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。     

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。     

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。     

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。     

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。     

基于BTS数据集的航班延误分类和预测算法

针对神经网络分类模型对美国联邦运输统计局(Bureau of Transportation Statistics, BTS)航班数据集中的不均衡数据预测误差较大的问题,采用自适应合成采样算法(adaptive synthetic sampling approach, ADASYN)和合成少数类过采样算法(synthetic minority over-sampling technique, SMOTE)对航班延误类别进行平衡处理,并用随机森林(random forest, RF)模型进行训练和贝叶斯调参。结果表明：与不经过平衡采样的方法比较,该方法在权重平均下的精确率、召回率和F₁评分分别提高了19%、8%和16%;分类预测准确率提升8.03%,模型拟合指数AUC(area under curve)提升5.4%。同时,采用多特征相融合的图神经网络模型Graph WaveNet对航班平均延误时间进行预测。实验结果表明：与单特征模型比较,该模型平均绝对误差和均方根误差分别降低了16%和12.45%。这些方法和结果对研究航班延误分类和预测算法研究具有参考价值。     

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     

改进型BP神经网络的港口吞吐量预测

为了提高港口吞吐量预测模型的适用性,满足港口决策的需求,对传统时间序列BP神经网络预测模型进行改进,将未来三年的吞吐量作为输出层参数,以tansig函数和logsig函数为传递函数,建立了改进型时间序列BP神经网络预测模型,利用trainlm函数训练神经网络,预测未来三年的港口吞吐量。对深圳港集装箱吞吐量进行了预测,结果表明,改进型时间序列BP神经网络模型泛化能力更强,拟合精度更高,且避免了传统预测模型循环预测产生的误差叠加,具有较好的适用性。     

基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.     

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。     

组合模型在深圳港货物吞吐量预测中的应用

根据深圳港货物吞吐量的历史数据,分别利用时间序列的三次指数平滑法、GM(1,1)灰色预测模型法以及组合预测法对深圳港货物吞吐量进行探讨,并对未来几年深圳港货物吞吐量进行预测.结果表明:组合预测模型融合了前两种预测方法的优点,其平均绝对误差、平均相对误差的绝对值,都小于单独用三次指数平滑法或GM(1,1)灰色预测模型法时的平均绝对误差、平均相对误差的绝对值,可以降低误差,提高预测精度.     

基于SSA-CNN的航空器着陆跑道占用时间预测

国内外相关研究表明,航空器着陆跑道占用时间(aircraft arrive runway occupation time, AROT)是影响机场跑道容量的重要因素,对跑道占用时间的准确预测有利于更准确地评估跑道容量。由于着陆过程的动态性和复杂性,采用注重数据特征提取的卷积神经网络(convolutional neural networks, CNN)对AROT进行预测,针对CNN容易陷入局部最优等缺点,采用麻雀搜索算法(sparrow search algorithm, SSA)对CNN相关参数进行优化。数据采用航空器快速存取记录器(quick access recorder, QAR)的记录作为数据源,涵盖机场数目为34个。根据QAR数据分析AROT影响因素,构建了SSA-CNN预测模型。对QAR数据分析表明AROT与滑行距离、落地气温、跑道入口速度、快速脱离道数量、脱离速度关联性较强,与航空器重量、风速、风向、脱离道角度等影响因素关联性较低。根据影响因素的关联性采用CNN预测模型均方误差为18.35,而优化后的SSA-CNN预测模型均方误差为17.31,预测结果可以为机场评估跑道容...     

港口船舶交通流量预测

为更精确地对港口或航道内船舶交通流量进行预测,分别建立BP神经网络预测模型和RBF神经网络预测模型进行仿真,并以宁波港船舶交通流量为例进行验证.结果表明,在宁波港现有发展基础和港口设施状况下,RBF神经网络用于宁波港船舶交通流量预测误差较小,预测值与实际值相近.     

基于极限学习机(ELM)的连铸坯质量预测

针对传统基于BP神经网络建立的连铸坯质量预测模型训练速度慢、适应能力弱、预测精度低等问题,本文提出一种基于极限学习机的连铸坯质量预测方法,对方大特钢60Si2Mn连铸坯中心疏松和中心偏析缺陷进行预测,并与BP和遗传算法优化BP神经网络预测模型的预测结果进行分析对比.结果表明:BP及GA-BP神经网络预测模型对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为50％、57.5％、70％和72.5％;而基于极限学习机的连铸坯预测模型预测准确率更高,对连铸坯中心疏松和中心偏析缺陷的预测准确率分别为85％和82.5％,且该模型具有极快的运算时间,仅需0.1s.该模型可对连铸坯质量进行迅速准确地分析,为连铸坯质量预测的在线应用提供了一种新的方法.     

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.     

基坑变形灰色人工神经网络预测模型及其应用

针对基坑变形预测中信息的灰色性和数据的非线性性,提出用灰色神经网络预测基坑变形的新方法。用一桩锚联合支护体系实例进行了预测研究,得到支护体系的不同预测模型的组合预测值。研究结果表明:灰色神经网络预测误差比GM(1,1)预测模型小;与BP预测模型相比,前期误差大,后期误差小。在基坑变形监测中,为了更准确地预测基坑变形,可以采用灰色神经网络预测与BP预测相结合的方法进行预测。