空中交通运输在现阶段的社会背景下，已经成为人们选择频率更高且便捷性更强的一种交通运输模式，在飞机作为交通工具，成为普遍的交通运输模式后，空中交通管制工作以及可能发生的航线冲突，场景设置有效性是保障航空运输安全的重要条件，另外在大规模的民航运输线路设置的背景下，更需要通过有效的空中交通管制工作，对冲突场景进行精准有效的定位与识别，最终提升空中交通管制工作的针对性和有效性为。更好的保障银行交通运输服务的质量提供重要的支持。
1.空中交通管制的冲突识别问题分析
空中交通管制的冲突识别是探测航空器在飞行过程中发生冲突时，发挥识别和管制作用的重要功能，在航空器飞行的过程中运行信息的预测，以及航空器飞行冲突的发生可能性，都需要通过管制冲突识别的功能发挥达到预期的目标。从本质上来讲，在可能发生冲突的航空器运行的过程中，两者之间呈现着相对运动的关系，具体的冲突类型又可被细分为对头冲突，交叉冲突、追赶冲突。其中对头冲突主要是指在同一高度层次的实际情况背景下，航空器之间的水平距离与规范性的水平安全间隔距离相比距离过近且航迹交叉角达到大于135°的状态。交叉冲突则主要是指在高度层次处在同等水平的状态下，航空器的水平距离也低于安全距离的实际要求的行气交叉角大于45°小于135°[1]。追赶冲突则主要是指在高度水平统一的情况下，航空器之间的水平距离低于安全距离，轨迹夹角小于45度的情况。且在追赶冲突发生时，处在后部区域的飞行器的速度要大于全部区域的飞行器。
2.常规飞行器冲突处理流程分析
2.1获取飞行过程的基础数据
在空中交通管制的工作落实执行中，管制员可结合日常的航空器管理运行状态对空中交通管理系统所显示的实际信息进行基础性的识别和观察，对信息的区域特征以及整体趋势进行初步的确认，随后再对所属扇形区的航空器进行运行趋势的充分了解，具体的了解指标，包括航空器所在位置，航空器飞行高度，航空器航向方向以及航空器运行过程中的性能状态，航线状态降落机场的实际情况等。基于上述信息的初步统计和汇总，形成航空器的飞行活动态势示意图。管制员在具体工作的落实中要保持航空器与管制平台之间的实时联系。在确保管制状态移交后方可进入下一步的工作，并且需要从雷达系统中获取到周边航空器的精准信息，为航空器下达相应的指令，确保航空器收到指令并能够按照管制员的指令执行飞行操作，另外作为管制员，还要对空中交通的整体流量天气状态等可能造成影响的不确定因素进行分析和确认，若出现了航线航路规划缺乏合理性或飞行计划的整体制定，状态缺乏合理性，应当对可能出现的冲突和危险进行及时预判，并调整相应的应急预案。
2.2实现冲突信息的预判
冲突预判主要是指管制员要针对航线运行过程中的整体航线长度，航空器飞行时段，以及航空器的高度指标，航段交汇点等专业的系统指标和管制过程中具有重要影响的指标进行针对性的了解和控制，并且精准预判航空器当前的位置，对周边航空器的实际状态，以及两者之间是否会发生冲突进行基础的预判。预判时可能出现的典型空间关系状态为汇聚状态，航空器在发生冲突时会出现以下三种具体情况，一是处在同一高度发生冲突，二是两者出现上升下降与平飞之间的冲突，三是两者出现同时上升下降引起的航空器冲突。除此之外，冲突的状态还包括了相向和相对两种情况而具体的冲突时的位置关系，也包括嫔妃上升下降三种类型。
2.3制定冲突解决控制预案
作为交通管制人员，需要对管辖区域内和指挥战区内的整体情况全面熟悉，并且通过总结分析得出一系列的能够在固定空域，区域内通过调配对交通管制工作起到促进作用的方案减低冲突的发生率，使得冲突在发生初期影响较小的阶段，得到充分快速的预判和及时有效的控制和处理[2]。另外，对于可能发生的冲突和问题，也需要按照其严重性的级别，在预案制定时，按照次序对其进行规划，合理安排问题处理的次序。例如在天航控制和下降控制的具体工作开展中，就需结合整体问题中的元素的影响程度，对相关的执行落实次序进行控制和把握。
