考虑天气因素影响的离港航班滑出时间预测.pdf

投稿网址:2023 年 第23 卷 第27 期2023,23(27):11892-08科 学 技 术 与 工 程Science Technology and EngineeringISSN 16711815CN 114688/T引用格式:夏正洪,王楚皓,方鹏越.考虑天气因素影响的离港航班滑出时间预测J.科学技术与工程,2023,23(27):11892-11899.Xia Zhenghong,Wang Chuhao,Fang Pengyue.Prediction of departure flights taxi-out time considering weather factorsJ.Science Technol-ogy and Engineering,2023,23(27):11892-11899.考虑天气因素影响的离港航班滑出时间预测夏正洪,王楚皓,方鹏越(中国民用航空飞行学院空中交通管理学院,广汉 618307)摘 要 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 avia-tion 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: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;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;基于 GOA-BP 的滑出时间预测结果精度有明显提升,平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别减少了 11.40 s、12.62 s,平均绝对百分比误差(mean absolute percentage error,MAPE)提升了0.37%;3 min 和 5 min 的准确率分别高达 81%和 94%。关键词 天气因素;滑出时间预测;航空例行天气报告(METAR);反向传播(BP)神经网络;蝗虫优化算法(GOA)中图法分类号 V355.1;文献标志码 A收稿日期:2022-11-28;修订日期:2023-06-27基金项目:四川省科技计划(2022YFG0196);中国民用航空飞行学院基本科研项目(J2023-046)第一作者:夏正洪(1985),男,汉族,四川乐山人,硕士,教授。研究方向:空管自动化应用和机场场面运行效率。E-mail:。通信作者:王楚皓(1996),男,汉族,安徽芜湖人,硕士研究生。研究方向:机场场面运行效率。E-mail:56309965 。Prediction of Departure Flights Taxi-out Time Considering Weather FactorsXIA Zheng-hong,WANG Chu-hao,FANG Peng-yue(School of Air Traffic Control,Civil Aviation Flight University of China,Guanghan 618307,China)Abstract In view of the problem that the existing research results of taxi-out time prediction do not consider the influence of weath-er factors,based on the data of meteorological terminal aviation routine weather report(METAR),a prediction model of taxi-out timeof departure flights considering weather factors was constructed.Firstly,by analyzing the operation situation of the aircraft on the sur-face,the space-temporal overlapping relationship of the taxi process of inbound and outbound flights was clarified,the influencing fac-tors of the taxi-out time were redefined,and the analysis process of flight operation data and meteorological data was described respec-tively.Based on the results of correlation analysis,the back propagation(BP)neural