飞机航行用信息生成装置、飞机航行用信息生成方法以及飞机航行用信息生成程序技术领域
本发明涉及生成用于飞机航行的飞机航行用信息的飞机航行用信
息生成装置、飞机航行用信息生成方法以及飞机航行用信息生成程序。
背景技术
对于飞机而言，降落路径上的风干扰使飞机的飞行航线、飞行姿势
等与飞行员的意图无关地变动，从而成为复飞、备降降落等航行故障、
硬降落等事故的主要原因。变化尺度为1～10km量级的大规模的风干扰
(风切变)主要使飞行航线变动，变化尺度为10～100m量级的小规模
的风干扰(乱气流)主要使飞行姿势变动。国际民用航空组织(ICAO)
要求对于距离跑道面的高度为500m以下的降落路径，将风干扰的信息
提供给飞机(参照非专利文献1)。
降落路径上的风向/风速能够通过地面设置型、或者飞机搭载型的
雷达、光雷达(激光雷达)等风观测传感器以100m量级的空间分辨率
进行观测。开发出使用该风观测信息来检测可能成为航行故障、事故的
主要原因的风干扰，并向飞行员提供警报信息的装置(参照专利文献
1～4、非专利文献2)。
专利文献1:日本特公平8-509061号公报
专利文献2:日本特开2012-218731号公报
专利文献3:日本特开2002-267753号公报
专利文献4:日本特开2012-103050号公报
非专利文献1:国际民用航空组织(ICAO)，Annex3
“MeteorologicalServiceforInternationalAirNavigation”
非专利文献2:美国联邦航空管理局(FAA)，TechnicalStandard
OrderTSO-C117a‘AirborneWindshearWarningandEscapeGuidance
SystemsforTransportAirplanes’
非专利文献3:木泷、又吉、铃木、上村、《作用于飞行中的飞机的
风的推断》，日本航空宇宙学会志No.524，1997年9月
上述的现有技术通过观测到的降落路径上的风干扰的强度(风速的
变化率、变化量)的阈值判定来生成警报信息，但存在生成的警报信息
与实际的航行故障、事故的发生相关性较低的问题。
发明内容
因此，本发明的主要目的在于解决以往的问题点，提供一种生成与
实际的航行故障、事故的发生相关性较高的信息的飞机航行用信息生成
装置、飞机航行用信息生成方法以及飞机航行用信息生成程序。
本技术方案1所涉及的发明是生成用于飞机航行的飞机航行用信息
的飞机航行用信息生成装置，将由气象传感器获取的降落路径上的多个
规定高度的风向数据以及风速数据、跑道的方位数据、以及飞机的机型
信息作为输入信息，来推断飞机对于跑道的降落难易度，从而解决上述
技术问题。
本技术方案2所涉及的发明，除了技术方案1所涉及的发明的结构
之外，还具有：数据处理部，其对由上述气象传感器获取的降落路径上
的多个规定高度的风向数据以及风速数据、上述跑道的方位数据实施预
处理；以及降落难易度推断部，其将上述飞机的机型信息和由上述数据
处理部输出的多个规定高度的飞机的飞行状态的变动幅度作为输入信
息，并通过第一推断模型推断降落难易度，上述第一推断模型是将在推
断对象的降落路径上飞行并降落的飞机的飞行数据、以及飞行员对降落
难易度主观地进行评价的评价数据作为学习数据，通过非线性多变量分
析方法构建而成的，从而解决上述技术问题。
本技术方案3所涉及的发明，除了技术方案2所涉及的发明的结构
之外，上述第一推断模型是将推断对象型号的飞机的飞行数据作为学习
数据构建而成的，从而解决上述技术问题。
本技术方案4所涉及的发明，除了技术方案1或2所涉及的发明的
结构之外，上述数据处理部具有风干扰推断部，上述风干扰推断部将通
过对由上述气象传感器获取的降落路径上的多个规定高度的风向数据
以及风速数据、上述跑道的方位数据实施预处理而获取的数据作为输入
