趙征，馮事成，宋梅雯，胡莉，陸莎

（1.南京航空航天大學(xué) 民航學(xué)院，南京 211106）

（2.上海國(guó)際機(jī)場(chǎng)股份有限公司運(yùn)行指揮中心，上海 201202）

0 引 言

大型民用機(jī)場(chǎng)場(chǎng)面運(yùn)行復(fù)雜，實(shí)際運(yùn)行中，經(jīng)常出現(xiàn)進(jìn)港航空器的機(jī)位保障資源不能及時(shí)到位；離港航空器按照預(yù)計(jì)時(shí)間推出，但跑道頭排隊(duì)錯(cuò)位導(dǎo)致無(wú)法滿足分配起飛時(shí)刻的情況。上述現(xiàn)象主要是由于機(jī)場(chǎng)協(xié)同決策（A-CDM）系統(tǒng)中滑行時(shí)間設(shè)置較為單一和靜態(tài)，缺乏科學(xué)預(yù)測(cè)和動(dòng)態(tài)修訂而導(dǎo)致的。通過(guò)對(duì)航空器進(jìn)港和離港滑行時(shí)間的精確和動(dòng)態(tài)預(yù)測(cè)，可以更加準(zhǔn)確地計(jì)算出預(yù)計(jì)上輪擋時(shí)間、預(yù)計(jì)推出時(shí)間等，從而提升機(jī)場(chǎng)的運(yùn)行效率，提高航班準(zhǔn)點(diǎn)率。

在滑行時(shí)間影響因素的分析方面，A-CDM 系統(tǒng)實(shí)施文件中將影響滑行時(shí)間最常見(jiàn)的因素歸為11 種，包括機(jī)場(chǎng)布局和機(jī)場(chǎng)設(shè)施、使用的跑道、跑道交叉的次數(shù)、停機(jī)位、氣象條件、航空器類(lèi)型和飛行員、航空器重量、推出指令傳達(dá)時(shí)間、除冰位、交通密度和機(jī)場(chǎng)當(dāng)?shù)氐牟僮鞒绦?。R. A.Shumsky基于排隊(duì)論，考慮航空公司、離港跑道和離港需求等影響因素，對(duì)離港滑行時(shí)間進(jìn)行預(yù)測(cè)；H.Idris 等分析了影響滑行時(shí)間的主要因素，如起飛隊(duì)列長(zhǎng)度、跑道配置、天氣、飛機(jī)類(lèi)型和停機(jī)位等，并使用排隊(duì)論模型對(duì)離港滑行時(shí)間進(jìn)行預(yù)測(cè)，結(jié)果顯示起飛隊(duì)列長(zhǎng)度是最重要的影響因素，但是模型在±5 min 范圍內(nèi)的預(yù)測(cè)精度不到70%。

針對(duì)前人研究中關(guān)于進(jìn)港航空器數(shù)量對(duì)離港滑行時(shí)間影 響有限的觀點(diǎn)，R. R. Clewlow 等經(jīng)過(guò)分析證明了進(jìn)港航空器數(shù)量對(duì)離港滑行時(shí)間有著顯著影響，且進(jìn)/離港航空器流交互越多，這種影響就越顯著；劉繼新等分析了航空器滑行時(shí)間的影響因素，結(jié)果表明，場(chǎng)面流量對(duì)滑行時(shí)間的影響最為顯著。

