基于BP网络的空中交通管制运行品质评价
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于BP网络的空中交通管制运行品质评价范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
基金项目： 国家科技支撑计划项目（2011BAH24B06）；国家软科学计划项目（2010GXS1B105）；民航科技项目（MHRDZ200815）
作者简介： 张建平（1976-），男，高级工程师，博士研究生，研究方向为空中交通管理，电话：13808097935，E-mail：
文章编号： 0258-2724（2013）03-0553-06DOI： 10.3969/j.issn.0258-2724.2013.03.025
摘要：
为改善空中交通管制运行品质综合评价方法，建立了包括空中交通流密度、运行安全性能、运行效率性能及管制员工作负荷的通用评价指标体系；基于bp（back propagation）网络模型给出了运行品质分类评价的人工智能方法.针对成都终端管制区域平行双跑道隔离运行模式，采集60个典型样本进行网络训练测试，确立了拓扑结构为12-7-5型的BP网络模型，并应用于对40个检验样本的分类评价.经与主成分分析法比对，2种综合评价方法所得出的评价结果基本一致.
关键词：
中图分类号： V355文献标志码： A
空中交通管制运行品质涵盖空中交通流密度、运行安全性能、运行效率性能及管制员工作负荷等多个方面[1-2].对管制运行品质做出科学评价，是确定管制运行优化策略、改善管制运行状况的前提.相关研究成果包括：文献[3-5]研究了空中交通流密度问题，提出了用于判别空中交通拥挤程度的指标及分析计算方法；文献[6-8]基于威胁差错管理（threat and error management，TEM），给出了管制运行安全性能的评价方法；文献[9-10]通过研究航班延误问题，对管制运行效率性能进行了评价；文献[11-13]
针对管制员工作负荷评估，对管制员生理及心理状况测量、人与机器系统环境之间相互作用等方面进行了研究，并应用于管制扇区容量评估.目前，研究主要针对单一管制运行品质问题，由于不同运行品质问题间相互影响、相互作用，需要对诸多运行品质因素开展综合评价，才能系统地改善管制运行状况.鉴于评价因素众多且存在此消彼涨的关系，依靠人工评定方式往往因专家意见相左而无法形成评价结论；文献[1-2]研究了定量的综合评价方法，针对单跑道终端区建立了管制运行品质评价指标体系，并基于主成分分析法对原始指标进行降维处理，实现综合评价.
然而，主成分分析法是一种简化数据集技术，它是将原始指标重新组合成一组新的互相无关的几个综合指标，同时根据实际需要从中取出几个较少的综合指标进行分析，因此会产生原始指标信息的丢失，影响评价结果的准确性；此外，应用主成分分析法尽管可得出样本综合评价分值，但无法实现对样本的分类归纳.实际中，基于全信息的评价方法是优选的评价方法，而就评价效果而言，样本分类结果较样本评分结果更加简洁直观.为改善上述问题，本文建立了通用的管制运行品质评价指标体系，通过设计BP（back propagation）网络，针对全部原始指标信息建立输入-输出映射关系，以人工智能方式给出管制运行品质分类评价方法.经实例验证，新方法弥补了主成分分析法的缺陷，更为优化.
1
评价策略及方法
1.1
管制运行品质评价指标体系
管制运行品质评价指标尚无行业规范，为定量开展综合评价，基于文献[1]归纳得出了具有通用性的评价指标体系，如表1所示.近年来，空管领域相关雷达综合航迹处理技术、飞行计划处理技术、管制席位语音通话数据采集技术、数据集成共享技术都发展得比较成熟，这使得表1各项指标数据的采集具备技术和工程方面的可行性.