信息，并通过第二推断模型推断多个规定高度的风速的正对风分量的变
动幅度、侧风分量的变动幅度、以及上下风分量的变动幅度，上述第二
推断模型是将在推断对象的降落路径上飞行并降落的飞机的飞行数据
作为学习数据，通过非线性多变量分析方法构建而成的，从而解决上述
技术问题。
本技术方案5所涉及的发明，除了技术方案4所涉及的发明的结构
之外，上述第二推断模型是将基于上述飞机的飞行数据计算出的、飞机
受到的风速的正对风分量、侧风分量以及上下风分量的经时信息的移动
平均值作为学习数据的输入值来使用而构建而成的，从而解决上述技术
问题。
本技术方案6所涉及的发明，除了技术方案4或5所涉及的发明的
结构之外，上述第二推断模型是将基于上述飞机的飞行数据计算出的、
飞机受到的风速的正对风分量、侧风分量、以及上下风分量的经时信息
的围绕移动平均值的标准偏差作为学习数据的输出值来使用而构建而
成的，从而解决上述技术问题。
本技术方案7所涉及的发明，除了技术方案4～6中任一项所涉及的
发明的结构之外，上述风干扰推断部通过将由上述气象传感器获取的降
落路径上的多个规定高度的风向数据以及风速数据、上述跑道的方位数
据作为输入信息实施坐标变换，来计算多个规定高度的风速的正对风分
量和风速的侧风分量，通过分别对上述正对风分量以及上述侧风分量在
高度方向上进行数值微分，来计算多个规定高度的正对风分量的高度变
化率以及侧风分量的高度变化率，将上述正对风分量、上述侧风分量、
上述正对风分量的高度变化率、上述侧风分量的高度变化率以及高度作
为输入信息，并通过上述第二推断模型推断上述风速的正对风分量的变
动幅度、上述侧风分量的变动幅度、以及上述上下风分量的变动幅度，
从而解决上述技术问题。
本技术方案8所涉及的发明，除了技术方案2～7中任一项所涉及的
发明的结构之外，上述数据处理部具有飞机响应推断部，上述飞机响应
推断部将多个规定高度的降落路径上的正对风分量以及侧风分量、多个
规定高度的正对风分量的变动幅度、侧风分量的变动幅度以及上下风分
量的变动幅度作为输入信息，并通过第三推断模型推断多个规定高度的
飞机的飞行状态的变动幅度，上述第三推断模型是将在推断对象的降落
路径上飞行并降落的飞机的飞行数据作为学习数据，通过非线性多变量
分析方法构建而成的，从而解决上述技术问题。
本技术方案9所涉及的发明，除了技术方案8所涉及的发明的结构
之外，上述第三推断模型是将上述飞机的飞行数据所包括的、飞机的变
动数据的围绕移动平均值的标准偏差作为学习数据的输出值来使用而
构建而成的，从而解决上述技术问题。
本技术方案10所涉及的发明，除了技术方案8或9所涉及的发明
的结构之外，上述第三推断模型是将推断对象型号的飞机的飞行数据作
为学习数据构建而成的，从而解决上述技术问题。
本技术方案11所涉及的发明是生成用于飞机航行的飞机航行用信
息的飞机航行用信息生成方法，将由气象传感器获取的降落路径上的多
个规定高度的风向数据以及风速数据、跑道的方位数据、飞机的机型信
息作为输入信息，来推断飞机对于跑道的降落难易度，从而解决上述技
术问题。
本技术方案12所涉及的发明是生成用于飞机航行的飞机航行用信
息的飞机航行用信息生成程序，使计算机执行如下步骤：将由气象传感
器获取的降落路径上的多个规定高度的风向数据以及风速数据、跑道的
方位数据、飞机的机型信息作为输入信息，来推断飞机对于跑道的降落
难易度，从而解决上述技术问题。
根据本技术方案1、11、12所涉及的发明，通过将由气象传感器获
取的降落路径上的多个规定高度的风向数据以及风速数据、跑道的方位
数据、飞机的机型信息作为输入信息，来推断飞机对于跑道的降落难易
度，能够推断反映有特定的跑道的信息的降落难易度，所以能够提供与
航行故障、事故的发生相关性较高、且可用性较高的降落难易度。