在滑行時(shí)間預(yù)測(cè)模型和方法的研究方面，M.S.Kistler 等以達(dá)拉斯—沃思堡國(guó)際機(jī)場(chǎng)為對(duì)象，使用線性回歸和對(duì)數(shù)線性回歸模型對(duì)航空器滑行時(shí)間進(jìn)行預(yù)測(cè)，結(jié)果表明，線性回歸模型預(yù)測(cè)效果較好，在±1 min 誤差范圍內(nèi)，預(yù)測(cè)精度達(dá)到71%，決定因子值達(dá)到0.95；P.Balakrishna 等采用強(qiáng)化學(xué)習(xí)算法對(duì)美國(guó)的三個(gè)機(jī)場(chǎng)進(jìn)行了離港滑行時(shí)間預(yù)測(cè)，算法在底特律國(guó)際機(jī)場(chǎng)和坦帕國(guó)際機(jī)場(chǎng)表現(xiàn)出較好的預(yù)測(cè)效果；S.Ravizza 等提出滑行距離應(yīng)分為推出段、轉(zhuǎn)彎段和直線滑行段，并研究了飛機(jī)滑行通過(guò)這三段時(shí)的滑行角度和速度，然后基于多元線性回歸、最小中位數(shù)平方線性回歸、支持向量機(jī)和M5 模型樹(shù)等對(duì)離港滑行時(shí)間進(jìn)行了預(yù)測(cè)；H.Lee 等以夏洛特機(jī)場(chǎng)為例，基于神經(jīng)網(wǎng)絡(luò)、線性回歸模型、支持向量機(jī)、近鄰和隨機(jī)森林等算法對(duì)滑行時(shí)間進(jìn)行預(yù)測(cè)，并比較了這幾種算法的預(yù)測(cè)效能，結(jié)果顯示，支持向量機(jī)預(yù)測(cè)效果 優(yōu) 于 其 他 模 型；T. Diana比 較 了 集 成 機(jī) 器 學(xué)習(xí)、普通最小二乘法和懲罰算法在預(yù)測(cè)滑行時(shí)間方面的性能，以探究機(jī)器學(xué)習(xí)是否比傳統(tǒng)的線性回歸具有更好的預(yù)測(cè)效能，結(jié)果表明，在對(duì)預(yù)測(cè)結(jié)果進(jìn)行偏差和方差的評(píng)估比較方面，兩者各有優(yōu)劣，故在模型選擇時(shí)應(yīng)當(dāng)以偏差和方差的均衡作為選擇依據(jù)；Wang X W 等比較了線性回歸、梯度提升決策樹(shù)和隨機(jī)森林等算法對(duì)滑行時(shí)間的預(yù)測(cè)效果，并研究了各個(gè)特征對(duì)模型的影響程度，得出使用一小部分特征（包括所有機(jī)場(chǎng)的一般性特征起飛/到達(dá)、滑行距離、總轉(zhuǎn)彎數(shù)、平均速度和航空器數(shù)量），以及針對(duì)特定目標(biāo)機(jī)場(chǎng)的少數(shù)特征，就可以實(shí)現(xiàn)較高的預(yù)測(cè)準(zhǔn)確性；李楠等基于多元回歸模型，分別采用傳統(tǒng)統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)預(yù)測(cè)航空器離港滑行時(shí)間，結(jié)果顯示，機(jī)器學(xué)習(xí)的預(yù)測(cè)準(zhǔn)確度較高，±5 min 誤差范圍內(nèi)預(yù)測(cè)精度達(dá)到87%；馮霞等將離港滑行時(shí)間預(yù)測(cè)劃分為兩個(gè)階段，先利用已知特征預(yù)測(cè)離港滑行過(guò)程中使用相同跑道起降的航班數(shù)量，再將其作為變量輸入滑行時(shí)間預(yù)測(cè)模型，結(jié)果顯示，該方法的預(yù)測(cè)效果優(yōu)于直接預(yù)測(cè)。

現(xiàn)有研究成果大都只針對(duì)離港滑行時(shí)間進(jìn)行分析預(yù)測(cè)，且未分析樣本數(shù)據(jù)量對(duì)預(yù)測(cè)模型的影響?？紤]到進(jìn)/離港滑行在影響因素和滑行時(shí)間上均存在差異，進(jìn)港滑行時(shí)間的準(zhǔn)確預(yù)測(cè)對(duì)計(jì)算預(yù)計(jì)上輪擋時(shí)間和確定地面保障資源的到位時(shí)間至關(guān)重要，而樣本數(shù)據(jù)量與預(yù)測(cè)效果的關(guān)聯(lián)分析可為機(jī)場(chǎng)的系統(tǒng)開(kāi)發(fā)和運(yùn)行提供參考。因此，本文采用XGBoost 算法針對(duì)進(jìn)港滑行時(shí)間和離港滑行時(shí)間分別進(jìn)行預(yù)測(cè)，并剖析機(jī)場(chǎng)滑行時(shí)間預(yù)測(cè)所需樣本數(shù)據(jù)量與滑行時(shí)間預(yù)測(cè)精度的關(guān)聯(lián)。

1 航空器滑行時(shí)間影響因素分析

雖然滑行時(shí)間預(yù)測(cè)的算法具有一定程度的普適性，但因機(jī)場(chǎng)機(jī)位和機(jī)坪布局、跑滑構(gòu)型、滑行規(guī)則、氣象環(huán)境等的不同，導(dǎo)致不同機(jī)場(chǎng)的航空器滑行時(shí)間影響因素有其定制性。因此，本文首先介紹滑行預(yù)測(cè)方法的實(shí)證機(jī)場(chǎng)信息，然后針對(duì)實(shí)證機(jī)場(chǎng)進(jìn)行影響因素的分析提取。