network prediction model of taxi-out time was con-structed,and the grasshopper optimization algorithm(GOA)was used to optimize the model.The model was validated with the actualoperation data of Shenzhen Baoan airport for two weeks.The results show these as follows.Weather factor is one of the main influencingfactors of taxi-out time,and the introduction of quantified weather factor can significantly improve the prediction results of taxi-outtime.The concept and sample data of the number of inbound and outbound flights pushed and taxied at the same time,inbound andoutbound queues redefined are more accurate,and the correlation analysis results are more objective.The prediction accuracy of taxiout time based on GOA-BP is significantly improved,MAE and RMSE are reduced by 11.40 s and 12.62 s respectively,and MAPE isincreased by 0.37%;The accuracy of 3 min and 5 min was up to 81%and 94%respectively.Keywords weather factor;taxi-out time prediction;meteorological terminal aviation routine weather report(METAR);backpropagation(BP)neural network;grasshopper optimization algorithm(GOA)滑出时间是指离港航班完成撤轮挡,由停机位推出滑行至跑道实施起飞的时间,它是衡量机场场面运行效能的关键性指标。目前,中国大多数机场在实际运行的过程中,常根据管制员的经验使用估算的平均滑出时间来进行决策,导致场面拥堵、延误等一系列问题。由于大型繁忙机场的跑滑系统结构复杂,受地面交通流影响较大,实际的滑出时间已经超过 25 min,且具有很大的不确定性和动态投稿网址:2023,23(27)夏正洪,等:考虑天气因素影响的离港航班滑出时间预测11893变化性。因此,根据实际运行数据挖掘滑出时间变化规律,精确、高效地预测滑出时间,优化离港航班推出序列、提升机场运行效率、实现进离场与场面运行高效协同,打造智能化运行模式,符合建设智慧民航的宗旨。现有滑出时间相关研究成果主要分为以下四个方面。(1)滑出时间相关概念研究:赵嶷飞等1首次分析了起飞排队及落地滑入航班数量同滑行时间的关系,提出了改进的畅通滑行时间概念,但是此方法未考虑由场面交通流所引起拥堵而导致的滑出时间增加的情况。针对上述情况,Zhang 等2对进场队列和起飞队列等场面交通流关键因素进行了分析,建立了计量经济回归模型来预测畅通滑行时间。(2)滑出时间的影响因素研究:钱婧婧3为了全面评价交通流所产生的影响,引入了降落航班,对地面交通流和空中交通流对滑出时间的相关程度进行验证。随着机场规模与运行模式的改变,影响因素的构建不再局限于航班数据,后有学者引入了滑行路径、转弯角度、转弯个数4等一系列可量化因素。除了上述可量化的影响因素外,还有天气、流控、跑道运行模式等因素也会影响滑出时间的长短。Li 等5将天气因素和跑道构型以 0-1 开关变量的形式引入了滑出时间的预测,增加了影响因素的多样性。(3)滑出时间预测方法模型研究:最早的方法是基于统计的回归分析方法,但是预测结果差强人意;为了提升研究精度,反向传播(back propogation,BP)神经网络、支持向量回归(support vector regres-sion,SVR)、K 最近邻(K nearest neighbor,KNN)、随机森林等机器学习6陆续登场,预测结果的精度也得到了持续提升。(4)滑出时间预测结果的应用研究:尹旻嘉7提出了基于预测滑出时间的场面优化策略,通过控制场面交通流进而减少场面冲突发生的概率。黄龙杨等8提出了基于滑出时间预测的航班推出优化策略,对比了滑出时间的预测对于场面运行效率的提升有着关键作用。