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。     

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SSA-BP的离港航班滑出时间预测

针对传统反向传播(back propagation, 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,并采用中国中南某枢纽机场2周的实际运行数据对预测模型进行了验证。结果表明：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;基于SSA优化后的BP神经网络预测结果误差在±60 s内的准确率提升了20%,误差±180 s内的准确率提升了12%,误差±300 s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11.73 s,均方根误差减少了61.03 s。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。     

离港航班滑出时间的支持向量机预测模型

为解决反向传播(back propagation, 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 machine, 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：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 h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。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。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±5 min内的预测准确率可达98%。     

基于态势感知的滑行路径优化算法

为提高繁忙机场场面运行效率,以优化航空器滑行路径、减少航空器滑行延误时间为目标,通过分析滑行道的运行态势,构建了机场滑行路径优化模型,并提出基于态势感知的滑行路径优化模型求解算法.算例结果表明:基于态势感知的滑行路径优化算法与传统的先到先服务优化算法相比,航空器在整个滑行过程中的总运行时间下降了 5％.可见基于态势感知...     

A*算法的场面滑行动态规划方法

针对大型繁忙机场交通冲突频发、起飞延误等问题,在战略和战术层面分别对机场场面滑行路径规划方法展开研究。简化了机场路网结构,将滑行路径规划与进离场序列结合,建立了航空器总体滑行耗时最短,延误最少的动态优化模型。在比较了流行的机场滑行路经规划算法基础上,从战术规划的角度提出了一种新的基于A~*算法的场面滑行动态规划方法和冲突解脱策略。案例仿真结果表明该方法可以快速有效的减少航空器总体滑行时间和解决滑行冲突,实现机场场面运行效率提升和机场运营的自动化。     

侧向跑道机场滑行路径优化

为了缓解机场场面交通拥挤状况,提高侧向跑道机场场面运行效率,构建了侧向跑道机场航空器滑行路径优化模型.该模型以航空器加权滑行时间和延误等待时间最小为目标,提出了动态优化航班的优先级的优化方案.将航空器的运行规则转化为相应的数学约束条件,根据侧向跑道机场的滑行道调度问题进行算法设计,运用改进的遗传算法对模型进行求解,以航空器的优先级滑行序列和航空器滑行路径为染色体,基于MATLAB对双链染色体进行编码,并对4种滑行冲突与解脱进行分析.以成都天府国际机场为例进行算例分析,与先到先服务序列进行对比,采用优化方案的序列可以节省42 s,并与蚁群算法进行比对,验证了改进的遗传算法的有效性,可以为繁忙机场的滑行调度提供决策支持.     

近距平行跑道机场绕行滑行道使用策略研究

为了给近距平行跑道机场制定和优化航空器场面运行策略提供理论依据,提升跑道运行安全水平和效率、减少机场运行场面冲突、降低安全隐患。本文分析并建立基于进、离港航班平均地面滑行时间最小为目标的绕滑使用决策模型,并以某机场两条近距平行跑道绕滑运行为例,采用数值计算和AirTOp运行仿真软件两种方式验证了该模型的可行性。算例结果表明,由该模型确定的绕滑使用策略,可以同时降低机场进、离港航班的延误水平,提高地面滑行效率。并且,通过对该机场航班运行数据的进一步研究发现,起飞跑道交通密度与绕滑使用率之间存在较为明显的正相关关系,进而提出针对该机场在高峰小时运行架次和起降比变化情况下的绕滑运行策略。     

基于D*算法的场面滑行动态规划研究

研究了机场场面滑行路径动态规划问题.基于三种滑行冲突约束,建立了使航班总体滑行时间最短的动态优化模型.改进了传统的D*算法,提出了基于时间权值的冲突预测和代价修正函数.案例计算相比Dijkstra算法得到的结果减少了203s,有效减少总滑行时间,提高场面运行效率.该算法不仅可以用于滑行路径的初始规划,也适用于场面实时滑行引导的实施.     

基于滚动模糊时间窗的场面动态路径规划

为了减少机场场面滑行冲突,提高机场运行效率,提出了一种基于模糊规则系统的滚动模糊时间窗算法。首先构建机场滑行时间预测模型,其次将滚动时间窗和模糊时间窗算法相结合,对滑行路径进行动态优化,最后结合机场地面滑行数据进行检验,结果表明,地面延误降低了9%-17%,地面冲突减少了10%-18%,说明该方法能够有效提高机场地面运行效率。     

基于冲突点避让机制选择的航空器滑行路径优化

针对航空器地面滑行的问题,提出了冲突点选择避让机制来优化航空器滑行路径。通过构建地面滑行路径的节点-路段模型,以航空器全部滑行到预定节点所用时间最短为目标,建立了路径滑行优化模型。通过建立可行路径集,利用启发式搜索算法,从静态路径规划、动态路径规划两阶段对滑行路线进行优化,得到航空器滑行优化路径。以某机场某一时段内航班到离港时间数据为例,对算法进行了验证,结果显示:经算法优化后,可减少时间段内各航班的最短滑行路径的冲突,缩短滑行时间,滑行道使用较分散,可降低航空器滑行中运行风险。     

基于速度分配的航空器绿色滑行优化

针对航班量过快增长以及机场容量限制导致的机场滑行道拥堵问题,在航空器滑行路径优化的基础上,提出一种基于遗传算法和Yen算法的速度优化方法。首先规定速度变化剖面,以滑行时间和尾气排放为目标,以最大滑行速度和加速度为决策变量,考虑机场滑行规则和滑行限制设定约束条件,建立滑行路径和速度的优化模型;然后利用Yen算法对浦东机场16架航空器的滑行路径进行预筛选,为每个航空器分配3条路径;最后利用遗传算法进行仿真求解,依据最小滑行成本得到最优的滑行路径和速度分配方案。结果表明：优化后的滑行时间降低21.82%,尾气排放降低27.17%,滑行成本降低25.77%,且未产生冲突。可见所建立的优化模型和方法对提高场面运行效率和减少航空污染具有一定的可行性。     

