一种基于gabp神经网络的管制员工作负荷的预测方法及系统的制作方法
【技术领域】
[0001] 本发明涉及航空领域，尤指一种管制员工作负荷的预测方法及系统。
【背景技术】
[0002] 伴随着航空运输业的发展，为了保证各类飞行活动的安全和有序，空中交通管制 服务应运而生并不断得到发展完善，至20世纪80年代趋于成熟。现代空中交通管制服务 的主要内容是：空中交通管制员（简称为"管制员"，下同）依托现代通信、导航、监视技术， 对所辖航空器实施管理和控制，协调和指导其运动路径和模式，以防止空中航空器与航空 器相撞及在机场机动区内航空器与障碍物相撞，维护和加快空中交通的有序流动。管制员 主要工作是通过雷达显示的实时信息，密切监控飞行动态，并通过无线电通信设备向机组 发布各种指令，是一个集眼、手、嘴等多感官共同协调的工作。管制员的工作与航空器的飞 行安全息息相关。
[0003] 比如，公开号为CN104332073A的专利文献在2015-02-04公开了一种智能空中交 通管制系统，包括数据接收接口模块、数据处理中心、应急超控模块、电子飞行计划显示模 块、航班监控显示模块和航班控制指令发送模块。通过接收飞机准确的实时飞行信息，数据 处理中心即可展开飞行计划的精确计算，并优化整个飞行队列，如缩短飞机间距，合理调配 对应跑道的起降顺序，实时更改着陆角，曲线进近等，有效提高整个飞行队列的效率，加强 安全性。最终，整个飞行计划将显示在管制员的监控显示器上。航空管制员可以随时通过 显示器观察飞行队列起飞着陆的优先顺序，并通过更改飞机起飞/着陆航迹，航速等参数， 调整队列顺序。从而提尚机场通勤率，提尚管制员的工作效率。
[0004] 但即便如此，在最繁忙时段，个体管制员仍可能需要同时管制十几架航空器，因 此，管制员脑力劳动强度大、工作负荷高，经常需要倒班，容易出现不同水平的疲劳状态，对 管制员工作负荷进行预测并对可能产生超负荷的时段进行干预，可以有效避免疲劳状态的 产生。
[0005] 因此，关于管制员工作负荷预测的研究也逐渐被各国所重视，目前主要体现在 管制员工作负荷的测评技术上，自20世纪70年代以来陆续演化出了三类管制员工作 负荷测评方法，即：（1)根据管制员生理、行为特征分析，得出管制工作负荷强度。测量 的生理指标包括电击皮肤的反应、心率、心电图、血压、体液等，行为指标包括设备操作 次数、陆空通话时间记录等；（2)采取观察和问卷形式的主观测评方法，如ATWIT技术 (air traffic workload input technique，美国联邦航空局的空中交通负荷输入技术）、 NASA-TLX量表（task load index，美国国家航空航天局的任务负荷量表）、SWAT量表 (subjective workload analysis technique，主观工作负荷分析技术）和MCH法（modified cooper-harper ratings，库柏-哈柏修正法）等；（3)将管制员工作进行细分，对于看得见 的工作测计所消耗的时间，对于看不见的工作转化为时间上的消耗，以时间度量方式实现 对管制员工作负荷的定量评估。此类方法包括ICAO推荐的D0RATASK法（Directorate of Operation Research and Analysis of the United Kingdom，英国运筹研究与分析理事会 提出）和MBB法（Messerschmidt, Bglkow and Blohm of Germany，德国梅塞施密特、特尔科 和布卢姆提出），以及 RAMS 法（Re-organized ATC Mathematical Simulator，欧洲空管实 验中心提出）。
