对流天气影响终端区的容量预测方法

1.一种对流天气影响终端区的容量预测方法，其特征在于，包括：构建影响终端区的对流天气特征；根据特征构建基于对流天气影响场景的聚类模型；根据聚类模型获取对流天气对终端区影响程度不同的分类场景；根据分类场景仿真评估相应容量值及对对流天气进行特征重构；根据评估容量值及重构特征，构建机器学习预测模型；以及根据机器学习预测模型的预测结果进行对比分析；所述对流天气影响终端区的容量预测方法的方法包括：通过对流天气所具有的属性构建特征；通过对流天气对主要离场点的影响构建特征；通过对流天气对主要进场走廊的影响构建特征；通过对流天气对跑道附近空域的影响构建特征；所述通过对流天气所具有的属性构建特征的方法包括：对WAF进行二值化处理，抓取WAF轮廓边缘并对其进行凸包化处理，形成符合实际运行条件的WAF，保留在终端区内并与终端区有交集的WAF凸包；对已经过凸包化处理的不规则多边形WAF，求其最小外接矩阵，再计算最小外接矩阵的中心坐标，将其作为WAF凸包的中心坐标(X,Y)；WAF凸包自身的周长和面积反映了对流天气本身的严重程度，C为WAF凸包自身的周长，S为凸包自身的面积，则周长面积比特征为 所述通过对流天气对主要离场点的影响构建特征的方法包括：WAF凸包集合为WAF＝{P 1 ,P 2 ,...,P n }，确定WAF是否覆盖终端区主要离场点D＝{D i |i∈终端区所含主要离场点个数}，即 当x＝1，D i ∈D时，d wxl 为以D i 为起点WAF凸包左边覆盖的线段长度，d wxr 为以D i 为起点WAF凸包右边覆盖的线段长度，d il 为与D i 相邻的左边终端区边界长度，d ir 为与D i 相邻的右边终端区边界长度，计算WAF沿离场点D i 的相邻边界覆盖比重 并确定各离场点在WAF的影响下的流控情况；当已确定天气覆盖D i 时，从D i 离场的两架航空器之间的放行时间间隔β，即D i 点流控随WAF覆盖终端区边界的比重 用分段函数表示，正值为WAF覆盖在D i 点离场方向左侧，负值为WAF覆盖在D i 点离场方向右侧；所述通过对流天气对主要进场走廊的影响构建特征的方法包括：终端区主要进场走廊A＝{A k |k＝1,2,...,10}，S wx 为被对流天气覆盖的空域面积，S 总 为空域的总面积，则空域被危险天气覆盖的比例，即第k个进场走廊的天气危险指数 每个进场走廊多边形都包括源、汇、顶、底，Mincut j 为在第j个WAF凸包的影响下的第k个进场走廊多边形的最小割，Mincut k0 为良好天气下第k个进场走廊多边形的最小割，e i 和e b 分别为进场走廊多边形的顶边和底边，则在第j个WAF凸包的影响下的第k个进场走廊多边形的可用流容比为：所述通过对流天气对跑道附近空域的影响构建特征的方法包括：将跑道附近的区域划分为若干部分，(cX,cY)为WAF中心的图上坐标，(x 0 ,y 0 )为跑道中心的图上坐标，则WAF中心距跑道中心的欧式距离为 所述根据评估容量值及重构特征，构建机器学习预测模型的方法包括：将重构特征作为神经网络的输入层，将容量评估值作为输出层，根据经验公式 预设隐含层的层数与节点个数，并根据激活函数和优化器建立BP神经网络模型进行对流天气影响下的终端区容量预测；将重构特征的数据集划分为训练集数据和测试集数据，根据线性回归的公式建立线性回归模型进行对流天气影响下的终端区容量预测；根据目标函数 约束条件 核函数选择高斯核函数，建立支持向量机回归模型进行对流天气影响下的终端区容量预测；其中，w为x的系数矩阵；f(x i )＝w'x i +b，将|y i -f(x i )|-ξ (*) ≤ε写成了目标函数中的两个不等式约束；ξ i 和ξ i 表示将“分割带”以外的样本点x i 拉回到两条带内所需要的成本。 2.如权利要求1所述的对流天气影响终端区的容量预测方法，其特征在于，所述根据特征构建基于对流天气影响场景的聚类模型的方法包括：选取与位置相关的特征cX、cY、天气中心与跑道距离d RWY 以及与天气危险指数WSI这四个特征获取最佳聚类数目，评价聚类结果确定聚类簇k，采用K-means聚类算法建立聚类模型；通过对聚类的值n以及高斯核函数的参数γ进行遍历，比较Calinski-Harbasz Score的大小关系，找到当Calinski-Harbasz Score最大或显著大时所对应的类别的值，此时的γ为最优高斯核参数、n为最优的聚类个数，将对流天气凸包样本集P按特征列进行标准化处理，使得各列特征数据映射到[0,1]区间之上，即标准化后的天气凸包样本的特征 采用谱聚类算法建立聚类模型；利用模型复杂度的惩罚项AIC和BIC准则选取高斯混合模型的最佳聚类类别数量，根据不同的聚类类别数量下AIC和BIC值的变化趋势确定聚类类别数，采用高斯混合聚类算法建立聚类模型。 3.如权利要求2所述的对流天气影响终端区的容量预测方法，其特征在于，所述根据聚类模型获取对流天气对终端区影响程度不同的分类场景的方法包括：根据采用高斯混合聚类算法建立聚类模型获取符合终端区的实际管制场景。 4.如权利要求3所述的对流天气影响终端区的容量预测方法，其特征在于，所述根据分类场景仿真评估相应容量值及对对流天气进行特征重构的方法包括：通过计算机仿真模型进行容量评估，获取不同分类场景的容量值；构建机场场面和终端区扇区结构的仿真模型，由终端区的每日实际总起降架次样本集，获取第d天的日实际总起降架次样本集，将第d天的日实际总起降架次样本按从小到大排序，确定预设百分比分位数样本所对应的日期为典型日，结合典型日前后两天的飞行计划，生成一共三天的飞行计划，作为仿真模型的输入；根据预设仿真过程监测数据记录步长，监测航班计划中三天的平均流量，同时观察平均进离场延误，观察平均延误在预设时间的实时平均流量，此时的流量值即当前对流天气影响下的终端区容量值，即容量评估值；对流天气影响下的特征重构，高斯聚类的类别为集合为P＝{p 1 ,p 2 ,…,p m }，预设时间内将更新WAF图片信息次数为t＝{1,2,…,10}，第i张WAF图片的第j个对流天气凸包所属的类别为c ijm ，其所包含的每类的个数为n 1 ,n 2 ,…,n m ，则c i ＝[n i1 ,n i2 ,…,n im ]；按照每张WAF图片包含的天气凸包数量q和高斯隶属类别P进行天气特征重构，形成以小时为单位的天气特征类别矩阵特征重构 即重构特征。 5.如权利要求1所述的对流天气影响终端区的容量预测方法，其特征在于，所述根据机器学习预测模型的预测结果进行对比分析的方法包括：根据训练集和测试集的性能度量指标拟合优度R2、平均绝对误差MAE以及均方误差MSE的整体情况，以及预测值偏离仿真评估容量值的趋势对比分析三种预测模型的预测精度，以确定对流天气影响终端区的容量预测模型。