1.2
BP网络原理
作为人工神经网络模型的代表，BP网络能学习和存储大量的输入-输出模式映射关系，无需事前揭示描述这种映射关系的数学方程，具有突出的大规模并行处理、信息分布存储及自学习功能，已广泛应用于函数逼近、模式识别、分类及数据压缩问题[14].BP网络的拓扑结构包括输入层（input layer）、隐含层（hide layer）和输出层（output layer），学习算法由信息正向传播和误差反向传播两个过程组成.对于一个信息正向传播过程，输入层各节点负责接收来自外界的输入信息，并传递给隐含层各节点；隐含层负责信息变换，根据信息变化能力需求可以设计为单层或多层；最后一个隐含层传递到输出层各节点的信息，经进一步处理后由输出层向外界输出.当实际输出与期望输出不符时，进入误差反向传播阶段.误差通过输出层，基于误差梯度下降的方式修正各层权值和阈值，向隐含层、输入层逐层反传.周而复始的信息正向传播和误差反向传播过程，是各层权值和阈值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到可以接受的程度为止[15].
1.3
策略及方法
1.3.1
网络设计
理论证明，具有偏差和一个无限隐含层节点的3层BP网络可以实现任意从输入到输出的非线性映射；误差精度的提高可以通过增加隐含层中节点数目获得，其训练效果比增加隐含层层数更容易观察和调整[16].因此，建立含有一个隐含层的3层BP网络，其设计的关键是隐含层节点数目的确定.
（1） 输入层节点数J：对于评价对象，J取评价指标个数.
（2） 输出层节点数M：将评价结果以分类形式表示，M取所划分的类别数目.
（3） 隐含层节点数Q：取值范围由式（1）所示的经验公式确定.在BP网络中，隐含层节点数的选择对误差精度影响很大：节点数太少，网络不能很好地学习；节点数太多，网络容易过拟合，影响泛化能力.
1.3.2
样本集建立
采集足量样本，每一样本对应某管制运行时段的J项评价指标的原始数据.调取样本对应管制运行时段的录音录像，组织资深管制专家以听录音、看录像的方式，分析所复现的管制情境，参照样本指标数据，并根据经验对样本进行分类评价（划分为M类），同时，采用文献[1]给出的主成分分析法计算各样本的综合评价分值.对于某样本，如专家形成了较为一致的分类意见，且与其主成分分析法得到的评价分值水平相符，则确定该意见为样本的分类评价结果，定义该样本为典型样本；如专家分类意见差异较大，则定义该样本为非典型样本.选取适量典型样本分别建立训练样本集和测试样本集，2个样本集均要求由M类样本组成，且各类样本数目相等.选取适量非典型样本建立检验样本集.
1.3.3
网络训练及测试
（3） 采取与训练样本集相同的方式，对测试样本集进行样本原始数据归一化预处理，并确定样本的输出层期望值向量.再针对每个可能的隐含层节点数，将测试样本的归一化数据输入训练好的网络，输出仿真评价结果.参照式（5），将测试误差定义为输出层期望值向量与仿真评价结果间的均方误差批处理结果.对不同的隐含层节点数，训练误差小的表明收敛精度高，测试误差小的表明泛化能力好.通过测试，选取训练误差及测试误差均较小时的网络训练结果，此时对应的隐含层节点数及训练得到的各层权值和阈值，即为BP网络建模结果.
1.3.4
模型检验
检验样本集由非典型样本组成，这类样本的专家分类评价意见存在较大分歧，将根据式（2）归一化的检验样本数据输入所建立的BP网络模型，输出仿真评价结果，实现样本分类评价.调取检验样本在1.3.2中采用主成分分析法得到的综合评价分值，比对2种方法的评价结果，检验BP网络建模的有效性.
2
实例分析
成都终端管制区域以双流国际机场为中心，主用平行双跑道隔离运行模式（跑道02L担负航班起飞任务，跑道02R担负航班着陆任务），常设2个管制扇区（南扇和北扇），繁忙程度居于国内前列.以此作为研究对象开展实例分析，具有典型性.
