离港航班可变滑出时间预测方法及应用

考虑离港航班可变滑行时间的可量化影响因素,构建了基于BP神经网络的离港航班可变滑出时间预测模型,然后采用遗传算法（Genetic Algorithm, GA）优化BP神经网络的权值和阈值,并提出基于可变滑出时间预测结果的航空器推出控制策略。最后,基于我国中南某枢纽机场2周的实际运行数据对预测模型及控制策略进行了验证。结果表明：①离港航班的可变滑出时间与机场场面交通流有强相关性,与平均滑出时间中度相关,与滑行距离相关性和转弯个数较弱;②基于GA优化后的BP神经网络预测结果误差在±60s、±180s、±300s内的准确率分别提升了14%、10%和5%;预测结果的平均绝对误差百分比提升了1.87%,平均绝对误差和均方根误差分别减少了3.58s、32.45s。③基于可变滑出时间预测的离港推出策略比实际推出时间平均晚68s。研究成果为提升大型枢纽机场场面运行效率和协同决策能力提供了新的思路。     

基于点融合技术的机场终端区运行效率

为解决繁忙终端区运行效率低、飞行冲突严重、管制员工作负荷大、通信频道拥堵等问题,提出了一种基于点融合技术的进场航班流排序方法.通过细化基于点融合的进场航班排序过程,分析了基于点融合程序的空中交通管制工作流程;基于雷达管制模拟机设计并验证了点融合程序应用于中国西南某机场终端区的可行性.结果 表明:点融合程序能解决终端区大流量情况下的进场航班排序问题,相比于现行程序而言,雷达引导、高度速度调整指令次数均有不同程度的减少,有效降低了管制员和飞行员工作负荷,改善了陆空通话拥挤现状.同时,进场航班间的飞行间隔更均匀、有序,进场时间和间隔均有一定程度的减小,终端区空域容量和运行效率显著提升,能有效缓解航班延误.     

约束条件下的线性阵列天线方向图正交综合法

在线性阵列天线方向图正交综合方法基础上引入约束条件实现阵列方向图的约束正交综合。此方法保持了非约束正交化方法中因采用了正交化处理而使得计算更为简便的优点,能实现均匀或非均匀直线阵的综合。实验结果表明,约束正交综合法能很好实现在主波束导向约束、零点约束、旁瓣电平约束等约束条件下的线性阵列方向图的综合,并且此方法只通过解析计算就能实现与需经多次迭代计算的自适应综合法相当的性能。     

基于SSA-BP的离港航班滑出时间预测

针对传统BP神经网络在离港航班滑出时间预测时存在对初始权值和阈值敏感、准确性和稳定性不好等缺点,提出了一种基于麻雀搜索算法(Sparrow Search Algorithm, SSA)获取BP神经网络的最优权值和阈值的方法。首先分析了离港航班滑出时间的可量化影响因素及相关性,然后构建了基于SSA-BP的离港航班滑出时间预测模型,并采用我国中南某枢纽机场2周的实际运行数据对预测模型进行了验证。结果表明：①离港航班滑出时间与同时段滑行的离港航班数量强相关,与同时段滑行的进港航班数量、同时段推出的离港航班数量、平均滑出时间中度相关,与滑行距离和转弯个数弱相关；②基于SSA优化后的BP神经网络预测结果误差在±60s内的准确率提升了20%,误差±180s内的准确率提升了12%,误差±300s内的准确率提升了7%；预测结果的平均绝对误差百分比提升了2.61%,平均绝对误差减少了11.73s,均方根误差减少了61.03s。研究成果为提升大型枢纽机场场面运行效率提供了思路。