1.1 機(jī)場(chǎng)運(yùn)行環(huán)境分析

廣州白云國(guó)際機(jī)場(chǎng)（以下簡(jiǎn)稱“白云機(jī)場(chǎng)”）是中國(guó)三大門(mén)戶復(fù)合樞紐機(jī)場(chǎng)之一，也是中國(guó)最繁忙的五大機(jī)場(chǎng)之一，年旅客吞吐量超5 000 萬(wàn)人次。白云機(jī)場(chǎng)場(chǎng)面布局圖如圖1 所示，機(jī)場(chǎng)建有三條跑道，跑道運(yùn)行方向?yàn)槟媳边\(yùn)行，01/19 號(hào)跑道進(jìn)、離場(chǎng)混合運(yùn)行，02L/20R 號(hào)跑道主要用于離場(chǎng)，02R/20L 號(hào)跑道主要用于進(jìn)場(chǎng)。機(jī)場(chǎng)共有2 個(gè)航站樓，分別為T(mén)1 和T2，停機(jī)位275 個(gè)，主要分布在東機(jī)坪、西機(jī)坪、北機(jī)坪以及其他區(qū)域。

圖1 廣州白云國(guó)際機(jī)場(chǎng)場(chǎng)面布局Fig.1 Layout of Guangzhou Baiyun International Airport

1.1.1 航空器滑行規(guī)則

進(jìn)港航空器滑行方面，由01 號(hào)和19 號(hào)跑道進(jìn)港的航空器主要滑入北機(jī)坪和東機(jī)坪，由02R 號(hào)和20L 號(hào)跑道進(jìn)港的航空器主要滑入北機(jī)坪和西機(jī)坪。離港航空器滑行方面，東機(jī)坪、西機(jī)坪和北機(jī)坪的航空器經(jīng)由01 號(hào)、02L 號(hào)和20R 號(hào)跑道離港，而19 號(hào)跑道只有東機(jī)坪和北機(jī)坪的航空器經(jīng)此跑道離港。

1.1.2 機(jī)場(chǎng)天氣概況

白云機(jī)場(chǎng)位于廣州市北部花都區(qū)，處于雷雨多發(fā)地帶，據(jù)統(tǒng)計(jì)白云機(jī)場(chǎng)近50 年來(lái)，年平均出現(xiàn)雷暴日數(shù)為75.4 天，最多為109 天，最少為49 天。此外，因受臺(tái)風(fēng)或臺(tái)風(fēng)外圍因素影響，經(jīng)常出現(xiàn)短時(shí)強(qiáng)陣雨。雷暴和強(qiáng)陣雨是影響白云機(jī)場(chǎng)航空器滑行兩個(gè)最主要的天氣因素。

1.2 影響因素分析方法

航空器滑行時(shí)間受多種因素影響，不同機(jī)場(chǎng)存在共同的影響因素，也有其特定的影響因素?；趯?duì)機(jī)場(chǎng)運(yùn)行環(huán)境的分析，白云機(jī)場(chǎng)場(chǎng)面存在較多交叉路口，容易造成滑行沖突，因此存在較多沖突熱點(diǎn)區(qū)域（Hot Spot，簡(jiǎn)稱HS）；且由于機(jī)位分配的原因，使得航空器存在穿越跑道滑行和交叉滑行的可能。針對(duì)白云機(jī)場(chǎng)場(chǎng)面運(yùn)行環(huán)境選取三個(gè)特定的影響因素，即經(jīng)過(guò)HS 的數(shù)量、是否交叉滑行、是否穿越跑道；兩個(gè)一般性影響因素，即所屬航空公司、停機(jī)位，通過(guò)統(tǒng)計(jì)單個(gè)影響因素下的平均滑行時(shí)間，直觀展示各個(gè)因素對(duì)滑行時(shí)間的影響情況，為最終影響因素集的確定提供分析方法。

1.2.1 經(jīng)過(guò)HS 的數(shù)量

經(jīng)過(guò)HS 區(qū)域時(shí)，航空器可能需要減速或者停車(chē)，待其他航空器通過(guò)后才能繼續(xù)滑行。隨著經(jīng)過(guò)HS 的數(shù)量增多，航空器需要減速或者停車(chē)的幾率會(huì)增加，滑行時(shí)間的受影響程度也會(huì)增大。由HS 數(shù)量統(tǒng)計(jì)的平均滑行時(shí)間如圖2 所示，可以看出：當(dāng)經(jīng)過(guò)HS 的數(shù)量從0 增加到2 時(shí)，進(jìn)港平均滑行時(shí)間依次增加約5%和58%，離港平均滑行時(shí)間依次增加約2%和13%。

圖2 由經(jīng)過(guò)的HS 數(shù)量統(tǒng)計(jì)的平均滑行時(shí)間Fig.2 Average taxi time measured by HS number

