陳亞青, 李穎哲, 趙瑞, 高浩然

(1.中國民用航空飛行學院民航飛行技術與飛行安全科研基地, 廣漢 618307; 2.中國民用航空飛行學院空中交通管理學院, 廣漢 618307; 3.中國民用航空飛行學院院辦公室, 廣漢 618307)

受到跑道容量的限制,中國大型機場航班流量趨于飽和,對于提高機場跑道運行效率迫在眉睫。2021年中國機場出港航班總量為383.42萬班次,出港總運力為68 090.38萬座,運力同比增長7.39%。2021年旅客吞吐量達到1 000萬的機場比2020年增長了2座,其中共有9座機場旅客吞吐量達到三千萬[1]。歐洲單一天空空中交通管理(single european sky atm research, SESAR)研究表明跑道占用時間是限制跑道容量的主要因素之一,跑道占用時間的影響因素包括機場滑行道的布局、能見度條件、跑道狀態(tài)、飛機類型等[2]。目前中國對跑道占用時間的定義和標準尚未界定,也沒有形成統(tǒng)一的規(guī)范文件出臺,導致跑道資源得不到充分利用,造成部分機場航班排隊嚴重,影響機場運行效率和旅客出行滿意度。因此,結合各個機場航班運行歷史數據和機場自身特點,預測跑道占用時間對提高跑道使用效率和提高跑道容量都具有重要的現(xiàn)實意義。

Martinez等[3]通過對采集數據進行分析,得出不同機型著陸跑道占用時間不同,機型大小與著落跑道占用時間成正比。Stamatopoulos等[4]設計了一個決策支持系統(tǒng),羅馬費米齊諾機場的實際應用表明,系統(tǒng)可以有效估計跑道占用時間。Capri等[5]建立了車輛來跟蹤航空器的模型,更好地模擬了航空器滑行軌跡。Baik等[6]使用遺傳算法來優(yōu)化航空器排隊問題的決策變量,結果表明該方法能夠有效地優(yōu)化航班序列,減少跑道占用時間和航班延誤。Ghalebsaz Jeddi等[7]對底特律機場跑道占用時間進行了統(tǒng)計分析,結果表明跑道占用時間更近似于混合貝塔分布。Kolos-Lakatos[8]通過對4個機場數據分析發(fā)現(xiàn)配備快速出口的機場跑道占用時間會明顯降低。雷振軍[9]在機場快速出口滑行道優(yōu)化問題中詳細分析跑道占用時間和滑行距離。Nikoleris等[10]建立了一個遞歸排隊模型,研究結果表明準確預測跑道占用時間是提高四維航跡精度的重要內容?？等鸬萚11]通過建立跑道容量評估模型,分析了跑滑結構和跑道容量的關系。歐控中心與代爾夫特理工大學基于法國戴高樂國際機場的航空器運行數據,采用復合機器學習模型預測選定跑道30 min之內的航空器著陸次數以及每架航空器的跑道占用時間[12]。Friso等[13]使用機器學習方法對跑道占用時間進行了建模和預測,并提出了一種基于觀察先兆的方法,用于發(fā)現(xiàn)和預測跑道異常占用的情況。田曉穎[14]利用算法將著陸許可發(fā)布時機轉化為可操作的節(jié)點。高偉等[15]利用蒙特卡洛方法研究了機場跑道的運行效率。金京等[16]以B-737機型為研究對象,建立了航空器著陸跑道占用時間統(tǒng)計模型,并以QAR(quick access recorder)實際運行數據做對比驗證了模型計算準確性,但模型并未考慮風的因素。邢志偉等[17]提出基于局部加權支持向量回歸方法對航班滑出時間進行了預測,但模型對于初始權值和閾值更為敏感,穩(wěn)定性有待提高。張思遠等[18]分析了跑道占用時間和航空器著陸間隔對跑道容量的共同影響。馮超等[19]分析深圳機場場面監(jiān)視雷達信號及ADS-B(automatic dependent surveillance-broadcast)數據,繪制深圳機場地圖和電子圍欄,得出了進出港航班的跑道占用時間,實現(xiàn)了對機場跑道占用時間統(tǒng)計分析的功能,其中關于跑道占用時間定義方面是基于運行習慣所得,缺乏一定科學性。潘衛(wèi)軍等[20]通過對3個機場數據分析,采用反BP神經網絡方法對跑道占用時間進行了預測,但數據精度有一定誤差,神經網絡模型參數也可以進行進一步優(yōu)化。黃龍楊等[21]提出SSA-BP(sparrow search algorithm-back propagation)方法對中南某機場起飛跑道占用時間預測,得出起飛跑道占用時間與離港航班數量強相關,但機場數量和樣本影響因素有所不足。