现有滑出时间研究还存在以下不足:现有影响因素的分析未基于场面的运行态势,未考虑推出时间前后时间阈值9的影响,故对滑出时间关键影响因素的定义不准确,导致预测结果与实际值仍有一定的偏差。鲜有研究谈及气象对滑出时间的影响,现有研究的气象数据未说明来源,预测结果的可信度有待进一步证实;同时,现有研究仅以 0-1开关型变量来反映天气对滑出时间的影响,未讨论不同的气象条件影响下滑出时间是否会发生变化。因此,首先分析离港航班的场面运行态势,厘清进离港航班滑行过程中的时空交叠关系,挖掘并重新定义离港航班滑出时间影响因素,梳理航班运行数 据 和 气 象 数 据 的 分 析 方 法;基 于 K 均 值(K-means)聚类算法分析不同天气条件下的平均滑出时间。然后,根据相关性分析结论构建了滑出时间的预测模型。针对 BP 神经网络容易受初始阈值和权值影响,导致预测结果不稳定、精度不高的缺点,提出基于蝗虫优化算法-反向传播(grasshopperoptimization algorithm-back propagation,GOA-BP)的离港航班滑出时间预测模型,以期获得更高精度的滑出时间预测结果,为航班的推出控制策略的形成奠定基础。1 数据处理1.1 数据来源统计深圳宝安机场 2019 年 5 月 26 日6 月 8日共计 2 周的航班运行数据和航空例行天气报告,共计获得航班运行数据 12 645 条,气象数据 672条。航班运行数据由航班号、机型、注册号、实际推出时刻、实际起飞时刻、实际落地时刻、实际上轮挡时刻、使用跑道、停机位号组成。气象数据由温度、露点温度、风向、风速、重要天气现象、水平能见度、云量、云底高组成,每半小时为 1 条数据。图 1 离港航班的滑行过程时空交叠图Fig.1 Space-temporal overlapping relationship of thetaxi process of outbund flights diagram1.2 场面运行态势分析该机场是典型的 H 型机场,基于航班的场面运行态势分析,得到进离港航班场面滑行过程的时空交叠关系10-12如图 1、图 2 所示。设置参考航班 i,离港航班 d,进港航班 a,以及参考航班 i 推出时间前后的时间阈值(15 min)。根据实际撤轮挡时间(actual off-block time,AOBT)、实际起飞 时 间(actual take-off time,ATOT)、实际着陆时间(actuallanding time,ALDT)和实际上轮挡时间(actual in-block time,AIBT)将进离港航班分为八类。投稿网址:11894科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)图 2 进离港航班的滑行过程时空交叠图Fig.2 Space-temporal overlapping relationship of the taxiprocess of inbound and outbound flights diagram(1)离港航班 d1的推出时间早于参考航班 i 的推出时间,且 d1的起飞时间早于 i 的起飞时间,即AOBTd1 AOBTi AOBTi ATOTd1 ATOTi(1)(2)离港航班 d2的推出时间早于参考航班 i 的推出时间,且 d2的起飞时间晚于 i 的起飞时间,即AOBTd2 ATOTi(2)(3)离港航班 d3的推出时间和起飞时间均处于参考航班 i 的滑行过程中,即AOBTi AOBTd3 ATOTiAOBTi ATOTd3ATOTi(3)(4)离港航班 d4的推出时间处于参考航班 i 的滑行过程中,且 d4的起飞时间晚于 i 的起飞时间,即AOBTi AOBTd4 ATOTi(4)(5)进港航班 a1的落地时间早于参考航班 i 的推出时间,且 a1的上轮挡时间处于 i 的滑行过程中,即ALDTa1 AOBTi AOBTi AIBTa1 ATOTi(5)(6)进港航班 a2的落地时间早于参考航班 i 的推出时间,且 a2的上轮挡时间晚于 i 的起飞时间,即ALDTa2 ATOTi(6)(7)进港航班 a3的落地时间和上轮挡时间均处于参考航班 i 的滑行过程中,即AOBTiALDTa3ATOTiAOBTiAIBTa3ATOTi(7)(8)进港航班 a4的落地时间处于参考航班 i 的滑行过程中,且 a4的上轮挡时间晚于 i 的起飞时间,即AOBTi ALDTa4 ATOTi(8)1.3 滑出时间影响因素离港航班的场面运行会受到时间和空间等不确定因素的影响。在分析其影响因素时,不仅要考虑机场场面运行实况,如交通流、滑行距离等,还应考虑天气因素、流控等因素的影响。因此,对滑出时间影响的特征量进行定义和量化分析。(1)同时段推出航班数量 x1。若航班 d 的推出时间在参考航班 i 推出时间正负阈值范围内,则 d为 i 的同时段推出航班。因此,同时段推出航班数量 x1可表示为x1=d2+d3(9)(2)同时段起飞航班数量 x2。