潘衛(wèi)軍 張衡衡 劉 濤 吳天祎 尹子銳

1.中國(guó)民航飛行學(xué)院空中交通管理學(xué)院 四川廣漢 618307

隨著全球范圍內(nèi)的民航運(yùn)輸需求的增長(zhǎng),世界民航運(yùn)輸業(yè)迅速發(fā)展,全球航空器數(shù)量隨之爆發(fā)式增長(zhǎng).機(jī)場(chǎng)的運(yùn)行壓力增大,尤其是一些大型樞紐機(jī)場(chǎng)的飛機(jī)降落數(shù)量暴增,迫切增加機(jī)場(chǎng)容量.跑道容量是評(píng)估機(jī)場(chǎng)實(shí)際容量的重要因素,增加飛機(jī)著陸和起飛航班的數(shù)量,在單位時(shí)間內(nèi)處理更多運(yùn)行的航班,滿足日益增長(zhǎng)的空運(yùn)服務(wù)需求.其中,影響跑道吞吐量的一個(gè)重要因素就是到達(dá)航空器的跑道占用時(shí)間.跑道占用時(shí)間的定義為飛機(jī)花費(fèi)在跑道上的時(shí)間—飛機(jī)穿過(guò)跑道入口到飛機(jī)完全離開(kāi)跑道的時(shí)間段.在過(guò)去幾十年里已有幾種方法來(lái)觀測(cè)和估計(jì)降落飛機(jī)的跑道占用時(shí)間和跑道出口位置.

弗吉尼亞理工大學(xué)（Virginia Tech）航空運(yùn)輸系統(tǒng)實(shí)驗(yàn)室利用蒙特卡羅模型計(jì)算各種飛機(jī)的著陸滾轉(zhuǎn)剖面來(lái)預(yù)測(cè)ROT[1].基于模擬著陸滾轉(zhuǎn)剖面是采用動(dòng)態(tài)規(guī)劃方法來(lái)尋找跑道出口的最佳位置[2].文獻(xiàn)[3]在運(yùn)用新方法、新技術(shù)的基礎(chǔ)上,提出了一項(xiàng)研究通過(guò)模擬進(jìn)一步證明了跑道占用時(shí)間在機(jī)場(chǎng)容量和混合跑道運(yùn)行中的重要性[3].其他研究比較了根據(jù)尾流分類考慮到達(dá)對(duì)之間最小間隔的機(jī)場(chǎng)的到達(dá)容量,和根據(jù)引導(dǎo)飛機(jī)跑道占用時(shí)間考慮到達(dá)對(duì)之間最小間隔的機(jī)場(chǎng)容量[4].發(fā)現(xiàn)當(dāng)以最小間隔可以是主飛機(jī)的ROT時(shí),即把ROT 當(dāng)作唯一影響因素時(shí),對(duì)增加機(jī)場(chǎng)到達(dá)吞吐量有重要作用[5].另一項(xiàng)研究通過(guò)使用遺傳算法解決機(jī)場(chǎng)的飛機(jī)排序問(wèn)題[6],以此來(lái)分析起飛和到達(dá)航班的跑道占用時(shí)間.目的機(jī)場(chǎng)跑道占用時(shí)間的浪費(fèi),可能會(huì)造成機(jī)場(chǎng)容量的重大損失,造成機(jī)場(chǎng)航班的延誤.跑道占用時(shí)間是一個(gè)隨機(jī)參數(shù),取決于許多因素,包括跑道長(zhǎng)度、出口位置、登機(jī)口位置、飛行員操作和飛機(jī)類型.由于許多機(jī)場(chǎng)模擬研究需要大量跑道占用時(shí)間數(shù)據(jù),因此,必須有一個(gè)準(zhǔn)確的模型來(lái)預(yù)測(cè)各種運(yùn)行條件下的跑道占用時(shí)間.