1.2.2 交叉滑行

交叉滑行是反映航空器滑行距離的重要因素，若從東機(jī)坪離港的航空器由01/19 號(hào)跑道起飛，或從西機(jī)坪離港的航空器由02L/20R 號(hào)跑道起飛，則視為存在交叉滑行；同理，若從01/19 號(hào)跑道進(jìn)港的航空器滑入東機(jī)坪，或從02R/20L 號(hào)跑道進(jìn)港的航空器滑入西機(jī)坪，則視為存在交叉滑行。由交叉滑行統(tǒng)計(jì)的平均滑行時(shí)間如圖3 所示，可以看出：當(dāng)存在交叉滑行時(shí)，進(jìn)港平均滑行時(shí)間增加約70%，離港平均滑行時(shí)間增加約10%。

圖3 由交叉滑行統(tǒng)計(jì)的平均滑行時(shí)間Fig.3 Average taxi time calculated by cross taxi

1.2.3 穿越跑道

對(duì)于白云機(jī)場(chǎng)由02R/20L 號(hào)跑道進(jìn)港的航空器存在穿越02L/20R 號(hào)跑道的情況，若此時(shí)02L/20R 號(hào)跑道上有航空器離港起飛，則由02R/20L 號(hào)跑道進(jìn)港的航空器必須在穿越點(diǎn)外等待，進(jìn)港滑行時(shí)間會(huì)受到影響。由穿越跑道統(tǒng)計(jì)的平均進(jìn)港滑行時(shí)間如圖4 所示，可以看出：當(dāng)航空器存在穿越跑道的情況時(shí)，進(jìn)港平均滑行時(shí)間增加約54%。

圖4 由穿越跑道統(tǒng)計(jì)的平均滑行時(shí)間Fig.4 Average taxi time calculated by crossing runway

1.2.4 所屬航空公司

不同航空公司對(duì)航空器推出模式和航空器滑行速度有不同的規(guī)定，會(huì)對(duì)航空器滑行時(shí)間造成影響。由航空公司統(tǒng)計(jì)的平均進(jìn)港滑行時(shí)間和平均離港滑行時(shí)間分別如圖5～圖6 所示，可以看出：不同航空公司航空器平均進(jìn)/離港滑行時(shí)間均存在較大差異。

圖5 由航空公司統(tǒng)計(jì)的平均進(jìn)港滑行時(shí)間Fig.5 Average taxi-in time calculated by airline

圖6 由航空公司統(tǒng)計(jì)的平均離港滑行時(shí)間Fig.6 Average taxi-out time calculated by airline

1.2.5 停機(jī)位

從同一跑道起飛/落地的航空器，由于停放區(qū)域不同，會(huì)對(duì)航空器滑行造成兩方面的影響，一是滑行距離不同，二是滑行過(guò)程中受其他航空器干擾的程度不同，每一方面都會(huì)對(duì)滑行時(shí)間造成影響。由停機(jī)位統(tǒng)計(jì)的平均進(jìn)港滑行時(shí)間和平均離港滑行時(shí)間分別如圖7～圖8 所示，可以看出：不同停機(jī)位上的航空器平均進(jìn)/離港滑行時(shí)間均存在較大差異。

圖7 由停機(jī)位統(tǒng)計(jì)的平均進(jìn)港滑行時(shí)間Fig.7 Average taxi-in time calculated by stand

圖8 由停機(jī)位統(tǒng)計(jì)的平均離港滑行時(shí)間Fig.8 Average taxi-out time calculated by stand

1.3 最終影響因素集

基于現(xiàn)有研究選取影響滑行時(shí)間的其他因素，如航空器類(lèi)型、起飛/到達(dá)跑道、時(shí)段、起飛隊(duì)列長(zhǎng)度、場(chǎng)面同時(shí)滑行的航空器數(shù)量和天氣。針對(duì)場(chǎng)面滑行的航空器流量統(tǒng)計(jì)方法，本文采用Yin Jianan 等基于宏觀網(wǎng)絡(luò)拓?fù)鋱D對(duì)流量的計(jì)算方法，將其分為離港瞬時(shí)流量、離港累計(jì)流量、進(jìn)港瞬時(shí)流量和進(jìn)港累計(jì)流量。在對(duì)天氣的處理上，結(jié)合機(jī)場(chǎng)運(yùn)行的天氣統(tǒng)計(jì)數(shù)據(jù)和管制一線經(jīng)驗(yàn)，將對(duì)航空器滑行會(huì)造成較嚴(yán)重影響的雷暴和強(qiáng)陣雨天氣視為惡劣天氣，其他對(duì)航空器滑行幾乎沒(méi)有影響的天氣視為正常天氣，而后根據(jù)機(jī)場(chǎng)記錄的歷史天氣情況給每一個(gè)航班標(biāo)定對(duì)應(yīng)的天氣類(lèi)型。結(jié)合對(duì)特定影響因素的分析提取，最終確定的進(jìn)/離港滑行時(shí)間影響因素如表1 所示。