在國外的研究中,在對航空器跑道占用時間進行預測時只考慮了部分影響因素,較少的影響因素可能會導致預測結果產生較大偏差。在中國的研究中,根據案例機場從動態(tài)規(guī)劃、最優(yōu)化算法方面對機場跑滑構型及最佳出口數量進行研究,但并未考慮到不同的機場環(huán)境、氣象條件、航空器類型等影響跑道占用時間的相關特征參數,對現(xiàn)有機場跑道容量的提升參考價值有限。從國內外研究結果來看,影響跑道占用時間的因素主要包括跑滑結構和航空器類型等因素,跑滑結構不同,對應滑行距離也不同?，F(xiàn)充分考慮著落跑道占用時間各項影響因素的重要程度,利用卷積神經網絡(convolutional neural networks, CNN)算法構建航空器跑道占用時間預測模型,針對CNN算法中相關參數進行優(yōu)化,將典型機型在不同跑道運行的QAR數據按照不同跑滑結構對應訓練,實現(xiàn)對不同機場跑道不同條件下航空器著陸跑道占用時間的準確預測。

1 航空器著陸跑道占用時間影響因素分析

QAR記錄器可以存儲超過600 h的飛行數據,記錄的數據包括航空器的重量、航向、空速、油量、氣象條件等各種飛行過程中的參數。相較于其他監(jiān)視系統(tǒng)記錄間隔長、數據值缺失等缺陷,QAR數據記錄頻率為每秒一次,缺失值很少,可以提供更加詳細和可靠的數據信息,有利于對航空器整個著陸至脫離過程進行分析。

1.1 數據處理

通過綜合考慮機場的運行效率提升以及安全等因素,結合國外學者的研究成果以及中國跑道侵入中保護區(qū)概念,本文中將航空器著陸跑道占用時間界定為:航空器機頭飛越跑道入口至航空器機尾完全越過跑道邊界的時間間隔。根據定義對相關航空公司提供的29 108條航空器著陸QAR數據進行著陸跑道占用時間的截取,對缺失值和異常值處理后,得到的QAR有效數據共22 612條,其中,QAR數據中機型為A320和B737-800,將兩種機型轉化為更具體的航空器重量,可以更詳細的區(qū)分航空器著陸時機身重量的差別。不同機場跑道數量不同,QAR數據按照不同機場進行分類,每條QAR數據都對應不同的著陸跑道,可以更具體的體現(xiàn)不同機場跑道數量和不同跑道對占用時間的影響。根據每條QAR數據中不同滑行距離和脫離道口角度和數量的配置,可得出航空器所選的具體脫離道口,即跑滑結構的影響。最后,將不同機場QAR數據進行整合,可以提高模型的普適性,更好的適用于全國各個機場。依據QAR數據和相關資料中提取的參數,計算得到了著陸跑道占用時間,并將航空器重量、落地氣溫、風速、風向、脫離道角度、脫離道口數量、滑行距離、進入跑道速度、脫離速度作為主要影響因素,處理后的QAR數據形式如表1所示。

表1 樣本數據Table 1 Sample data

1.2 相關性分析

1.2.1 皮爾森相關系數

皮爾森相關系數(pearson correlation coefficient)是描述兩個變量之間線性關系大小的系數,一般用r表示。r值正負表示兩個變量之間的關系是正相關還是負相關,絕對值越大,相關性越強,被廣泛應用于數據分析和統(tǒng)計學研究中,可以幫助研究人員了解變量之間的關系,從而做出更準確的預測和決策。其表達式為

(1)

1.2.2 影響因素相關性分析

采用皮爾森相關系數對22 612條QAR數據進行分析。通過熱力圖矩陣展示因變量與自變量之間的線性關系,同時還能獲得各個自變量之間的線性關系。著陸跑道占用時間與影響因素之間的線性關系,具體如圖1所示。

圖1 影響因素熱力圖Fig.1 Thermal diagram of influencing factors

圖1中各參數指標與占用時間的線性關系為:滑行距離(0.53)與跑道占用時間成正比;脫離速度為(-0.24)、脫離道口數量(-0.15)、進入跑道速度(-0.15)、落地氣溫(-0.12)與跑道占用時間成反比;脫離道角度(0.084)、風速(0.004 4)、風向(-0.029)、航空器重量(-0.061)與跑道占用時間呈低相關性。