1 基于BP 神經(jīng)網(wǎng)絡(luò)的ROT 和跑道出口預(yù)測(cè)模型

使用了兩個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型:模型1 預(yù)測(cè)跑道占用時(shí)間的模型；模型2 預(yù)測(cè)從跑道入口到飛機(jī)完全脫離跑道的跑道出口距離的模型.BP 又稱反向傳播神經(jīng)網(wǎng)絡(luò),通過(guò)樣本數(shù)據(jù)的訓(xùn)練,不斷修正網(wǎng)絡(luò)權(quán)值和閾值,使誤差函數(shù)沿負(fù)梯度方向下降,逼近期望輸出.它是一種應(yīng)用較為廣泛的神經(jīng)網(wǎng)絡(luò)模型,多用于函數(shù)逼近、模型識(shí)別分類、數(shù)據(jù)壓縮和時(shí)間序列預(yù)測(cè)等.

基于BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)步驟為：1）讀取數(shù)據(jù).2）設(shè)置訓(xùn)練數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù).3）訓(xùn)練樣本數(shù)據(jù)歸一化.4）構(gòu)建BP 神經(jīng)網(wǎng)絡(luò).5）網(wǎng)絡(luò)參數(shù)配置（訓(xùn)練次數(shù),學(xué)習(xí)速率,訓(xùn)練目標(biāo)最小誤差）.6）BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練.7）測(cè)試樣本歸一化.8）BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè).9）預(yù)測(cè)結(jié)果反歸一化與誤差計(jì)算.10）驗(yàn)證集的真實(shí)值與預(yù)測(cè)值誤差比較.

本文把跑道占用時(shí)間的定義為飛機(jī)穿過(guò)跑道入口點(diǎn)開(kāi)始,直到整個(gè)飛機(jī)完全處于跑道及其上方空間之外,利用數(shù)值定位算法計(jì)算飛機(jī)在跑道出口的相對(duì)位置,使用飛機(jī)翼展和機(jī)身總長(zhǎng)度兩個(gè)關(guān)鍵飛機(jī)參數(shù)確定飛機(jī)是否已經(jīng)滑出跑道立體空間.采集的數(shù)據(jù)中所涉及的飛機(jī)機(jī)型基本尺寸被集成到該模型的機(jī)型數(shù)據(jù)庫(kù)中.

利用數(shù)值定位算法創(chuàng)建飛機(jī)翼尖和尾椎的假想位置,并捕捉機(jī)身完全離開(kāi)跑道立體空間的時(shí)間,以此來(lái)準(zhǔn)確地估算跑道占用時(shí)間.跑道出口距離預(yù)測(cè)模型輸入?yún)?shù)是從飛機(jī)穿過(guò)跑道入口開(kāi)始到軌跡數(shù)據(jù)與跑道立體空間邊緣相交的第一點(diǎn)的距離.圖1顯示了綠色的跑道和降落飛機(jī)從跑道脫離時(shí)的翼展或尾翼和前機(jī)鼻的圓圈.圖1中的紅點(diǎn)表示飛機(jī)尾部的位置,黃色圓圈表示飛機(jī)機(jī)鼻的位置,藍(lán)色代表機(jī)翼翼尖的位置.

圖1 根據(jù)ASDE-X 數(shù)據(jù)獲取的飛機(jī)著陸滑行蹤跡Fig.1 Aircraft landing and taxiing tracks obtained from ASDE-X data

使用兩個(gè)4 層BP 神經(jīng)網(wǎng)絡(luò)模型分別估計(jì)跑道占用時(shí)間和飛機(jī)滑行距離.由于數(shù)據(jù)中存在奇異樣本數(shù)據(jù)會(huì)引起訓(xùn)練時(shí)間增大,并可能無(wú)法收斂.所以把數(shù)據(jù)經(jīng)過(guò)歸一化處理后,使之限定在一定的范圍內(nèi).在此使用Z-score 標(biāo)準(zhǔn)化方法對(duì)數(shù)據(jù)進(jìn)行歸一化,Z-score 標(biāo)準(zhǔn)化如式（1）.

