[论文解读] Trajectory Clustering and an Application to Airspace Monitoring

Maxime Gariel, Ashok N. Srivastava+1 more|arXiv (Cornell University)|Jan 27, 2010

Air Traffic Management and OptimizationEngineering参考文献 33被引用 17

一句话总结

本文提出一种基于数据驱动的框架，通过轨迹聚类识别标准飞行模式并检测偏离行为，实现对空域的实时监控。该框架引入基于香农熵的复杂度度量，以量化空中交通管制员的工作负荷，从而通过检测终端空域中的非合规航空器，实现主动流量管理。

ABSTRACT

This paper presents a framework aimed at monitoring the behavior of aircraft in a given airspace. Nominal trajectories are determined and learned using data driven methods. Standard procedures are used by air traffic controllers (ATC) to guide aircraft, ensure the safety of the airspace, and to maximize the runway occupancy. Even though standard procedures are used by ATC, the control of the aircraft remains with the pilots, leading to a large variability in the flight patterns observed. Two methods to identify typical operations and their variability from recorded radar tracks are presented. This knowledge base is then used to monitor the conformance of current operations against operations previously identified as standard. A tool called AirTrajectoryMiner is presented, aiming at monitoring the instantaneous health of the airspace, in real time. The airspace is "healthy" when all aircraft are flying according to the nominal procedures. A measure of complexity is introduced, measuring the conformance of current flight to nominal flight patterns. When an aircraft does not conform, the complexity increases as more attention from ATC is required to ensure a safe separation between aircraft.

研究动机与目标

• 通过自动化检测非标准飞行操作，应对终端空域日益增加的空中交通复杂性挑战。
• 开发无监督的轨迹聚类方法，仅基于雷达数据学习标准飞行程序，无需依赖飞行计划或管制员意图。
• 构建实时监控工具 AirTrajectoryMiner，评估当前航班对所学标准程序的符合性。
• 提出一种基于熵的新复杂度度量，以量化管制员工作负荷，并支持流量管理决策。
• 使该框架可应用于多种空域配置及其他领域，如商业航空或地面车队追踪。

提出的方法

• 基于航路点识别的无监督聚类方法，从终端区域的雷达轨迹中检测常见航线。
• 对重采样的轨迹应用主成分分析（PCA），以提取主导的飞行路径形态。
• 将标准轨迹定义为从历史雷达数据中提取的相似飞行路径聚类，排除目视飞行规则（VFR）航空器。
• 使用香农熵计算复杂度度量：$ C = I_{SFO} + I_{ar{SFO}} $，其中 $ I_{SFO} $ 和 $ I_{ar{SFO}} $ 分别表示在旧金山机场（SFO）符合与偏离标准程序的飞机的熵。
• 估计概率：$ p(OK|SFO) = \frac{n_{OK,SFO}}{n_{SFO}} $，以及对每个异常值，$ p(\bar{OK}_i|SFO) = \frac{1}{n_{SFO}} $，假设其相互独立。
• 将 AirTrajectoryMiner 实现为实时工具，每15秒更新一次复杂度，使用瞬时飞机数量和符合性状态。

实验结果

研究问题

• RQ1 如何仅基于雷达数据，无需飞行计划或意图信息，自动学习标准飞行程序？
• RQ2 在高变异性的终端空域中，哪些轨迹聚类技术能有效识别标准进近模式？
• RQ3 如何从对标准程序的符合性中推导出空域复杂度的实时度量？
• RQ4 所提出的复杂度度量与管制员工作负荷及流量管理需求的相关性有多大？
• RQ5 该框架能否推广至其他空域配置或航空以外的交通领域？

主要发现

• 轨迹聚类方法成功仅基于雷达数据识别出旧金山机场（SFO）的标准进近模式，无需依赖飞行计划或管制员引导。
• 基于PCA的聚类方法在轨迹长度和采样率变化的情况下，仍能稳健地捕捉主导飞行路径形态。
• 所提出的复杂度度量 $ C $ 随非合规航空器数量和总交通量增加而上升，反映出更高的管制员工作负荷。
• 当未检测到任何异常飞机时，复杂度度量为零，证实其对标准运行偏离的敏感性。
• 该工具每15秒更新一次的实时能力，可及时检测复杂度上升，支持主动流量管理。
• 由于其无监督和数据驱动的特性，该框架可适配其他机场或交通系统，如配备GPS的卡车车队。