根据本技术方案2所涉及的发明，具有：数据处理部，其对由气象
传感器获取的降落路径上的多个规定高度的风向数据以及风速数据、跑
道的方位数据实施预处理；以及降落难易度推断部，其将数据处理部的
输出数据与飞机的机型信息作为输入信息，并通过第一推断模型推断降
落难易度，由于第一推断模型是将在推断对象的降落路径上飞行并降落
的飞机的飞行数据、以及飞行员对降落难易度主观地进行评价的评价数
据作为学习数据，通过非线性多变量分析方法构建而成的，所以能够推
断反映有特定的降落路径以及飞行员主观地进行评价的评价数据的可
用性较高的降落难易度。
根据本技术方案3所涉及的发明，由于第一推断模型是将推断对象
型号的飞机的飞行数据作为学习数据构建而成的，所以除了特定的降落
路径以及飞行员主观地进行评价的评价数据之外，还能够推断反映有特
定的飞机的机型信息的可用性较高的降落难易度。
根据本技术方案4所涉及的发明，数据处理部具有风干扰推断部，
风干扰推断部将通过对由气象传感器获取的降落路径上的多个规定高
度的风向数据以及风速数据、跑道的方位数据实施预处理而获取的数据
作为输入信息，并通过第二推断模型推断多个规定高度的风速的正对风
分量的变动幅度、侧风分量的变动幅度、以及上下风分量的变动幅度，
由于第二推断模型是将在推断对象的降落路径上飞行并降落的飞机的
飞行数据作为学习数据，通过非线性多变量分析方法构建而成的，所以
能够反映特定的降落路径的信息并高精度地推断成为使飞机的飞行状
态变动的主要原因的、风速的正对风分量的变动幅度、侧风分量的变动
幅度、以及上下风分量的变动幅度，所以能够推断可用性较高的降落难
易度。
根据本技术方案5所涉及的发明，通过将基于飞机的飞行数据计算
出的、飞机受到的风速的正对风分量、侧风分量、以及上下风分量的经
时信息的移动平均值作为构建第二推断模型时的学习数据的输入值来
使用，能够构建与真实情况近似的高精度的第二推断模型，所以能够推
断精度较高的风速的各成分的变动幅度。
根据本技术方案6所涉及的发明，通过将基于飞机的飞行数据计算
出的、飞机受到的风速的正对风分量、侧风分量以及上下风分量的经时
信息的围绕移动平均值的标准偏差作为构建第二推断模型时的学习数
据的输出值来使用，能够构建与真实情况近似的高精度的第二推断模
型，所以能够推断精度较高的风速的各成分的变动幅度。
根据本技术方案7所涉及的发明，风干扰推断部通过将由气象传感
器获取的降落路径上的多个规定高度的风向数据以及风速数据、跑道的
方位数据作为输入信息实施坐标变换，来计算多个规定高度的风速的正
对风分量、风速的侧风分量，通过分别对正对风分量以及侧风分量在高
度方向上进行数值微分，来计算正对风分量的高度变化率以及侧风分量
的高度变化率，将正对风分量、侧风分量、正对风分量的高度变化率、
侧风分量的高度变化率以及高度作为输入信息，并通过第二推断模型推
断风速的正对风分量的变动幅度、侧风分量的变动幅度、以及上下风分
量的变动幅度，从而能够根据降落路径上的多个规定高度的风向数据以
及风速数据、跑道的方位数据来推断高精度的风速的各成分的变动幅
度。
根据本技术方案8所涉及的发明，数据处理部具有飞机响应推断部，
飞机响应推断部将多个规定高度的降落路径上的正对风分量以及侧风
分量、多个规定高度的正对风分量的变动幅度、侧风分量的变动幅度以
及上下风分量的变动幅度作为输入信息，并通过第三推断模型推断飞机
的飞行状态的变动幅度，由于第三推断模型是将在推断对象的降落路径
上飞行并降落的飞机的飞行数据作为学习数据，通过非线性多变量分析
方法构建而成的，所以能够反映特定的降落路径的信息并高精度地推断
在推断降落难易度时成为主要的原因的飞机的飞行状态的变动幅度，所
以能够推断可用性较高的降落难易度。
根据本技术方案9所涉及的发明，通过将飞机的飞行数据所包括的、