模型輸入層節(jié)點(diǎn)數(shù)為輸入特征數(shù),輸出層節(jié)點(diǎn)數(shù)為想要得到結(jié)果的個(gè)數(shù).

模型1 人工神經(jīng)網(wǎng)絡(luò)接收大小為6 的輸入向量.以下6 個(gè)參數(shù)作為模型1 的輸入:1）跑道入口點(diǎn)的速度（m/s）.2）著陸速度（m/s）.3）跑道入口點(diǎn)和接地之間的時(shí)間差（s）.4）離跑道入口的觸地距離（m）.5）跑道平均減速度（m/s）.6）跑道出口曲率點(diǎn)的速度（m/s）.

模型2 人工神經(jīng)網(wǎng)絡(luò)接收大小為2 的輸入向量.以下兩個(gè)參數(shù)作為模型2 的輸入:1）跑道入口點(diǎn)的位置（m）.2）飛機(jī)完全脫離跑道時(shí)的位置（m）.

預(yù)測(cè)的結(jié)果是跑道占用時(shí)間（即飛機(jī)完全在跑道多邊形之外的點(diǎn)）和跑道出口位置.

BP 神經(jīng)網(wǎng)絡(luò)包括:隱藏層的Sigmoid 傳遞函數(shù)和輸出層的線性傳遞函數(shù).在網(wǎng)絡(luò)設(shè)計(jì)過(guò)程中,隱層神經(jīng)元數(shù)的確定十分重要.隱層神經(jīng)元個(gè)數(shù)過(guò)多,會(huì)加大網(wǎng)絡(luò)計(jì)算量并容易產(chǎn)生過(guò)度擬合問(wèn)題；神經(jīng)元個(gè)數(shù)過(guò)少,則會(huì)影響網(wǎng)絡(luò)性能,達(dá)不到預(yù)期效果.網(wǎng)絡(luò)中隱層神經(jīng)元的數(shù)目與實(shí)際問(wèn)題的復(fù)雜程度、輸入和輸出層的神經(jīng)元數(shù)以及對(duì)期望誤差的設(shè)定有著直接的聯(lián)系.目前,對(duì)于隱層中神經(jīng)元數(shù)目的確定并沒(méi)有明確的公式,本文使用式（2）來(lái)確定本模型的隱藏層數(shù)為4.

其中,n 為輸入層神經(jīng)元個(gè)數(shù)；m 為輸出層神經(jīng)元個(gè)數(shù)；a 為[1,10]之間的常數(shù).

使用4 個(gè)隱藏層的BP 神經(jīng)元進(jìn)行所有的數(shù)據(jù)迭代分析.用MATLAB 編程語(yǔ)言完成所有的數(shù)據(jù)處理和神經(jīng)網(wǎng)絡(luò)程序,多次試驗(yàn)后確定設(shè)置迭代次數(shù)為1 000,迭代訓(xùn)練目標(biāo)為0.001,學(xué)習(xí)率為0.01 結(jié)果較好.BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.

圖2 兩層神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)圖Fig.2 Two layer neural network training structure diagram

最后使用均方誤差評(píng)估BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能.對(duì)于訓(xùn)練過(guò)程,將數(shù)據(jù)隨機(jī)分為3 個(gè)不同的集合.70%在訓(xùn)練集中,15%在測(cè)試集中,15%在驗(yàn)證集中.驗(yàn)證數(shù)據(jù)有助于提高模型訓(xùn)練的準(zhǔn)確性.

