摘" 要：該文旨在提升終端區(qū)域流量管理中到達(dá)流量預(yù)測的準(zhǔn)確性，提出一種基于空域態(tài)勢的預(yù)測框架。該文分析傳統(tǒng)基于動力學(xué)的預(yù)測方法和基于時間序列的預(yù)測方法的優(yōu)缺點(diǎn)，發(fā)現(xiàn)傳統(tǒng)方法難以充分考慮空域態(tài)勢變化對到達(dá)流量的影響。為驗(yàn)證有效性，選取成都終端區(qū)域的ADS-B數(shù)據(jù)，基于不同的機(jī)器學(xué)習(xí)算法進(jìn)行實(shí)驗(yàn)研究。實(shí)驗(yàn)結(jié)果表明，基于空域態(tài)勢的機(jī)器學(xué)習(xí)方法能夠有效提高終端區(qū)域到達(dá)流量的預(yù)測精度，具有較強(qiáng)的實(shí)用價值。

關(guān)鍵詞：航空交通管理；終端區(qū)域到達(dá)流量預(yù)測框架；機(jī)器學(xué)習(xí)；空域勢態(tài)；性能評估

中圖分類號：U8" " " " 文獻(xiàn)標(biāo)志碼：A" " " " 文章編號：2095-2945（2025）09-0143-04

Abstract： This paper aims to improve the accuracy of arrival traffic prediction in terminal area traffic management， and proposes a prediction framework based on airspace situation. This paper analyzes the advantages and disadvantages of traditional dynamics-based prediction methods and time series-based prediction methods， and finds that it is difficult for traditional methods to fully consider the impact of airspace situation changes on arrival traffic. In order to verify the effectiveness， ADS-B data from the Chengdu terminal area was selected and experimental research was conducted based on different machine learning algorithms. Experimental results show that the machine learning method based on airspace situation can effectively improve the prediction accuracy of arrival traffic in the terminal area and has strong practical value.

Keywords： air traffic management; terminal area arrival flow prediction framework; machine learning; airspace situation; performance evaluation

基于機(jī)器學(xué)習(xí)的機(jī)場終端交通流的空域勢態(tài)預(yù)測研究是一個復(fù)雜而重要的課題，涉及到多個領(lǐng)域的知識，包括機(jī)器學(xué)習(xí)、交通工程、空域管理等。隨著民航業(yè)的快速發(fā)展，近年來空中交通流量顯著增加。終端區(qū)域的容量和流量管理能力已成為民航發(fā)展的重要因素。終端區(qū)域到達(dá)流量的短期預(yù)測是終端區(qū)域流量管理的基礎(chǔ)，可為終端區(qū)域空中交通管制員提供決策支持，從而提高效率與安全性。因此，空中交通流量預(yù)測研究是流量管理中的關(guān)鍵問題。利用先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)預(yù)測機(jī)場終端交通流的空域勢態(tài)，對于提高空域資源的利用效率、保障飛行安全、優(yōu)化航班調(diào)度等方面具有重要意義。

1" 基于機(jī)器學(xué)習(xí)的飛機(jī)到達(dá)預(yù)測框架

1.1" 到達(dá)預(yù)測階段

飛機(jī)到達(dá)預(yù)測過程如圖1所示。

該狀態(tài)向量為機(jī)器學(xué)習(xí)模型提供了對飛機(jī)當(dāng)前運(yùn)行狀況的全面描述。根據(jù)這些輸入特征，機(jī)器學(xué)習(xí)模型將被用來預(yù)測飛機(jī)在未來一段時間內(nèi)（T時間周期）是否會到達(dá)預(yù)定的終端區(qū)域。具體來說，飛機(jī)到達(dá)預(yù)測的目標(biāo)是根據(jù)已知的飛機(jī)狀態(tài)信息，通過機(jī)器學(xué)習(xí)算法計算出一個布爾值b，該值表示飛機(jī)是否會在未來的T時間段內(nèi)成功到達(dá)終端區(qū)。到達(dá)預(yù)測過程如圖2所示。

由于在空域內(nèi)的大多數(shù)飛機(jī)并非到達(dá)飛機(jī)，因此，訓(xùn)練標(biāo)簽集B中大部分標(biāo)簽為0。這種標(biāo)簽不平衡的情況將增加機(jī)器學(xué)習(xí)模型訓(xùn)練的難度。為了應(yīng)對這一問題，有必要隨機(jī)刪除部分訓(xùn)練集中的標(biāo)簽為0的數(shù)據(jù)樣本，使得標(biāo)簽為0和標(biāo)簽為1的訓(xùn)練樣本數(shù)量大致相等。

