夏正洪，賈鑫磊

（中國(guó)民用航空飛行學(xué)院空中交通管理學(xué)院，廣漢618307）

0 引言

滑出時(shí)間是指離港航空器從停機(jī)位推出到實(shí)際起飛的時(shí)間，準(zhǔn)確預(yù)測(cè)滑出時(shí)間可有效地提升機(jī)場(chǎng)場(chǎng)面運(yùn)行效率。目前，大型機(jī)場(chǎng)的場(chǎng)面滑行時(shí)間已經(jīng)超過25 min，且常出現(xiàn)滑行沖突，嚴(yán)重影響了機(jī)場(chǎng)場(chǎng)面運(yùn)行效率?？茖W(xué)精準(zhǔn)地預(yù)測(cè)離港航空器滑出時(shí)間，對(duì)于提升機(jī)場(chǎng)場(chǎng)面運(yùn)行效率和協(xié)調(diào)決策能力，降低運(yùn)行成本和污染排放有重要意義。

目前，國(guó)外關(guān)于離港航空器滑出時(shí)間的預(yù)測(cè)已有較為深入的研究。E.George 等基于航空器歷史數(shù)據(jù)對(duì)離港航空器的滑出時(shí)間進(jìn)行了動(dòng)態(tài)預(yù)測(cè)，提出了基于強(qiáng)化學(xué)習(xí)的Q-learning 方法，且預(yù)測(cè)精度較高；H.B.Lee 等利用機(jī)器學(xué)習(xí)算法來預(yù)測(cè)滑出時(shí)間，預(yù)測(cè)效果良好；F.Herrema 等基于歷史數(shù)據(jù)對(duì)單跑道場(chǎng)面滑行時(shí)間進(jìn)行了預(yù)測(cè)；L.Simaiakis 等利用自主研發(fā)的排隊(duì)系統(tǒng)來預(yù)測(cè)場(chǎng)面交通擁堵情況，預(yù)測(cè)精度較高；P. Balakrishna等基于隨機(jī)動(dòng)態(tài)規(guī)劃理論建立了多跑道非參數(shù)強(qiáng)化學(xué)習(xí)滑出時(shí)間預(yù)測(cè)模型，可得到精度較高的預(yù)測(cè)結(jié)果。

國(guó)內(nèi)關(guān)于離港航空器滑出時(shí)間的預(yù)測(cè)研究尚處于起步階段。Lian Guan 等研究了雙跑道機(jī)場(chǎng)的滑出時(shí)間，提出了考慮6 個(gè)滑行時(shí)間影響因素的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，預(yù)測(cè)精度達(dá)到95%；Yin Jianan 等構(gòu)建了考慮4 個(gè)影響因素的雙跑道機(jī)場(chǎng)滑行時(shí)間預(yù)測(cè)模型；邢志偉等利用貝葉斯網(wǎng)絡(luò)的增量學(xué)習(xí)特點(diǎn)對(duì)預(yù)測(cè)模型進(jìn)行動(dòng)態(tài)調(diào)整，從而使模型能夠動(dòng)態(tài)地估計(jì)離港航空器滑行時(shí)間；劉繼新等提出了基于SVR 和BP 神經(jīng)網(wǎng)絡(luò)的離港滑行時(shí)間預(yù)測(cè)模型，并將預(yù)測(cè)結(jié)果用于A-CDM 系統(tǒng)中，有效地提升了機(jī)場(chǎng)場(chǎng)面的運(yùn)行效率；馮霞等基于單跑道建立了無障礙滑出時(shí)間的計(jì)算模型與基于排隊(duì)論的等待起飛時(shí)間預(yù)測(cè)模型；李楠等根據(jù)分類結(jié)果建立多元回歸模型，相較于傳統(tǒng)多元線性回歸，機(jī)器學(xué)習(xí)交叉訓(xùn)練集下的預(yù)測(cè)準(zhǔn)確度更高；疏利生等構(gòu)建了航空器機(jī)場(chǎng)地面強(qiáng)化學(xué)習(xí)移動(dòng)模型，能夠?qū)崿F(xiàn)停機(jī)位到跑道出口智能靜態(tài)路徑規(guī)劃；陳禎等從特征選擇的角度對(duì)滑出時(shí)間預(yù)測(cè)模型進(jìn)行改進(jìn)，相比于單一特征，引入交互特征可以提高準(zhǔn)確率；閆萍等提出的滑行道與停機(jī)位聯(lián)合調(diào)度模型可以有效避免滑行沖突并兼顧服務(wù)質(zhì)量和場(chǎng)面滑行效率；侯盼盼等提出分時(shí)段預(yù)測(cè)滑行沖突的計(jì)算方法，能夠解決航空器路由規(guī)劃的優(yōu)化性和實(shí)時(shí)性之間的矛盾。

