际场景及专业知识的影响较大。

因此，基于上述技术问题需要设计一种新的基于深度卷积神经网络的空域运行复杂度评估方法。

发明内容

本发明的目的是提供一种基于深度卷积神经网络的空域运行复杂度评估方法。

为了解决上述技术问题，本发明提供了一种基于深度卷积神经网络的空域运行复杂度评估方法，包括：

抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注；

划定目标空域扇区的外接矩形，并进行网格化处理；

构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库；

根据多通道空中交通态势图像构建空域运行复杂性分级网络模型；

对空域运行复杂性分级网络模型进行训练；以及

根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估。

进一步，所述抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注的方法包括：

获取目标空域扇区的原始空中交通运行数据，根据预设时间粒度分时段从原始运行数据中抽取目标空域扇区的扇区动态交通数据；

根据预设时间段对扇区动态交通数据进行划分，并对各时间段对应的扇区动态交通数据进行空域运行复杂度等级标注。

进一步，所述划定目标空域扇区的外接矩形，并进行网格化处理的方法包括：

获取目标空域扇区的扇区边界点经纬度数据，确定目标空域扇区最小外接矩形，将最小外接矩形各边分别向外扩展预设长度，以形成目标空域扇区外接矩形，并根据预设长度间隔对目标空域扇区外接矩形进行网格化处理。

进一步，所述构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库的方法包括：

根据各时段扇区动态交通数据，以航空器经纬度为坐标，获取相应坐标在网格化后目标空域扇区外接矩形中位置，将各时段内扇区动态交通数据中的航空器高度运动参数填充到对应网格作为像素值，以生成对应时段的高度历史航迹图像通道，并且将航空器速度参数填充到网格化后目标空域扇区外接矩形，生成速度历史航迹图像通道；

根据时段内各航空器最后一个航迹点的经纬度、速度和航向，获取预设时间后航空器到达的预测点，将最后一个航迹点和预测点之间的扇区动态交通数据进行连接获取预测航迹轨迹，将预测航迹轨迹通过经纬度映射到网格化后目标空域扇区外接矩形，在网格化后目标空域扇区外接矩形中，当航迹经过新的网格时，填充值以预设步长依次递减，直至预测航迹最后一点填充完成时，生成冲突预测航迹图像通道；

根据高度历史航迹图像通道、速度历史航迹图像通道和冲突预测航迹图像通道构成多通道空中交通态势图像，将不同时段生成的多通道空中交通态势图像和空域运行复杂度等级关联，以获取空中交通态势图像库，并将空中交通态势图像库划分为训练数据集和测试数据集。

进一步，所述根据多通道空中交通态势图像构建空域运行复杂性分级网络模型的方法包括：

通过深度卷积神经网络根据多通道空中交通态势图像构建空域运行复杂性分级网络模型，即

构建十四层深度卷积神经网络模型；

其中，第一层为输入层，输入多通道空中交通态势图像；第二、三、五、六、八、九层为卷积层；第四、七、十层为池化层；第十一层为卷平层；第十二、十三、十四层为全连接层，输出为空域运行复杂度等级向量；

第二层和第三层卷积层包括32个卷积核，第五层和第六层卷积层包括64个卷积核，第八层和第九层卷积层包括128个卷积核，根据预设卷积核的尺寸和预设卷积核移动幅度，通过SAME填充方式进行卷积计算；

