一种机场单点噪声预测方法与流程

本申请涉及噪声预测的，尤其涉及一种机场单点噪声预测方法。

背景技术：

1、机场噪声是影响周边环境与社区生活的重要问题，精确的噪声预测对于机场规划、运行管理、噪声减缓以及社区关系协调至关重要，随着航空运输量的增长、飞机性能的多样化以及运行模式的复杂化，现有预测方法在实际应用中暴露出明显的局限性。

2、一方面，现有噪声预测方法普遍采用固定的典型推力系数来代表特定机型在特定阶段的噪声排放。然而，飞机的实际推力使用受到实时气象条件、具体载重、飞行员操作习惯以及空中交通管制指令的显著影响，是一个动态变化的参数，现有方法无法有效刻画这种推力系数的动态性与统计分布特性，导致在偏离标准运行条件时预测精度显著下降。

3、另一方面，现有预测方法多采用离线训练、固定部署的模式，机场的运行环境、机队构成、管制策略和季节气候均在持续变化，导致模型的预测性能会随时间推移而逐渐退化。现有技术缺乏有效的机制，能够基于实时监测数据自动、及时地评估预测误差，并触发模型更新，难以保证预测系统长期服役下的准确性与适应性。

4、申请内容

5、本申请旨在至少在一定程度上解决相关技术中的技术问题。

6、为达到上述目的，本申请提出了一种机场单点噪声预测方法，包括以下步骤：s1：收集历史机场运行数据，所述数据包括飞行轨迹数据、气象记录数据和噪声监测数据，基于所述历史机场运行数据，构建动态推力系数分布模型，并使用物理引导神经网络进行训练，得到训练好的噪声预测模型；

7、s2：接收实时飞行轨迹数据与实时气象数据，基于所述实时飞行轨迹数据提取预测特征，并将所述预测特征及所述实时气象数据输入至所述训练好的噪声预测模型，获得噪声预测结果；

8、s3：持续比较噪声预测结果与实际监测的噪声数据，计算预测误差，当所述预测误差超过预设阈值时，触发模型更新预警，定期或根据所述预警，利用新收集的机场运行数据对所述物理引导神经网络进行增量训练，并更新所述动态推力系数分布模型。

9、具体地，所述构建动态推力系数分布模型包括：针对历史飞行事件，根据其飞行轨迹数据及对应的噪声监测数据，通过逆求解方法计算实际推力系数；按飞机机型和飞行阶段对所述实际推力系数进行分类，所述飞行阶段至少包括起飞、爬升、进场、着陆；对于每个分类，使用核密度估计方法拟合推力系数的边缘概率分布，并基于函数构建不同推力系数间的联合概率分布模型，形成动态推力系数库。

10、具体地，所述使用物理引导神经网络进行训练包括：构建双路径神经网络，其中一路径用于学习物理模型未涵盖的噪声影响因素；使用包含特征及实际测量噪声值的训练数据集对所述双路径神经网络进行训练；在训练损失函数中引入物理一致性约束项，构成物理一致性损失函数，以确保网络预测结果符合基本的声学物理规律；采用交叉验证方法选择所述双路径神经网络的网络结构和超参数，并保存训练得到的模型参数。

11、具体地，所述在线预测阶段中，基于实时飞行轨迹数据提取预测特征包括：当检测到目标飞机进入以机场为中心的预设地理区域时，触发预测流程；将所述目标飞机的实时飞行轨迹分割为连续的三维轨迹段；针对每个所述三维轨迹段，计算包括位置、高度、速度、航向变化率在内的关键几何与运动特征，同时，提取预测点的位置信息及当前的气象条件作为特征。

12、具体地，所述动态推力系数分布模型更新时，还结合实时空中交通管制指令数据进行修正，所述空中交通管制指令包括调速指令、高度限制指令和航线调整指令，根据所述指令数据对推力系数的概率分布进行动态调整，以反映管制策略对飞机推力使用的影响。