2.1
评价指标及样本集
根据表1，针对成都终端管制区域平行双跑道隔离运行模式，确立12个运行品质评价指标：
以北京时整点小时片段为时长，采集2012年2月27日至3月6日的样本原始数据，表2为实例的某样本原始数据.组织5名资深管制专家分别对样本进行了分类评价，样本所反映的管制运行品质水平分为“优、良、好、中、差”5类；同时，应用主成分分析法对样本进行综合评价，将12个原始指标重组为7个综合指标（主成分），降维处理后保留了88.05%的原始指标信息，计算出各样本的综合评价分值，分值高的样本表示运行品质水平高[1].样本中，如有4名（含）以上专家意见一致，且该意见符合采用主成分分析法得到的综合评价分值水平，则确定为典型样本.从典型样本中，选取50个建立训练样本集，每种类别各10个样本；选取10个建立测试样本集，每种类别各2个样本.检验样本集由40个非典型样本组成.
2.2
BP网络建模
应用MATLAB神经网络工具箱实现BP网络的设计、训练及测试.网络输入层节点数J=12；根据样本分类定义的期望值向量如表3所示，设定输出层节点数M=5；根据式（1）确定隐含层节点数Q的取值范围为[5，14].调用工具箱中traingdx函数（对应附加动量因子自适应学习速率梯度下降算法），实现网络训练.附加动量因子设为0.9，学习速率初始值设为0.05，训练误差收敛精度目标为10-3，训练步长为20 000次.针对可能的隐含层节点数，训练及测试结果如表4所示.
2.3
检验分析
应用所确立的BP网络对40个检验样本进行仿真评价，计算各样本类别对应期望值向量与输出向量间的均方误差，取误差最小时对应的样本类别为样本分类结果.调取检验样本的主成分分析法综合评价分值，与基于BP网络得到的样本分类结果进行比对，结果如表5所示.由表5可知，在40个样本中有37个样本应用2种方法的评价结果一致，仅第17、18、27号样本的评价结果不一致，证明所建BP网络用于管制运行品质综合评价有效.
3
结论
针对空中交通管制运行品质的综合评价问题，以某终端区为例，提出了基于BP网络模型的评价方法，弥补了主成分分析法的缺陷，改善了评价方法.结论如下：
（1） 基于文献[1]给出的单跑道终端区评价指标体系，归纳得出了适用于各类管制系统的评价指标体系，包含空中交通流密度、运行安全性能、运行效率性能及管制员工作负荷等4个方面的指标.进而针对某终端管制区域平行双跑道隔离运行模式，设计了容纳12个评价指标，5种样本类别的3层BP网络，给出了管制运行品质分类评价方法.通过选取60个典型样本进行网络训练测试，确立了拓扑结构为12-7-5型的BP网络模型.经采用40个检验样本进行比对验证，由该网络模型得到的分类评价结果与由主成分分析法得到的综合评分基本一致，证明新方法有效.
（2） 主成分分析法和BP网络评价方法均是实现管制运行品质综合评价的有效途径，但各有利弊.主成分分析法属于多元统计分析，通过计算样本的评价分值实现综合评价，但因降维处理会丢失部分原始指标信息，导致评价结果准确性欠缺，此外它不具备分类归纳能力.BP网络评价方法针对全部原始指标信息建立输入-输出映射关系，以人工智能方式实现基于全信息的样本分类评价，但由于网络的训练测试源于典型样本，所建网络的泛化能力有待提高.鉴于实际中优选基于全信息评价，且样本分类结果较样本评分结果更加简洁直观，评价效果更好，因此BP网络评价方法相对更优.
参考文献：
[1]张建平，胡明华，刘卫东. 终端区空中交通管制运行品质综合评价[J]. 西南交通大学学报，2012，47（2）： 341-347.
ZHANG Jianping， HU Minghua， LIU Weidong. Integrated evaluation for operation performance of air traffic control in terminal area[J]. Journal of Southwest Jiaotong University， 2012， 47（2）： 341-347.
[2]张建平，鱼海洋，邹国良. 终端区空中交通管制运行品质评价因子研究[J]. 中国民航大学学报，2012，30（3）： 18-21.
ZHANG Jianping， YU Haiyang， ZOU Guoliang. Research on evaluation factors for operation performance of air traffic control in terminal area[J]. Journal of Civil Aviation University of China， 2012， 30（3）： 18-21.
[3]岳仁田，赵嶷飞，罗云. 空中交通拥挤判别指标的建立与应用[J]. 中国民航大学学报，2008，26（3）： 30-35.
