黃龍楊，夏正洪

(中國民用航空飛行學院 空中交通管理學院，四川 廣漢 618307)

0 引 言

滑出時間是指離港航班從停機位推出開車并滑行至起飛的時間間隔，它是評估繁忙機場場面運行效率的主要性能指標[1]。目前，多數(shù)機場仍然采用基于經(jīng)驗的滑出時間來對離港航班進行管制指揮，而實際滑出時間與經(jīng)驗滑出時間往往相差甚遠，航班的過早推出或不恰當?shù)幕鰰r機都將導(dǎo)致出現(xiàn)不必要的擁堵、延誤和燃油消耗，并且將嚴重影響機場場面運行效率。因此，科學準確地預(yù)測離港航班的滑出時間，在此基礎(chǔ)上實現(xiàn)對離港航班的推出和滑行時機進行控制，對于提升機場場面運行效率以及節(jié)能減排至關(guān)重要。

國外關(guān)于滑出時間預(yù)測的研究始于21世紀初，現(xiàn)有成果分析了離港航班滑出時間主要影響因素[2]，主要包括離港隊列長度、滑行距離、機場場面交通流、跑道運行模式、滑行過程中的轉(zhuǎn)彎個數(shù)、是否是低能見度天氣等。離港航班的滑出時間預(yù)測方法大致可分為3類：①基于排隊論的滑出時間預(yù)測方法[3]。②基于快速仿真的滑出時間預(yù)測方法[4]。③基于歷史數(shù)據(jù)挖掘的滑出時間預(yù)測方法，主要用到的算法包括貝葉斯網(wǎng)絡(luò)[5]、支持向量機[6,7]、強化學習[8]、深度學習[9,10]等。國內(nèi)關(guān)于離港航班滑出時間預(yù)測的研究還處于起步階段，部分學者針對單跑道機場離港航班滑出時間進行了預(yù)測研究[3-7]。但是，現(xiàn)有預(yù)測結(jié)果的精度有待提高，未考慮多跑道運行模式對滑出時間的影響。由于跑滑系統(tǒng)結(jié)構(gòu)及交通流特點不同，國外已有研究成果不能直接應(yīng)用于國內(nèi)大型樞紐機場的離港航班滑出時間預(yù)測中。

因此，本文提出了一種雙跑道運行模式下的離港航班滑出時間預(yù)測方法，該方法綜合考慮了機場場面交通流、運行模式、平均滑出時間、滑行距離等多種影響因素，在對比分析相關(guān)性的基礎(chǔ)上，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的離港滑出時間預(yù)測模型，以期通過對滑出時間科學準確的預(yù)測，優(yōu)化離港航班的推出開車時刻，從而提升機場場面運行效率，減少不必要的燃油消耗和污染排放。

1 滑出時間影響因素及相關(guān)性分析

1.1 影響因素

大型樞紐機場離港航班的管制流程如下：首先塔臺放行席位管制員根據(jù)預(yù)計起飛時間依次向離港航班發(fā)布ATC(air traffic control)許可，然后由地面管制席位管制員發(fā)布推出開車許可，記錄離港航班的實際撤輪檔時間(actual off block time，AOBT)，并給出離港航班的滑行路線至跑到外等待點加入等待隊列，如果在滑行的過程中存在滑行沖突，則還需要進行場面的沖突調(diào)配，最后由塔臺管制席位管制員發(fā)布進入跑道起飛的指令，并記錄其實際起飛時間(actual take off time，ATOT)。因此，離港航班滑出時間(taxi out time，TOT)等于該航班離港實際起飛時間與實際撤輪檔時間之間的差值

TOT=ATOT-AOBT

(1)