2.4发布执行操作指令
作为空中交通管制工作人员，对于航空器完成指令的实际情况要进行针对性的控制，一方面要观察指令是否其实有效的执行，另一方面也要观察指令执行的过程中，执行的实际效果是否达到了预期的要求，若所发出的指令在执行效果上存在问题或指定未被及时的执行，则可能需要对前期制定的整体方案进行修改和完善，以便重新发布指令。但需要强调的是在空中交通管制工作的落实中，指令的发布和指令的修改，都需要在快速有效的状态下完成通常情况下管制指令的发布时间最长不超过9s[3]。
3.基于神经网络的空中交通管制冲突场景识别模型构建
3.1航空器飞行保护区建立
在航空器飞行的过程中，整体的航空器运行处在动态变化的状态下，在模型设计的过程中，由于数据问题设计人员问题，可能会对模型设计的效果造成一定的影响，设计计算的过程中可能出现误差和问题，另外导航设备的整体质量也会导致模型构建过程中的精确度受到影响，为了保证整体的运行安全，航空器的运行区域附近需建立一定的安全保障区域，为航空器的运行安全提供针对性的支持，保护区的建立是冲突识别和交通管制工作开展的重要基础，需要结合具体的神经网络计算结果，对保护区的模型实现充分有效的建立为取得更好的飞行安全控制效果奠定坚实的基础。
3.2飞行器冲突数据集合的构建
具体的冲突数据集合的构建需要经过以下几个基本步骤，一是基于神经网络输入基础数据，通过监督学习的方式对其分类识别能力进行增强和锻炼，随后针对数据信息进行针对性的缓冲处理，将缓冲处理的时间指标作为参照指标，进行观察，建立相应的冲突数据集合。而对于航空器的位置，高度速度，横向爬升率等多方面的信息，也可基于其轨迹和运动趋势的相关信息，进行基准的判断，随后再基于数据处理的结果，将其输入神经网络完成监督学习的过程。在实现的实验室结构体系中，需包括接收机结构、飞行器结构。具体购物件飞行冲突识别模型时，具体参数的计算公式如下。
在上述公式中，
表示平面上的相对距离。
表示高度差。
表示垂直方向上的相对速度数据。在具体的数据计算中，要基于上述基本参数得到相对横向的倾角指标，随后对航向角度差进行针对性的判断，其中航向角的计算公式如下。
3.3粗糙集理论在数据在数据预处理中的应用
。粗糙理论定义信息系统的模式中，需要针对属性集合、属性值域、映射关系等问题进行针对性的确认，最终形成系统性的决策表结构，其中，粗糙集将决策属性与划分属性之间的依赖度进行了明确的关系定义。具体的依赖度公式为
在此公式中，card是集合元素数量的具体计算方法。POSc(D)是下近似数据。其中，D属于对象集合信息，U属于全对象元素数量信息。
4.神经网络背景下的空中交通管制冲突调配模型
4.1调配数据集建立与分析
①数据来源分析
数据来源主要需要进一步通过数据提取和飞行状态的转换计算达到预期的目标，在冲突识别的方式方法具有相似性，无论是位置信息还是航向角度、空中速度。垂直速度都需要依据公式进行计算，另外，相对位置中的另一架航空器的位置也需要结合基础数据信息进行确认。随后，进行飞行状态的转换计算环节，飞行高度比较指标设置为C，垂直方向上的整体趋势设置为U。航空器A的临近高度层中的占用状态有H表示。调配方式用P表示，结合上述数据信息进行 进一步的数据计算。
其中，对于调配方式P的获取方式有两种类型。一是利用管制过程中的语音识别系统对管制数进行记录，但也有可能出现语音记录全面性不足的问题。二是在神经网络应用的过程中非监督学习方式中的异常数据进行调配和标准。在大规模数据分析的过程中，这种问题的产生与管制指令的下达频率相对较低有直接的关系。
②航迹数据的预处理
ADS-B系统的运行中，数据接收和解析的环节可能会出现一些问题和信号丢失等问题。在数据解析过程中，数据样本需要对神经网络LSTM进行数据的时序化分析[4]。在具体数据处理中，数据可分为按照时间位置变化进行划分，对数据异常情况进行有效剔除两个步骤进行。在具体的数据计算中，航迹数据中以时间对其指标为典型代表。具体来说，时间指标的计算公式如下。
