Data-Driven Analysis of the Chaotic Characteristics of Air Traffic Flow
Notice bibliographique
Résumé
Understanding the chaos of air traffic flow is significant to the achievement of advanced air traffic management, and trajectory data are the basic material for studying the chaotic characteristics. However, at present, there are two main obstacles to this task, namely, large amounts of noise in the measured data and the tedium of existing data processing methods. This paper improves the incorrect trajectory processing method based on ADS-B trajectory data and proposes a method by which to quickly extract the traffic flow through a certain waypoint. Currently, the commonly used theoretical analysis tools for nonlinear complex systems include the classical nonlinear dynamics analysis method and the newly developed complex network-based analysis method. The latter is currently in an exploratory stage because it has just been introduced into the study of air traffic flow. From these two perspectives, the chaotic characteristics of air traffic flow are studied in the present work. From the perspective of nonlinear dynamics, the improved C-C method is used to calculate the reliability parameters, namely, the time delay τ and embedding dimension m , of phase-space reconstruction, and the maximum Lyapunov index is calculated by using the small data volume method to prove the existence of chaos in the system. From the perspective of complex networks, the construction of a visibility graph and horizontal visibility graph is used to prove the existence of chaos in the system, and the goodness-of-fit parameters of the degree distributions of two fitting methods under different time scales are evaluated, which provides support for the air traffic flow theory.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».