通過文獻追蹤可知，離港航班的滑出時間影響因素較多，受機場場面交通流的影響，航班之間會爭奪跑道、滑行道資源，這必然會導(dǎo)致某航班的等待，從而使得它的滑出時間與其無障礙滑出時間[4]有較大的偏差。同時，滑出時間還受到流量控制、惡劣天氣、航空公司、管制員、旅客、轉(zhuǎn)彎個數(shù)等因素的影響，但是這些因素或不可量化，或影響較小，故在本文不予考慮。因此，離港航班滑出時間的主要可量化因素包括：同時段推出的離港航空器數(shù)量、同時段滑行的起飛航班數(shù)量、同時段滑行的落地航班數(shù)量以及滑行距離4種?？紤]到機場地面交通流有明顯的小時變化特征，本文創(chuàng)新性地引入半小時平均滑出時間、小時平均滑出時間兩個可量化的影響因素。

1.2 相關(guān)性分析

基于我國中南某機場2019年5月26日至6月8日的實際運行數(shù)據(jù)，可計算得出每一架離港航班的實際滑出時間、平均滑出時間、同時段滑出的離港航空器數(shù)量、同時段推出的航空器數(shù)量、同時段滑行的進港航空器數(shù)量，再結(jié)合機場場面地圖可以求出滑行距離，然后分析實際滑出時間與這6種影響因素之間的相關(guān)性如圖1所示。

圖1(a)是滑出時間與同時段滑行的離港航班數(shù)量的相關(guān)性，其相關(guān)系數(shù)為R=0.7084。根據(jù)相關(guān)性強弱判定規(guī)則[11]可知：同時段滑行的離港航班數(shù)量與滑出時間呈現(xiàn)強相關(guān)性(R>0.6)。圖1(b),圖1(c)分別表示滑出時間與同時段滑行的落地航班數(shù)量、同時段推出的離港航空器數(shù)量，其相關(guān)系數(shù)分別是R=0.6595和R=0.6122，表明以上兩個因素與滑出時間強相關(guān)。圖1(d),圖1(e)分別表示以半小時為時間片的離港航班平均滑出時間、以1 h為時間片的離港航班平均滑出時間與滑出時間之間的相關(guān)性，其相關(guān)系數(shù)分別為R=0.5842和R=0.5012，表明以上兩個因素與滑出時間呈現(xiàn)中度相關(guān)的關(guān)系(0.3

圖1 離港航班滑出時間影響因素相關(guān)性分析

根據(jù)相關(guān)性分析可知，滑出時間與機場場面交通流呈現(xiàn)強相關(guān)性，因為離港航班與離港航班、離港航班與進港航班會因為爭奪滑行道、跑道資源而導(dǎo)致滑出時間增長的情況。根據(jù)調(diào)研可知，進港高峰時段采用雙跑道相關(guān)平行進近模式，進港航班可經(jīng)由15號和16號跑道落地。此時，若其停機位在西側(cè)停機坪，則滑行路線會在滑行道A、B上與15號跑道起飛的離港航班滑行路線有交叉沖突；若其停機位在兩條跑道之間的機坪，則滑行路線會在C、D上與離港航班的滑行路線有交叉、匯聚，由于優(yōu)先級的原因管制員將指令離港航班在交叉道口等待避讓滑行沖突。在非進港高峰時段采用雙跑道隔離運行模式，此時16號跑道落地的航班與15號跑道起飛的航班之間可能在滑行道G、D上產(chǎn)生交叉沖突；同時，使用15號跑道起飛的航班之間滑行路線可能有交叉、匯聚。因此，該機場雙跑道運行模式下進離港航班之間、離港航班之間都會相互影響，導(dǎo)致離港航班滑出時間、平均滑出時間增加，嚴重影響機場場面的運行效率。

2 滑出時間預(yù)測模型

2.1 參數(shù)定義

(1)同時段滑行的離港航班數(shù)量x1，單位架次。表示航班j的實際起飛(tATOT(j))時間剛好落在航班i的實際推出開車時間(tAOBT(i))和實際起飛時間(tATOT(i))之間的所有離港航班數(shù)量

(2)