表1 進(jìn)/離港滑行時(shí)間影響因素Table 1 Influencing factors of taxi-in and taxi-out time

2 預(yù)測(cè)模型

2.1 模型及評(píng)估標(biāo)準(zhǔn)

XGBoost 的英文全稱為Extreme Gradient Boosting，是Chen Tianqi 等提出的一種梯度提升模型，也是一種基于決策樹(shù)的集成機(jī)器學(xué)習(xí)算法。相較于前幾代基于決策樹(shù)的算法，XGBoost算法可在最短的時(shí)間內(nèi)，使用較少的計(jì)算資源，得到較為出色的結(jié)果。

為了更加直觀地比較XGBoost 算法在航空器滑行時(shí)間預(yù)測(cè)方面的性能，本文選擇隨機(jī)森林和支持向量回歸兩種常用的滑行時(shí)間預(yù)測(cè)算法用以對(duì)比分析。

在對(duì)模型預(yù)測(cè)性能的評(píng)估上，選擇決定系數(shù)（）、均 方 根 誤 差（）和 平 均 絕 對(duì) 誤 差（）三個(gè)指標(biāo)。通常情況下，值越大，自變量可以解釋的滑行時(shí)間變化的比例越大，然而，值過(guò)大也可能意味著一些過(guò)擬合的問(wèn)題；衡量觀測(cè)值與真實(shí)值之間的偏差；反映預(yù)測(cè)值誤差的實(shí)際情況，它們是機(jī)器學(xué)習(xí)中評(píng)價(jià)模型的兩把重要標(biāo)尺。這兩個(gè)指標(biāo)的計(jì)算公式如下：

式中：為所有進(jìn)港航班或者所有離港航班；p為航班滑行時(shí)間的預(yù)測(cè)值；t為航班滑行時(shí)間的真實(shí)值。

2.2 模型輸入與輸出

2.2.1 模型輸入

本文先進(jìn)行訓(xùn)練集和測(cè)試集的劃分，然后進(jìn)行數(shù)據(jù)預(yù)處理，包括異常值和空缺值的處理，以避免模型提前學(xué)習(xí)到測(cè)試集數(shù)據(jù)信息。在測(cè)試不同劃分比例的預(yù)測(cè)效果后，最終選定以80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測(cè)試集。以進(jìn)港為例，經(jīng)過(guò)預(yù)處理后的進(jìn)港航班數(shù)據(jù)如表2 所示。

基于前文對(duì)滑行時(shí)間影響因素分析的結(jié)果，從預(yù)處理后的數(shù)據(jù)中提取、計(jì)算用于輸入模型的各個(gè)特征，而后通過(guò)編碼將計(jì)算機(jī)無(wú)法識(shí)別的字符信息，如航空公司代碼、機(jī)型和跑道號(hào)等轉(zhuǎn)化為數(shù)值型信息，作為模型的最終輸入數(shù)據(jù)。以進(jìn)港為例，模型最終輸入的進(jìn)港數(shù)據(jù)如表3 所示。

表2 預(yù)處理后的進(jìn)港航班數(shù)據(jù)Table 2 Preprocessed incoming flight data

表3 輸入模型的進(jìn)港數(shù)據(jù)Table 3 Incoming flight data input to model

2.2.2 模型輸出

模型輸出即是預(yù)測(cè)的滑行時(shí)間。本文參照中國(guó)民用航空局A-CDM 系統(tǒng)的相關(guān)定義，進(jìn)港航空器滑行時(shí)間（指航空器從落地（）時(shí)刻到滑入停機(jī)位上輪擋（）時(shí)刻之間的時(shí)間。

離港航空器滑行時(shí)間（）指航空器從撤輪擋時(shí)刻（）到起飛離地時(shí)刻（）之間的時(shí)間。

2.3 模型調(diào)參

機(jī)器學(xué)習(xí)模型的預(yù)測(cè)性能主要取決于兩方面因素，一是數(shù)據(jù)本身的質(zhì)量，二是模型參數(shù)的調(diào)整。為了進(jìn)一步提高模型預(yù)測(cè)效果，需對(duì)基于XG?Boost 的滑行時(shí)間預(yù)測(cè)模型進(jìn)行調(diào)參。