第四、七和第十层的池化层采用最大值池化方式进行池化处理；

第十二、十三、十四层为全连接层，通过Softmax函数对第十四层输出进行概率表示，并选择概率最大值的分类为最后分类结果；

所述Softmax函数为：

其中i为空域运行复杂度等级类别，i为1表示空域运行复杂度为1级；k表示大于零的自然数；N为空域运行复杂度总的等级数；

所述第十四层的输出为5维向量，每一维表示空域运行复杂度属于这一等级的概率大小；

第二、三、五、六、八、九层卷积层和第十二、十三、十四层全连接层后使用的非线性函数进行非线性变换。

进一步，所述对空域运行复杂性分级网络模型进行训练的方法包括：

对训练数据集中图像进行预处理，将图像的像素值进行图像标准化处理：

其中，μ为图像的均值；x为图像矩阵；σ为标准方差；P为图像的像素数；

将预处理后的训练数据集放入到所述空域运行复杂性分级网络模型中进行训练；

训练过程中，目标损失函数为交叉熵：

其中，y表示图像类别的真实概率分布；

表示经过神经网络计算得到的概率分布；y_j与

均表示5维向量中的第j维的概率值；

在训练过程中通过随机优化方法不断优化目标损失函数。

进一步，所述根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估的方法包括：

对测试数据集中图像进行预处理，将测试数据集中预处理后的图像输入经过训练的空域运行复杂性分级网络模型，得到空域运行复杂度分级结果，完成空域运行复杂性评估。

本发明的有益效果是，本发明通过抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注；划定目标空域扇区的外接矩形，并进行网格化处理；构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库；根据多通道空中交通态势图像构建空域运行复杂性分级网络模型；对空域运行复杂性分级网络模型进行训练；以及根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估，实现了不依赖复杂度相关特征的选择，能够以“端到端”的方式直接从原始数据中进行学习最相关的特征，从而辅助空域运行复杂性分级网络模型的建立，大大降低了空域复杂度评估的工作量和使用门槛。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明所涉及的基于深度卷积神经网络的空域运行复杂度评估方法的流程图；

图2是本发明所涉及的基于深度卷积神经网络的空域运行复杂度评估方法的具体流程图；

图3(a)是本发明所涉及的高度历史航迹通道示意图；

图3(b)是本发明所涉及的速度历史航迹通道示意图；

图4(a)是本发明所涉及的冲突预测航迹通道中无冲突场景示意图；

图4(b)是本发明所涉及的冲突预测航迹通道中冲突场景示意图；

图5是本发明所涉及的深度卷积神经网络结构示意图；

图6是本发明所涉及的评估准确率性能指标和损失函数收敛图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明所涉及的基于深度卷积神经网络的空域运行复杂度评估方法的流程图。

如图1所示，本实施例提供了一种基于深度卷积神经网络的空域运行复杂度评估方法，包括：抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注；划定目标空域扇区的外接矩形，并进行网格化处理；构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库；根据多通道空中交通态势图像构建空域运行复杂性分级网络模型；对空域运行复杂性分级网络模型进行训练；以及根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估，实现了不依赖复杂度相关特征的选择，能够以“端到端”的方式直接从原始数据中进行学习最相关的特征，从而辅助空域运行复杂性分级网络模型的建立，大大降低了空域复杂度评估的工作量和使用门槛；可灵活应用于不同航路结构构型的扇区，作为空管决策系统的一部分。

图2是本发明所涉及的基于深度卷积神经网络的空域运行复杂度评估方法的具体流程图。

如图2所示，在本实施例中，所述抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注的方法包括：获取目标空域扇区的原始空中交通运行数据，根据预设时间粒度(1min时间粒度)分时段从原始运行数据中抽取目标空域扇区的扇区动态交通数据，主要包括扇区内航空器位置信息(经纬度)以及航空器运动参数(飞行高度、航向、速度)；根据预设时间段对扇区动态交通数据进行划分，并对各时间段对应的扇区动态交通数据进行空域运行复杂度等级(空域运行复杂性等级)标注，即抽取后的每1分钟时段的扇区动态交通数据为一条样本，对应相应的空中交通场景，每条样本都由经验丰富的空中交通管制员进行空域运行复杂度等级标注(简称标签)，表示对应空域运行复杂性的大小，共有5个不同类别的标签(1-5级)，数字越大，表示空域运行复杂度越高。

