英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料
一个自我执行的基于概率天气预报作为决策空中交通管制支持系统的神经网络
|
Christina Kluuml;ver, Juuml;rgen Kluuml;ver University of Duisburg Essen Computer Based Analysis of Social Complexity Essen, Germany {christina.kluever|juergen.kluever}@uni-due.de |
Dirk Zinkhan Deutscher Wetterdienst Aeronautical Meteorology Department Offenbach, Germany dirk.zinkhan@dwd.de |
摘要 —我们演示了一种新的自组织学习神经网络，即自我执行网络SEN，在为法兰克福/ M机场的跑道选择正确的运行方向问题上的应用。SEN在不同的日期获得了针对预测风况的真实数据，并为选择合适的运行方向提供了建议。结果表明，SEN的建议是合理的，因为它们与法兰克福机场空中交通管制的事实决定非常相符。在某些情况下，空中交通管制可以根据SEN的结果更早地计划。因此，该SEN系统证明它可能是一个针对此问题有用的决策支持系统。
关键词—自我执行网络，决策支持系统，空中交通管制，机场，运行方向选择，集成预测系统，COSMO-DE-EPS
一、概述
近年来，空中交通管制（ATC）的必要性有所增加，并且交通容量的优化包括主要目标，如减少每次飞行的排放，最小化延误起飞和最佳飞行路线（例如[1]-[2]）。
为了在国际机场正常运行，实际天气是决定性因素。必须了解所有空中交通气象数据的状态，并且这些相关数据由国际民航组织（ICAO）附件3提交。
风向和速度，能见度和重大天气现象的数据将在24或30小时内作为所有国际机场的终端机场预报（TAF）进行预测。
欧洲的天气对于晚出发和/或到达很重要[3]。例如，在2013年，由于天气原因，德国国际航班的延误（图1）为17％[4]：
图1. 在德国的国际航班及其延误的原因[4p.14]。
机场空中交通管制的主要问题之一是根据各自的天气，尤其是风况，选择跑道在飞机上起飞和降落的正确操作方向。选择合适的运行方向的基本原理是，飞机起飞或降落时，风应来自前方。仅当风速适中或较低（即低于定义的阈值）时，才允许使用尾风起降。因为在许多地区，例如在中欧，这些条件在相当短的时间内就会变化，而且还必须考虑到选择操作方向的其他因素。机场的交通管制的管理人员必须以永久性的天气预报为基础决定是否停留在选择的操作方向还是转向另一个方向。
由于改变第一选择的操作方向总是要花费时间和组织能力，因此空中交通管制管理人员必须有合理的决定理由来保持选择的方向或对其进行更改。因此，希望有一种有效的基于计算机的决策支持系统供管理人员使用，以使这些决策更加容易。因此，存在几种构建这种系统的尝试[5]-[8]。尤其当机场的容量达到其极限时。
通过为欧洲主要枢纽之一的法兰克福机场提供气象服务的德国气象局（Deutscher Wetterdienst）的航空气象部门与CoBASC（基于计算机的社会复杂性分析）研究组的合作，我们决定开发一个相应的系统。为此，我们使用了一种新型的神经网络，即自我执行网络（SEN），是基于法兰克福机场几天来的天气预报风况的真实数据的合适决策支持系统的算法基础。
基本思想是将风力条件作为SEN的输入。随后，SEN会针对最适合的运行方向生成建议，即是保持与空中交通管制管理部门选择的方向一致，还是转向另一个运行方向。最后，将SEN的建议与管理层的实际决定进行了比较。