1.2" 流量校正

2" 機(jī)場終端飛行區(qū)域空中交通流量模型構(gòu)建

2.1" 樣本描述

在本文中，使用的空中交通流量數(shù)據(jù)來源于成都終端航班區(qū)域。數(shù)據(jù)的時間范圍為2019年11月6日至11月16日。數(shù)據(jù)通過自動相關(guān)監(jiān)視廣播（ADS-B）接收器采集，接收器的覆蓋范圍約為350 km。在成都終端區(qū)，有5個主要的進(jìn)港航路點(diǎn)，分別是CZH、FJC、PANKO、TEBUN和CDX。通常，進(jìn)港航班會從這5個航路點(diǎn)進(jìn)入終端區(qū)，因此，這5個航路點(diǎn)被用作分析航班到達(dá)順序的基礎(chǔ)條件。所使用的飛行數(shù)據(jù)包括航班呼號、時間、坐標(biāo)、飛行高度、速度和航向等信息。以往的研究表明，規(guī)范化的訓(xùn)練數(shù)據(jù)有助于機(jī)器學(xué)習(xí)過程，能夠提高模型的收斂速度并減少訓(xùn)練時間。因此，根據(jù)成都終端區(qū)的地理范圍和民用航空器的特征，對緯度、經(jīng)度、高度、速度和航向等參數(shù)進(jìn)行了規(guī)范化處理，具體的規(guī)范化方法如下所示

式中：X、Y、a、v和h分別表示歸一化后的緯度、經(jīng)度、高度、速度和航向。這些歸一化公式的作用是將數(shù)據(jù)按比例縮放，以便提高機(jī)器學(xué)習(xí)算法的穩(wěn)定性和收斂速度。具體地，通過對緯度（Y）和經(jīng)度（X）進(jìn)行歸一化，確保它們的值落在0到1的范圍內(nèi)，而高度（A）、速度（V）和航向（H）的歸一化則是通過設(shè)定最大值和最小值來縮放，確保所有特征在相似的尺度上，從而避免某一特征對預(yù)測結(jié)果產(chǎn)生過大的影響。綜合考慮成都終端區(qū)的范圍和ADS-B接收區(qū)的覆蓋范圍，本研究僅模擬15 min的流量預(yù)測。因此，未來到達(dá)飛機(jī)的數(shù)量將按15 min的時間間隔進(jìn)行統(tǒng)計。同時，15 min的時間間隔有助于簡化預(yù)測過程，使得模型更加高效地捕捉空域內(nèi)的動態(tài)變化。

2.2" 性能評估指標(biāo)確認(rèn)

3" 結(jié)果與討論

3.1" 到達(dá)預(yù)測階段性能評估

基于訓(xùn)練集，分別訓(xùn)練了MLR（多元線性回歸）、SVM（支持向量機(jī)）、KNN（K近鄰）、DT（決策樹）和NN（神經(jīng)網(wǎng)絡(luò)）模型，進(jìn)行到達(dá)預(yù)測階段。使用scikit-learn框架來構(gòu)建這些模型。

研究可知，KNN和DT模型能夠?qū)崿F(xiàn)接近97%的最佳預(yù)測準(zhǔn)確率；SVM和NN模型的準(zhǔn)確率較低，約為90%；而MLR模型的表現(xiàn)最差，準(zhǔn)確率僅為73%。

基于飛機(jī)到達(dá)預(yù)測的結(jié)果，各種機(jī)器學(xué)習(xí)模型在空中交通流量預(yù)測中的表現(xiàn)見表1。MLR模型的準(zhǔn)確率最低，誤差最大。因此，在隨后的流量修正實(shí)驗(yàn)中，MLR的到達(dá)預(yù)測結(jié)果將不被使用。另一方面，SVM、KNN、DT和NN模型的結(jié)果明顯優(yōu)于MLR，特別是DT模型，它在精度和誤差率方面表現(xiàn)最佳。DT模型的MAE、RMSE和MAXAE分別為0.96、1.56和3，顯示出其在提出的框架的第一階段中優(yōu)于其他機(jī)器學(xué)習(xí)模型。