[0006] 例如，公开号为CN104636890A的专利文献在2015-05-20公开了一种空中交通管 制员工作负荷测量方法，包括：步骤A :确定管制负荷测量指标，该管制负荷测量指标包括 眼动指标和语音指标；步骤B :实时记录各眼动指标对应的眼动指标数据，以及各语音指标 对应的语音指标数据；步骤C :对记录的眼动指标数据进行因子分析，计算出眼动指标数据 的眼动综合因子；步骤D :以眼动综合因子和语音指标为输入因素，管制工作负荷值为输出 因素，建立管制负荷回归模型。该方法能够实时、无干扰的测量管制员的工作负荷，实用性 强。
[0007] 但该方法参考的数据比较局限，指标维度单一，不够全面、综合，存在一定的局限 性，预测可靠度不高。
【发明内容】
[0008] 本发明提供一种可以提高管制员工作负荷预测结果的可靠性的管制员工作负荷 预测方法和系统。
[0009] 本发明的目的是通过以下技术方案来实现的：
[0010] 一种管制员工作负荷的预测方法，包括步骤：
[0011] 步骤1 :确定BP神经网络拓扑结构，采集不同时段的扇区交通流态势指标样本、建 立样本集；
[0012] 步骤2:利用遗传算法优化BP神经网络的权值和阈值，进行网络训练，输出优化后 的BP神经网络；
[0013] 步骤3 :根据输入的扇区交通流态势指标实时数据，通过步骤2优化的BP神经网 络预测管制员工作负荷指数；
[0014] 步骤4:若测管制员工作负荷指数的结果符合预设条件，则响应警告。
[0015] 优选的，所述步骤1包括如下过程：
[0016] 步骤I. 1确定网络拓扑结构；
[0017] 步骤1.2建立样本集。
[0018] 优选的，所述步骤1. 2中的样本集包括不同时段的扇区交通流态势指标，及其对 应的管制员工作负荷指标；所述扇区交通流态势指标包括扇区通行性检测指标、扇区复杂 性检测指标、扇区安全性检测指标、扇区经济性检测指标。
[0019] 优选的，所述扇区通行性检测指标为扇区流量、扇区航行里程、扇区航行时间和扇 区交通流密度；
[0020] 扇区复杂性检测指标为扇区航空器爬升次数、扇区航空器下降次数、扇区航空器 改速次数、扇区航空器改航次数；
[0021] 扇区安全性检测指标为扇区短期冲突告警频率和扇区最低安全高度告警频率；
[0022] 扇区经济性检测指标为扇区饱和度、扇区排队长度、扇区航空器延误架次率、扇区 航空器延误时间、扇区航空器平均延误时间。
[0023] 优选的，步骤2包括如下步骤：
[0024] 步骤2. 1使用遗传算法优化BP神经网络权值和阈值；
[0025] 步骤2. 2以最优初始化权值和阈值，对扇区交通流态势指标样本进行BP神经网络 训练，输出优化后的BP神经网络。
[0026] 优选的，所述步骤2. 1包括：
[0027] 步骤2. I. 1随机初始化BP神经网络权值和阈值，对权值和阈值进行编码，形成个 体及种群；
[0028] 步骤2. L 2构造个体适应度函数；
[0029] 步骤2. L 3选择操作；
[0030] 步骤2. 1. 4交叉操作；
[0031] 步骤2. L 5变异操作；
[0032] 步骤2. 1. 6根据遗传算法结束条件，选取适应度值最大的个体基因编码，作为BP 神经网络的最优初始化权值和阈值。
[0033] 优选的，所述步骤2. L 1包括：
[0034] 个体的编码采用实数编码方式，每个个体由输入层与隐含层连接权值、隐含层阈 值、隐含层与输出层连接权值以及输出层阈值构成。
[0035] 优选的，所述步骤2. 1. 2包括：
[0036] 将不同时段的扇区交通流态势指标样本数据归一化处理后作为网络输入数据，将 对应的扇区性能综合指数作为网络期望输出，以种群中第1(1 = 1，2, ...，L)个个体作为 BP神经网络权值和阈值，L表示种群规模，并以训练输出与期望输出之间误差（绝对值）之 和的倒数，作为在第d次迭代后的适应度值F 1, d:
