1.一种基于运行特征的区域扇区场景相似识别方法，其特征在于，包括：根据区域扇区运行特点，建立区域扇区运行特征体系，以获取区域扇区运行情况实测数据的相关性；根据相关性通过主成分分析方法降低运行特征的信息冗余和维度，以获取主成分特征；通过欧式距离和DTW方法对主成分特征组成的离散和时序数据进行相似性度量；根据相似性度量结果通过谱聚类方法对相似运行模式和相似运行趋势进行识别；以及通过平均轮廓系数和MDS方法对识别结果验证；所述根据区域扇区运行特点，建立区域扇区运行特征体系，以获取区域扇区运行情况实测数据的相关性的方法包括：所述区域扇区运行特征体系包括：水平维度的运行指标和垂直维度的运行指标；所述水平维度的运行指标包括：扇区流量、入扇航向方差、航行距离、航行时间和平均航行速度；所述垂直维度的运行指标包括：爬升时间、下降时间、平飞时间、爬升次数、下降次数、平飞次数、混合态势爬升时间、混合态势下降时间、混合态势平飞时间、混合态势爬升次数、混合态势下降次数、混合态势平飞次数和运行混合系数；根据区域扇区运行特征体系反应区域扇区运行情况，以获取区域扇区运行情况实测数据的相关性；所述相关性包括：区域扇区运行的连续性和聚集性；所述根据相关性通过主成分分析方法降低运行特征的信息冗余和维度，以获取主成分特征的方法包括：根据区域扇区运行的连续性和聚集性，将计算出的特征值输入到PCA模型中，通过正交变换，将原随机向量转化为不相关的新随机向量，降低运行特征的信息冗余和维度，以获取主成分特征；所述通过欧式距离和DTW方法对主成分特征组成的离散和时序数据进行相似性度量的方法包括：通过信息权重对主成分特征进行加权处理：f weight ＝ω·f origin ；其中，f weight 为加权后的主成分特征值；f origin 为原始主成分特征值，ω为f origin 特征所能解释的信息占比；设定时序时间长度为len，将加权后的主成分特征的数据根据时间间隔处理成离散的数据和时序数据；通过欧式距离和DTW，对离散数据和时序数据的距离进行度量：其中，E(x,y)为样本x、y的欧式距离；m为主成分特征数量；x i 为样本x中第i个主成分特征的特征值；y i 为样本y中第i个主成分特征的特征值；对于两个时间序列X＝{x 1 ,x 2 ,…,x m }和Y＝{y 1 ,y 2 ,…,y n }，DTW距离公式为：其中，DTW(i,j)为时间序列X中第i个样本与时间序列Y中第j个样本的DTW距离；分别得到离散数据相似性度量矩阵W D 和时序数据相似性度量矩阵W T ；所述根据相似性度量结果通过谱聚类方法对相似运行模式和相似运行趋势进行识别的方法包括：计算离散数据相似性度量矩阵W D 和时序数据相似性度量矩阵W T 中的各行之和，即根据 获取度矩阵D，其中w ij ＝e -(DTW(i,j)orE(i,j)) ，即对样本i,j的DTW或欧式距离做相似度处理， 以得到两个度矩阵D D 和D T ；通过相似性度量矩阵和度矩阵，构建拉普拉斯矩阵L D ＝D D -W D 和L T ＝D T -W T ，其中L D ,L T 分别为离散数据和时序数据的拉普拉斯矩阵，并对拉普拉斯矩阵进行标准化，以获取 和 其中std.L D ,std.L T 分别为离散数据和时序数据的标准化拉普拉斯矩阵；分别计算std.L D 和std.L T 最小的前k D 、k T 个特征值的特征向量，并组成8832×k D 和1104×k T 维的矩阵，然后按行标准化得到矩阵F D 和F T ；矩阵F D 为含有k D 维特征的样本，矩阵F T 为含有k T 维特征的样本，根据k-means++方法，分别进行聚类，以获取聚类标签；根据聚类标签分别将离散数据样本和时序样本进行划分，以对相似运行模式和相似运行趋势进行识别。
2.如权利要求1所述的区域扇区场景相似识别方法，其特征在于，所述通过平均轮廓系数和MDS方法对识别结果验证的方法包括：根据轮廓系数获取平均轮廓系数：其中，a i 为点i与所在簇中其他所有点距离的平均值；b i 为点i与其他不同簇中其他所有点距离的平均值的最小值；则平均轮廓系数即求取所有轮廓系数s i 的平均值；根据平均轮廓系数获取最优聚类结果，并通过MDS方法对最优聚类结果下的场景识别效果进行验证，获取场景识别的合理性以及与当前运行的对比结果；根据场景识别的合理性以及对比情况，选择是否接受当前的场景识别结果，如果不接受，则重新选择时间间隔，通过欧式距离和DTW方法对主成分特征组成的离散和时序数据重新进行相似性度量，再次进行相似场景识别，直到最终识别效果被接受。