(2)同時段滑行的進港航班數(shù)量x2，單位架次。表示航班j的實際落地時間(tALDT(j))剛好落在航班i的實際推出開車時間(tAOBT(i))和實際起飛時間(tATOT(i))之間的所有離港航班數(shù)量

(3)

(3)同時段推出的離港航班數(shù)量x3，單位架次。表示航班i的實際推出開車時間(tAOBT(i))剛好落在航班j的實際推出開車時間(tTOBT(j))和實際起飛時間(tATOT(j))之間的所有離港航班數(shù)量

(4)

(4)以半小時為時間片的平均滑出時間x4，單位秒(s)。根據(jù)機場地面交通流呈現(xiàn)典型的時變特征，在離港早高峰、晚高峰以及進港高峰等典型繁忙時段，離港滑出時間會顯著增加，且由于該機場離港滑出平均時間約為16 min，因此半小時平均滑出時間將成為離港滑出時間的一個重要解釋變量。

(5)以1 h為時間片的平均滑出時間x5，單位秒(s)。綜合考慮交通流、惡劣天氣、流量管制、跑道運行模式以及人為因素的影響，該機場離港航班滑出時間會遠大于平均值，甚至大于30 min，因此以1 h平均滑出時間作為自變量將更好地解釋離港航班的滑出時間。

(6)離港航班滑行距離x6，單位米(m)。大型樞紐機場往往存在多個停機坪區(qū)域，離港航班從各停機位推出并滑至跑到外等待點的標準路線略有不同，導(dǎo)致其滑行距離及滑出時間存在較大差異。因此，離港航班滑行距離也是滑出時間的一個可量化的解釋變量。

2.2 模型構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)是目前使用最廣泛的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，具有任意復(fù)雜的模式分類和多維函數(shù)映射能力，被廣泛應(yīng)用于模式識別、分類、預(yù)測等領(lǐng)域[12]。為進一步分析討論不同相關(guān)性的影響因素對滑出時間的影響程度，本文將神經(jīng)網(wǎng)絡(luò)的輸入分為3種情況，見表1。

表1 BP神經(jīng)網(wǎng)絡(luò)輸入分類

表1中，3元組合預(yù)測模型僅考慮強相關(guān)的影響因素對滑出時間的影響；5元組合預(yù)測模型僅考慮強相關(guān)和中度相關(guān)的影響因素；6元組合預(yù)測模型將綜合考慮所有的可量化影響因素。BP神經(jīng)網(wǎng)絡(luò)的隱層均采用10個神經(jīng)元，輸出即為滑出時間預(yù)測結(jié)果。基于以上分析，構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的離港航班滑出時間預(yù)測模型如圖2所示。

圖2 基于BP神經(jīng)網(wǎng)絡(luò)的滑出時間預(yù)測模型

基于BP神經(jīng)網(wǎng)絡(luò)的滑出時間預(yù)測步驟如下：①在Matlab中載入所有訓(xùn)練樣本數(shù)據(jù)，并將其進行歸一化處理；②構(gòu)建BP神經(jīng)網(wǎng)絡(luò)并根據(jù)網(wǎng)絡(luò)參數(shù)設(shè)置原則設(shè)定其參數(shù)[12]，最大迭代次數(shù)1000次，學習率為0.01，目標收斂誤差為0.001；③對樣本數(shù)據(jù)進行訓(xùn)練，并更新權(quán)值和閾值直到網(wǎng)絡(luò)趨于穩(wěn)定；④從訓(xùn)練樣本中隨機選擇100個數(shù)據(jù)作為測試集數(shù)據(jù)，代入神經(jīng)網(wǎng)絡(luò)進行預(yù)測，將結(jié)果進行反歸一化，并計算預(yù)測結(jié)果的性能指標。