3.2" 流量校正階段性能評估

從11月11日到11月15日的數(shù)據(jù)構(gòu)建了空域態(tài)勢向量St和流量集F?？沼驊B(tài)勢St被用作狀態(tài)向量，是經(jīng)過訓(xùn)練的飛機(jī)到達(dá)預(yù)測機(jī)器學(xué)習(xí)算法g的輸入。它可以生成布爾向量Bt+T，表示在未來 TT 時間段內(nèi)每架飛機(jī)是否會到達(dá)終端。根據(jù)公式計算到達(dá)飛機(jī)的數(shù)量nt。然后，將nt及其對應(yīng)的時間t構(gòu)成流量校正階段的特征集N，而未來15 min內(nèi)實(shí)際到達(dá)的飛機(jī)數(shù)量作為標(biāo)簽集FF。分別用這些數(shù)據(jù)訓(xùn)練了流量校正階段的 MLR、SVM、KNN、DT和NN算法。

在到達(dá)預(yù)測階段和流量預(yù)測階段中，不同的機(jī)器學(xué)習(xí)模型組合被進(jìn)行了研究。11月16日的數(shù)據(jù)被用作測試集，分別評估每種組合的性能。不同模型組合的預(yù)測性能見表2。表2的橫向標(biāo)題是飛機(jī)到達(dá)預(yù)測模型，縱向標(biāo)題是流量校正模型。

與表1相比，表2中的結(jié)果顯示，在流量校正階段之后，預(yù)測準(zhǔn)確率顯著優(yōu)于沒有流量校正階段的方法。使用DT模型進(jìn)行飛機(jī)到達(dá)預(yù)測和KNN模型進(jìn)行流量校正的組合表現(xiàn)最佳。

3.3" 集成學(xué)習(xí)模型在空中交通流量預(yù)測中的性能評估

為了改善預(yù)測結(jié)果，在預(yù)測階段將 SVM、KNN、DT和NN模型結(jié)合為一種集成學(xué)習(xí)策略。從表3的結(jié)果可以看出，與表2和表1相比，預(yù)測精度得到了提升。通過使用更優(yōu)的機(jī)器學(xué)習(xí)模型或集成模型，在提出的框架中可以進(jìn)一步提高空中交通流量預(yù)測的性能。

4" 結(jié)束語

在本文中，提出了一種基于空域態(tài)勢和機(jī)器學(xué)習(xí)算法的終端區(qū)流量預(yù)測框架。該框架分為2個主要階段，分別承擔(dān)粗略預(yù)測和精度校正的任務(wù)。第一階段中，模型通過學(xué)習(xí)歷史數(shù)據(jù)的規(guī)律，初步預(yù)測到達(dá)終端區(qū)的航班流量，為后續(xù)校正提供基礎(chǔ)。在第二階段，設(shè)計了一種基于機(jī)器學(xué)習(xí)模型的校正策略，不僅考慮到初步預(yù)測結(jié)果，還整合了額外的時間維度和實(shí)時交通特征信息，從而對第一階段的預(yù)測結(jié)果進(jìn)行調(diào)整和優(yōu)化。

該方法使用從成都終端區(qū)收集的真實(shí)ADS-B數(shù)據(jù)進(jìn)行了驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，所提出的框架能夠?yàn)榻K端區(qū)空中交通流量預(yù)測提供高度準(zhǔn)確的結(jié)果。在實(shí)驗(yàn)中，平均絕對誤差（MAE）僅為每15 min0.35架次，均方根誤差（RMSE）為每15 min0.67架次，而最大絕對誤差（MAXAE）僅為每15 min2架次。通過這一框架，終端區(qū)交通流量預(yù)測的精度得到了顯著提升，證明了其在實(shí)際航空交通管理中的應(yīng)用潛力。

參考文獻(xiàn)：

[1] 王飛，魏林琳.基于復(fù)雜網(wǎng)絡(luò)的空中交通流量短期預(yù)測[J].南京航空航天大學(xué)學(xué)報，2024，56（4）：741-749.

[2] 王佳旭，那容菲，何雨霖，等.基于長短期記憶網(wǎng)絡(luò)與支持向量回歸的空中交通流量預(yù)測研究[J].科技創(chuàng)新與應(yīng)用，2022，12（31）：54-57.

[3] 王興隆，石宗北，賀敏.基于相似日PSO-SVM的機(jī)場流量預(yù)測[J].計算機(jī)仿真，2022，39（7）：86-90，123.

[4] 李楠，樊瑞，傅饒.機(jī)場終端區(qū)交通流模式識別研究[J].武漢理工大學(xué)學(xué)報，2021，43（5）：34-40.