Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures

要約

現実的な航空機の軌道モデルは、航空交通管理 (ATM) システムの設計と検証に役立ちます。
計器飛行規則 (IFR) の下で運用される航空機のモデルでは、航空機が標準的な飛行手順に従う方法に固有の変動性を捉える必要があります。
航空機の挙動の変動性は、飛行段階によって異なります。
この論文では、レーダー監視データから収集された手順データと飛行軌跡から変動性を学習できる確率モデルを提案します。
セグメントごとに、ガウス混合モデルを使用して、手順からの航空機の軌道の偏差を学習します。
新しい手順が与えられると、訓練されたガウス分布から一連の偏差をサンプリングし、偏差と手順を使用して航空機の軌道を再構築することにより、合成軌道を生成できます。
この方法を拡張して航空機間のペアワイズ相関を取得し、ペアワイズ モデルを使用して任意の数の航空機を含むトラフィックを生成する方法を示します。
ジョン F. ケネディ国際空港の到着経路と手順で提案されたモデルを示します。
元の軌跡データセットと合成軌跡データセットの間の分布の類似性は、さまざまな変数の経験的分布間の Jensen-Shannon 発散を使用して評価されました。
また、モデルから生成された合成軌跡の定性的分析も提供します。

要約(オリジナル)

Realistic aircraft trajectory models are useful in the design and validation of air traffic management (ATM) systems. Models of aircraft operated under instrument flight rules (IFR) require capturing the variability inherent in how aircraft follow standard flight procedures. The variability in aircraft behavior varies among flight stages. In this paper, we propose a probabilistic model that can learn the variability from the procedural data and flight tracks collected from radar surveillance data. For each segment, a Gaussian mixture model is used to learn the deviations of aircraft trajectories from their procedures. Given new procedures, we can generate synthetic trajectories by sampling a series of deviations from the trained Gaussian distributions and reconstructing the aircraft trajectory using the deviations and the procedures. We extend this method to capture pairwise correlations between aircraft and show how a pairwise model can be used to generate traffic involving an arbitrary number of aircraft. We demonstrate the proposed models on the arrival tracks and procedures of the John F. Kennedy International Airport. The distributional similarity between the original and the synthetic trajectory dataset was evaluated using the Jensen-Shannon divergence between the empirical distributions of different variables. We also provide qualitative analyses of the synthetic trajectories generated from the models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google