3 基于實際運行數(shù)據(jù)的離港滑出時間預(yù)測

3.1 數(shù)據(jù)來源

本文的研究對象是我國中南某樞紐機場，其跑滑系統(tǒng)結(jié)構(gòu)如圖3所示。東跑道3400×45 m，西跑道3800×60 m，東西跑道之間間距約為1590 m，可根據(jù)交通流情況選擇隔離運行模式或者相關(guān)平行進近模式。

圖3 中南某機場跑滑系統(tǒng)結(jié)構(gòu)

本文所用數(shù)據(jù)來源于該機場2019年5月26日至6月8日的實際運行數(shù)據(jù)，數(shù)據(jù)集共有記錄12 323條，其中包含5690架次離港航班和6633架次進港航班，每條記錄由飛機呼號、機型、實際起飛時間、實際撤輪檔時間、實際落地時間、跑道號、停機位等關(guān)鍵信息組成。通過對數(shù)據(jù)整理分析，得到該機場場面交通流小時分布如圖4所示。

圖4 機場場面交通流小時分布

可見，該機場場面交通流呈現(xiàn)典型的小時變化特征：從凌晨1點到6點，起降架次迅速減少到最低值(約18架次)；隨著早高峰的到來，起降架次迅速增加并在10點達到次高點(約51架次)；隨著進港航班架次增加，起降架次的峰值在13點達到峰值(約55架次)，之后基本穩(wěn)定在48架次左右。

3.2 數(shù)據(jù)處理

(1)刪除數(shù)據(jù)集中的重復(fù)記錄。將所有數(shù)據(jù)按跑道號進行進港、離港航班分離，所得的數(shù)據(jù)分別以起飛時間和落地時間做升序排序。由于跑道運行模式為隔離運行或相關(guān)進近，即不可能在同一時刻有兩架起飛或落地，因此對于起飛時間或落地時間相同的記錄僅保留一條，其余數(shù)據(jù)則視為異常數(shù)據(jù)刪除。

(2)刪除數(shù)據(jù)集中實際起飛時間、實際撤輪檔時間、實際降落時間、跑道號等關(guān)鍵信息為空的異常數(shù)據(jù)。

(3)刪除數(shù)據(jù)集中滑出時間異常的數(shù)據(jù)。通過數(shù)據(jù)分析可知，數(shù)據(jù)集中有92.5%的航班采用15/16號跑道起降，僅有7.5%的航班由于瞬時風向、風速原因而采用33/34號跑道起降。這種換跑道運行方向的情況往往會導(dǎo)致單架離港航班的滑出時間嚴重偏離平均值，應(yīng)視為異常數(shù)據(jù)刪除。

(4)整理后的數(shù)據(jù)集包含使用15號跑道所有離港航班5428架次，以及使用15號和16號落地的所有進港航班6576架次。

(5)將整理后的數(shù)據(jù)集中的所有離港航班數(shù)據(jù)和進港航班數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù)，依次求出每一個離港航班的滑出時間、半小時平均滑出時間、小時平均滑出時間、同時段滑行的離港航班數(shù)量、同時段滑行的進港航班數(shù)量、同時段推出的離港航班數(shù)量、滑出距離。最終獲得離港航班滑出時間訓(xùn)練樣本數(shù)據(jù)5248條，見表2。

表2 訓(xùn)練樣本數(shù)據(jù)

3.3 分析與評價

基于Matlab中的神經(jīng)網(wǎng)絡(luò)工具箱進行編程，將樣本數(shù)據(jù)集進行訓(xùn)練，然后隨機選擇100個數(shù)據(jù)作為測試集數(shù)據(jù)，對本文所構(gòu)建的模型進行數(shù)值模擬，預(yù)測結(jié)果及誤差分布情況對比如圖5和表3所示。

