張浩東

（四川大學(xué)計(jì)算機(jī)學(xué)院，成都 610065）

0 引言

目前對(duì)于航空異常檢測(cè)的研究多是對(duì)于某一特定故障，取相關(guān)數(shù)據(jù)訓(xùn)練之后建模，根據(jù)模型檢測(cè)異常。然而，依據(jù)飛行軌跡進(jìn)行航空異常檢測(cè)很少有人涉及。針對(duì)傳統(tǒng)的檢測(cè)方法，無法應(yīng)用于一架飛機(jī)從起飛到降落整個(gè)過程，因?yàn)槠陂g的數(shù)據(jù)項(xiàng)和數(shù)據(jù)量超出了其算法的范疇。但是，應(yīng)用于飛行軌跡的檢測(cè)，我們只需要關(guān)心軌跡點(diǎn)的坐標(biāo)數(shù)據(jù)，大大減少了數(shù)據(jù)量，提高了效率。

對(duì)于異常軌跡檢測(cè)的研究中，Lee等人通過計(jì)算線段Hausdorff的距離來鑒別異常軌跡[1]，Li等人通過人工智能方法訓(xùn)練分類器，以此區(qū)別異常軌跡。但是他們都忽視了對(duì)于軌跡點(diǎn)方向的研究，軌跡點(diǎn)的方向信息可以反映出當(dāng)時(shí)物體的運(yùn)動(dòng)趨勢(shì)，并且該特征對(duì)軌跡的長度不敏感，可以用作一個(gè)有效的異常檢測(cè)方法。并且以保證準(zhǔn)確率和提升效率為目的，本文提出雙層異常軌跡檢測(cè)方法：由粗粒度到細(xì)粒度。

1 算法描述

如圖1所示，在5條軌跡中，明顯可以看出軌跡3屬于異常軌跡。在航空飛行中，這樣偏離正常的軌道說明飛機(jī)在這個(gè)時(shí)間段遇到了異常狀況，有可能是內(nèi)部因素（航空器異常），也有可能是外部因素（天氣因素）?？傊?，在這個(gè)時(shí)間段內(nèi)有危險(xiǎn)征候，需要加強(qiáng)防范。

當(dāng)軌跡出現(xiàn)異常的時(shí)候，軌跡點(diǎn)之間的夾角也隨之發(fā)生較大的偏差。因此，方向信息也可以反映出異常情況。在這種情況下，再對(duì)異常軌跡進(jìn)行細(xì)粒度劃分，如圖1中的p0p1、p1p2和p2p3三個(gè)子軌跡，以減少不必要的數(shù)據(jù)分析，提高效率，具體再對(duì)子軌跡進(jìn)行高精度異常分析，提高準(zhǔn)確率。

圖1 軌跡示意圖

1.1 特征提取

軌跡一般由一個(gè)二維的點(diǎn)集合來表示：

方便提取方向向量，對(duì)軌跡點(diǎn)進(jìn)行橫坐標(biāo)和縱坐標(biāo)分解，我們可以把軌跡表示為：

1.2 粗粒度劃分

首先，定義粗粒度和細(xì)粒度分別為pipi+jb和pipi+b（j＞1），b是一個(gè)基本長度單位。用L表示粗粒度軌跡，用l表示粒度軌跡。

根據(jù)上一步中提取的方向特征，對(duì)軌跡進(jìn)行粗粒度的異常檢測(cè)，如果θiθi+1＜0則表示軌跡在點(diǎn)i處進(jìn)行了大角度的方向變化，很有可能是異常情況。以此，將軌跡點(diǎn)i作為細(xì)粒度劃分起始點(diǎn)，進(jìn)一步檢測(cè)異常情況。這樣就減少了對(duì)不必要的一段數(shù)據(jù)進(jìn)行細(xì)粒度檢測(cè)，于是提升了檢測(cè)效率。

1.3 細(xì)粒度劃分

在此，我們根據(jù)上一步粗粒度檢測(cè)出的異常子軌跡進(jìn)行在劃分，并進(jìn)行高精度異常檢測(cè)，確保準(zhǔn)確率。

為了方便計(jì)算，因?yàn)榇至６溶壽E和細(xì)粒度軌跡的角距離一般很小而且可以認(rèn)為它們是平行的，所以我們選擇忽略角距離，也不會(huì)引起誤差。

于是，我們只需考慮以最小基本單位b為細(xì)粒度劃分單位，將檢測(cè)出的粗粒度軌跡進(jìn)行劃分。再根據(jù)粗粒度的異常判別方法進(jìn)行細(xì)粒度的異常判別。

2 算法偽代碼

3 實(shí)驗(yàn)分析

實(shí)驗(yàn)采用西南片區(qū)500架航班中的FOQA（飛行品質(zhì)監(jiān)控）作為實(shí)驗(yàn)數(shù)據(jù)，在其中的50架航班中參入異常數(shù)據(jù)，異常數(shù)據(jù)是由離散數(shù)據(jù)（飛機(jī)起落架放下、升起等）和連續(xù)數(shù)據(jù)（飛機(jī)速度等）組成的異構(gòu)數(shù)據(jù)，足以組成傳統(tǒng)檢測(cè)方法和本文方法的測(cè)試數(shù)據(jù)。

傳統(tǒng)檢測(cè)方法我們使用神經(jīng)網(wǎng)絡(luò)算法作為實(shí)驗(yàn)對(duì)比，取其中250架正常航班數(shù)據(jù)作為其訓(xùn)練集，其余250架含有異常數(shù)據(jù)的航班數(shù)據(jù)作為測(cè)試集。

表1

圖2 神經(jīng)網(wǎng)絡(luò)（右）和本文算法（左）實(shí)驗(yàn)效果圖

可以看出當(dāng)實(shí)驗(yàn)數(shù)據(jù)量足夠大的時(shí)候，神經(jīng)網(wǎng)絡(luò)算法已經(jīng)無法保持檢測(cè)準(zhǔn)確率在90%以上，相對(duì)于本文算法來說較低，并且花費(fèi)時(shí)間也遠(yuǎn)遠(yuǎn)超過本文算法。所以從準(zhǔn)確率和效率來看，本文算法對(duì)大量數(shù)據(jù)的航空異常檢測(cè)是有效的。

4 結(jié)語

在航空異常檢測(cè)中，本文提出的算法從傳統(tǒng)異常檢測(cè)的缺點(diǎn)入手，解決了數(shù)據(jù)量大對(duì)檢測(cè)的影響，并且提升了準(zhǔn)確率和效率。在關(guān)于軌跡研究發(fā)面提出了新的思路，用以解決航空器的軌跡異常，利用雙層粒度檢測(cè)方法在去除不必要的數(shù)據(jù)分析的同時(shí)確保了對(duì)異常情況的準(zhǔn)確檢測(cè)。

[1]J.G.Lee，J.Han,X.Li.Trajectory Outlier Detection：A Partition-and-Detect Framework.Washington：Computer Society，2008.

[2]X.Li，J.Han，S.Kim.ROAM：Rule-Based and Motif-Based Anomaly Dection in Massive Moving Object Data Sets.SIAM Press,2007.

[3]劉良旭，喬少杰，劉賓.V基于R-Tree的高效異常軌跡檢測(cè)算法.軟件學(xué)報(bào)，2009，24：26-35.

[4]朱明.數(shù)據(jù)挖掘[M].合肥：中國科學(xué)技術(shù)大學(xué)出版社，2002.