在本实施例中，所述划定目标空域扇区的外接矩形，并进行网格化处理的方法包括：获取目标空域扇区的扇区边界点经纬度数据，确定目标空域扇区最小外接矩形，航空器速度假设为900km/h(15km/min)，空中交通态势场景时间粒度为1min，为保证目标空域扇区的扇区边界位置能够反映航空器预测航迹的信息，将最小外接矩形各边分别向外扩展预设长度(45km，3min飞行时间距离)，以形成目标空域扇区外接矩形，并根据预设长度间隔对目标空域扇区外接矩形进行网格化处理，以2km为间隔对目标空域扇区外接矩形进行网格化处理，得到若干个边长为2km的正方形网格，作为后续生成空中交通态势图像的基础。

图3(a)是本发明所涉及的高度历史航迹通道示意图；

图3(b)是本发明所涉及的速度历史航迹通道示意图；

图4(a)是本发明所涉及的冲突预测航迹通道中无冲突场景示意图；

图4(b)是本发明所涉及的冲突预测航迹通道中冲突场景示意图。

在本实施例中，所述构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库的方法包括：根据各时段扇区动态交通数据，以航空器经纬度为坐标，获取相应坐标在网格化后目标空域扇区外接矩形中具体位置，将各时段内扇区动态交通数据中的航空器高度运动参数填充到对应网格作为像素值，以生成对应时段的高度历史航迹图像通道(如图3(a)所示)，并且同理将航空器速度参数填充到新的网格化后目标空域扇区外接矩形，生成速度历史航迹图像通道(如图3(b)所示)；根据时段内各航空器最后一个航迹点的经纬度、速度和航向，获取预设时间(3min)后航空器到达的预测点(航空器预计到达的位置)，将最后一个航迹点和预测点之间的扇区动态交通数据进行连接获取预测航迹轨迹，将预测航迹轨迹通过经纬度映射到新的网格化后目标空域扇区外接矩形上，网格化的目标空域扇区外接矩形中航空器预测航迹起始点填充值设为10000，当航迹经过新的网格时，填充值以预设步长(100)依次递减，用于反映未来航空器位置及冲突影响的不确定性大小，直至预测航迹最后一点填充完成时，生成冲突预测航迹图像通道(如图4(a)和图4(b)所示)；根据高度历史航迹图像通道、速度历史航迹图像通道和冲突预测航迹图像通道构成多通道空中交通态势图像，图像大小为173*173*3，将不同时段生成的多通道空中交通态势图像和空域运行复杂度等级关联，以获取空中交通态势图像库，并以8:2的比例将空中交通态势图像库划分为训练数据集和测试数据集，用于空域运行复杂性分级网络模型的训练和空域运行复杂度评估性能的测试。

图5是本发明所涉及的深度卷积神经网络结构示意图。

在本实施例中，所述根据多通道空中交通态势图像构建空域运行复杂性分级网络模型的方法包括：通过深度卷积神经网络根据多通道空中交通态势图像构建空域运行复杂性分级网络模型，即

通过TensorFlow框架构建十四层深度卷积神经网络模型；

其中，第一层为输入层，输入多通道空中交通态势图像；第二、三、五、六、八、九层为卷积层，每一个卷积层后均使用了ReLU函数进行非线性变换操作；第四、七、十层为池化层；第十一层为卷平层，将所有的二维特征图转化为一维向量；第十二、十三、十四层为全连接层，输出为空域运行复杂度等级向量(5个等级)；

第二层和第三层卷积层包括32个卷积核，第五层和第六层卷积层包括64个卷积核，第八层和第九层卷积层包括128个卷积核，根据预设卷积核的尺寸(例如，卷积核的尺寸均为3*3)和预设卷积核移动幅度(例如，卷积核移动幅度为1)，通过SAME填充方式进行卷积计算；

第四、七和第十层的池化层采用最大值池化方式进行池化处理，池化核尺寸(2*2)，池化核移动幅度为2，padding是不填充；

第十二、十三、十四层为全连接层，维度分别为(1*1*320)、(1*1*160)、(1*1*5)，其中5表示空域运行复杂度等级的数目，所述第十四层的输出通过Softmax函数对第十四层输出进行概率表示，并选择概率最大值的分类为最后分类结果；