在参考航班 i 的起飞离港过程中,若离港航班 d 的场面运行将对 i产生影响,则 d 为 i 的同时段起飞航班。因此,同时段起飞航班数量 x2可表示为x2=d1+d2+d3+d4(10)(3)同时段落地航班数量 x3。在参考航班 i 的起飞离港过程中,若航班 a 的场面运行与 i 有时空交叠,则 a 为 i 的同时段落地航班。因此,同时段落地航班数量 x3可表示为x3=a1+a2+a3+a4(11)(4)离港队列 x4。离港航班跑道外等待时间受离港队列影响,队列越长则跑道外等待时间越长。由图 1 可知,在参考航班 i 的滑行过程中已完成起飞的航班 d,即为处于离港队列的航班。因此,离港队列 x4可表示为x4=d1+d3(12)(5)进港队列 x5。进港队列描述的是未来一段时间内的进港航班数量。进港航班有较高的优先级,会增加离港航班在滑行过程中的等待时间。由图 2 可知,在参考航班 i 滑行过程中,已完场落地的航班 a,即为处于进港队列的航班。因此,进港队列x5可表示为x5=a3+a4(13)(6)30 min 平均滑出时间 x6。计算与参考航班i 推出时间在相同的 30 min 时间段内所有航班 d 的实际滑出时间的均值。因此,30 min 平均滑出时间x6可表示为x6=nd=1Tdn(14)式(14)中:Td表示离港航班 d 的实际滑出时间。(7)滑行距离 x7。滑行距离与滑出时间呈正比例关系,滑行距离越长相对应的滑出时间也会越长。根据机场图可得出航班 d 的标准滑行路径,通过测量路径长度并按比例计算即可得到其滑行距离。投稿网址:2023,23(27)夏正洪,等:考虑天气因素影响的离港航班滑出时间预测11895(8)天气因素 x8。根据民用机场最低起降标准可知,航班起飞和降落时都将参考能见度、跑道视程及云底高的限制值。由此可见,天气是影响机场运行安全的重要因素,恶劣天气如雷暴、暴雨等都将对离港航班的滑行过程产生影响。如风向、风速的改变或超出起飞标准将导致更换使用跑道的方向,会导致机场地面交通流的变化和混乱;雷暴天气可能导致低能见度或者流量控制的出现,机场道面积水、积冰都可能导致滑行速度的变化;这些天气因素都将导致滑出时间产生较大差异。1.4 数据处理1.4.1 航班运行数据处理(1)删除重复或不完整的数据。(2)筛选出滑出时间 60 min 以内的航班数据。(3)计算同时段推出航班数量 x1、同时段起飞航班数量 x2、同时段落地航班数量 x3、离港队列 x4、进港队列 x5。(4)计算 30 min 平均滑出时间 x6。(5)根据机场图,做出滑行路线,计算滑行距离 x7。经过数据处理最终得到 5 952 条离港航班数据,以及 5 952 架航班所对应的 x1、x2、x3、x4、x5、x6、x7。1.4.2 气象数据处理(1)删除航空例行天气报告(meteorological ter-minal aviation routine weather report,METAR)报文中无关气象数据。(2)将民用航空机场运行最低标准制定与实施准则与历史能见度值进行比对,筛查是否有低能见度起飞的航班。(3)根据飞行机组操作手册和历史风向、风速、离港跑道,筛查是否发生顺风超标导致临时更换跑道的情况。(4)筛选并保留轻度雨 y1、雨 y2、轻度雨轻雾y3、雨轻雾 y4、弱雷暴雨 y5、雷暴雨 y6、强雷暴雨 y7和无影响 y8共计 8 个特征。(5)将 8 个天气特征与 30 min 平均滑出时间进行映射,形成天气特征划分方案。(6)对 30 min 平均滑出时间(x6)进行 K-means聚类,分成 A、B、C 三类,如图 3 所示。其中,A 类972 s,聚类中心(802,802)、972 1 419 s,聚类中心(1 708,1 708)。(7)将不同组合的天气划分方案下的 30 min 平均滑出时间再取均值,筛选出与聚类结果 A、B、C 最为相近的组合。(8)将平均滑出时间小于等于 972 s 且不受天气影响的航班,用数值 1 表示;平均滑出时间在972 1 419 s 区间内且受 y1、y2、y3、y4、y5、y6影响的航班,用数值 2 表示;平均滑出时间大于 1 419 s 受y7影响的航班,用数值 3 表示。经过筛查未出现低能见度起飞及临时更换跑道而导致滑出时间大幅变化的情况。因此,划分出基于METAR 报文的天气因素量化方案:A(无影响 y8)为1、B(轻度雨 y1、雨 y2、轻度雨轻雾 y3、雨轻雾 y4、弱雷暴雨 y5、雷暴雨 y6)为 2、C(强雷暴雨 y7)为 3。最终得到5 952 架航班所对应的天气因素量化指标 x8。图 3 基于 K-means 的平均滑出时间聚类图Fig.3 Clustering diagram of average taxi-out timebased on K-means2 模型构建2.1 相关性分析运用 SPSS 软件对数据处理后的 8 个影响因素进行相关性分析,如表1 所示。