通過對相關航空公司處理得到的22 612條QAR數據進行相關性綜合分析,得到以下結論。

(1)與AROT呈高相關性的參數:滑行距離、脫離速度、脫離道口數量、進入跑道速度、落地氣溫。

(2)與AROT呈低相關性的參數:脫離道角度、風速、風向、航空器重量。

(3)與AROT的重要度排序為:滑行距離、脫離速度、脫離道口數量、進入跑道速度、落地氣溫、脫離道角度、風速、風向、航空器重量。

2 基于SSA-CNN構建著陸跑道占用時間模型

2.1 CNN模型

卷積神經網絡(CNN)是機器學習的一種算法,是通過卷積計算的前饋神經網絡。卷積神經網絡是多層感知機的變體,采用局部連接和共享權值的方式處理已知網絡拓撲結構的神經網絡。卷積神經網絡通過QAR數據的輸入,可以有效的從大量數據中學習到不同影響因素的特征信息,根據提取的特征信息只需少量的人工參與就可以得到可靠的跑道占用時間預測值。

2.2 SSA模型

麻雀搜索算法(SSA)由Xue等[22]在2020年提出的一種群智能優(yōu)化算法,具有簡單易懂,計算效率高的優(yōu)點,因此本文中采用麻雀搜索算法優(yōu)化卷積神經網絡相關參數。

麻雀搜索算法靈感來源于麻雀在尋找食物時的行為,通過模擬麻雀在搜索食物時的個體行為和群體行為,不斷地更新每個個體的位置和速度,以達到全局最優(yōu)解,麻雀之間會相互監(jiān)視以獲得更好的食物資源,從而避免陷入局部最優(yōu)。該算法已被廣泛應用于各種優(yōu)化問題中,如參數優(yōu)化、控制優(yōu)化等領域。由于CNN部分參數為人為設定,所以網絡結構未必是最優(yōu)結構,需要采用麻雀搜索算法對相關參數進行優(yōu)化。

2.3 SSA-CNN模型

基于以上兩種算法的各自特點,采用SSA-CNN算法構建預測模型,實現(xiàn)對著陸跑道占用時間的預測。根據處理后表1的QAR數據形式,將QAR數據劃分成訓練集和測試集,代入到卷積神經網絡進行迭代,初步得到著陸跑道占用時間預測值,然后將卷積神經網絡參數作為需要優(yōu)化的變量代入到麻雀搜索算法中,得到卷積神經網絡的最優(yōu)參數值,調整原有卷積神經網絡固定參數,運行優(yōu)化后卷積神經網絡得到新的著陸跑道占用時間預測值,具體預測流程如圖2所示。

圖2 跑道占用時間預測流程圖Fig.2 Flowchart for runway occupancy time prediction

卷積神經網絡模型的構建采用Python開源機器學習庫sklearn1.0.2版本進行搭建,由輸入、卷積、池化、全連接和輸出部分組成。兩層神經網絡就可以擬合線性和非線性函數,因此配置兩層神經網絡結構就可以滿足要求。最后設置全連接層將卷積神經網絡的輸出特征進行組合,輸出為跑道占用時間的一維向量。

麻雀搜索算法由種群初始化函數、邊界檢查函數、計算適應度函數、適應度排序函數、位置排序函數、發(fā)現(xiàn)者更新、加入者更新、危險更新模塊組成。以均方誤差損失函數為適應度目標,采用Adam優(yōu)化算法對卷積神經網絡中的通道數、卷積核維度、學習率、批量訓練數據大小參數進行優(yōu)化,麻雀搜索算法優(yōu)化卷積神經網絡參數流程如圖3所示。

圖3 SSA-CNN模型優(yōu)化流程圖Fig.3 Flowchart for SSA model optimization

3 著陸跑道占用時間預測結果分析

3.1 CNN預測AROT

將QAR數據分為80%的訓練組和20%的測試組,采用123為隨機種子數。卷積神經網絡模型接收大小為9的輸入向量,輸出大小為1的時間向量,令輸入向量為自變量X,輸出向量為因變量Y。設置Channel=32、Kernel size=5、Learning rate=0.000 1、Batch size=32、Stride=1、Leaky ReLU = 0.2、Activation=‘relu’、Linear=‘3’、Epochs=20、Solver=‘Adam’,設定參數后的CNN結構如圖4所示。