2 采集數(shù)據(jù)輸入

2.1 ASDE-X 數(shù)據(jù)

機(jī)場(chǎng)表面探測(cè)設(shè)備ASDE-X 是一種使用雷達(dá)、多定位和衛(wèi)星技術(shù)的監(jiān)視系統(tǒng),允許空中交通管制員捕捉飛機(jī)和車輛在跑道和滑行道上的運(yùn)動(dòng)情況[7].美國(guó)聯(lián)邦航空局使用ASDE-X 數(shù)據(jù)創(chuàng)建了一個(gè)交互式著陸事件數(shù)據(jù)庫(kù).本研究中使用的ASDE-X 數(shù)據(jù)是2020年獲取的一個(gè)月的成都雙流機(jī)場(chǎng)（CTU）、青島流亭機(jī)場(chǎng)（TAO）和深圳寶安機(jī)場(chǎng)（SZX）的著陸飛機(jī)數(shù)據(jù).ASDE-X 數(shù)據(jù)包含高精度（即毫秒級(jí)）的地理參考飛機(jī)位置（緯度/經(jīng)度）、飛機(jī)類型、飛行標(biāo)識(shí)和飛機(jī)高度的信息.

利用ASDE-X 數(shù)據(jù)中每次航班飛行的飛機(jī)瞬時(shí)位置估計(jì)飛機(jī)每秒鐘的速度和加速度.在報(bào)告的位置和時(shí)間上ASDE-X 數(shù)據(jù)也有與其他雷達(dá)監(jiān)視數(shù)據(jù)類似“噪聲”.把原始數(shù)據(jù)生成平滑的速度曲線以此來(lái)獲得合理的輸入?yún)?shù)值.使用平均擬合技術(shù)處理后的飛機(jī)速度曲線數(shù)據(jù)如圖3所示.

圖3 一次著陸過(guò)程數(shù)據(jù)處理前后速度剖面Fig.3 Velocity profile before and after data processing in a landing process

分析ASDE-X 數(shù)據(jù)的主要重點(diǎn)是預(yù)測(cè)飛機(jī)在跑道上的著陸過(guò)程.飛機(jī)著陸剖面從飛機(jī)穿過(guò)跑道入口點(diǎn)開(kāi)始,并在飛機(jī)完全離開(kāi)跑道的出口點(diǎn)結(jié)束.

2.2 跑道數(shù)據(jù)庫(kù)

為了研究跑道出口位置,建立了CTU、TAO 和SZX 跑道構(gòu)型的數(shù)據(jù)庫(kù).每條跑道由一個(gè)用于估計(jì)跑道占用時(shí)間的多邊形表示.把每條跑道中心點(diǎn)的緯度和經(jīng)度收集為幾何數(shù)據(jù)庫(kù)[8].其中,成都雙流機(jī)場(chǎng)（CTU）跑道的多邊形的示例如圖4所示.

圖4 CTU跑道多邊形數(shù)據(jù)圖Fig.4 Polygon data chart of CTU runway

2.3 跑道出口幾何和信息

每條跑道的跑道出口幾何形狀是估計(jì)跑道占用時(shí)間的一個(gè)重要因素.創(chuàng)建3 個(gè)機(jī)場(chǎng)跑道出口數(shù)據(jù)庫(kù),其中,包含3 個(gè)機(jī)場(chǎng)5 條跑道出口的幾何信息[9].跑道出口數(shù)據(jù)庫(kù)包括:出口角度、出口半徑、從曲率點(diǎn)到跑道出口保持條的弧長(zhǎng),以及從跑道入口到每個(gè)出口的曲率點(diǎn)的距離.使用谷歌地球創(chuàng)建跑道出口數(shù)據(jù)庫(kù).CTU 跑道出口的示例弧如圖5所示.

圖5 跑道出口弧線和識(shí)別跑道出口的其他信息Fig.5 Runway exit curve and other information for identifying runway exit

為了方便獲取模型所需的輸入信息,在跑道上的每個(gè)著陸剖面確定取值臨界點(diǎn).對(duì)于每個(gè)著陸剖面,所需的取值臨界點(diǎn)是:1）跑道入口點(diǎn)穿越速度（或進(jìn)近速度）.2）飛機(jī)的著地位置和著地速度.3）著陸后跑道上的減速率.4）在跑道出口曲率點(diǎn)的飛機(jī)速度.5）正在脫離的飛機(jī)的速度曲線.這些信息與神經(jīng)網(wǎng)絡(luò)模型的輸入接口相對(duì)應(yīng).