首先，介紹對(duì)XGBoost 算法預(yù)測(cè)性能影響較大的關(guān)鍵參數(shù)。n_estimators 為集成算法中弱評(píng)估器的數(shù)量，此參數(shù)值越大，模型的學(xué)習(xí)能力越強(qiáng)，但模型也越容易過(guò)擬合；min_chil_weight 參數(shù)控制葉子上所需的最小樣本量，它的調(diào)整對(duì)于樣本量較大的數(shù)據(jù)比較有效；max_depth 控制模型中樹(shù)的最大深度，這個(gè)參數(shù)值越大模型越復(fù)雜，且模型容易過(guò)擬合；Subsample 參數(shù)控制隨機(jī)抽取的用于訓(xùn)練的數(shù)據(jù)比例；learning_rate 參數(shù)控制迭代速率，兩者都可以防止模型過(guò)擬合；reg_lambda 和reg_alpha參數(shù)分別是權(quán)重的L1 和L2 正則化項(xiàng)；Gamma 控制節(jié)點(diǎn)分裂所需的最小損失函數(shù)下降值，它們可以降低模型的復(fù)雜度，加快算法收斂速度。然后，本文使用網(wǎng)格搜索對(duì)XGBoost 算法的關(guān)鍵參數(shù)進(jìn)行調(diào)整，并以交叉驗(yàn)證結(jié)果作為參數(shù)選擇的標(biāo)準(zhǔn)。最后，經(jīng)過(guò)多輪測(cè)試調(diào)參，確定的部分關(guān)鍵參數(shù)最佳值如表4 所示。

表4 模型關(guān)鍵參數(shù)最佳值Table 4 The optimal value of key parameters of the model

2.4 滑行時(shí)間預(yù)測(cè)步驟

在對(duì)滑行時(shí)間影響因素分析、模型及模型預(yù)測(cè)性能評(píng)估標(biāo)準(zhǔn)和模型輸入輸出介紹的基礎(chǔ)上，總結(jié)出滑行時(shí)間預(yù)測(cè)的步驟，如圖9 所示。

圖9 滑行時(shí)間預(yù)測(cè)步驟Fig.9 The steps of taxi time prediction

3 預(yù)測(cè)結(jié)果分析

基于隨機(jī)森林、支持向量回歸和XGBoost 三種模型對(duì)進(jìn)港和離港滑行時(shí)間分別進(jìn)行預(yù)測(cè)。首先對(duì)白云機(jī)場(chǎng)進(jìn)/離港滑行時(shí)間進(jìn)行統(tǒng)計(jì)，為預(yù)測(cè)結(jié)果分析中誤差范圍的確定提供參考；然后比較三種模型的預(yù)測(cè)性能，分析特征的重要性；最后分析樣本數(shù)據(jù)量對(duì)模型預(yù)測(cè)精度的影響。

3.1 誤差范圍確定

本文所用航班數(shù)據(jù)來(lái)源于白云機(jī)場(chǎng)塔臺(tái)運(yùn)行管理系統(tǒng)（TOMS）2019 年全年數(shù)據(jù)，數(shù)據(jù)內(nèi)容包括航空公司、航班號(hào)、機(jī)型、進(jìn)港跑道、離港跑道、進(jìn)港機(jī)位、離港機(jī)位、進(jìn)港時(shí)間、出港時(shí)間、上輪擋時(shí)間和撤輪擋時(shí)間。去除數(shù)據(jù)中的缺失值和時(shí)間邏輯錯(cuò)誤值后得到進(jìn)港航班數(shù)據(jù)約19 萬(wàn)條，離港航班量數(shù)據(jù)約20 萬(wàn)條。

分別對(duì)進(jìn)港滑行時(shí)間和離港滑行時(shí)間進(jìn)行統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果如表5 所示，可以看出：進(jìn)港滑行時(shí)間集中在5～10 min，離港滑行時(shí)間集中在16～23 min，進(jìn)港滑行時(shí)間遠(yuǎn)小于離港滑行時(shí)間。

表5 進(jìn)港和離港滑行時(shí)間統(tǒng)計(jì)Table 5 Statistics of taxi-in and taxi-out time

結(jié)合白云機(jī)場(chǎng)進(jìn)/離港滑行時(shí)間統(tǒng)計(jì)結(jié)果和現(xiàn)有研究成果，選擇進(jìn)港滑行時(shí)間以±3 min 誤差范圍，離港滑行時(shí)間以±5 min 誤差范圍為評(píng)估標(biāo)準(zhǔn)。

3.2 預(yù)測(cè)模型性能對(duì)比

支持向量回歸、隨機(jī)森林和XGBoost 模型的擬合度和預(yù)測(cè)誤差的評(píng)估結(jié)果如表6～表7 所示。

表6 進(jìn)港滑行時(shí)間預(yù)測(cè)模型評(píng)估結(jié)果Table 6 Evaluation results of the prediction model for taxi-in time

表7 離港滑行時(shí)間預(yù)測(cè)模型評(píng)估結(jié)果Table 7 Evaluation results of the prediction model for taxi-out time