圖4 CNN結構圖Fig.4 CNN architecture diagram

將訓練集輸入設置好的CNN模型完成訓練,對測試集的預測值和真實值誤差對比如圖5所示。

圖5 CNN預測值與真實值誤差對比Fig.5 Comparison between CNN predicted values and actual values error

3.2 SSA-CNN預測AROT

首先設定均方誤差值作為適應度的目標函數,設置初始化函數、邊界檢查函數、計算適應度函數、適應度排序函數、位置排序函數、發(fā)現(xiàn)者更新函數、加入者更新函數、危險更新函數。設置MaxIter=100(最大迭代次數)、PD=0.7(發(fā)現(xiàn)者比列)、Pop=20(種群數量)、ST=0.6(預警值)、SD=0.2(識到有危險麻雀比重)、Dim=4(維度),其中Channel大小下邊界為8,上邊界為64,Kernel size下邊界為1,上邊界為3,Learning rate大小下邊界為0.000 01,上邊界為0.001,Batch size下邊界為8,上邊界為64。迭代后的均方誤差值如圖6所示。由圖6可知,優(yōu)化后的SSA-CNN模型均方誤差最后收斂于16.89。其中,優(yōu)化后的參數如表2所示。

圖6 SSA誤差收斂曲線Fig.6 Convergence curve of error for SSA model

表2 SSA-CNN參數取值Table 2 SSA-CNN Parameter values

SSA優(yōu)化后的CNN結構如圖7所示。

圖7 SSA-CNN結構圖Fig.7 SSA-CNN architecture diagram

SSA-CNN預測模型對測試集的預測值和真實值誤差對比如圖8所示。由圖8可知,CNN與SSA-CNN兩種模型都能有效實現(xiàn)對著陸跑道占用時間的預測。為了評價預測精度,采用均方誤差(mean square error, MSE)、平均絕對誤差(mean absolute error, MAE)以及平均絕對百分比誤差(mean absolute percentage error, MAPE)作為預測結果的評價指標,結果如表3所示。

圖8 SSA-CNN預測值與真實值誤差對比Fig.8 Comparison between SSA-CNN predicted values and actual values error

表3 著陸跑道占用時間預測精度評價Table 3 Evaluation of landing runway occupancy time prediction accuracy

從表3中指標可以看出,SSA優(yōu)化后的CNN預測結果較優(yōu)化前MSE減少了1.041 6,MAE減少了0.091 7,MAPE減少了0.08%。結果表明SSA-CNN模型對于著陸跑道占用時間的預測提升是有效的。

3.3 模型結果對比

將優(yōu)化模型所得最優(yōu)參數配置用于6個典型機場具體跑道的著陸占用時間預測。選取航空公司真實運行的QAR數據,影響因素作為模型輸入,對不同跑滑結構下的跑道進行AROT預測,將6組算例數據真實值與預測值進行對比,如表4所示。

表4 著陸跑道占用時間真實值與預測值對比Table 4 Comparison between the actual and predicted values of landing runway occupancy time

通過對表4的典型機場不同跑滑結構的AROT觀察得知,5組結果差值均在1 s以內,真實值與模型所得預測值差值較小,模型可靠性良好。

4 結論

研究基于QAR運行數據,采用SSA-CNN模型對著陸跑道占用時間進行預測。著陸跑道占用時間與滑行距離、脫離速度、脫離道口數量、進入跑道速度、落地氣溫具有較強關聯(lián)性,與脫離道角度、風速、風向、航空器重量關聯(lián)性較弱。SSA優(yōu)化后的CNN模型預測結果得到有效提升,MSE減少了1.041 6,MAE減少了0.091 7,MAPE減少了0.08%。最后通過輸入航空公司真實運行的QAR數據,實現(xiàn)了對典型機場不同跑滑結構的AROT預測。

麻雀算法收斂速度快,卷積神經網絡對數據特征提取效果好,本文首次采用SSA-CNN模型對AROT進行預測,預測模型可以對不同跑滑結構下的跑道進行AROT預測,預測結果可以為機場跑道運行容量擴充,提升機場跑道運行效率提供參考。由于QAR數據獲取困難,目前數據量和影響因素維度還有待提高,包括增加其他機型的QAR和航司等數據,隨著后續(xù)機型數據增加,模型將具有更好的可擴展性和準確性,下一步的研究方向將在QAR數據的基礎上,考慮與其他數據源和機場數據的融合,使預測模型更好的應用于機場實際運行中。