基于多尺度时空图像和深度度量学习的空域交通复杂度评估OA

空域交通复杂度是影响民航运行效率和安全的重要因素。为了进一步提高空域交通复杂度的评估精度,提出一种基于多尺度空域交通时空图像和深度度量学习的复杂度评估方法。具体而言,将交通流数据以像素点的方式填充到网格化的目标空域图像中,并在时空两个维度进行插值,以充分捕捉交通流在时间和空间上的动态变化,最终生成20组不同尺度的空域交通时空图像集;接着,提出一种基于深度度量学习的空域交通复杂度评估模型,该模型以多尺度空域交通图像集作为输入,使用排序代理锚损失函数优化样本在高维嵌入空间的距离分布,使同类样本之间的距离更紧密,而异类样本之间的距离更分散;最后,利用分类器对空域交通复杂度进行5个等级的评估。实验采用了中南空域的实际交通数据生成多尺度时空图像集,并进行了一系列对比实验。实验结果表明,空域交通图像集的时空尺度对评估结果有重要影响,与其他评估方法相比,所提方法能够显著提高空域交通复杂度评估的准确率。