基于岭回归—BP 神经网络的管制工作负荷预测方法

交通运输系统工程与信息 ›› 2015, Vol. 15 ›› Issue (1): 123-129.

基于岭回归—BP 神经网络的管制工作负荷预测方法

温瑞英^*，王红勇

中国民航大学空中交通管理学院，天津300300

收稿日期:2014-07-25 修回日期:2014-11-17 出版日期:2015-02-25 发布日期:2016-02-25
基金资助:
国家自然科学基金委员会与中国民用航空局联合资助项目（U1333108）；天津市应用基础与前沿技术研究计划 (14JCQNJC04500)；中央高校基本科研业务费(ZXH2011C007)；校级科研启动基金（08QD01X）.

A Forecasting Method of Controller’s Workload Based on Ridge Regression—BP Neural Network

WEN Rui-ying，WANG Hong-yong

Air Traffic Management College, Civil Aviation University of China, Tianjin 300300, China

Received:2014-07-25 Revised:2014-11-17 Online:2015-02-25 Published:2016-02-25

摘要/Abstract

摘要：

基于空中交通复杂程度刻画管制工作负荷是当前空中交通管理领域的研究热点.本文采集了厦门空管站的雷达数据，计算得出10 个空中交通复杂性评价指标数值，通过共线性诊断发现复杂性指标间存在较强的多重共线性.在利用岭迹图对复杂性评价指标进行筛选的基础上，建立岭回归—BP神经网络组合模型对管制员工作负荷进行预测，并通过实测陆空通话数据进行验证.结果表明，本文提出的岭回归—BP神经网络组合模型收敛速度快、训练时间少；组合模型的均方误差、均方根误差、平均绝对误差、平均绝对相对误差等4项性能指标都相对较小，预测精度较高.

关键词: 航空运输, 管制员工作负荷, 岭回归, 神经网络, 交通复杂性

Abstract:

It is becoming a new hot topic in the field of air traffic management that evaluating the controller’s workload by the traffic complexity factors. Based on the radar data of Xiamen air traffic control station, 10 typical complexity evaluation factors were calculated. The strong multi-co-linearity among various complexity factors is discovered through co- linearity diagnosis. Using the ridge trace plot of ridge regression, the complexity evaluation factors are selected, and the combined model of ridge regression and neural network are established to predict the controller’s workload. The forecasting results are verified by the pilot/controller voice communication data. It shows that the combination model of ridge regression and BP neural network has fast convergence speed and less training time. The combined forecasting model has high precision because four performance indexes such as mean square error, root mean square error, mean absolute error and mean absolute relative errors are relatively small.

Key words: air transportation, controller’s workload, ridge regression, neural network, traffic complexity

中图分类号:

温瑞英，王红勇. 基于岭回归—BP 神经网络的管制工作负荷预测方法[J]. 交通运输系统工程与信息, 2015, 15(1): 123-129.

WEN Rui-ying，WANG Hong-yong. A Forecasting Method of Controller’s Workload Based on Ridge Regression—BP Neural Network[J]. Journal of Transportation Systems Engineering and Information Technology, 2015, 15(1): 123-129.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract18934.shtml

http://www.tseit.org.cn/CN/Y2015/V15/I1/123

参考文献

[1] 张明, 韩松臣, 裴成功. 空中交通管制员工作负荷研究综述[J]. 人类工效学, 2008, 14(4):61- 64. [ZHANG M, HAN S C, PEI C G. Review of ATC controller workload[J]. Chinese Journal of Ergonomics, 2008, 14(4):61-64.]

[2] Costa G. Evaluation of workload in air traffic controllers[J]. Ergonomics, 1993, 36(2): 1111-1120．

[3] Averty P, Collet C, Dittmar A, et al. Mental workload in air traffic control: an index constructed from field tests[J]. Aviation, Space and Environmental Medicine, 2004, 75(2): 333-341．

[4] Collet C, Averty P, Dittmar A. Autonomic nervous system and subjective ratings of strain in airtraffic control[J]. Applied Ergonomics, 2009, 40(1):23- 32．

[5] ICAO. Doc9426-AN/924(1st Edition)-1984. Air traffic service planning manual, part Ⅱ, Appendix C[S]. Montreal, Canada, ICAO, 1999.

[6] Mogford R H, Murphy E D, Guttman J A. Using knowledge exploration tools to study airspace complexity in air traffic control[J]. The International Journal of Aviation Psychology, 1993,4(1):29-45.