表3 滑出時間預(yù)測結(jié)果誤差分布對比

圖5 基于BP神經(jīng)網(wǎng)絡(luò)的滑出時間預(yù)測結(jié)果對比

從預(yù)測值對真實值的擬合程度來看，3種預(yù)測模型均能實現(xiàn)對離港航班滑出時間的有效預(yù)測，且5元組合預(yù)測模型的效果最佳。其中，3元組合預(yù)測模型的曲線擬合優(yōu)度R2=0.8772，模型中僅考慮了強相關(guān)的場面交通流，而未考慮平均滑出時間對滑出時間的影響，因此預(yù)測結(jié)果與真實值偏差稍大。5元組合預(yù)測模型的曲線擬合優(yōu)度高達R2=0.9298，該模型綜合考慮了地面的瞬時交通流，交通流的時變特征，平均滑出時間等多種主要因素，因此預(yù)測結(jié)果與真實結(jié)果之間的偏差最小。6元組合預(yù)測模型的曲線擬合程度為R2=0.8954，較5元組合預(yù)測預(yù)測模型擬合程度反而降低了，說明弱相關(guān)性的滑行距離引入后對滑出時間預(yù)測結(jié)果是不利的。

從預(yù)測結(jié)果的誤差分布情況來看，滑出時間預(yù)測準確率隨誤差范圍偏差的增大而增加，且5元組合預(yù)測模型的預(yù)測結(jié)果最佳。3元組合預(yù)測模型結(jié)果誤差范圍在±300 s以內(nèi)占比88%，說明考慮強相關(guān)的影響因素的預(yù)測結(jié)果基本達到預(yù)期。在此基礎(chǔ)上加入中度相關(guān)影響因素后，5元組合預(yù)測模型預(yù)測準確率將達到最佳，誤差范圍在±300 s以內(nèi)占比96%；預(yù)測結(jié)果偏差最小值為1.02 s，偏差最大值為349.32 s，平均偏差值約為124 s。最后，綜合考慮強相關(guān)、中度相關(guān)和弱相關(guān)影響因素的6元組合預(yù)測結(jié)果反而有所下降。以上數(shù)據(jù)比現(xiàn)有國內(nèi)外所有的離港航班滑出時間預(yù)測精度更優(yōu)[3-7]，充分驗證了本文所構(gòu)建的考慮可量化的滑出時間預(yù)測模型的有效性和合理性。

本文基于預(yù)測結(jié)果的平均絕對誤差百分比(MAPE)、平均絕對誤差(MAE)、均方根誤差(RMSE)對模型進行評價。其中，平均絕對誤差能反映了預(yù)測值誤差的實際情況，平均絕對誤差百分比反映了預(yù)測結(jié)果與真實值的平均偏離情況，均方根誤差反映了預(yù)測模型輸出結(jié)果離散程度和穩(wěn)定性。3元組合預(yù)測模型的滑出時間預(yù)測結(jié)果MAPE為14.14%，MAE為120.75 s，RMSE為154.24 s，預(yù)測結(jié)果已然到達現(xiàn)有參考文獻中的效果。5元組合預(yù)測模型的滑出時間預(yù)測結(jié)果精度最佳，MAPE為10.61%，MAE為90.24 s，RMSE為114.02 s。6元組合預(yù)測模型的預(yù)測精度較3元組合預(yù)測模型高，較5元組合預(yù)測模型低，進一步說明了弱相關(guān)影響因素的引入會影響模型預(yù)測的準確率。

4 結(jié)束語

(1)本研究提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的離港航班滑出時間預(yù)測方法，發(fā)現(xiàn)了離港航班滑出時間與機場場面交通流有強相關(guān)性，與平均滑出時間中度相關(guān)，與滑行距離相關(guān)性較弱。

(2)基于實際運行數(shù)據(jù)驗證，考慮強相關(guān)和中度相關(guān)可量化影響因素的5元組合預(yù)測模型的滑出時間預(yù)測結(jié)果精度最高。引入弱相關(guān)的滑出距離后，模型的預(yù)測結(jié)果精度反而有所降低。

(3)下一步的研究工作將重點放在其它機器學習算法在離港航班滑出時間的預(yù)測中的應(yīng)用。