著陸過(guò)程中的速度曲線提供了有關(guān)飛機(jī)成功著陸的相關(guān)信息.跑道入口點(diǎn)穿越速度或進(jìn)近速度因飛機(jī)而異[10].經(jīng)過(guò)對(duì)ASDE-X 數(shù)據(jù)的分析表明,即使是相同的飛機(jī)類型,由于環(huán)境條件、飛機(jī)重量和飛行員技術(shù)不同,不同機(jī)場(chǎng)的進(jìn)近速度也不同.

根據(jù)ASDE-X 數(shù)據(jù)估算著陸位置是很難實(shí)現(xiàn)的.ASDE-X 雷達(dá)系統(tǒng)通常在管制塔臺(tái)的顯示器上顯示飛機(jī)的準(zhǔn)確位置.由于ASDE-X 數(shù)據(jù)沒(méi)有報(bào)道飛機(jī)準(zhǔn)確位置,因此,估計(jì)著陸位置和著陸時(shí)間需要詳細(xì)的分析和復(fù)雜的應(yīng)用程序.Tran 定義了當(dāng)飛機(jī)達(dá)到著陸前拉平速度的95%時(shí)的位置為著陸位置[11].在上述3 個(gè)機(jī)場(chǎng)收集了數(shù)小時(shí)的視頻數(shù)據(jù),然后將收集的視頻數(shù)據(jù)與相關(guān)的ASDE-X 數(shù)據(jù)進(jìn)行匹配后,得出了一種算法來(lái)估計(jì)每架飛機(jī)的著陸位置,即著陸位置是當(dāng)飛機(jī)達(dá)到其跑道入口點(diǎn)穿越速度的95%時(shí),或當(dāng)飛機(jī)沿跑道的方向速度梯度發(fā)生顯著變化時(shí)的位置為著陸位置.圖6顯示了數(shù)百架飛機(jī)在青島流亭機(jī)場(chǎng)（TAO）著陸的典型著陸速度剖面.

圖6 蒙特卡羅模型中的飛機(jī)著陸滑行速度剖面圖Fig.6 The profile of aircraft landing and taxiing speed in Monte Carlo model

3 模型計(jì)算結(jié)果

使用模型分析了3 個(gè)機(jī)場(chǎng)一個(gè)月的ASDE-X 數(shù)據(jù),該數(shù)據(jù)集中包含了研究的十余種不同飛機(jī)類型飛機(jī)的著陸滑行數(shù)據(jù),它們具有不同的尾流分類和跑道占用時(shí)間特性[12].

利用上述基于神經(jīng)網(wǎng)絡(luò)的模型研究跑道占用時(shí)間和飛機(jī)的出口距離.該過(guò)程類似于數(shù)據(jù)分析中的曲線擬合過(guò)程.為了驗(yàn)證預(yù)測(cè)結(jié)果的準(zhǔn)確性,保證變量的唯一性,使用相同的神經(jīng)網(wǎng)絡(luò)比較每架飛機(jī)在不同機(jī)場(chǎng)的測(cè)試集.總結(jié)每種飛機(jī)類型的誤差分布有助于更好地理解模型的性能.并使用回歸分析來(lái)估計(jì)訓(xùn)練模型在預(yù)測(cè)ROT 和出口距離方面的魯棒性[13].選擇了R 平方參數(shù)來(lái)評(píng)估神經(jīng)網(wǎng)絡(luò)觀察值和預(yù)測(cè)值之間的回歸分析.