綜上所述，現(xiàn)有研究成果主要從靜態(tài)和動(dòng)態(tài)兩方面來預(yù)測(cè)離港航空器的滑行時(shí)間。目前對(duì)滑出時(shí)間預(yù)測(cè)的研究成果未全部使用可量化因素進(jìn)行預(yù)測(cè)，缺乏根據(jù)相關(guān)性程度建立預(yù)測(cè)模型這一關(guān)鍵步驟。因此，本文分析影響離港航空器滑出時(shí)間的可量化因素，包括同時(shí)段內(nèi)推出航空器數(shù)量、同時(shí)段內(nèi)起飛航空器數(shù)量、同時(shí)段內(nèi)進(jìn)港航空器數(shù)量、1 小時(shí)內(nèi)平均滑出時(shí)間、滑行距離、轉(zhuǎn)彎轉(zhuǎn)角數(shù)量、航空器延誤時(shí)間和所在時(shí)段，根據(jù)相關(guān)性對(duì)影響因素進(jìn)行重要性排序、分組，構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的離港航空器滑出時(shí)間預(yù)測(cè)模型；并以我國(guó)中南某樞紐機(jī)場(chǎng)2 周實(shí)際運(yùn)行數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證，討論不同相關(guān)性的影響因素組合而成的模型對(duì)預(yù)測(cè)結(jié)果精度的影響，以期通過對(duì)滑出時(shí)間的預(yù)測(cè)，提升機(jī)場(chǎng)場(chǎng)面運(yùn)行效率和安全性。

1 影響因素與相關(guān)性分析

1.1 影響因素

根據(jù)離港航空器滑出時(shí)間的定義，滑出時(shí)間等于離港航空器的實(shí)際起飛時(shí)間減去實(shí)際撤輪檔時(shí)間。對(duì)于繁忙機(jī)場(chǎng)來說，離港航空器從停機(jī)位推出到起飛過程中的任何一個(gè)環(huán)節(jié)都有可能導(dǎo)致滑出時(shí)間的增加。因此，準(zhǔn)確預(yù)測(cè)滑出時(shí)間，從而控制航空器的推出開車、滑行過程，以及優(yōu)化航空器的滑行路徑是在短期內(nèi)提高場(chǎng)面運(yùn)行效率、減少環(huán)境污染、降低滑行成本的重要途徑。

=-（1）

式中：為離港航空器的實(shí)際滑出時(shí)間；為實(shí)際起飛時(shí)刻；為實(shí)際撤輪檔時(shí)刻。

根據(jù)離港航空器的管制指揮過程可知：離港航空器停機(jī)位遠(yuǎn)近，所在機(jī)場(chǎng)的高峰時(shí)段，近幾個(gè)小時(shí)內(nèi)的地面交通流量，滑行過程中航空器的速度，是否為直線滑行、經(jīng)過多少個(gè)彎道等因素都會(huì)影響滑行時(shí)間。同時(shí)，機(jī)場(chǎng)地面交通流對(duì)滑出時(shí)間的影響也是非常顯著的，如同時(shí)段進(jìn)港航空器和離港航空器越多，則對(duì)后續(xù)離港航空器的滑出時(shí)間影響越大，且很容易造成滑行沖突，從而增加離港航空器的滑出時(shí)間。此外，天氣、流量控制、跑道構(gòu)型等對(duì)滑出時(shí)間也有一定的影響，但由于很難量化這些因素，在本文中不做討論?；谏鲜龇治?，本文提出8 個(gè)可以量化的影響因素：同時(shí)段推出航空器數(shù)量、同時(shí)段起飛航空器數(shù)量、同時(shí)段進(jìn)港航空器數(shù)量、1 小時(shí)內(nèi)平均滑出時(shí)間、滑行距離、轉(zhuǎn)彎轉(zhuǎn)角個(gè)數(shù)、延誤、航空器起飛時(shí)刻所在時(shí)段。

（1）同時(shí)段推出航空器數(shù)量

離港航空器可能與同時(shí)段推出的離港航空器爭(zhēng)奪跑道和滑行道資源，在滑行過程中還可能會(huì)產(chǎn)生對(duì)頭或交叉沖突，從而造成某架航空器等待，增加滑出時(shí)間。因此，本文定義離港航空器同時(shí)段內(nèi)推出航空器數(shù)量為