13、具体地，基于所述噪声预测结果，在电子地图上实时渲染噪声等值线，并针对预测噪声超过规定阈值的区域生成视觉与声音告警，同时，将预测结果推送至机场调度系统与周边社区噪声监测平台。

14、具体地，在构建所述动态推力系数分布模型时，还引入时间维度建模，区分不同季节、不同时段下的推力系数分布，针对夜间、昼间及高峰时段分别建立不同的推力系数概率模型，以反映时间相关运行模式对噪声的影响。

15、本申请一种机场单点噪声预测方法的有益效果如下：

16、1、构建动态推力系数分布模型，从历史数据逆向求解实际推力系数，按机型、飞行阶段分类建模，精准刻画其动态变化与概率分布，通过物理引导神经网络，融合物理规律与数据驱动优势，以物理约束保障预测合规性，显著提升复杂场景下的模型外推能力与预测可靠性。

17、2、建立预测-监测-更新在线闭环，自动计算误差、触发预警，基于新数据增量更新模型，自适应机场环境、机队等动态变化，避免模型性能退化，实时处理飞行轨迹、气象数据，结合管制指令动态修正推力分布，引入时间维度建模，精准匹配不同运行场景，大幅提升预测的情景感知能力与时效性。

技术实现思路

1.一种机场单点噪声预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种机场单点噪声预测方法，其特征在于，所述构建动态推力系数分布模型包括：针对历史飞行事件，根据其飞行轨迹数据及对应的噪声监测数据，通过逆求解方法计算实际推力系数；按飞机机型和飞行阶段对所述实际推力系数进行分类，所述飞行阶段至少包括起飞、爬升、进场、着陆；对于每个分类，使用核密度估计方法拟合推力系数的边缘概率分布，并基于函数构建不同推力系数间的联合概率分布模型，形成动态推力系数库。

3.根据权利要求1所述的一种机场单点噪声预测方法，其特征在于，所述使用物理引导神经网络进行训练包括：构建双路径神经网络，其中一路径用于学习物理模型未涵盖的噪声影响因素；使用包含特征及实际测量噪声值的训练数据集对所述双路径神经网络进行训练；在训练损失函数中引入物理一致性约束项，构成物理一致性损失函数，以确保网络预测结果符合基本的声学物理规律；采用交叉验证方法选择所述双路径神经网络的网络结构和超参数，并保存训练得到的模型参数。

4.根据权利要求1所述的一种机场单点噪声预测方法，其特征在于，所述在线预测阶段中，基于实时飞行轨迹数据提取预测特征包括：当检测到目标飞机进入以机场为中心的预设地理区域时，触发预测流程；将所述目标飞机的实时飞行轨迹分割为连续的三维轨迹段；针对每个所述三维轨迹段，计算包括位置、高度、速度、航向变化率在内的关键几何与运动特征，同时，提取预测点的位置信息及当前的气象条件作为特征。

5.根据权利要求1所述的一种机场单点噪声预测方法，其特征在于，所述动态推力系数分布模型更新时，还结合实时空中交通管制指令数据进行修正，所述空中交通管制指令包括调速指令、高度限制指令和航线调整指令，根据所述指令数据对推力系数的概率分布进行动态调整，以反映管制策略对飞机推力使用的影响。

6.根据权利要求1所述的一种机场单点噪声预测方法，其特征在于，基于所述噪声预测结果，在电子地图上实时渲染噪声等值线，并针对预测噪声超过规定阈值的区域生成视觉与声音告警，同时，将预测结果推送至机场调度系统与周边社区噪声监测平台。

7.根据权利要求2所述的一种机场单点噪声预测方法，其特征在于，在构建所述动态推力系数分布模型时，还引入时间维度建模，区分不同季节、不同时段下的推力系数分布，针对夜间、昼间及高峰时段分别建立不同的推力系数概率模型，以反映时间相关运行模式对噪声的影响。