飞机的变动数据的围绕移动平均值的标准偏差作为构建第三推断模型
时的学习数据的输出值来使用，能够构建与真实情况近似的高精度的第
三推断模型，所以能够推断精度较高的飞机的飞行状态的变动幅度。
根据本技术方案10所涉及的发明，由于第三推断模型是将推断对
象型号的飞机的飞行数据作为学习数据构建而成的，所以除了特定的降
落路径之外，还能够推断反映有特定的飞机的型号的信息的可用性较高
的飞机的飞行状态的变动幅度。
附图说明
图1是表示作为本发明的一实施方式的飞机航行用信息生成装置的
结构的示意图。
图2是表示风干扰推断部的输出的验证结果的一个例子的说明图。
图3是表示飞机响应推断部的输出的验证结果的一个例子的说明
图。
图4是表示基于由飞机航行用信息生成装置生成的信息而创建的警
报画面的一个例子的参考图。
附图标记说明
10…飞机航行用信息生成装置；20…控制部；30…数据处理部；40…
风干扰推断部；41…风分量计算部；42…变化率计算部；43…变动幅度
推断部；50…飞机响应推断部；60…降落难易度推断部；70…收发部；
S…气象传感器。
具体实施方式
本发明是生成用于飞机航行的飞机航行用信息的飞机航行用信息
生成装置，只要将由气象传感器获取的降落路径上的多个规定高度的风
向数据以及风速数据、跑道的方位数据、飞机的机型信息作为输入信息，
来推断飞机对于跑道的降落难易度，并生成与实际的航行故障、事故的
发生相关性较高的信息，其具体的结构可以是任何结构。
例如，本发明中的气象传感器的具体的形式只要能够获取风信息，
可以是气象雷达、气象光雷达等任何传感器。
以下，基于图1～4对作为本发明的一实施方式的飞机航行用信息生
成装置10进行说明。
飞机航行用信息生成装置10对由气象传感器S获取的观测信息进
行数据处理，并生成与飞机航行时的各种判断相关的支持信息。飞机航
行用信息生成装置10具备控制部20、在与气象传感器S之间收发信息
的收发部70、存储部、输入部、输出部、以及辅助存储装置等，通过使
控制部20按照在存储部中展开的软件动作，来实现后述的各部。控制
部20由CPU等构成，存储部由ROM、RAM等构成。
如图1所示，控制部20具有包含风干扰推断部40和飞机响应推断
部50的数据处理部30、以及计算飞机的降落难易度的降落难易度推断
部60。
首先，对数据处理部30所包含的风干扰推断部40进行说明。如图
1所示，风干扰推断部40具有风分量计算部41、变化率计算部42、以
及变动幅度推断部43。由风干扰推断部40的各部实施的处理内容如下。
首先，风分量计算部41通过将由气象传感器S获取的降落路径上
的多个规定高度的风向数据以及风速数据、跑道的方位数据作为输入信
息实施坐标变换，来计算多个规定高度的沿着跑道方向的风速的正对风
分量以及沿着与跑道方向正交的横向的风速的侧风分量。
接下来，变化率计算部42通过分别对由风分量计算部41获取的正
对风分量以及侧风分量在高度方向上进行数值微分，来计算正对风分量
的高度变化率以及侧风分量的高度变化率。
接下来，变动幅度推断部43将正对风分量、侧风分量、正对风分
量的高度变化率、侧风分量的高度变化率以及高度作为输入信息，并通
过第二推断模型推断与输入相同的高度的降落路径上的正对风分量的
变动幅度、侧风分量的变动幅度、以及上下风分量的变动幅度。在变动
幅度推断部43中，变化尺度为10～100m量级的相对较小规模的风速变
动的主要的生成因素之一为风速的高度变化(切变)，因此将正对风分
量、侧风分量的高度变化率作为输入信息加以利用。
上述的第二推断模型是以在推断对象的降落路径上飞行并降落的
飞机的飞行数据为基础，通过神经网络、贝叶斯网络、支持向量机等非
线性多变量分析方法生成的。第二推断模型的具体的内容如下。
首先，由于第二推断模型的输出亦即风速成分的变动幅度作为飞机