式中：（）為在航空器滑行過程中推出的所有航空器數(shù)量；S為滿足推出時(shí)刻處于航空器撤輪檔時(shí)刻到起飛時(shí)刻之間的航空器數(shù)量。

（2）同時(shí)段起飛航空器數(shù)量

離港航空器在滑行過程中，可能會(huì)與同時(shí)段起飛的航空器爭(zhēng)奪滑行道資源和跑道資源，從而影響其滑出時(shí)間。因此，本文定義離港航空器同時(shí)段內(nèi)起飛航空器數(shù)量為

式中：（）為在航空器滑行過程中所有起飛的航空器數(shù)量；S為滿足起飛時(shí)刻處于航空器撤輪檔時(shí)刻到起飛時(shí)刻之間的航空器數(shù)量。

（3）同時(shí)段進(jìn)港航空器數(shù)量

離港航空器在滑出過程中，可能會(huì)與同時(shí)段落地的進(jìn)港航空器爭(zhēng)奪跑道和滑行道資源，且進(jìn)港航空器的優(yōu)先級(jí)通常高于離港航空器，因此可能出現(xiàn)等待的情況，從而影響滑出時(shí)間。本文定義同時(shí)段進(jìn)港航空器數(shù)量為航空器推出后已經(jīng)落地但未進(jìn)入停機(jī)位的所有航空器數(shù)量。

式中：（）為在航空器滑行過程中進(jìn)港的航空器數(shù)量；S為滿足落地時(shí)刻處于航空器撤輪檔時(shí)刻到起飛時(shí)刻之間的航空器數(shù)量。

（4）1 小時(shí)內(nèi)平均滑出時(shí)間

1 小時(shí)內(nèi)平均滑出時(shí)間是衡量機(jī)場(chǎng)地面交通流狀況的重要指標(biāo)。該指標(biāo)越大，說明場(chǎng)面交通流通常處于較為繁忙的時(shí)段，離港航空器在此時(shí)間段更可能出現(xiàn)滑行沖突，等待時(shí)間也可能越長(zhǎng)。

式中：為1 小時(shí)內(nèi)平均滑出時(shí)間；T為第架航空器的實(shí)際滑出時(shí)間。

（5）滑行距離

滑出時(shí)間與航空器所在停機(jī)位的物理位置關(guān)系甚為緊密，滑行距離越長(zhǎng)，則該停機(jī)位滑出的暢通滑行時(shí)間越長(zhǎng)。根據(jù)對(duì)交通流的分析及機(jī)場(chǎng)場(chǎng)面運(yùn)行模式可知，選擇機(jī)場(chǎng)圖中最常用的滑出路徑作為該機(jī)位的離港航空器滑出路徑，通過測(cè)量及等比例縮放即可求得離港航空器的滑行距離。

式中：為滑行路徑的總長(zhǎng)度；為跑道長(zhǎng)度；3 600 為以米為單位的跑道長(zhǎng)度。

（6）轉(zhuǎn)彎轉(zhuǎn)角個(gè)數(shù)

航空器直線滑行速度與轉(zhuǎn)彎滑行速度有較大的差異，離港航空器在滑出過程中經(jīng)歷的轉(zhuǎn)彎個(gè)數(shù)越多，則其滑行時(shí)間越長(zhǎng)。根據(jù)停機(jī)位的位置和跑道滑行道運(yùn)行模式，可知離港航空器的標(biāo)準(zhǔn)滑行路線和滑出過程中的轉(zhuǎn)彎個(gè)數(shù)。

（7）延誤

根據(jù)交通流的傳播特性，延誤可能出現(xiàn)累積和傳播現(xiàn)象，即上1 小時(shí)的延誤可能會(huì)對(duì)后續(xù)航空器的滑出時(shí)間造成影響。根據(jù)《空中交通管理規(guī)則》可知：當(dāng)實(shí)際起飛時(shí)間大于預(yù)計(jì)起飛時(shí)間15 min 時(shí)，則開始計(jì)算延誤，反之則延誤為0。

式中：為上1 小時(shí) 離港航空器的預(yù)計(jì)起飛時(shí)間；為上1 小時(shí)離港航空器的實(shí)際起飛時(shí)間；900 為以秒為單位的延誤閾值。

