МЕМЕТИЧЕСКИЙ АЛГОРИТМ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ТРАЕКТОРИИ ВОЗДУШНОГО СУДНА

MEMETIC ALGORITHM FOR AIRCRAFT TRAJECTORY PREDICTION

Yuriy Zemskov

candidate of Science, department of Applied Mathematics and Computer Science, Saint Petersburg State University of Civil Aviation,

Russia, Saint Petersburg

АННОТАЦИЯ

Проведен анализ существующих методов прогнозирования траектории воздушных судов в современных автоматизированных системах организации воздушного движения и кратко описан новый перспективный метод, основанный на нечеткой логике и гибридном генетическом алгоритме.

Ключевые слова: прогнозирование траектории, база летно-технических параметров, машинное обучение, нечеткая логика, гибридный генетический алгоритм, автоматизированная система управления воздушным движением.

В современных автоматизированных системах организации воздуи, большое внимание уделяется задаче прогнозирования четырех­мерных (4-D) траекторий воздушных судов (ВС) на основе планов полетов, информации о погоде, летно-технических характеристик ВС, а также по данго наблюдения (АЗН) и других источников информации [1].

Результат прогнозирования требуются для распределения полетных данных по рабочим местам диспетчеров; для обнаружения среднесрочных конфликтных ситуаций; для организации потоков прилета и вылета (AMAN/DMAN).

Европейская организация по безопасности воздушной навигации EUROCONTROL считает подсистему прогнозирования одной из основных, необходимых для эффективной работы АС ОрВД нового поколения (рис. 1) [2].

Рисунок 1. Взаимодействие подсистемы прогнозирования траекторий ВС с другими подсистемами АС ОрВД

Традиционно в современных АС ОрВД для решения задачи прогнозирования ВС используют физическое моделирование [3, 4]. Модели этой группы должны включать в себя: 1) модель плановой подсистемы АС ОрВД; 2) базу летно-технических характеристик ВС (обычно используется база данных BADA – Base of Aircraft Data); 3) аэронавигационную базу данных (AIDB); 4) модель подсистемы наблюдения за воздушной обстановкой; 5) модель международной стан­дартной атмосферы (ISA); 6) модель метеорологической обстановки.

Состояние ВС при физическом моделировании описывают вектором

X(t) = [ X(t) Y(t) H(t) V(t) ψ(t) m(t) ],

где X(t) и Y(t) – декартовы координаты ВС в горизонтальной плоскости; H(t) –геопотенциальная высота ВС; V(t) – истинная воздушная скорость; ψ(t) – курс ВС; m(t) – масса ВС. Для каждого этапа полета (взлет TO, начальный набор высоты IC, набор высоты CL, крейсерский режим CR, снижение DES, заход на посадку AP, посадка LD) динамика ВС описывается системой дифференциальных уравнений первого порядка, где в качестве управляющих воздействий выступают сила тяги двигателя, угол крена и угол наклона траектории ВС. В рекомендациях европейской организации EUROCONTROL [2] последняя переменная заменена фактором энергетического баланса (Energy Share Factor), а соответствующая модель носит название модели полной энергии (Total Energy Model), поскольку она рассматривает скорость изменения полной (кинетической и потенциальной) энергии ВС.

В данной работе предлагается вместо традиционного физического моделирования использовать модель, основанную на данных (data-driven) и мягкие вычисления (soft computing).

Происходящее за последние годы в мире и в России повсе­местное внедрение систем автоматического зависимого наблюдения в режиме вещания (АЗН-В) позволило накопить достаточную базу фактических данных по наблюдению за траекториями движения ВС гражданской авиации, что открыло возможность использования этой информации для разработки алгоритмов прогнозирования, основанных на использовании метаэвристик, в частности, генетических и мемети­ческих алгоритмов.

Как известно, генетические алгоритмы (ГА) составляют большой подкласс стохастических методов глобального поиска, которые имитируют наблюдаемый в природе процесс эволюции, состоящий их последовательно применяемых операторов рекомбинации, мутации и естественного отбора генов; каждый ген хранит в закодированном виде весь набор параметров соответствующего алгоритма. Обобщение ГА – меметические алгоритмы (МА, memetic algorithms) или, как их иначе называют, гибридные ГА, отличаются от обычных ГА наличием дополнительного шага локального поиска (процедуры индивиду­ального обучения), что позволяет улучшить сходимость.

Предлагаемый алгоритм прогнозирования траектории ВС состоит из следующих шагов:

1. Формирование обучающего множества – набора временных рядов, полученных от системы АЗН-В или других источников наблюдения за воздушной обстановкой, описывающих траектории ВС данного типа с заданным стандартным планом полета между заданными начальным и конечным аэродромами.
2. Формирование из исходных данных нечетких временных рядов, т. е. фаззификация приращений параметров траекторий и влияющих факторов.
3. Построение базы нечетких знаний, т. е. нечетких логических отношений (импликаций), связывающих нечеткие значения влияющих факторов с нечеткими приращениями временных рядов (траекторий ВС). Для нахождения оптимальной комбинации используемых при этом параметров (число интервалов разбиения и ширина каждого интервала, вид функции принадлежности и ее параметры для каждого интервала и т. п.), применяется МА.
4. Прогнозирование и дефаззификация полученных результатов.

На рис. 2 показан пример высотного профиля полета ВС, рассчитанного по указанному алгоритму.

Несомненным достоинством предлагаемого алгоритма является возможность учитывать имеющиеся отклонения летно-технических характеристик каждого конкретного воздушного судна от стандартных значений, приведенных в базе данных BADA; влияние трудно учиты­ваемых метеорологических факторов, которые, тем не менее, приводят к статистически-значимым влияниям на результирующую траекторию; наличие других воздушных судов в рассматриваемом секторе воздушного пространства и любые другие факторы, по которым накоплена достаточная статистика и которые, таким образом, могут быть использованы в процессе обучения алгоритма прогнозирования (в отличие от традиционного физического моделирования).

Рисунок 2. Зависимость высоты ВС от времени: 1 – расчет по МА, 2 – данные АЗН-В

Список литературы:

1. Автоматизированные системы управления воздушным движением: Новые информационные технологии в авиации: Р.М. Ахмедов, А.А. Бибутов, А.В. Васильев и др. – СПБ.: Политехника, 2004. – 446 с.
2. EUROCONTROL Specification for Trajectory Prediction. Edition 2.0. EUROCONTROL-SPEC-0143, March 2010. 64 p.
3. Киселев В.Ю., Монаков А.А. Предсказание траектории воздушного судна в автоматизированных системах управления воздушным движением // Информационно-управляющие системы. – 2015. – №4 (77). – С. 33-40.
4. Musialek B., Munafo C.F., Ryan H., Paglione M. Literature Survey of Trajectory Predictor Technology. Technical report DOT/FAA/TC-TN11/1, Federal Aviation Administration William J. Hughes Technical Center, Atlantic City, 2010. 69 p.
5. Costas P. et al. DART: A Machine-Learning Approach to Trajectory Prediction and Demand-Capacity Balancing. SID 2017, 7th SESAR Innovation Days, Nov 2017, Belgrade, Serbia.