离港航班滑出时间的支持向量机预测模型

为解决BP神经网络在离港航班滑出时间预测精度欠佳的问题,构建了基于支持向量机(Support Vector Mac, SVM)的离港航班滑出时间预测模型。首先,分析了影响离港航班滑出时间的可量化因素,构建了基于相关性分析的离港航班滑出时间预测模型;并对比分析了基于SVM和BP神经网络的滑出时间预测结果。结论表明：(1)离港航班滑出时间与同时段推出航班数量、同时段起飞航班数量、同时段落地航班数量、1小时平均滑出时间呈现强相关性,与滑行距离、转弯个数、延误时间相关但不显著,与起飞时刻所在时段不相关。(2)基于SVM和BP神经网络的预测结果趋势是一致的,考虑强相关和中度相关影响因素的七元组预测结果准确率达到最佳;引入不相关因素后模型的预测精度会下降。(3)基于SVM的滑出时间预测模型精度显著高于BP神经网络预测模型,滑出时间误差范围在内的预测准确率可达98%。     

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%。     

基于多机场终端区交通态势的航班延误预测

为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势进行分析的基础上,建立了6个描述终端区交通态势的指标。接着,构建反向传播（back propagation,BP）神经网络航班延误预测模型,将终端区交通态势指标、航班信息和天气环境数据等作为输入,航班延误时间作为输出,并利用粒子群优化算法（particle swarm optimization,PSO）优化BP神经网络进行训练。通过实例验证和分析,基于多机场终端区交通态势的航班延误预测能够有效提高预测准确率,同时,通过粒子群优化BP神经网络的预测模型预测准确率均高于一般的考虑交通态势的BP和遗传算法优化的BP神经网络模型（genetic algorithm and back propagation,GA-BP）。     

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。     

基于时效信息和深度学习的离港航班延误预测

针对离港航班延误预测问题,利用深度神经网络模型,结合时效航班信息数据和时效气象数据,提出了一种基于时效信息和深度学习的离港航班延误预测模型。利用真实数据开展数值试验,结果表明了所构建的延误预测模型可以在较短时间内获得较高的航班延误预测精度,并且具有较大的航班延误预测时效;同时随着延误时间阈值的增加,预测精度不断提高,损失值不断降低;尤其以60分钟为阈值时,模型的预测精度可以达到91.26%,说明了模型的有效性。     

大型机场单通道U形机坪区推出等待点优化设计

为了提高大型机场单通道U型区高峰时段航班出港效率，研究了单通道U型区离港航班推出等待点位置。首先，将单通道U型区航班推出等待点位置选定问题、抽象为典型的TSP组合优化问题；其次，以典型高峰时段航班滑出U型区总耗时最短为目标函数，构建了基于航班计划的动态等待点模型；最后，结合问题特征及模拟退火算法基本理论，设计了双层模拟退火算法结构进行计算，并分别对上下层算法进行改进。仿真结果表明，所设计模型结合所设计算法可大幅度降低航班滑出U型区总耗时与机位延误时间。与传统推出方式相比，滑出U型区总耗时降低29.4%，机位延误总时间降低了79.9%，且平均计算时间为34.2秒，满足决策要求。可见，动态配置离港航班推出等待点位置，能够提高航班出港效率，为管制员决策提供优化方案     

多跑道进离港地面等待问题建模及协同优化

针对多跑道机场起降航班难以进行跑道合理分配,尤其是混合跑道的使用问题,以降低航班延误损失为目标,提出一种基于跑道的航班优先系数计算策略,建立了一种多跑道进离港地面等待问题优化模型,并实现进离港队列延误费用的合理分配.同时,设计了一种启发式局部搜索算子并嵌入遗传算法,形成一种混合遗传算法对问题模型求解.通过对代表性算例的计算,结果表明,所提出的模型及算法不仅可以减少航班的延误损失,还可以显著优化延误损失在进离港队列之间的合理分配.     