此公式中，
代表所求项目的具体值，h1 代表所求的前一项的时刻差，Mi 代表插入函数后节点的二阶导数数值。
4.2神经网络的具体分析
①LSTM神经网络
此种神经网络具有循环性特征，且神经网络本山能够对历史信息进行记忆，并且完成参数共享的过程。因此，在序列化背景下成为非线性模型中的首选模型。另外，神经网络还能通过反馈连接的方式对网络系统的中输入的具体信息进行短时间记忆。这也是序列能够得到广泛应用的主要原因。在具体的数据计算环节，数据包括了输入值、输出值以及隐藏层的权值。其中，将具体时刻设置为t-1、t、t＋1三个部分。将输入数据分为St-1、St、St＋1，在具体的数据计算中，的计算公式如下：
在循环结构背景下，挖路过计算的输入单元与时刻隐藏层同时发挥作用实现输出。但网络结构过于复杂的情况，网络面积相对较大的情况下，容易出现输入长度过长的现象，需要多次加权操作。
5.航空器飞行调配模型构建
5.1整体框架构建
整体框架构建的过程中，数据经过初步的样本处理形成训练样本、验证样本两种类型。实现统一归化操作。具体的归一化公式如下：
在此公式中，Xj主要代表原始数据。Yi代表归一化后处理结果。min与max的相关数据分别代表最大值与最小值的具体情况。
从模型结构上来讲 。本模型属于分层次模型，分别分为输入层、LSTM层以及全脸结构层。经过首层的LSTM计算后，隐藏层的状态完全进入第二层的LSTM中，这时，第二层的LSTM会选择末端的时间隐藏层，随后继续传递，最后，数据会进入到网络全连接层中。数据样本经过了预处理过程后，可分别适应LSTM模型的学习训练过程，随后进入到归一化处理加工的环节。输出时，所包含的数据信息已经成为经度、纬度、高度、速度四方面指标，并同时指定航向的位置。
5.2模型参数设置
模型参数设置的环节主要包括以下几种类型的参数信息。
① timestep，数值设为6。
② 损失函数优化器，平均误差设置为MAE，优化器型号为Adam，学习率设置为0.001.
③ Epoch与batch，独立的样本的一次性训练中，Epoch的数值为400，batch的数值为256。
在具体的模型构建工作开展中，模型类型包括了飞行冲突识别模型、飞行冲突调配模型、冲突识别与调配算法。其中，基于神经网络的飞行冲突识别模型的构建主要需要考虑康空气飞行安全的间隔需求，选择带有缓冲飞行保护区的区域，形成飞行冲突预警的预报系统，预处理后，在进行BP魔性的优化，结合神经网络的分析能力对冲突预警的时间进行确认，最后给出预警信息。这时显示出的预警信息具有非常显著的层次性特征。能够将更加具有细节性和针对性的信息直接反馈给管制人员，达到提升调配指令精确性的目标。
6.结束语
综合分析可知，神经网络在空中交通管制的冲突场景识别过程中，能够针对冲突场景识别模型的设计提供模型数据支持。整体的神经网络构建过程中，需要结合飞行器发生冲突的各种不同的类型与相关的参数构建模型，达到优化空中交通管制效果的目的。
参考文献：
[1]朱承元,惠雅婷,王毅鹏.基于模拟机的空中交通管制复杂度预测模型[J].科学技术与工程,2021,21(18):7790-7796.
[2]王炽,常俊.基于3D卷积神经网络的CSI跨场景手势识别方法[J].计算机科学,2021,48(08):322-327.
[3]史云扬,李牧,付野,王立威,孙敏轩,郝晋珉.基于灰色-BP神经网络模型的多情景交通用地需求预测——以长江中游城市群为例[J].中国农业大学学报,2020,25(06):142-153.
[4]王林,柴江云.深度神经网络在多场景车辆属性识别中的研究[J].计算机工程与应用,2021,57(09):162-167.
作者简介：魏德宸（1986-11），性别：男，民族：汉，籍贯：江苏徐州，职务/职称：教师/副教授，学历：博士，研究方向：飞行器设计