所述Softmax函数为：

其中i为空域运行复杂度等级类别，i为1表示空域运行复杂度为1级；k表示大于零的自然数，用于计数；N为空域运行复杂度总的等级数；

所述第十四层的输出为5维向量，每一维表示空域运行复杂度属于这一等级的概率大小；

第二、三、五、六、八、九层卷积层和第十二、十三、十四层全连接层后使用的非线性函数ReLU函数max(0,x)进行非线性变换；利用深度卷积神经网络自动从提出的虚拟空中多通道空中交通态势图像数据集进行特征学习，解决了目前空域运行复杂度评估中依赖专家构造的手工特征问题，实现“端到端”方式的评估，消除构造手工特征的成本；相比于手动构造的浅层特征，本实施例利用深度神经网络提取到的深层特征更能接近于管制员对真实空域运行复杂度内涵理解，跨越“语义鸿沟”的障碍，可以更好表征空中交通的内在信息，在空域运行复杂度评估性能上超过了现有的基于手工特征的机器学习方法；

在本实施例中，具体地，如图5所示，【1】为输入层，输入数据为生成的多通道空中交通态势图像，尺寸为(173*173*3)，图像的宽与高均为173,3表示的是图像的通道数；

【2】表示的是卷积层，层内每一感受野上的神经元都与【1】中的神经元局部连接，并且共享权值；本实施例中使用32个卷积核用于【1】层进行卷积，每个卷积核尺寸为(3*3*3)，卷积核移动幅度为2，并且卷积时，对【1】层图像补0操作，使得卷积后的图像尺寸，公式表示为：

Conv_l(x,y)＝Filter_l*PreLayer(x,y)[filter_area],l＝1,2,...,32；

其中，Conv_l(x,y)表示的是卷积层内第l个切片上(x,y)处神经元经过卷积后的值，Filter_l表示的是卷积核，同一切片l上的神经元共享一个卷积核，并依顺序与上一层神经元进行卷积；

【3】层为与【2】层相同的卷积层，【5】层和【6】层的卷积层原理与【2】层相同，但是此层使用64个卷积核，同理，【8】层和【9】层的卷积层原理与

【2】层相同，但是此层使用128个卷积核；

卷积层后接有非线性操作，对卷积层数值进行非线性变换，增强神经网络的普适性，

Output_l(x,y)＝nonlinear(Conv_l(x,y)+bias_l)，其中nonlinear表示的是非线性函数，Conv_l(x,y)表示的是上一层(x,y)处神经元的值，bias_l表示的是偏置值，上一层第l感受野上的所有神经元共享此值；常见的激活函数包括sigmod激活函数、tanh激活函数、ELU激活函数、ReLU激活函数等；本实施例中的激活函数采用ReLU激活函数，其中，ReLU激活函数的表达式为：f(x)＝max(0,x)，其中，x表示各卷积层的输出；使用ReLU激活函数可使一部分神经元的输出为0，使网络变得稀疏，并且减少了参数的相互依存关系，缓解过拟合问题的发生，同时大大减小了计算量；

【4】层、【7】层和【10】层为下采样层，用于对上一层的输出向量进行降维，用于防止过拟合并简化计算，此处的下采样操作有最大值池化、平均值池化等方式，本实施例中采用最大值池化，池化核尺寸为(2*2)，池化核移动幅度为2，所以池化后的图像维度将会变成原先的一半；

【12】层、【13】层、【14】层为全连接层，维度分别为(1*1*320)、

(1*1*160)、(1*1*5)，其中，5表示的是空域运行复杂度等级数，一共有五个等级，等级越高，代表对应空中交通场景的运行复杂性越高；最后使用softmax函数对【14】层输出进行概率表示，