（8）航空器起飛時(shí)刻所在時(shí)段

大型機(jī)場(chǎng)的地面交通流通常呈現(xiàn)明顯的日變化特征，即存在明顯的早高峰、午間高峰和晚高峰，這些高峰時(shí)段的平均滑出時(shí)間通常較長(zhǎng)。因此，引入航空器起飛時(shí)刻所在的時(shí)段這個(gè)可量化因素，用于區(qū)分高峰時(shí)段和正常時(shí)段。

1.2 數(shù)據(jù)整理

本文所用數(shù)據(jù)來源于我國(guó)中南某機(jī)場(chǎng)2 周的實(shí)際運(yùn)行數(shù)據(jù)，主要包含航空器號(hào)、機(jī)型、實(shí)際起飛時(shí)間、撤輪擋時(shí)間、實(shí)際落地時(shí)間、跑道號(hào)和停機(jī)位等信息，如表1 所示。

表1 原始數(shù)據(jù)Table 1 Original data

原始數(shù)據(jù)包含12 647 條記錄，其中離港航空器5 987 架次，進(jìn)港航空器6 660 架次。按步驟（如圖1 所示）進(jìn)行數(shù)據(jù)處理，所得結(jié)果如表2 所示。

圖1 數(shù)據(jù)整理流程圖Fig.1 Data consolidation flow chart

表2 數(shù)據(jù)處理后的訓(xùn)練樣本Table 2 Training samples after data processing

數(shù)據(jù)整理的具體步驟為：

Step 1：從原始數(shù)據(jù)中篩選出離港航空器；

Step 2：清理異常數(shù)據(jù)（關(guān)鍵字段為空），并將實(shí)際滑出時(shí)間轉(zhuǎn)換成秒（s）；

Step 3：計(jì)算同時(shí)段撤輪檔航空器數(shù)量、同時(shí)段起飛航空器數(shù)量、同時(shí)段落地航空器數(shù)量；

Step 4：計(jì)算1 小時(shí)內(nèi)平均滑出時(shí)間；

Step 5：根據(jù)離港航空器的撤輪檔時(shí)間得到該航空器所在時(shí)段；

Step 6：根據(jù)機(jī)場(chǎng)圖及標(biāo)準(zhǔn)滑出路徑得到離港航空器滑行過程中的滑行距離及轉(zhuǎn)彎轉(zhuǎn)角個(gè)數(shù)。

Step 7：計(jì)算上一個(gè)時(shí)間段（1小時(shí)）的延誤值。

1.3 相關(guān)性分析

基于SPSS 軟件對(duì)離港航空器實(shí)際滑出時(shí)間的影響因素進(jìn)行相關(guān)性分析，分析流程如圖2 所示?；谄栠d相關(guān)系數(shù)、單尾檢驗(yàn)結(jié)果和檢驗(yàn)級(jí)別判定各影響因素的相關(guān)性。其中，相關(guān)性系數(shù)在0~1 之間。

圖2 相關(guān)性分析流程圖Fig.2 Flow chart of correlation analysis

首先將整理好的數(shù)據(jù)集導(dǎo)入SPSS 軟件，然后對(duì)有相關(guān)性的雙變量進(jìn)行分析，計(jì)算皮爾遜相關(guān)性系數(shù)和單尾檢驗(yàn)結(jié)果，得到結(jié)果如表3 所示。

表3 相關(guān)性分析結(jié)果Table 3 Correlation analysis results

皮爾遜相關(guān)性系數(shù)指的是影響因素與滑出時(shí)間的比值，比值大于0.5 則表示二者相關(guān)，若同時(shí)單尾檢驗(yàn)處于0.01 級(jí)別，則二者顯著相關(guān)；且單尾檢驗(yàn)的值越小，則說明兩者之間偏差越小。若單尾檢驗(yàn)大于0.01，則兩變量的相關(guān)性不顯著。若皮爾遜相關(guān)性系數(shù)小于0.5，則說明二者不相關(guān)。根據(jù)上述規(guī)則可依次判斷這8 個(gè)可量化因素與滑出時(shí)間之間的相關(guān)性。

從表3 可以看出：同時(shí)段推出航空器數(shù)量、同時(shí)段起飛航空器數(shù)量、同時(shí)段進(jìn)港航空器數(shù)量、1 小時(shí)內(nèi)平均滑出時(shí)間與離港航空器的滑出時(shí)間顯著相關(guān)，滑行距離、轉(zhuǎn)彎個(gè)數(shù)、延誤與滑出時(shí)間相關(guān)但不顯著，航空器起飛時(shí)刻所在時(shí)段與滑出時(shí)間不相關(guān)。