根据统计学13的基本理论和皮尔逊相关性系数可知,滑出时间与同时段起飞航班数量 x2、同时段落地航班数量 x3、离港队列 x4、进港队列 x5、30 min 平均滑出时间 x6、天气因素 x8呈中度相关(0.5|r|0.8)。同时段推出航班数量 x1、滑行距离 x7与滑出时间呈弱相关(r 0.3)。表 1 相关性分析表Table 1 Correlation analysis table影响因素皮尔逊相关系数相关性x10.123弱相关x20.563中度相关x30.576中度相关x40.567中度相关x50.653中度相关x60.627中度相关x70.192弱相关x80.546中度相关投稿网址:11896科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)2.2 基于 BP 的滑出时间预测模型BP 神经网络是一种信号正向传播,误差逆向传播的多层前馈神经网络。正向传播时,信号由输入层输入,经多个隐含层处理后,从输出层输出;逆向传播时,则是将输出逐层反传,误差分摊给各层所有单元,从而获取误差信号,根据误差信号再调整网络的权值,使预测逼近期望。BP 神经网络具有较强的非线性映射能力、泛化能力和容错能力。根据相关性分析结论可知,同时段推出航班数量和滑行距离对滑出时间的影响较小14,故在模型构建时不予考虑。因此,选取 x2、x3、x4、x5、x6、x8共 6 个中度相关影响因素作为模型的输入,滑出时间作为模型的输出,构建基于 BP 神经网络的滑出时间预测模型如图 4 所示。图 4 基于 BP 神经网络的预测模型Fig.4 Prediction model based on BP neural network首先,从样本数据中随机选取 5 752 组数据作为训练集,剩余 200 组数据作为测试集。输入神经元个数为中度相关影响因素个数,隐藏神经元选择预测性能最优的个数,输出神经元个数为 1。为消除量级的影响,将数据集进行归一化处理。设置训练次数 10 000、学习速率 0.01,将训练集数据进行训练,直至网络收敛,保存稳定的网络参数。最后,使用稳定后的网络对测试集数据所对应的滑出时间进行预测,将预测结果与真实数据进行对比,并对模型进行评估分析。2.3 基于 GOA-BP 的滑出时间预测模型2.3.1 蝗虫优化算法蝗虫优化算法是受蝗虫群体觅食行为模式启发的一种智能优化算法15。蝗虫群体包括幼虫和成虫。幼虫有着飞行速度缓慢、移动范围小的特点,负责开发特定的局部区域。成虫的飞行速度和活动范围都有明显增加,负责全局的搜索。其算法流程如下:设置算法初始参数;计算蝗虫个体的适应度值,对适应度值进行排序;记录、保存适应度值最优的蝗虫位置;判断是否达到迭代次数,若达到迭代次数则当前位置就是最优解,算法结束,输出最优解和适应度值。若未达到继续执行;更新系数 c;更新蝗虫位置和适应度值;判断是否优于历史最佳适应度,如果是执行,否则输出最优解和适应度值。更新迭代次数,返回。2.3.2 GOA-BP 模型在初始的 BP 神经网络预测中,常使用随机初始化的方法来设置权值和阈值,预测结果具有很大的不确定性和随机性,且容易使预测结果陷入局部最优。因此,采用 GOA 优化算法获取神经网络的最优权值和和阈值,从而得到基于 GOA-BP 的滑出时间预测模型16,算法流程如图 5 所示。步骤如下。(1)将整理后的离港航班滑出时间预测影响因素的样本数据导入 MATLAB 软件中。(2)设置模型的初始参数:网络输入层节点数 6、隐含层节点数10、输出层节点数1、上边界 bu为 2、下边界 bl为-2、参数 c 的取值范围0.000 04,1。(3)打乱数据集,随机选出5 752 组数据作为训练集,剩下的 200 组数据作为测试集。(4)对数据进行归一化处理,消除数量级的影响,提高收敛速度。(5)构建 GOA-BP 神经网络,对数据进行训练。(6)将输出的结果进行反归一化处理,选取最优值作为滑出时间的预测结果。图 5 基于 GOA-BP 的滑出时间预测流程图Fig.5 Flow chart of taxi-out time prediction based on GOA-BP投稿网址:2023,23(27)夏正洪,等:考虑天气因素影响的离港航班滑出时间预测118973 模型评估为了评价地空交通流(x2、x3、x4、x5、x6)和天气因素(x8)对滑出时间的影响,以平均绝对误差(mean absolute error,MAE)、均方根误差(root meansquare error,RMSE)、平均绝对百分比误差(meanabsolute percentage error,MAPE)和准确率四个方面来评判所构建的模型的有效性。3.1 天气因素对滑出时间的影响读取处理好的地空交通流和天气因素数据,利用 MATLAB 软件编写 BP 神经网络模型预测代码,所得离港航班滑出时间预测结果如表 2 和图 6所示。可见,BP 神经网络模型可有效地应用于离港航班滑出时间的预测。