基于分布估计算法的离港航班排序优化

离港排序优化问题是指优化离港航班序列以减少终端区离港航班的延误,是当前空中交通管制领域需要解决的重要问题。该文基于带滑动窗的分布估计算法,实现了对此问题的求解。算法以飞机优先序列进行编码,适应度函数考虑了离港飞机起飞延迟因素,并在传统的优化流程中加入了滑动窗的排序思想,解决了多架飞机参与排序时编码空间不足的问题。仿真结果表明:分布估计算法在离港排序优化问题上具有较好的整体性能,同时滑动窗参数的选择对于优化结果具有明显的影响。     

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。     

基于物元二次可拓多机场起飞延误关联性分析及预测

为及时掌控多个机场之间的航班延误程度,研究物元可拓方法在机场航班起飞延误关联性中的应用。通过建立分时段航班起飞延误的物元模型,运用物元可拓方法,对多个机场的航班起飞延误情况进行分析。根据机场间航班起飞延误的关联度计算结果,选取关联性较大的机场,对目标机场的航班起飞延误程度进行预测;并通过实例验证了该方法的可行性。算例表明:所提出的方法能够有效地分析多个机场航班起飞延误之间的关系,并能够对起飞延误的发生起到预警作用。     

考虑航路网络结构的离场航班延误预测模型

针对离场航班延误预测缺少对航路网络结构因素的考虑，以及传统多分类预测难以满足高精度的需求，本文提出了一种考虑航路网络结构的离场航班延误预测模型。首先，根据离场航班所在终端区的航路网络结构，提出了航路拥挤指标，即航路流量、航路拥挤度和航路网络拥挤度，从航路网络和网络结构2个维度量化分析了拥挤特征，构造了航路拥挤数据集；然后，基于深度神经网络（deep neural network，DNN），构建了考虑航路网络结构的离场航班延误预测模型；最后，分析各类别延误样本比例，调整焦点损失函数的平衡因子以及各模型参数，进行了不同损失函数、不同数据集和不同模型参数的对比实验。结果表明：调整平衡因子后，模型预测准确率提高了2.3个百分点，融入航路拥挤数据集后，准确率继续提高了1.52个百分点，并且最终达到93.47%。可见，本文所提模型能够对离场航班延误作出有效准确判断，为民航相关单位提供决策参考。     

面向实际运行的战略航班时刻优化技术

为了对航班时刻进行科学合理的配置,以机位、跑道和走廊口构成的系统为研究对象,考虑航班在系统内的实际运行情况,通过滑行时间和飞行时间在各关键资源节点之间建立连接.以满足关键资源节点的容流匹配为前提,建立了面向实际运行的航班时刻优化模型.以5 min为步长的滑动时间窗,设计了面向精确解的高效最优化算法并使用MATLAB工具箱编程求解.对浦东机场班期时刻表进行实例优化,并应用AirTop软件进行仿真验证.研究结果表明,优化后平均离场延误降低了3.2 min,高峰离场延误降低了23 min,放行正常率提高了11.04％,证明了该模型和算法的有效性,可以为大型机场缓解延误、保障运行效率提供航班时刻配置方案的理论支持.     

基于航空公司的航班计划优化与延误预测

随着中国民航业的快速发展,航班延误情况一直较为严重.建立了航班计划优化模型,将软备份运力分配在飞行时间和过站时间中,提高了航班的正常率、起飞的准点率和航班串的鲁棒性;为了进一步提高航班的正常率,追踪航班串中各航班的过站机场和离场时间,用加权马尔科夫链预测处在该时间段的过站机场的延误状态,并针对不同的延误状态作出相应的延误预警,提高了航班运营的可靠性.     

基于跑道容量的航班恢复优化模型

为了降低航班延误造成的经济损失和旅客滞留,在不增加管制员工作负荷的基础上提高航班运行效率。本文在原有的航班恢复模型基础上,引入跑道容量模型,综合考虑旅客流、航空公司公平性以及航线重要程度的影响,建立了以各单位恢复总成本最小为目标函数的航班恢复模型,该模型适用于跑道数以及构型不同的单一机场,算例中引用国内某机场的真实延误数据,并用遗传算法和粒子群算法求解模型得到优化方案,与遗传算法相比,粒子群更适用于该模型,收敛速度更快。与现有的航班运行相对比,优化后的方案总延误时间缩短了11.85%,总延误成本减少了6.55%。最后用TAAM仿真软件分别运行实际恢复方案和优化恢复方案,报告显示优化方案中终端区产生冲突的可能性更小,管制员工作负荷更低,从而验证了模型和算法的可用性。