YUE Rentian， ZHAO Yifei， LUO Yun. Construction and application of congestion discrimination index for air traffic[J]. Journal of Civil Aviation University of China， 2008， 26（3）： 30-35.
[4]张进，胡明华，张晨. 空中交通管理中的复杂性研究[J]. 航空学报，2009，30（11）： 2132-2142.
ZHANG Jin， HU Minghua， ZHANG Chen. Complexity research in air traffic management[J]. Acta Aeronautica Et Astronautica Sinica， 2009， 30（11）： 2132-2142.
[5]张进，胡明华，张晨. 交叉航路空域的时隙可用性评估方法[J]. 西南交通大学学报，2010，45（6）： 958-964.
ZHANG Jin， HU Minghua， ZHANG Chen. Evaluation method for time-slot availability of crossing air route[J]. Journal of Southwest Jiaotong University， 2010， 45（6）： 958-964.
[6]ICAO. Doc9859-AN/474（2nd Edition）-2009 Safety management manual （SMM）[S]. Montreal： ICAO， 2009.
[7]ICAO. Doc9910 （1st Edition）-2008 Normal operations safety survey[S]. Montreal： ICAO， 2008.
[8]ICAO. Cir314-AN/178-2008 Threat and error management （TEM） in air traffic control[S]. Montreal： ICAO， 2008.
[9]赵嶷飞，张亮. 航班延误统计指标体系及延误等级评估研究[J]. 交通运输工程与信息学报，2009，7（2）： 9-15.
ZHAO Yifei， ZHANG Liang. Research on the flight delay statistical index system and rating assessment[J]. Journal of Transportation Engineering and Information， 2009， 7（2）： 9-15.
[10]张静，徐肖豪，王飞，等. 基于模糊线性回归模型的机场延误性能评估[J]. 交通运输工程学报，2010，10（4）： 109-114.
ZHANG Jing， XU Xiaohao， WANG Fei， et al. Airport delay performance evaluation based on fuzzy linear regression model[J]. Journal of Traffic and Transportation Engineering， 2010， 10（4）： 109-114.
[11]张明，韩松臣. 基于可拓学的管制员工作负荷综合评价[J]. 南京航空航天大学学报，2008，40（6）： 840-844.
ZHANG Ming， HAN Songchen. Integrated evaluation of controller workload based on extenics[J]. Journal of Nanjing University of Aeronautics & Astronautics， 2008， 40（6）： 840-844.
[12]COLLET C， AVERTY P， DITTMAR A. Autonomic nervous system and subjective ratings of strain in air-traffic control[J]. Applied Ergonomics， 2009， 40（1）： 23-32.
[13]ICAO. Doc9426-AN/924（1st Edition）-1984 Air traffic service planning manual[S]. Montreal： ICAO， 1984.
[14]闻新，周露，力，等. MATLAB神经网络应用设计[M]. 北京：科学出版社，2000： 207-243.
[15]何长虹，黄全义，申世飞，等. 基于BP神经网络的森林可燃物负荷量估测[J]. 清华大学学报：自然科学版，2011，51（2）： 230-233.
HE Changhong， HUANG Quanyi， SHEN Shifei， et al. Forest fuel loading estimates based on a back propagation neutral network[J]. Journal of Tsinghua University： Science and Technology， 2011， 51（2）： 230-233.
[16]柳忠起，袁修干，樊瑜波. 基于BP神经网络的飞行绩效评价模型[J]. 北京航空航天大学学报，2010，36（4）： 403-406.
LIU Zhongqi， YUAN Xiugan， FAN Yubo. Pilot performance evaluation model based on BP neural networks[J]. Journal of Beijing University of Aeronau-tics and Astronautics， 2010， 36（4）： 403-406.
[17]苏高利，邓芳萍. 论基于MATLAB语言的BP神经网络的改进算法[J]. 科技通报，2003，19（2）： 130-135.
SU Gaoli， DENG Fangping. On the improving backpropagation algorithms of the neural networks based on MATLAB language： a review[J]. Bulletin of Science and Technology， 2003， 19（2）： 130-135.