最后输出5维向量，其中每一维表示的是空域运行复杂度属于某一等级的概率。

图6是本发明所涉及的评估准确率性能指标和损失函数收敛图。

在本实施例中，所述对空域运行复杂性分级网络模型进行训练的方法包括：对训练数据集中图像进行预处理，将图像的像素值进行图像标准化处理，使得图像所有像素值均位于0-1之间：

其中，μ为图像的均值；x为图像矩阵；σ为标准方差；P为图像的像素数；

将预处理后的训练数据集放入到所述空域运行复杂性分级网络模型中进行训练；在训练模型时，采用类别均衡采样方法进行模型训练，保证每次经过训练的样本在不同类别间是平衡的，以处理空中交通样本数据的不平衡问题；同时在每次采样的过程中，采用旋转方式对图像进行数据增强处理，生成大量新图像，保证充足的训练样本数量；按照固定数据分别从不同类别的数据集中采集训练样本，采集后对训练图像进行随机数据增强，考虑到实际问题情况，本实施例中采用的是图像翻转的方式；

训练过程中，目标损失函数为交叉熵：

其中，y表示图像类别的真实概率分布；

表示经过神经网络计算得到的概率分布；y_j与

均表示5维向量中的第j维的概率值；

在训练过程中通过随机优化方法不断优化目标损失函数；在本实施例中使用Adamoptimizer，这是一种随机优化方法，仅需要求一阶梯度，内存占用少，对于解决具有大量参数的模型有良好的效果，Adam优化方法的关键步骤如下：

t←t+1

m_t←β₁·m_t-1+(l-β₁)·g_t

其中，α表示算法学习率，β₁，β₂，m，v是算法中的参数，f(p)表示目标损失函数，t表示算法迭代次数；训练过程以及测试过程的模型评估性能迭代曲线如图6所示；在模型训练阶段中采用类别均衡采样及随机旋转进行图像数据增强的方法，避免了模型倾向于选择含多数样本类别，在一定程度上缓解了不平衡问题的影响，同时也增加了训练数据集的丰富性，进一步提升了网络对空域运行复杂性评估的准确率。

在本实施例中，所述根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估的方法包括：对测试数据集中图像进行预处理，将测试数据集中预处理后的图像输入经过训练的空域运行复杂性分级网络模型，得到空域运行复杂度分级结果，完成空域运行复杂性评估。

综上所述，本发明通过抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注；划定目标空域扇区的外接矩形，并进行网格化处理；构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库；根据多通道空中交通态势图像构建空域运行复杂性分级网络模型；对空域运行复杂性分级网络模型进行训练；以及根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估，实现了不依赖复杂度相关特征的选择，能够以“端到端”的方式直接从原始数据中进行学习最相关的特征，从而辅助空域运行复杂度评估模型的建立，大大降低了空域复杂度评估的工作量和使用门槛。

在本申请所提供的实施例中，附图中的流程图和框图显示了根据本发明的多个实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (5)

1.一种基于深度卷积神经网络的空域运行复杂度评估方法，其特征在于，包括：

抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注；

划定目标空域扇区的外接矩形，并进行网格化处理；

构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库；

根据多通道空中交通态势图像构建空域运行复杂性分级网络模型；

对空域运行复杂性分级网络模型进行训练；以及

根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估；其中

所述构造多通道空中交通态势图像，并根据空域运行复杂性等级标注构建空中交通态势图像库的方法包括：

根据各时段扇区动态交通数据，以航空器经纬度为坐标，获取相应坐标在网格化后目标空域扇区外接矩形中位置，将各时段内扇区动态交通数据中的航空器高度运动参数填充到对应网格作为像素值，以生成对应时段的高度历史航迹图像通道，并且将航空器速度参数填充到网格化后目标空域扇区外接矩形，生成速度历史航迹图像通道；

根据时段内各航空器最后一个航迹点的经纬度、速度和航向，获取预设时间后航空器到达的预测点，将最后一个航迹点和预测点之间的扇区动态交通数据进行连接获取预测航迹轨迹，将预测航迹轨迹通过经纬度映射到网格化后目标空域扇区外接矩形，在网格化后目标空域扇区外接矩形中，当航迹经过新的网格时，填充值以预设步长依次递减，直至预测航迹最后一点填充完成时，生成冲突预测航迹图像通道；