响应推断部50的输入来使用，所以需要包含使飞行姿势变动的变化尺
度为10～100m量级的风干扰的信息。但是，在一般的100m量级的空间
分辨率的风观测传感器中，无法直接观测该信息。因此，用于构建第二
推断模型的学习数据通过以下的方法生成。
学习数据基于在成为推断对象的降落路径上飞行并降落的飞机的
飞行数据而生成。优选飞行数据准备100例以上等，尽可能多个。作为
飞行数据，例如，能够使用一般的客机所搭载的飞行数据记录仪(FDR)
的数据。一般的航空公司保管过去一年量左右的FDR的数据，很容易
确保数据数量。飞机受到的正对风/侧风/上下风这三种分量的风的经时
信息(以下，飞行数据计算风)能够根据飞行数据来计算(参照非专利
文献3)。若考虑通常以1～10Hz左右的比率记录飞机的飞行数据，通常
的降落时的对地飞行速度为60m/s左右，则例如基于以2Hz的比率记录
的飞行数据的风信息的空间分辨率为30m左右，在根据飞行数据计算
出的三种分量的风数据中充分地包含有使飞行姿势变动的小规模的风
干扰(变化尺度为10～100m量级)的信息。在学习数据中，与雷达、
光雷达等现有的风观测传感器的输出相当的推断模型的输入在符合风
观测传感器的空间分辨率(100m量级)的区间范围(例：在符合
100～200m的空间分辨率的情况下，为2～3秒左右)内对飞行数据计算
风进行移动平均而生成。在学习数据中，成为推断模型的输出的正对风
/侧风/上下风这三种分量的风的变动幅度作为飞行数据计算风的围绕
移动平均值的标准偏差进行计算。用于计算标准偏差的移动平均在主要
表示由使飞行姿势变动的风干扰(变化尺度为10～100m量级)引起的
风速变动的区间范围内(例：在通常的大型客机的情况下，为2～5秒左
右)进行。
在这里，使用图2对风干扰推断部40的输出的验证结果进行说明。
根据该图2可知，对于各风分量(正对风、侧风、风的高度变化率、上
升风)而言，与图2的上段所示的降落事例的情况相比，图2的下段所
示的复飞事例的情况一方变动幅度增大。此外，在图2中，用虚线表示
风干扰推断部40的输出，用实线表示飞行数据(FDR)。
接下来，以下对飞机响应推断部50的处理内容进行说明。
飞机响应推断部50将由风分量计算部41获取的多个高度的降落路
径上的正对风分量以及侧风分量、由变动幅度推断部43获取的多个高
度的降落路径上的正对风分量的变动幅度、侧风分量的变动幅度以及上
下风分量的变动幅度、飞机的机型信息作为输入信息，并利用按照降落
路径以及每个飞机的型号设定的第三推断模型来推断与输入相同高度
的飞机的飞行状态(飞行参数)的变动幅度。
上述的第三推断模型是以在推断对象的降落路径上飞行并降落的
推断对象型号的飞机的飞行数据为基础，通过神经网络、贝叶斯网络、
支持向量机等非线性多变量分析方法生成的。第三推断模型的具体的内
容如下。
首先，对于作为第三推断模型的推断对象的飞行参数而言，与操纵
的难易度相关性较高的对气速度、姿势(横摇、颠簸)、上下/左右加速
度、升降率、转向量等是适当的，但并不限定于此。由于考虑到每个型
号不同的飞行特性，所以推断模型按照每个型号来构建。由于第三推断
模型的输出亦即飞行参数的变动幅度作为降落难易度推断部的输入来
使用，所以推断为包含与操纵的难易度相关性较高的频带的飞行参数的
变动信息。因此，用于构建第三推断模型的学习数据通过以下的方法生
成。
学习数据以在成为推断对象的降落路径上飞行并降落的推断对象
的型号的飞机的飞行数据为基础生成。在这里，优选飞行数据准备100
例以上等，尽可能准备多个，特别是，为了平均地反映飞行员的操纵特
性，优选准备多位飞行员所操纵的飞行数据。在学习数据中，成为推断
模型的输入的风数据通过与风干扰推断部40的输出生成相同的方法根
据飞行数据来生成。在学习数据中，成为推断模型的输出的飞行参数的
