基于机器学习的离港航空器滑出时间预测

准确地预测航空器的滑出时间对于提升机场场面运行安全和效率至关重要。基于机场场面运行态势分析,获得进/离港航空器滑行的时空分布特征,从而准确定义同时段离港航空器数量、进港航空器数量、起飞队列长度。基于影响因素进行相关性结论分析,构建了基于机器学习的航空器滑出时间预测模型,并使用中南某枢纽机场2周的实际运行数据对模型进行了验证。结果表明：（1）滑出时间影响因素相关性大小排序为：起飞队列长度、同时段起飞航空器数量、半小时平均滑出时间、同时段落地航空器数量、起飞使用跑道、滑出距离。（2）机器学习方法能实现对航空器滑出时间的有效预测,分类器的优劣排序为支持向量机（support vector machine,SVM）、BP（back propagation,BP）神经网络、随机森林（random forest,RF）。（3）引入弱相关的影响因素后,滑出时间预测精度会有一定程度的降低。     

考虑天气因素影响的离港航班滑出时间预测

针对现有滑出时间预测研究成果未考虑天气因素影响的问题,基于航空例行天气报告(meteorological terminal aviation routine weather report,METAR),构建了考虑天气因素的离港航班滑出时间预测模型。首先,通过分析航空器场面运行态势,厘清了进离港航班滑行过程的时空交叠关系,重新定义了滑出时间的影响因素,并分别阐述了航班运行数据和气象数据的分析流程。基于相关性分析结果构建了滑出时间的反向传播（back propagation,BP）神经网络预测模型,并采用蝗虫优化算法(grasshopper optimization algorithm,GOA)对模型进行优化。以深圳宝安机场2周的实际运行数据对模型进行了验证,结果表明：（1）天气因素是滑出时间的主要影响因素之一,引入量化后的天气因素可显著提升滑出时间预测结果。（2）重新定义的同时段推出及滑行的进离港航班数量、进离港队列的概念和数据样本更加精准,相关性分析结果更加客观。（3）基于GOA-BP的滑出时间预测结果精度有明显提升,MAE和RMSE分别减少了11.40 s、12.62 s,MAPE提升了0.37%;±3 min和±5 min的准确率分别高达81%和94%。     

基于智能算法优化BP的航空器滑出时间预测

滑出时间是评估大型机场场面运行效率的主要性能指标,科学准确地预测离港航空器的滑出时间,对于提升场面运行效率至关重要。首先,分析了航空器滑出时间影响因素及相关性,构建了基于BP神经网络的航空器滑出时间预测模型。针对BP神经网络存在对初始权值和阈值敏感、准确性和稳定性欠佳等缺点,分别采用粒子群算法和麻雀搜索算法获取BP神经网络的最优权值和阈值,并采用我国中南某枢纽机场2周的实际运行数据对智能算法优化后的预测模型进行了验证。结果表明：①滑出时间与半小时平均滑出时间、起飞队列长度、同时段滑行的离港航空器数量均有强相关性,与同时段滑入的进港航空器数量中度相关,与滑行距离和经过冲突热点区域个数相关性较弱;②考虑强相关和中度相关影响因素的4元组合预测模型的预测结果最佳;③智能优化算法通过获取神经网络的局部最优权重和阈值,可有效地提升航空器滑出时间预测结果的精度,但运算过程耗时也更长;④基于PSO优化后的BP神经网络预测结果较优化前的MAPE提升了1.13%,MAE减少了4.48s,RMSE减少了4.68s;基于SSA优化后的BP神经网络预测结果较优化前的MAPE提升了3.05%,MAE减少了16.55s,RMSE减少了14.32s。