圖7顯示了一個(gè)TAO 的空客A319 機(jī)型ROT 預(yù)測(cè)回歸圖,在觀測(cè)值和預(yù)測(cè)值之間進(jìn)行回歸分析.圖7顯示神經(jīng)網(wǎng)絡(luò)完成了預(yù)測(cè)分析,因?yàn)樗鶊?bào)告的性能度量在所有劃分的數(shù)據(jù)組中非常相似,所以沒(méi)有過(guò)圖像擬合情況.

圖7 A319 機(jī)型數(shù)據(jù)觀測(cè)和預(yù)測(cè)ROT 的回歸圖Fig.7 Regression diagram of data observation and prediction rot of A319 aircraft

圖8顯示了一個(gè)誤差直方圖,說(shuō)明了在TAO 的同一架飛機(jī)的觀測(cè)值和預(yù)測(cè)值之間的差異,其中,誤差等于目標(biāo)值減去模型輸出值.如預(yù)期結(jié)果一樣,對(duì)于模型的性能,誤差遵循均值為零的正態(tài)分布.絕大多數(shù)非零誤差在5 s 內(nèi),這是測(cè)量ROT 可接受的誤差范圍.在3 個(gè)機(jī)場(chǎng)對(duì)十余種不同飛機(jī)類型進(jìn)行模型測(cè)試.表1顯示了所研究的每種飛機(jī)類型的數(shù)量.

表1 各類型飛機(jī)數(shù)量Table 1 Number of each type of aircrafts

圖8 TAO 機(jī)場(chǎng)不同組A319 飛機(jī)數(shù)據(jù)的誤差圖Fig.8 Error chart of A319 aircraft data in different groups of TAO Airport

忽略著陸次數(shù)少于150 次的飛機(jī)的性能指標(biāo).表2列出了從觀察的ROT 值和預(yù)測(cè)的ROT 值之間的回歸分析中計(jì)算出的R 平方測(cè)試值.

總的預(yù)測(cè)ROT 時(shí)間如表2所示,表明該模型在預(yù)測(cè)大多數(shù)飛機(jī)的剩余起飛時(shí)間方面具有很高的精度.表2中47%的數(shù)值超過(guò)90%的平方值,77%的數(shù)值超過(guò)80%的平方值.在3 個(gè)機(jī)場(chǎng)中,仍然有一些飛機(jī)顯示出誤差過(guò)大的結(jié)果.例如,波音777-200 機(jī)型在TAO 時(shí)的平方值或空客A319 在CTU 時(shí)的平方值是神經(jīng)網(wǎng)絡(luò)中出現(xiàn)過(guò)擬合模式的情況,因?yàn)樗鼈冊(cè)谟?xùn)練集上的估計(jì)平方值很高.用不同的偏差和權(quán)重重復(fù)訓(xùn)練過(guò)程是提高模型性能的最佳選擇.然而,在嘗試了一組不同的偏差和權(quán)重后,這些結(jié)果沒(méi)有發(fā)生顯著變化.

表2 基于神經(jīng)網(wǎng)絡(luò)真實(shí)預(yù)測(cè)ROT 和觀測(cè)ROT 進(jìn)行回歸分析得到的R 平方檢驗(yàn)值Table 2 R-square test values obtained by regression analysis based on neural network real prediction ROT and observed ROT

對(duì)于像空客A380-800 機(jī)型屬于超重型尾流類別的飛機(jī),模型以高精度預(yù)測(cè)了ROT 值.空客A380-800 的數(shù)據(jù)是在SZX 和CTU 收集的.這一良好的結(jié)果表明該模型可以準(zhǔn)確預(yù)測(cè)不定期飛行飛機(jī)的ROT 值.

ARJ-21 是另一種在多個(gè)機(jī)場(chǎng)出現(xiàn)過(guò)度誤差結(jié)果的飛機(jī).考慮到相關(guān)訓(xùn)練數(shù)據(jù)集的高報(bào)告R 平方值（0.97）,SZX 機(jī)場(chǎng)的模型性能不是很準(zhǔn)確.原因可能與在SZX 機(jī)場(chǎng)觀察到的因登機(jī)口位置而可能存在過(guò)度擬合模式.