变动幅度作为与推断对象的飞行参数对应的飞行数据的围绕移动平均
值的标准偏差来计算(通常，在飞行数据中包含推断对象的飞行参数的
记录)。用于计算标准偏差的移动平均在主要表示与操纵的难易度相关
性较高的飞行参数的变动的区间范围(例：在通常的大型客机的情况下，
为2～4秒左右)内进行。
在这里，使用图3对飞机响应推断部50的输出的验证结果进行说
明。根据该图3可知，对于各飞行参数(上下加速度、左右加速度、侧
摆角、俯仰角)而言，与图3的上段所示的降落事例的情况相比，图3
的下段所示的复飞事例的情况一方变动幅度增大。在图3中，用虚线表
示飞机响应推断部50的输出，用实线表示飞行数据(FDR)。
接下来，以下对降落难易度推断部60的处理内容进行说明。
降落难易度推断部60将飞机的机型信息和由飞机响应推断部50获
取的多个规定高度的飞机的飞行状态的变动幅度作为输入信息，并利用
按照降落路径以及每个飞机的型号设定的第一推断模型来计算被分为
多个区划(例：难易度为低、中、高三个阶段)的降落难易度。
第一推断模型是以在推断对象的降落路径上飞行并降落的推断对
象型号的飞机的飞行数据、以及飞行员对降落难易度进行主观评价的评
价数据为基础，通过神经网络、贝叶斯网络、支持向量机等非线性多变
量分析方法生成的。第一推断模型的具体的内容如下。
首先，第一推断模型的学习数据以在成为推断对象的降落路径上飞
行并降落的推断对象的型号的飞机的飞行数据、以及飞行员对降落的难
易度进行主观评价的评价数据为基础生成。在这里，优选飞行数据准备
100例以上等，尽可能准备多个，特别是，为了平均地反映飞行员的操
纵特性，优选准备多位飞行员所操纵的飞行数据。另外，对于评价数据
而言，也优选准备100例以上等，尽可能多个。此外，飞行员的主观评
价分为与推断模型的输出相同的区划来进行。在学习数据中，成为推断
模型的输入的飞机的飞行参数的变动幅度以与飞机响应推断部50的输
出生成相同的方法根据飞行数据来生成。在学习数据中，成为推断模型
的输出的降落的难易度使用飞行员的主观评价数据。该主观评价数据，
例如，能够通过在一定期间内对飞行员进行问卷调查来收集。
根据这样得到的本实施方式的飞机航行用信息生成装置10，通过将
由气象传感器S获取的降落路径上的多个规定高度的风向数据以及风
速数据、跑道的方位数据、飞机的机型信息作为输入信息，来推断飞机
对于跑道的降落难易度，能够推断反映有特定的跑道的信息的降落难易
度，所以如图4所示，能够提供与航行故障、事故的发生相关性较高，
且可用性较高的降落难易度。
另外，具有数据处理部30，其对由气象传感器S获取的降落路径上
的多个规定高度的风向数据以及风速数据、跑道的方位数据实施预处
理；以及降落难易度推断部60，其将数据处理部30的输出数据与飞机
的机型信息作为输入信息，并通过第一推断模型推断降落难易度，由于
第一推断模型是将在推断对象的降落路径上飞行并降落的飞机的飞行
数据、以及飞行员对降落难易度主观地进行评价的评价数据作为学习数
据，通过非线性多变量分析方法构建而成的，所以能够推断反映有特定
的降落路径以及飞行员主观地评价的评价数据的可用性较高的降落难
易度。
另外，由于第一推断模型是将推断对象型号的飞机的飞行数据作为
学习数据构建而成的，所以除了特定的降落路径以及飞行员主观地评价
的评价数据之外，还能够推断反映有特定的飞机的机型信息(飞行特性)
的可用性较高的降落难易度。
另外，数据处理部30具有风干扰推断部40，风干扰推断部40将通
过对由气象传感器S获取的降落路径上的多个规定高度的风向数据以
及风速数据、跑道的方位数据实施预处理而获取的数据作为输入信息，
并通过第二推断模型推断多个规定高度的风速的正对风分量的变动幅
度、侧风分量的变动幅度、以及上下风分量的变动幅度，由于第二推断