管理的决策问题特别复杂，因为由于多个组织程序，将一个操作方向更改为另一个方向需要时间。因此，管理层不仅需要特定时间点的天气数据，还需要下一次的天气预报数据。预测数据是从由Deutscher Wetterdienst（DWD）运营的COSMO-DE总体预测系统（COSMO-DE-EPS）中获得的。集合预报系统的使用能够量化所预报风况的不确定性或概率。与使用传统的确定性预测模型相比，这是一个优势，但另一方面，由于必须将不确定性纳入决策流程，因此对管理人员也构成了挑战。
二、 机场条件和天气数据
法兰克福机场有三个平行跑道，可用于起飞和降落。第四条跑道，即所谓的Startbahn-West （西跑道），只能用于一个方向的起飞，并且与平行跑道系统几乎正交；这就是为什么该跑道未包含在我们的实验中的原因。交通管制管理部门可以（必须）在空中选择的运行方向上使用三个主要跑道。这些方向被定向为70°（罗盘度），即大致东-北-东和250°，即大致西-西南-。因此，将这些方向称为07和25。之所以选择这些方向（以及相应的跑道构造），是因为在法兰克福地区（如中欧大部分地区），主要是来自西风的风，尤其是“恶劣的”天气，例如公司里下雨。
如前所述，做出相应决定所必需的天气数据是从Deutscher Wetterdienst（DWD）的COSMO-DE-EPS集成预报系统中得出的。由于COSMO-DE是有限区域模型，因此需要将此模型嵌套在全局模型中才能获取横向边界条件。为了生成集成系统，将两种方法结合起来：
- 使用不同的全局模型来提供初始条件和边界条件的变化
- 内部模型物理某些参数的变化
作为初始和边界条件的提供者，DWD的全球模型GME，欧洲中距离天气预报中心（ECMWF）的综合预报系统（IFS），国家环境中心的全球预报系统（GFS）使用了日本气象厅（JMA）的预测（NCEP）和全球光谱模型（GSM）。内部模型物理的变化包含五个参数。对于每种模型配置，这些参数之一都会稍作修改。四个不同的边界条件与五个不同的物理参数的组合，构成了COSMO-DE-EPS系统的当前20个组件[9]。
做出相应决定所需的天气数据是对沿滑道到机场以及在机场本身的不同距离放置的11个参考位置的总体预报。对于每个位置，计算5个分位数，即反映整体预报的分布的统计量，即针对“平行风分量”，即飞机起飞或接近的逆风分量或逆风分量。对于我们的实验，我们可以使用来自DWD的这些经过处理的整体预报数据的集合。
下图2 [10]显示了法兰克福/ M机场周围的地理参考位置：
图2. 参考位置的地理概览
为了进行预测，考虑了沿滑道到机场以及在机场本身上的以下参考位置（图3）：
图3. 预测数据的11个参考位置
当我们谈到“天气数据”时，必须注意这些严格来说是“预报数据”，即对特定时间可能的天气状况的预测。然而，为简单起见，我们将仅使用术语“天气数据”。
三、自我执行神经网络SEN
SEN是我们开发的一种新型的自组织学习神经网络或无监督学习网络。“自组织学习”是指与监督学习相反，网络没有获得任何明确给定的学习目标，而是必须根据内部学习逻辑来构造对网络的输入。自组织学习神经网络的最著名例子是“ Kohonen Feature Map”（KFM，[11]）的不同版本。与KFM相比，SEN对于用户而言更简单，更易于处理；此外，其结果对于未经神经网络训练的外行来说，这很容易理解。我们成功地将SEN应用于许多问题，例如选择适合风能发电厂的位置， 对新手机销售成功的预测，医疗诊断系统的发展（如[12]-[13]）。
SEN的主要功能是分别对具有特定属性的对象组成的数据集进行排序或分类。因此，每个SEN在由此类对象和属性组成的数据库上进行操作。通常，这些数据用“语义矩阵”表示：矩阵的行由对象构成，列由相应的属性构成。矩阵的元素通常是介于零和一之间的数值，即属性与对象的隶属度。当然，语义矩阵的值必须由用户从外部插入。因此，用户代表了自组织学习系统的环境。因此，通过分别排序外部感知或输入来执行自组织学习。在整个系统的当前阶段，矩阵值的插入必须手动完成；我们目前正在通过自动插入矩阵值来扩大系统。