在引入天气因素后的各项评价指标均有不同程度的优化,预测结果前后对比明显,MAE 减少了 7.03 s,RMSE 减少了 6.32 s,MAPE提升了 1.5%,误差在 3 min 和 5 min 的预测准确率分别提升了 5.5%和 2.5%。根据 METAR 报文可知,B 类天气(轻度雨、雨、轻度雨轻雾、雨轻雾、弱雷暴雨、雷暴雨)下的平均滑出时间 1 133 s,C 类天气(强雷暴雨)下的平均滑出时间 1 705 s。受影响的总平均滑出时间为 1 203 s,均已远超正常的离港平均滑出时间 900 s,从而反映了天气因素是影响滑出时间的重要因素之一。3.2 基于 GOA-BP 模型的预测结果分析虽然 BP 神经网络模型在滑出时间的研究中有着较为突出的表现,但是也存在输出结果不稳定、易陷入局部最优、准确率低等缺点,因此使用 GOA优化算法获取 BP 神经网络的初始权值和阈值,构建了基于 GOA-BP 的滑出时间预测模型,所得结果如表 3 和图 7 所示。在引入天气因素后,GOA-BP 相较于 BP,MAE减少了 11.40 s,RMSE 减少了 12.62 s,MAPE 提升图 6 基于 BP 神经网络的滑出时间预测结果对比图Fig.6 Comparison diagram of taxi-out time predictionresults based on BP neural network了 0.37%,误差在 3 min 和 5 min 的预测准确率分别提升了 2.5%和 1.5%。但是,GOA-BP 模型中蝗虫位置需要不断更新,且个体位置更新受到种群中其他蝗虫位置信息的影响。因此,GOA-BP 训练所需时间成本较 BP 更高,即在不考虑所需训练时间的前提下,GOA-BP 模型在滑出时间预测精度方面有更为优异的表现。表 2 基于 BP 神经网络的滑出时间预测结果对比分析Table 2 Comparative analysis of taxi-out time prediction results based on BP neural network变量是否引入天气因素滑出时间预测误差预测准确率/%MAE/sRMSE/sMAPE/%3 min5 minx2、x3、x4、x5、x6否136.90181.1816.7973.090.0 x2、x3、x4、x5、x6、x8是129.87174.8615.2978.592.5表 3 基于 BP 和 GOA-BP 的滑出时间预测结果对比Table 3 Comparison of taxi-out time prediction results based on BP and GOA-BP模型变量是否引入天气因素滑出时间预测误差预测准确率/%MAE/sRMSE/sMAPE/%3 min5 minBPx2、x3、x4、x5、x6、x8是129.87174.8615.2978.592.5GOA-BPx2、x3、x4、x5、x6、x8是118.47162.2414.9281.094.0投稿网址:11898科 学 技 术 与 工 程Science Technology and Engineering2023,23(27)图 7 基于 GOA-BP 的滑出时间预测结果图Fig.7 Prediction results of taxi-out time based on GOA-BP 在模型预测过程中,模型容量需要匹配数据复杂度,否则会出现过拟合和欠拟合的情况。过拟合表现为训练误差远小于泛化误差。欠拟合表现为训练误差和泛化误差都较大。以 R2作为衡量拟合情况指标,GOA-BP 与 BP 的拟合度均未超过 0.9,拟合度较差,故可认为 GOA-BP 与 BP 神经网络模型存在欠拟合的情况。究其原因是数据复杂度较高,样本中包括时间和天气这些差异性较大的数据,模型难以拟合。4 结论(1)基于机场的 METAR 报文对影响滑出时间的天气类别进行划分,基于 K-means 聚类方法将滑出时间与所划分的天气类别进行对应,使用三值型变量来量化天气因素对滑出时间的影响,根据相关性分析结果和滑出时间预测结果可知天气因素是滑出时间的重要影响因素之一。(2)基于场面运行态势分析,厘清了进离港航班在滑行过程中的时空交叠关系;相比于已有研究成果,本文所提的同时段推出、滑行的进离港航班数量、进离港队列的概念以及所得的样本数据更加精准,相关性分析结果更加客观。(3)针对 BP 神经网络预测模型输出结果不太理想的情况,采用蝗虫智能优化算法获取 BP 神经网络的初始阈值和权值,构建了基于 GOA-BP 的滑出时间预测模型,以深圳宝安机场的实际运行数据验证了优化后模型预测精度有明显提升。参考文献1 赵嶷飞,唐华龙.北京首都机场畅通滑行时间研究J.