模型是将在推断对象的降落路径上飞行并降落的飞机的飞行数据作为
学习数据，通过非线性多变量分析方法构建而成的，所以能够反映特定
的降落路径的信息地、高精度地推断成为使飞机的飞行状态变动的主要
原因的风速的正对风分量的变动幅度、侧风分量的变动幅度、以及上下
风分量的变动幅度，所以能够推断可用性较高的降落难易度。
另外，通过将基于飞机的飞行数据计算出的、飞机受到的风速的正
对风分量、侧风分量、以及上下风分量的经时信息的移动平均值作为构
建第二推断模型时的学习数据的输入值来使用，能够构建与真实情况近
似的高精度的第二推断模型，所以能够推断精度较高的风速的各成分的
变动幅度。
另外，通过将基于飞机的飞行数据计算出的、飞机受到的风速的正
对风分量、侧风分量、以及上下风分量的经时信息的围绕移动平均值的
标准偏差作为构建第二推断模型时的学习数据的输出值来使用，能够构
建与真实情况近似的高精度的第二推断模型，所以能够推断精度较高的
风速的各成分的变动幅度。
另外，通过风干扰推断部40将由气象传感器S获取的降落路径上
的多个规定高度的风向数据以及风速数据、跑道的方位数据作为输入信
息实施坐标变换，来计算多个规定高度的风速的正对风分量、风速的侧
风分量，并通过分别对正对风分量以及侧风分量在高度方向上进行数值
微分，来计算正对风分量的高度变化率以及侧风分量的高度变化率，将
正对风分量、侧风分量、正对风分量的高度变化率、侧风分量的高度变
化率以及高度作为输入信息，并通过第二推断模型推断风速的正对风分
量的变动幅度、侧风分量的变动幅度、以及上下风分量的变动幅度，从
而能够根据降落路径上的多个规定高度的风向数据以及风速数据、跑道
的方位数据推断高精度的风速的各成分的变动幅度。
另外，数据处理部30具有飞机响应推断部50，飞机响应推断部50
将多个规定高度的降落路径上的正对风分量以及侧风分量、多个规定高
度的正对风分量的变动幅度、侧风分量的变动幅度以及上下风分量的变
动幅度作为输入信息，并通过第三推断模型推断飞机的飞行状态的变动
幅度，由于第三推断模型是将在推断对象的降落路径上飞行并降落的飞
机的飞行数据作为学习数据，通过非线性多变量分析方法构建而成的，
所以通常不使用作为飞机制造商的非公开信息的飞机的飞行特性信息，
而能够反映特定的降落路径的信息并高精度地推断在推断降落难易度
时成为重要的因素的飞机的飞行状态的变动幅度，所以能够推断可用性
较高的降落难易度。
另外，通过将飞机的飞行数据所包含的、飞机的变动数据的围绕移
动平均值的标准偏差作为构建第三推断模型时的学习数据的输出值来
使用，能够构建与真实情况近似的高精度的第三推断模型，所以能够推
断精度较高的飞机的飞行状态的变动幅度。
另外，由于第三推断模型是将推断对象型号的飞机的飞行数据作为
学习数据构建而成的，所以除了特定的降落路径之外，还能够推断反映
有特定的飞机的型号的信息(飞行特性)的可用性较高的飞机的飞行状
态的变动幅度。
另外，各航空公司为了确保安全性，在飞机降落时施行各种风的限
制(侧风分量的最大值的限制等)。在本实施方式中，能够对各种风的
模式的模拟输入推断飞机的飞行参数的变动幅度、降落的难易度。通过
将推断的飞行参数的变动幅度与各飞机公司所设定的变动幅度的允许
值进行对照、或者评价推断的难易度，能够对以往的风的限制的妥当性、
限制缓和进行研究。只要能够缓和风的限制，就能够以比以往更多的机
会进行降落，提高飞机航行的效率。
另外，在本实施方式中，由于通过输入根据事例发生时的飞行数据
计算出的风数据，事例发生时的风对于飞行的影响以飞行参数的变动幅
度、降落的难易度的形式被量化，所以能够用于对降落时的飞机的事故、
意外事件进行事例解析。
产业上的可利用性
本发明能够应用于航空交通管制系统、飞机的航行管理系统、飞机
的机载电子设备等，具有产业上的可利用性。