從表6～表7 可以看出：無(wú)論是訓(xùn)練集還是測(cè)試集，三個(gè)模型均得到較高的值和較小的誤差值，證明模型在進(jìn)/離港滑行時(shí)間的預(yù)測(cè)上均有良好的性能。其中，雖然進(jìn)港滑行時(shí)間預(yù)測(cè)結(jié)果的誤差值小于離港，但考慮到進(jìn)港滑行時(shí)間遠(yuǎn)小于離港滑行時(shí)間，故從誤差比例的角度來(lái)看并不能認(rèn)為模型對(duì)進(jìn)港滑行時(shí)間的預(yù)測(cè)效果優(yōu)于離港滑行時(shí)間。支持向量回歸和XGBoost 在訓(xùn)練集和測(cè)試集上的表現(xiàn)較為穩(wěn)定，而隨機(jī)森林則有較大的波動(dòng)。在訓(xùn)練集上，隨機(jī)森林值過(guò)大，達(dá)到了0.96，表明模型存在過(guò)擬合的情況。在測(cè)試集上，XGBoost 的預(yù)測(cè)效能優(yōu)于隨機(jī)森林和支持向量回歸，其值比兩者都高，而誤差值比兩者都低。

進(jìn)港和離港滑行時(shí)間預(yù)測(cè)結(jié)果與實(shí)際值誤差在±1、±2、±3、±4 和±5 min 范圍內(nèi)的模型預(yù)測(cè)精度如表8～表9 所示。

表8 進(jìn)港滑行時(shí)間預(yù)測(cè)精度Table 8 Prediction accuracy of taxi-in time

表9 離港滑行時(shí)間預(yù)測(cè)精度Table 9 Prediction accuracy of taxi-out time

從表8～表9 可以看出：進(jìn)港滑行時(shí)間預(yù)測(cè)方面，±3 min 誤差范圍內(nèi)，三個(gè)模型精度均在91%以上。其中，支持向量回歸預(yù)測(cè)精度最低，僅有91.2%，XGBoost 預(yù)測(cè)精度最高，達(dá)到了94.1%。離港滑行時(shí)間預(yù)測(cè)方面，±5 min 誤差范圍內(nèi)，三個(gè)模型精度均在93%以上。其中，支持向量回歸預(yù)測(cè)精度最低，僅有93.1%，XGBoost 精度最高，達(dá)到了96.6%。

三個(gè)模型進(jìn)港和離港滑行時(shí)間預(yù)測(cè)值與實(shí)際值之差的對(duì)比如圖10～圖11 所示，可以看出：支持向量回歸算法預(yù)測(cè)結(jié)果的誤差值范圍最大，XG?Boost 算法最小。

圖10 三種算法進(jìn)港滑行時(shí)間預(yù)測(cè)值與實(shí)際值之差Fig.10 Difference between the predicted and actual taxi-in time of the three algorithms

圖11 三種算法離港滑行時(shí)間預(yù)測(cè)值與實(shí)際值之差Fig.11 Difference between the predicted and actual taxi-out time of the three algorithms

3.3 特征重要性分析

根據(jù)XGBoost 和隨機(jī)森林得出的特征重要度排名，探究針對(duì)白云機(jī)場(chǎng)提取的特定影響因素對(duì)于滑行時(shí)間預(yù)測(cè)的重要性。隨機(jī)森林和XGBoost的進(jìn)港特征重要度排名如圖12～圖13 所示，可以看出：在兩者的結(jié)果中，交叉滑行都具有最高的特征重要度；在XGBoost 的結(jié)果中，穿越跑道和經(jīng)過(guò)HS 數(shù)量的特征重要度也排在前4。

隨機(jī)森林和XGBoost 的離港特征重要度排名如圖14～圖15 所示，可以看出：交叉滑行和經(jīng)過(guò)HS 的數(shù)量只在XGBoost 的結(jié)果中具有約0.05 的特征重要度，而在隨機(jī)森林的結(jié)果中，這兩個(gè)特征的重要度只有約0.01。此外，所屬航空公司在進(jìn)港和離港中的重要度都不超過(guò)0.02。

圖12 隨機(jī)森林進(jìn)港特征重要度排名Fig.12 Feature importance of taxi-in time of random forest

圖13 XGBoost 進(jìn)港特征重要度排名Fig.13 Feature importance of taxi-in time of XGBoost

圖14 隨機(jī)森林離港特征重要度排名Fig.14 Feature importance of taxi-out time of random forest

圖15 XGBoost 離港特征重要度排名Fig.15 Feature importance of taxi-out time of XGBoost

對(duì)特征重要度的分析表明，針對(duì)白云機(jī)場(chǎng)提取的特征對(duì)于進(jìn)港滑行時(shí)間預(yù)測(cè)的重要性高于離港滑行時(shí)間預(yù)測(cè)，其中交叉滑行、穿越跑道和經(jīng)過(guò)HS 的數(shù)量這三個(gè)特征的重要性高于所屬航空公司。