2 模型建立與仿真分析

2.1 模型構(gòu)建

經(jīng)過數(shù)據(jù)處理可獲得該機(jī)場(chǎng)離港航空器數(shù)據(jù)記錄5 919 條，結(jié)合整理后的可量化影響因素及其離港滑出時(shí)間，選取5 500 組數(shù)據(jù)作為訓(xùn)練集，419組數(shù)據(jù)作為測(cè)試集，選用Matlab 的BP 神經(jīng)網(wǎng)絡(luò)工具箱編程，對(duì)離港航空器的滑出時(shí)間進(jìn)行訓(xùn)練和預(yù)測(cè)。

（1）將離港航空器滑出時(shí)間影響因素作為網(wǎng)絡(luò)的輸入數(shù)據(jù)，實(shí)際滑出時(shí)間作為輸出導(dǎo)入到Matlab 中，建立相應(yīng)的數(shù)據(jù)集。

（2）將樣本數(shù)據(jù)順序打亂，篩選出5 500 組數(shù)據(jù)作為訓(xùn)練集，419 組數(shù)據(jù)作為測(cè)試集。

（3）為加快神經(jīng)網(wǎng)絡(luò)收斂速度，將樣本數(shù)據(jù)進(jìn)行歸一化處理。

=(-x) /(x-x)（=1，…，8）（8）

（4）構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)，設(shè)置神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)，學(xué)習(xí)率0.001，最大迭代次數(shù)10 000 次，而后對(duì)樣本數(shù)據(jù)進(jìn)行訓(xùn)練。

（5）待神經(jīng)網(wǎng)絡(luò)穩(wěn)定后，將測(cè)試集數(shù)據(jù)導(dǎo)入神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)輸出結(jié)果反歸一化即可得到離港航空器滑出時(shí)間預(yù)測(cè)結(jié)果。

2.2 結(jié)果分析

考慮可量化的8 種離港航空器滑出時(shí)間影響因素后，構(gòu)建基于BP 神經(jīng)網(wǎng)絡(luò)的滑出時(shí)間預(yù)測(cè)模型，得到預(yù)測(cè)值與真實(shí)值之間的關(guān)系，如圖3所示。

圖3 基于BP 神經(jīng)網(wǎng)絡(luò)的滑出時(shí)間預(yù)測(cè)結(jié)果Fig.3 Taxi-out time prediction results based on BP neural network

從圖3 可以看出：離港航空器滑出時(shí)間預(yù)測(cè)結(jié)果與真實(shí)值的擬合程度較高，=0.848 8。

為了進(jìn)一步驗(yàn)證預(yù)測(cè)模型的合理性，基于平均絕對(duì)誤差百分比（）、平均絕對(duì)誤差（）、均方根誤差（）對(duì)模型進(jìn)行驗(yàn)證，公式如下：

考慮8 種可量化影響因素的滑出時(shí)間BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型所得結(jié)果的平均絕對(duì)誤差百分比為0.137 0、平均絕對(duì)誤差為125.369 2 s、均方根誤差為171.652 1 s。在±3 min 內(nèi)的誤差準(zhǔn)確率占82.8%，±5 min 內(nèi)的誤差準(zhǔn)確率占94.9%。為了進(jìn)一步驗(yàn)證BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用于離港航空器滑出時(shí)間預(yù)測(cè)的合理性，將其與多元線性回歸方法的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，如表4 所示。

表4 BP 神經(jīng)網(wǎng)絡(luò)與多元線性回歸預(yù)測(cè)結(jié)果對(duì)比Table 4 Comparison of prediction results between BP neural network and multiple linear regression

從表4 可以看出：多元線性回歸模型的平均絕對(duì)誤差百分比為0.203 5、平均絕對(duì)誤差為200.986 4 s、均方 根誤 差為201.122 3 s。 在±3 min 內(nèi)的誤差準(zhǔn)確率占55.3%，±5 min 內(nèi)的誤差準(zhǔn)確率占78.5%。各項(xiàng)指標(biāo)顯示，基于BP 神經(jīng)網(wǎng)絡(luò)的離港航空器滑出時(shí)間預(yù)測(cè)精度要明顯高于多元線性回歸預(yù)測(cè)結(jié)果。