基于航班离场成本的离场航空器滑行策略优化

针对大型枢纽机场日益严重的场面拥堵及由此导致的航班延误问题,推出率控制策略可利用机位等待代替滑行道及跑道口等待,控制场面离场航班的滑行数量,缓解场面拥挤.基于推出率控制策略同时结合场面滑行路径优化,提出了基于航班离场成本的离场航空器滑行策略.首先,构建了基于推出率控制策略的航班离场成本计算模型;然后,提出离场航空器滑行策略优化方法;最后,以航班离场成本最小为目标,采用遗传算法开展算例仿真,并选取三种策略进行对比分析.结果表明:基于航班离场成本的滑行策略不仅能减少离场航班的总滑行时间,提高场面运行效率,还能减少燃油消耗和气体排放量,具有一定的环保性.     

离港航班延误时间预测方法

在如今的民航运行体系里,航班延误已经成了机场和航空公司为了提高效率与控制成本的主要研究目标。为了构建更准确的离港航班延误时间预测模型,首先分析了导致离港航班延误发生的主要因素,并利用皮尔逊相关度系数对各因素进行相关性分析。其次基于基本BP(back propagation)神经网络算法,构建离港航班延误时间预测模型,并进行优化;然后采用自动编码器(AutoEncoder)对BP算法进行改进;接着构建了基于支持向量机(support vector machine, SVM)的预测模型并与优化后的BP模型进行对比;最后基于上海浦东机场实际历史航班数据进行仿真检验,验证了本文优化模型的准确性和高效性。     

终端区4D飞行轨迹预测与冲突预警

为提升终端区飞行轨迹预测精度,实现航空器短时冲突预警,建立一种基于孪生支持向量回归的终端区4D飞行轨迹预测模型。对历史飞行轨迹应用重采样算法,降低轨迹数据规模;利用墨卡托投影将轨迹点经度、纬度与高度化为x-y-z坐标,采用孪生支持向量回归算法学习预测模型,实现短时航空器飞行轨迹动态预测;计算两架航空器水平、垂直距离,建立航空器冲突预警指示函数;对孪生支持向量回归算法进行超参数灵敏度分析,分析各超参数对模型预测效果的影响。根据机场真实数据进行仿真实验,证明：基于孪生支持向量回归的4D飞行轨迹预测模型能够准确捕捉航空器运动趋势,且泛化能力强;所提模型x-y-z坐标预测均方根误差是BP神经网络预测结果的32%,35%和61%,单次预测计算用时减少约0.13 s。     

机场冲突热点识别与等级划设方法研究

针对机场地面运行中航空器之间的潜在冲突区域,提出了基于场面监视雷达数据,提取机场机动区内航空器地面滑行轨迹,分析经过同一滑行道组件的任意两个航空器的滑行路径、滑行时间是否有重合,分析两机航向差绝对值和距离间隔是否满足特定约束条件的机场冲突热点识别方法;提出了基于冲突热点的日平均冲突航空器架次比进行热点的等级划设准则。开发了一套冲突机场热点识别与等级划设系统,并对我国中南某机场冲突热点位置进行识别并划设等级。其结果与专家反馈意见和实际管制运行情况一致,从而验证了热点识别方法与等级划设标准的合理性。机场冲突热点识别与等级划设工作可以有效提醒航空器驾驶员在地面滑行时特别关注"危险地带",降低或杜绝发生跑道入侵或地面冲突的几率,有效地提高机场地面运行安全水平。     

停机位分配的多商品网络流模型及离散粒子群算法

本文建立了停机位分配的多商品网络流模型,并以航空器总场面运行时间最小为目标,建立数学模型。将机场场面分为若干区域,建立区域—机位两级分配策略,以降低问题规模。设置机位外等待时间,以省去区域容量相关约束。在传统粒子群算法的基础上,设计离散粒子群算法,对模型进行求解。选取乌鲁木齐机场某日240架航班和109个机位进行实验,证明了与现有研究中的典型模型相比,多商品网络流模型能使运算时间减少10.1%,并能达到与典型模型相同的精度。全空域和机场模型(total airspace and airport modeller, TAAM)仿真结果表明,和现行机位分配方案相比,多商品网络流模型的机位分配结果能使航空器的场面调配运行时间减少7.49%,延误时间减少8.87%。算例结果进一步表明,提高机场场面运行效率的关键在于均衡航班的进离港滑行距离,同时避免停机位密集分布。     

基于公交浮动车数据的城市主干道交通拥堵预测

交通拥堵预测是解决交通拥堵问题的前提。针对速度特性分析不全面的问题,基于公交浮动车数据,在速度时间相关性和空间相关性分析的基础上,加入了公交流量和时间占有率两个特征,提出了考虑时空特性和公交车流特性的改进粒子群优化的径向基函数神经网络(particle swarm optimization-radial basis function, PSO-RBF)速度预测模型。通过比较预测结果与速度阈值,得到城市主干道的交通拥堵情况。结果表明,与只考虑时空特性的预测结果相比,所提出的基于时空特性和公交车流特性的预测方法,可使模型预测的均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)分别降低13.58%、12.63%,决定系数达92.39%。同时,实例验证了改进的PSO-RBF神经网络模型的预测精度要优于标准的PSO-RBF神经网络。     

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）。