3.4 樣本數(shù)據(jù)量對(duì)模型預(yù)測(cè)精度的影響

滑行時(shí)間預(yù)測(cè)使用的進(jìn)港航班數(shù)據(jù)量約19 萬(wàn)條，離港航班數(shù)據(jù)量約20 萬(wàn)條，過(guò)大的數(shù)據(jù)量會(huì)造成數(shù)據(jù)采集、處理和計(jì)算負(fù)擔(dān)。為了研究XG?Boost 模型預(yù)測(cè)精度隨樣本數(shù)據(jù)量的變化情況，在保留所有特征信息的基礎(chǔ)上，對(duì)進(jìn)港和離港數(shù)據(jù)分別進(jìn)行3 次隨機(jī)采樣，數(shù)據(jù)量從2 000 條開(kāi)始，并以2 000 作為梯度，一直增加到40 000 條，之后用3次樣本預(yù)測(cè)的均值作為最終結(jié)果。

進(jìn)港和離港滑行時(shí)間預(yù)測(cè)精度隨數(shù)據(jù)量的變化情況如圖16～圖17 所示，可以看出：進(jìn)港和離港滑行時(shí)間預(yù)測(cè)精度隨數(shù)據(jù)量的增加呈逐步提高的趨勢(shì)，但隨著數(shù)據(jù)量的增加，這種趨勢(shì)逐漸變緩。當(dāng)數(shù)據(jù)量在26 000 條以下時(shí)，預(yù)測(cè)精度的變化趨勢(shì)波動(dòng)較大，預(yù)測(cè)精度的提高速度較快；當(dāng)數(shù)據(jù)量超過(guò)26 000 條，預(yù)測(cè)精度的變化趨勢(shì)變得平緩；當(dāng)數(shù)據(jù)量超過(guò)32 000 條，進(jìn)港±3 min 誤差范圍的預(yù)測(cè)精度穩(wěn)定在93.0%～93.5%，離港±5 min 誤差范圍的預(yù)測(cè)精度穩(wěn)定在95.0%～95.5%。

圖16 進(jìn)港滑行時(shí)間預(yù)測(cè)精度隨數(shù)據(jù)量的變化情況Fig.16 The change of the prediction accuracy of the taxi-in time with the data quantity

圖17 離港滑行時(shí)間預(yù)測(cè)精度隨數(shù)據(jù)量的變化情況Fig.17 The change of the prediction accuracy of the taxi-out time with the data quantity

對(duì)模型預(yù)測(cè)精度隨樣本數(shù)據(jù)量變化的分析表明，當(dāng)數(shù)據(jù)量超過(guò)32 000 條時(shí)，模型就能獲得較高的預(yù)測(cè)精度和較穩(wěn)定的預(yù)測(cè)表現(xiàn)。

4 結(jié) 論

（1）本文提出了基于XGBoost 的航空器動(dòng)態(tài)滑行時(shí)間預(yù)測(cè)方法，并以白云機(jī)場(chǎng)為實(shí)例，驗(yàn)證了方法的有效性。

（2）模型預(yù)測(cè)結(jié)果表明，XGBoost 算法在預(yù)測(cè)誤差和預(yù)測(cè)精度方面都優(yōu)于隨機(jī)森林和支持向量回歸；且使用XGBoost 算法，進(jìn)/離港滑行時(shí)間的預(yù)測(cè)精度分別達(dá)到了94.1%和96.6%。

（3）對(duì)特征重要度的分析表明，提取的特征能夠較好地反映白云機(jī)場(chǎng)滑行態(tài)勢(shì)，且提取的特征對(duì)于進(jìn)港滑行時(shí)間預(yù)測(cè)的重要性要高于離港滑行時(shí)間預(yù)測(cè)，其中交叉滑行、穿越跑道和經(jīng)過(guò)HS 的數(shù)量這三個(gè)特征的重要性高于所屬航空公司。

（4）對(duì)模型預(yù)測(cè)精度隨樣本數(shù)據(jù)量變化的分析表明，當(dāng)數(shù)據(jù)量超過(guò)32 000 條時(shí)，模型就能獲得較高的預(yù)測(cè)精度和較穩(wěn)定的預(yù)測(cè)表現(xiàn)，可為白云機(jī)場(chǎng)A-CDM 系統(tǒng)中滑行時(shí)間動(dòng)態(tài)預(yù)測(cè)所需樣本量提供參考。