天气和空中交通流量数据挖掘

1、交通流量管理数据挖掘更新Shon GrabbeTFM Technical Lead NASA Ames Research Center目标：给出相关 NAS 状态，天气和交通信息，决定“最好的”交通管理方案集合去完成每日运行计划目标。赞助: Richard Jehlen Director, Planning and Procedures FAA System Operations基础内容1.方法途径：2.历史 NAS 状态，天气和交通数据：从走廊集成天气服务获取（CIWS）对流天气观测和预报从 METAR 和 TAF 报获取机场天气观测和预报飞机状况显示到产业（ASDI）目前被用在交通数据中。

2、3.天气影响交通指数（WITI）简化版被用来估计对流天气对航路交通的影响。4.空域天气转化空域天气等聚类5.空域特征：聚类技术可以用来减少航路特征数量，可以简化学习自动算法。使用了每天的 20 个中心 WITI 和总的 NAS WITI使用 2011 年的 321 天作为输入数据 WITI 分布获取： 平均值 方差 四分位差，90 th , and 95 th percentiles WITI 值标准化进行聚类分析，获取 17 个类将每天分布到一个特定的类中：-使用总的国家空域 WITI 去确定每天是温和/中等的/恶劣天气-使用中心WITI 百分数去分类区域天气6.空域天气聚类7.天气聚类改航

3、图8.历史交通管理措施NTML and the website are the primary sources of historical reroutes, MIT restrictions, AFPs, Ground Delay Programs and Ground StopsNTML 和 网站是历史改航数据的首要来源，MIT 限制，AFPs，GDP 和地面停止 Much of the data is not directly machine readable，很多数据不是直接的机器可读 This effort will ultimatel

4、y be a client for the “TMI Cube” but currently much of the work is occurring in parallel 影响最终会成为“TMI，试管”的客户但是当前大部分工作室平行的出现的。改航9.改航数据减少2011 年的 989 个“唯一的”ATCSCC ADVZY 改航数据减少技术需要减少这个数字，为了描述高水平和国家层次的计划10.日常改航聚类去减少这改航数字的一个技术是去按照一个预先公开的计划（剧本？）航路的角度代替这些它们。11.剧本航路的中心展示有超过 200 个剧本航路，这样聚类这些航路可以提高计算性能。一个去聚类航路的

5、方法涉及到了按照它们飞过的中心替代每个航路。所有可能 NAS 网络边界：ZSE-ZOA ,ZOA-ZLA,ZSE-ZLC,ZOC-ZLC 等等“BUM” 使用网络边缘： ZSE-ZLC ZOA-ZLC ZLC-ZDV ZLA-ZDV ZLA-ZAB ,等等向量代表“BUM”网络边界： BUM?12 剧本网络聚类方法.K-mean 算法使用去聚类剧本航路最大化所有聚类的平均轮廓分数决定聚类数量聚类使得航路数量从 200 多变成了 17 个13.聚类样本成员聚类 3-7聚类样本成员聚类 4-4聚类样本成员聚类 6-18改航数据减少14.基于网格航路举例测试方案15.样本改航聚类地面等待程序 GDP

6、16.地面等待模型方法目标：基于历史数据使用数据挖掘和其他学习自动化概念开发一个决策相关模型-给出一个天气中断信号，有哪些过去的包含了国家级计划的 GDP 去应对相似数据（NTML,ASPM,METAR 从 2008 到 2010）决策树学习算法17.地面等待场所？GDP 在主要机场（。） 8 个机场同时出现 GDP 的可能很少见 至少一个这些机场出现 70%的天数里有 GDP开发两种模型模型预测主要机场的 GDPs模型确定不同机场的 GDP 相关性SFO 地面等待决策树THE PLAN 2.0p87特征选择：最好的区别特征会通过一个控制活动的高概率产生集每个树的根部到叶子的路径代表一个天气信

7、号18.地面等待的两个能力能力 1.指定情况下预测个别机场地面等待程序天气信号 2010/12/11，哪一个 GDP 计划基于 GDP 的历史模块？能力 2.捕获不同机场 GDPs 之间的相关性预测纽约区域的 GDP可能的 GDP 数量 在纽约区域是 3预测 GDP 模块在纽约区域在 2010/12/12，概率是 65%19.GDP 预测要点明白在相似天气条件下管制活动的变化性：可能的变化包括管制员主观意志，不同的目标，备选管制活动可用性，影响因素的丢失。因此，进行了如下工作：用根据出现如下天气信号的天数决策树中的历史模块比较官方 GDP引起原因：能见度3.5nm，风速11,美国东北部主要机场 GDPs 数量某个值风影响交通指数WITI某个值给出GDP概率没有GDP拥堵计划机场到达率某个值没有GDP给出GDP概率图3.地面等待决策树流程示意图以上决策树示意图中，从树的根部到叶子的每个路径代表一个天气信号，也就