表中誤差較大數(shù)字的另一個(gè)可能原因與從ASDE-X 數(shù)據(jù)中提取特征的數(shù)據(jù)性質(zhì)有關(guān)[14].例如,確定精確的著陸位置是分析著陸剖面的一個(gè)困難的工作.因此,如果輸入數(shù)據(jù)中存在不匹配的問(wèn)題,會(huì)在預(yù)測(cè)的ROT 中看到一些明顯的錯(cuò)誤.另外由于數(shù)據(jù)中的“噪聲”,該算法可能提取了一些誤差較大的接地位置,這使得ROT 值不太精確[15].另一個(gè)可能原因是跑道出口幾何形狀和特征[16].

表3給出了觀測(cè)和預(yù)測(cè)滑出距離之間回歸分析的平方值.由此看出第2 個(gè)模型的預(yù)測(cè)性能比第1 個(gè)模型好,即使兩個(gè)模型都有相似的輸入?yún)?shù).第2 種模型性能更好的原因是飛機(jī)出口距離通常由跑道上的出口位置決定.每條跑道在距離跑道入口規(guī)定距離處都有有限數(shù)量的跑道出口.因此,提高了模型2 BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能.

表3 基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的和觀測(cè)的出口距離進(jìn)行回歸分析得到的R 平方檢驗(yàn)值Table 3 R-square test values obtained by regression analysis based on neural network prediction and observed exit distance

圖9顯示了在TAO 機(jī)場(chǎng)運(yùn)行的空客A330-200的出口距離的隨機(jī)行為數(shù)據(jù).該數(shù)據(jù)屬于同一跑道出口的點(diǎn)群,出口距離沒(méi)有跑道占用時(shí)間隨機(jī)性大.

圖9 不同分組的A332 數(shù)據(jù)在TAO 的觀測(cè)和預(yù)測(cè)出的出口距離的回歸圖Fig.9 Regression diagram of the exit distance observed and predicted by different groups of A332 data in Tao

4 結(jié)論

采用3 個(gè)機(jī)場(chǎng)降落的飛機(jī)的速度和加速度參數(shù)等QAR 數(shù)據(jù)和跑道監(jiān)視數(shù)據(jù)（ASDE-X）,這些數(shù)據(jù)涵蓋了3 個(gè)機(jī)場(chǎng)含重中輕型機(jī)在內(nèi)的十幾種機(jī)型降落數(shù)據(jù).最后通過(guò)基于BP 神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)的跑道占用時(shí)間結(jié)果的預(yù)測(cè)值和實(shí)際觀測(cè)值之間的回歸分析的加權(quán)平均R 平方值為0.91.預(yù)測(cè)跑道出口距離的均方根值為0.95.說(shuō)明該模型在預(yù)測(cè)跑道占用時(shí)間和跑道出口距離上具有良好的準(zhǔn)確性和魯棒性.隨著最近尾流間隔進(jìn)一步縮減,國(guó)內(nèi)大型樞紐機(jī)場(chǎng)最后著陸進(jìn)近的飛機(jī)間隔不斷減少,飛機(jī)跑道占用時(shí)間越來(lái)越受到關(guān)注,擁有能夠準(zhǔn)確預(yù)測(cè)跑道占用時(shí)間和出口位置的計(jì)算機(jī)應(yīng)用程序和模擬模型,對(duì)于大興繁忙樞紐機(jī)場(chǎng)更高效、更順暢的運(yùn)營(yíng)非常重要.這項(xiàng)研究的主要成效不僅深入分析了來(lái)自機(jī)場(chǎng)場(chǎng)面監(jiān)視系統(tǒng)提取的雷達(dá)和地面數(shù)據(jù),而且還為管制評(píng)估、分析或設(shè)計(jì)新設(shè)施提供了可靠的預(yù)測(cè)模型.