中国民航大学学报,2016,34(4):1-5.Zhao Yifei,Tang Hualong.Aircraft unimpeded taxi time in BeijingCapital International AirportJ.Journal of Civil Aviation Universi-ty of China,2016,34(4):1-5.2 Zhang Y,Wang Q.Methods for determining unimpeded aircraft tax-iing time and evaluating airport taxiing performanceJ.ChineseJournal of Aeronautics,2017,30(2):523-537.3 钱婧婧.基于机器学习的航空器场面推出时刻决策研究D.南京:南京航空航天大学,2019.Qian Jingjing.Research on the aircraft pushback time decisionbased on machine learningD.Nanjing:Nanjing University ofAeronautics and Astronautics,2019.4 夏正洪,贾鑫磊.离港航空器滑出时间的 BP 神经网络预测模型J.航空工程进展,2022,13(2):99-106.Xia Zhenghong,Jia Xinlei.Taxi-out time prediction model of de-parture aircraft based on BP neural networkJ.Advances in Aero-nautical Science and Engineering,2022,13(2):99-106.5 Li N,Jiao Q,Zhu X,et al.Prediction of departure aircraft taxitime based on deep learningJ.Transactions of Nanjing Universityof Aeronautics and Astronautics,2020,37(2):232-241.6 Diana T.Can machines learn how to forecast taxi-out time?a com-parison of predictive models applied to the case of Seattle/TacomaInternational AirportJ.Transportation Research Part E:Logisticsand Transportation Review,2018,119:149-164.7 尹旻嘉.基于滑行时间预测的场面运行优化策略研究D.南京:南京航空航天大学,2018.Yin Minjia.Research on optimization strategy of airport surface op-eration based on taxi time predictionD.Nanjing:Nanjing Uni-versity of Aeronautics and Astronautics,2018.8 黄龙杨,夏正洪.离港航班可变滑出时间预测方法及应用J.科学技术与工程,2021,21(33):14434-14439.Huang Longyang,Xia Zhenghong.Prediction method of departureflight estimated taxi-out time and its applicationJ.Science Tech-nology and Engineering,2021,21(33):14434-14439.9 冯霞,孟金双.基于 KNN 和 SVR 的航班滑出时间预测J.西南交通大学学报,2017,52(5):1008-1014.Feng Xia,Meng Jinshaung.Flight departure time prediction basedon KNN and SVRJ.Journal of Southwest Jiaotong University,2017,52(5):1008-1014.10 唐小卫,陈祯,张生润,等.繁忙机场机坪空间构型对航班离港滑行时间的影响J.交通运输系统工程与信息,2022,22(5):309-317.Tang Xiaowei,Chen Zhen,Zhang Shengrun,et al.The impact ofapron spatial configuration on flight departure taxi time at busy air-portsJ.Journal of Transportation Systems Engineering and Infor-mation Technology,2022,22(5):309-317.11 唐小卫,丁叶,张生润,等.进港航班滑入时间预测研究J/OL.北 京 航 空 航 天 大 学 学 报:1-10.2022-10-12.https:/ Xi