根据高度历史航迹图像通道、速度历史航迹图像通道和冲突预测航迹图像通道构成多通道空中交通态势图像，将不同时段生成的多通道空中交通态势图像和空域运行复杂度等级关联，以获取空中交通态势图像库，并将空中交通态势图像库划分为训练数据集和测试数据集；

所述根据多通道空中交通态势图像构建空域运行复杂性分级网络模型的方法包括：

通过深度卷积神经网络根据多通道空中交通态势图像构建空域运行复杂性分级网络模型，即

构建十四层深度卷积神经网络模型；

其中，第一层为输入层，输入多通道空中交通态势图像；第二、三、五、六、八、九层为卷积层；第四、七、十层为池化层；第十一层为卷平层；第十二、十三、十四层为全连接层，输出为空域运行复杂度等级向量；

第二层和第三层卷积层包括32个卷积核，第五层和第六层卷积层包括64个卷积核，第八层和第九层卷积层包括128个卷积核，根据预设卷积核的尺寸和预设卷积核移动幅度，通过SAME填充方式进行卷积计算；

第四、七和第十层的池化层采用最大值池化方式进行池化处理；

第十二、十三、十四层为全连接层，通过Softmax函数对第十四层输出进行概率表示，并选择概率最大值的分类为最后分类结果；

所述Softmax函数为：

其中，i为空域运行复杂度等级类别，i为1表示空域运行复杂度为1级；k表示大于零的自然数；N为空域运行复杂度总的等级数；

所述第十四层的输出为5维向量，每一维表示空域运行复杂度属于这一等级的概率大小；

第二、三、五、六、八、九层卷积层和第十二、十三、十四层全连接层后使用非线性函数进行非线性变换。

2.如权利要求1所述的空域运行复杂度评估方法，其特征在于，

所述抽取目标空域扇区的扇区动态交通数据，并进行空域运行复杂性等级标注的方法包括：

获取目标空域扇区的原始空中交通运行数据，根据预设时间粒度分时段从原始运行数据中抽取目标空域扇区的扇区动态交通数据；

根据预设时间段对扇区动态交通数据进行划分，并对各时间段对应的扇区动态交通数据进行空域运行复杂度等级标注。

3.如权利要求2所述的空域运行复杂度评估方法，其特征在于，

所述划定目标空域扇区的外接矩形，并进行网格化处理的方法包括：

获取目标空域扇区的扇区边界点经纬度数据，确定目标空域扇区最小外接矩形，将最小外接矩形各边分别向外扩展预设长度，以形成目标空域扇区外接矩形，并根据预设长度间隔对目标空域扇区外接矩形进行网格化处理。

4.如权利要求3所述的空域运行复杂度评估方法，其特征在于，

所述对空域运行复杂性分级网络模型进行训练的方法包括：

对训练数据集中图像进行预处理，将图像的像素值进行图像标准化处理：

其中，μ为图像的均值；x为图像矩阵；σ为标准方差；P为图像的像素数；

将预处理后的训练数据集放入到所述空域运行复杂性分级网络模型中进行训练；

训练过程中，目标损失函数为交叉熵：

其中，y表示图像类别的真实概率分布；

表示经过神经网络计算得到的概率分布；y_j与

均表示5维向量中的第j维的概率值；

在训练过程中通过随机优化方法不断优化目标损失函数。

5.如权利要求4所述的空域运行复杂度评估方法，其特征在于，

所述根据训练后的空域运行复杂性分级网络模型进行空域运行复杂性评估的方法包括：

对测试数据集中图像进行预处理，将测试数据集中预处理后的图像输入经过训练的空域运行复杂性分级网络模型，得到空域运行复杂度分级结果，完成空域运行复杂性评估。

Images