2.3 仿真分析

根據(jù)相關(guān)性分析結(jié)果可知，同時(shí)段推出航空器數(shù)量、同時(shí)段起飛航空器數(shù)量、同時(shí)段落地航空器數(shù)量、1 小時(shí)內(nèi)平均滑出時(shí)間與離港航空器滑出時(shí)間呈現(xiàn)強(qiáng)相關(guān)性；滑行距離、轉(zhuǎn)彎個(gè)數(shù)、延誤與滑出時(shí)間相關(guān)但不顯著；航空器起飛時(shí)刻所在時(shí)段與滑出時(shí)間不相關(guān)。其中，前三個(gè)因素（，，）是現(xiàn)有滑出時(shí)間預(yù)測(cè)成果中普遍采用的影響因素，而1 小時(shí)內(nèi)平均滑出時(shí)間是本文提出的可量化影響因素。為討論影響因素相關(guān)性強(qiáng)弱與模型構(gòu)建、模型預(yù)測(cè)結(jié)果精度之間的關(guān)系，本文將可量化的影響因素進(jìn)行組合，構(gòu)建不同維數(shù)的滑出時(shí)間BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，得到預(yù)測(cè)結(jié)果對(duì)比圖如圖4 所示，不同組合預(yù)測(cè)模型的預(yù)測(cè)精度及評(píng)價(jià)結(jié)果如表5 所示。

圖4 考慮不同影響因素的預(yù)測(cè)結(jié)果對(duì)比Fig.4 Comparison of prediction results considering different influencing factors

表5 不同組合預(yù)測(cè)結(jié)果對(duì)比分析Table 5 Comparative analysis of the different combination predicted results

從圖4 和表5 可以看出：（1）對(duì)比三元組和四元組預(yù)測(cè)結(jié)果可知，加入1 小時(shí)內(nèi)平均滑出時(shí)間后，預(yù)測(cè)準(zhǔn)確率有明顯提升；（2）對(duì)比七元組和四元組的預(yù)測(cè)結(jié)果可知，在加入有相關(guān)性但不顯著的因素后，預(yù)測(cè)準(zhǔn)確性也有一定的提高；（3）由于加入了相關(guān)但不顯著的因素，相比于三元組±5 min 內(nèi)的準(zhǔn)確率88.5%，六元組的±5 min 內(nèi)的準(zhǔn)確率達(dá)到了94.0%。在引入1 小時(shí)內(nèi)平均滑出時(shí)間后，七元組預(yù)測(cè)結(jié)果的準(zhǔn)確率相比于六元組的預(yù)測(cè)結(jié)果仍有明顯提高，達(dá)到96.4%。由此可見，1 小時(shí)內(nèi)平均滑出時(shí)間對(duì)模型精度的提升起到了關(guān)鍵作用；（4）對(duì)比七元組和八元組預(yù)測(cè)結(jié)果可知，加入不相關(guān)的可量化因素后，預(yù)測(cè)準(zhǔn)確率明顯下降。綜上所述，考慮強(qiáng)相關(guān)性、中度相關(guān)性的七元組合預(yù)測(cè)模型的性能最佳：平均絕對(duì)誤差百分比僅為0.131 7，平均絕對(duì)誤差為109.653 5 s，均方根誤差為151.245 4 s，預(yù)測(cè)結(jié)果±3 min 內(nèi)的準(zhǔn)確率為84.2%，±5 min 內(nèi)的準(zhǔn)確率為96.4%。

3 結(jié)論

（1）同時(shí)段推出航空器數(shù)量、同時(shí)段起飛航空器數(shù)量、同時(shí)段落地航空器數(shù)量、1 小時(shí)內(nèi)平均滑出時(shí)間與離港航空器滑出時(shí)間呈現(xiàn)強(qiáng)相關(guān)性，滑行距離、轉(zhuǎn)彎個(gè)數(shù)、延誤時(shí)間與滑出時(shí)間相關(guān)但不顯著，航空器起飛時(shí)刻所在時(shí)段與滑出時(shí)間不相關(guān)。

（2）基于BP 神經(jīng)網(wǎng)絡(luò)的離港航空器滑出時(shí)間預(yù)測(cè)結(jié)果精度要明顯高于基于線性回歸模型的預(yù)測(cè)精度。

（3）1 小時(shí)內(nèi)平均滑出時(shí)間對(duì)模型精度的提升起到了重要作用，相關(guān)性不顯著的影響因素引入對(duì)預(yù)測(cè)結(jié)果精度的提升有一定的作用，引入不相關(guān)因素后模型的預(yù)測(cè)精度會(huì)顯著下降。