矩阵的数值是通过在例如定量社会研究中长期已知的缩放技术获得的。人们可能将这些方法称为定性感知或观察到的比例关系的量化。在本文显示的SEN应用程序中，必须根据特定方法对天气数据进行标准化（请参见下文）。
网络SEN由一层或两层组成，具体取决于数据的结构。例如，如果只有要分类的对象（例如，群集），则一层就足够了。如果数据由对象和属于对象的属性组成，则可以将SEN构造为两层网络，其中对象和属性分别是特定的层。它的激活函数通常是所谓的对数线性函数：
（1），
其中，A j 是接收神经元j 的激活值，A i是发送神经元i的激活值，w ij通常是根据权重值；此功能由我们开发。
选择对数的底数3是显而易见的原因，因为对于在0到1之间的所有激活值，log A i当然会变成负数。因此，对数适用于（A i 1）。选择基数3的原因很简单：基数2会导致值太大，基数4会导致值太小。可以将对数函数解释为对函数“内部”的阻尼因子，与诸如交互网络中的比例或衰减之类的“外部”因子相反。根据我们的大量经验，对数线性函数在大多数情况下都能很好地运行。
我们介绍了绝对值| Ai 1 ⎜ 这一特定问题涉及预测头风各自顺风分量; 在东风的情况下，A i的值可能变为负。这可能导致对数问题，从而在某些情况下导致系统故障。
我们以前的学生之一VictorSchauml;fer开发了附加的激活功能，即所谓的“执行激活功能” EAF：
A j是接收神经元j的激活值，A i是发送神经元i的输出值，而w ij同样是相应的权重值。
因为我们还对函数（2）的性能感兴趣，所以我们在第（5）节中演示的结果和示例都是通过EAF以及对数线性函数实现的。使用这两个函数获得的结果的比较在几乎所有情况下都显示了相同的结果。这是有条理的指标，表明SEN的结果不是伪像。
SEN的操作开始于分析语义矩阵v sm的值，然后将语义矩阵的值转换为网络的权重矩阵。如果对象o没有属性a，因此对应的语义值v oa = 0，则权重值w oa = 0并保持不变；在所有其他情况下，权重值为
c是大多数神经网络学习中使用的“学习率”，即确定学习过程速度的数值。
根据问题改变权重矩阵值的SEN的学习规则是：
其中c再次是如方程式（3）所示的学习率，w oa是权重矩阵中的相应值。
如果需要更多的学习步骤，即SEN尚未达到吸引者，则
如果w（t）= 0，则所有学习步骤的w（t 1）= 0。
在大多数情况下，根据我们的大量经验，使用c = 0.1就足够了。可以肯定的是，两个不同的对象a和b以及两个不同的属性x和y之间的权重值通常为
尽管在其他任务中，有时使用不等于零的值来确定这些权重非常有用。
简而言之，SEN学习过程包括：a）根据等式（3）将语义矩阵转换为权重矩阵，以及b）根据等式进行学习运行，即权重值的执行（4）。当达到点吸引子时，学习过程即新对象的分配完成。该学习过程的结果由代表特定对象的那些神经元的最终激活值给出。通过将新对象的属性值与已经是网络一部分的对象的最终激活向量进行比较，可以完成对新对象的分配。
使用SEN时，特定的系统方法是使用所谓的引用类型。这些对象在某种程度上代表了一类对象。SEN的任务是将新对象与一种或几种参考类型进行比较，并以此方式对新对象进行分类。我们将在下面显示针对我们的问题的引用类型的介绍和用法。尽管也可以将SEN用于经典的“聚类问题”，即以类似对象按没有引用类型的相似聚类排序的方式对对象进行分类，但我们发现在许多实际情况下，引用类型的使用非常值得推荐的。最近，类似的方法被提出为 “基于原型的机器学习” [13]。
引用类型方法的一种特殊用法是针对著名的Max Weber概念引入所谓的“理想类型
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[254512]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