[7] 黄海兰, 牛犇. 岭参数确定的研究[J]．测绘科学, 2011, 36(4):31-32. [HUA H L, NIU B. Comparison of ridge parameter determination[J]. Science of Surveying and Mapping, 2011, 36(4):31-32.]

[8] 王强, 胡海清. 基于岭回归和人工神经网络估测森林可燃物负荷量[J]. 林业科学, 2012, 48(9):108-114. [WANG Q, HU H Q. Estimation of forest fuel load based with ridge regression and artificial neural networks[J]. Scientia Silvae Sinicae, 2012, 48(9):108-114.]

[9] 刘静, 李亮, 关伟, 等. 基于神经网络的北京环路交通流短期预测研究[J]. 交通运输系统工程与信息, 2005, 5(6):110-115. [LI U J, LI L, GUAN W, et al. Short-term prediction of traffic flow in Beijing ring road based on neural network[J]. Journal of Transportation Systems Engineering and Information Technology, 2005, 5(6): 110-115.]

[10] Hecht N R. Kolmogorov’s mapping neural network existence theorem[C]. Proceedings of the International Conference on Neural Networks, New York: IEEE Press, 1987.

[11] 李蓬勃, 闫晓冉, 徐东瑞. BP神经网络和多元线性回归在粮食产量空间分布预测中的比较[J]. 干旱区资源与环境, 2014, 28(9):74-79. [LI P B, YAN X R, XU D R. Comparison of grain yield spatial distribution forecast between the models of BP neural network and multiple linear regression[J]. Journal of Arid Land Resources and Environment, 2014, 28(9):74-79.]

[1]	张培文, 杜福民, 汪瑜. 基于链路预测的中小机场连接机制研究[J]. 交通运输系统工程与信息, 2022, 22(2): 298-304.
[2]	王红勇, 郭宇鹏. 基于航空器自主运行的空中交通复杂性建模[J]. 交通运输系统工程与信息, 2022, 22(2): 305-312.
[3]	张洪海, 张连东, 刘皞, 钟罡. 城市低空物流无人机航迹规划模型研究[J]. 交通运输系统工程与信息, 2022, 22(1): 256-264.
[4]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[5]	张魏宁, 胡明华, 杜婧涵, 尹嘉男. 基于条件生成对抗网络的扇区复杂度评估[J]. 交通运输系统工程与信息, 2021, 21(6): 226-233.
[6]	胡荣, 王德芸, 冯慧琳, 刘志昊, 张军峰. 碳达峰视角下的机场航空器碳排放预测[J]. 交通运输系统工程与信息, 2021, 21(6): 257-263.
[7]	李杰, 杨好天, 王兵, 周晓宁, 孙若飞. 民航飞机起飞推力对油耗和排放的影响分析[J]. 交通运输系统工程与信息, 2021, 21(6): 283-288.
[8]	胡荣, 冯慧琳, 刘博文, 张军峰, 王德芸. 点汇聚系统的航空器污染物减排效应与机理[J]. 交通运输系统工程与信息, 2021, 21(5): 165-173.
[9]	曹炜威，李政，冯项楠. 2000—2018年全国民航网络结构特征及演化[J]. 交通运输系统工程与信息, 2021, 21(3): 26-33.
[10]	杨建喜，郁超顺，李韧，杜利芳，蒋仕新，王笛. 基于多周期组件时空神经网络的路网通行速度预测[J]. 交通运输系统工程与信息, 2021, 21(3): 112-119.
[11]	魏保立，郭成超，邓苗毅. 基于数据驱动的机场水泥混凝土道面性能退化预测[J]. 交通运输系统工程与信息, 2021, 21(3): 247-253.
[12]	陈秀锋，吴阅晨，邴其春，聂蕊蕊. 基于类锚虚拟线圈的多流向车流量检测算法[J]. 交通运输系统工程与信息, 2021, 21(2): 51-57.
[13]	高天航，徐力，靳廉洁，葛彪. 考虑航艏向与数据变化差异的船舶轨迹预测[J]. 交通运输系统工程与信息, 2021, 21(1): 90-94.
[14]	姜雨，童楚，刘振宇，胡志韬，徐成，张洪海. 基于时间富余度控制的滑行道调度优化模型[J]. 交通运输系统工程与信息, 2021, 21(1): 207-213.
[15]	张洪海，李翰，刘皞，许卫卫，邹依原. 城市区域物流无人机路径规划[J]. 交通运输系统工程与信息, 2020, 20(6): 22-29.