[0037]
[0038] 其中，分别表示在第d次迭代时，第j(j = 1，2，...，N)组样本数据所对应 的BP神经网络的训练输出与期望输出；V)。、可取1，2,3,4,5，分别表示扇区运行性能 为最好、较好、一般、较差、最差。
[0039] 优选的，所述步骤2. 1. 3包括：
[0040] 通过选择操作处理个体适应度值，选择输出部分个体适应度值对应的个体；个体 1在第d次迭代时的选择概率为：
[0041 ]
[0042] 优选的，所述步骤2. 1. 4包括：
[0043] 使用交叉操作对选择输出的个体进行处理，并输出交叉操作结果。第1个个体和 第1'个个体在m位进行基因交叉操作方法为：
[0044]
[0045] 其中：gujP g1( ,",d分别表示第1个个体和第1'个个体在m位的基因，g' 1>n,d 和f W分别表示第1个个体和第1'个个体对m位的基因进行交叉操作之后的基因，r 是[0, 1]间的随机数。
[0046] 优选的，所述步骤2. 1 · 5包括：
[0047] 使用变异操作对交叉操作结果进行处理，得到变异操作结果：
[0048]
[0049] 其中， g_、g_分别为基因g' 取值的上界和下界，f(d) =b(l-d/D_)2,其中 a和b是[0, 1]间的随机数，d为当前的迭代次数，D_为最大迭代次数。
[0050] 优选的，所述步骤2. 1 · 6包括：
[0051] 根据最大迭代次数，判断是否满足遗传算法结束条件，如达到最大迭代次数，结束 遗传算法计算，选取适应度值最大的个体基因编码，作为BP神经网络的最优初始化权值和 阈值；若不满足算法结束条件，则返回步骤2. 1. 3。
[0052] 优选的，所述步骤2. 2包括：
[0053] 步骤2. 2. 1基于遗传算法输出BP神经网络的最优初始化权值和阈值，进行网络训 练，得到训练输出值，计算训练输出与期望输出之间的误差；
[0054] 步骤2. 2. 2根据计算出的误差，更新网络的权值和阈值；
[0055] 步骤2. 2. 3输出优化后的BP神经网络。
[0056] 优选的，所述步骤2. 2. 3包括：
[0057] 以误差收敛精度、训练步长以及确认检查的次数，设定网络训练结束条件；判断 是否满足网络训练结束条件，若满足，则输出优化后的BP神经网络；若不满足，则将步骤 2. 2. 2更新后的权值和阈值作为初始化权值和阈值，执行步骤2. 2. 1。
[0058] 优选的，在根据对对训练BP神经网络之前，先对样本数据对进行归一化处理；
[0059] 在输入扇区交通流态势指标实时数据预测管制员工作负荷之前，先对扇区交通流 态势指标实时数据进行归一化处理；所述样本数据对进行归一化处理的函数表示为：
[0060]
[0061] 所述扇区交通流态势指标实时数据xt,i，经过归一化处理得到X' t>1为：
[0062]
〇
[0063] -种管制员工作负荷预测系统，包括：BP神经网络模块、遗传算法模块和预测模 块；
[0064] BP神经网络模块：用于确定BP神经网络拓扑结构，利用遗传算法优化BP神经网 络的权值和阈值，根据样本数据对训练BP神经网络；预测模块：输入扇区交通流态势指标 数据预测管制员工作负荷。
[0065] 优选的，所述BP神经网络模块还包括遗传算法单元和BP神经网络训练单元；所述 遗传算法单元通过对输入的个体适应度值进行选择操作、交叉操作和变异操作处理得到最 优适应度值对应的个体，判断所述最优适应度值对应的个体是否满足预设条件，若是，则根 据所述最优适应度值对应的个体输出最优初始化权值和阈值，若否，则返回执行选择操作、 交叉操作和变异操作处理；所述BP神经网络训练单元基于最优初始化权值和阈值进行网 络训练，输出优化后的BP神经网络。
[0066] 优选的，所述管制员工作负荷预测系统还包括警告模