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(cè)的準(zhǔn)確性，提出一種基于空域態(tài)勢(shì)的預(yù)測(cè)框架。該文分析傳統(tǒng)基于動(dòng)力學(xué)的預(yù)測(cè)方法和基于時(shí)間序列的預(yù)測(cè)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(shì)變化對(duì)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(shì)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(cè)精度，具有較強(qiáng)的實(shí)用價(jià)值。

關(guān)鍵詞：航空交通管理；終端區(qū)域到達(dá)流量預(yù)測(cè)框架；機(jī)器學(xué)習(xí)；空域勢(shì)態(tài)；性能評(píng)估

中圖分類號(hào)：U8" " " " 文獻(xiàn)標(biāo)志碼：A" " " " 文章編號(hào)：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(chǎng)終端交通流的空域勢(shì)態(tài)預(yù)測(cè)研究是一個(gè)復(fù)雜而重要的課題，涉及到多個(gè)領(lǐng)域的知識(shí)，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(lái)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(cè)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(cè)研究是流量管理中的關(guān)鍵問(wèn)題。利用先進(jìn)的機(jī)器學(xué)習(xí)技術(shù)預(yù)測(cè)機(jī)場(chǎng)終端交通流的空域勢(shì)態(tài)，對(duì)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(cè)框架

1.1" 到達(dá)預(yù)測(cè)階段

飛機(jī)到達(dá)預(yù)測(cè)過(guò)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(duì)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(lái)預(yù)測(cè)飛機(jī)在未來(lái)一段時(shí)間內(nèi)（T時(shí)間周期）是否會(huì)到達(dá)預(yù)定的終端區(qū)域。具體來(lái)說(shuō)，飛機(jī)到達(dá)預(yù)測(cè)的目標(biāo)是根據(jù)已知的飛機(jī)狀態(tài)信息，通過(guò)機(jī)器學(xué)習(xí)算法計(jì)算出一個(gè)布爾值b，該值表示飛機(jī)是否會(huì)在未來(lái)的T時(shí)間段內(nèi)成功到達(dá)終端區(qū)。到達(dá)預(yù)測(cè)過(guò)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(duì)這一問(wèn)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(chǎng)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(lái)源于成都終端航班區(qū)域。數(shù)據(jù)的時(shí)間范圍為2019年11月6日至11月16日。數(shù)據(jù)通過(guò)自動(dòng)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(gè)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(huì)從這5個(gè)航路點(diǎn)進(jìn)入終端區(qū)，因此，這5個(gè)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(hào)、時(shí)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(guò)程，能夠提高模型的收斂速度并減少訓(xùn)練時(shí)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(duì)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(guò)對(duì)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(guò)設(shè)定最大值和最小值來(lái)縮放，確保所有特征在相似的尺度上，從而避免某一特征對(duì)預(yù)測(cè)結(jié)果產(chǎn)生過(guò)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?jī)H模擬15 min的流量預(yù)測(cè)。因此，未來(lái)到達(dá)飛機(jī)的數(shù)量將按15 min的時(shí)間間隔進(jìn)行統(tǒng)計(jì)。同時(shí)，15 min的時(shí)間間隔有助于簡(jiǎn)化預(yù)測(cè)過(guò)程，使得模型更加高效地捕捉空域內(nèi)的動(dòng)態(tài)變化。

2.2" 性能評(píng)估指標(biāo)確認(rèn)

3" 結(jié)果與討論

3.1" 到達(dá)預(yù)測(cè)階段性能評(píng)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(shù)）和NN（神經(jīng)網(wǎng)絡(luò)）模型，進(jìn)行到達(dá)預(yù)測(cè)階段。使用scikit-learn框架來(lái)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(cè)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(cè)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(cè)中的表現(xiàn)見(jiàn)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(cè)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(píng)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(shì)向量St和流量集F。空域態(tài)勢(shì)St被用作狀態(tài)向量，是經(jīng)過(guò)訓(xùn)練的飛機(jī)到達(dá)預(yù)測(cè)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(lái) TT 時(shí)間段內(nèi)每架飛機(jī)是否會(huì)到達(dá)終端。根據(jù)公式計(jì)算到達(dá)飛機(jī)的數(shù)量nt。然后，將nt及其對(duì)應(yīng)的時(shí)間t構(gòu)成流量校正階段的特征集N，而未來(lái)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(cè)階段和流量預(yù)測(cè)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(cè)試集，分別評(píng)估每種組合的性能。不同模型組合的預(yù)測(cè)性能見(jiàn)表2。表2的橫向標(biāo)題是飛機(jī)到達(dá)預(yù)測(cè)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(cè)準(zhǔn)確率顯著優(yōu)于沒(méi)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(cè)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(cè)中的性能評(píng)估

為了改善預(yù)測(cè)結(jié)果，在預(yù)測(cè)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(cè)精度得到了提升。通過(guò)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(cè)的性能。

4" 結(jié)束語(yǔ)

在本文中，提出了一種基于空域態(tài)勢(shì)和機(jī)器學(xué)習(xí)算法的終端區(qū)流量預(yù)測(cè)框架。該框架分為2個(gè)主要階段，分別承擔(dān)粗略預(yù)測(cè)和精度校正的任務(wù)。第一階段中，模型通過(guò)學(xué)習(xí)歷史數(shù)據(jù)的規(guī)律，初步預(yù)測(cè)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(jì)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(cè)結(jié)果，還整合了額外的時(shí)間維度和實(shí)時(shí)交通特征信息，從而對(duì)第一階段的預(yù)測(cè)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(cè)提供高度準(zhǔn)確的結(jié)果。在實(shí)驗(yàn)中，平均絕對(duì)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(duì)誤差（MAXAE）僅為每15 min2架次。通過(guò)這一框架，終端區(qū)交通流量預(yù)測(cè)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(cè)[J].南京航空航天大學(xué)學(xué)報(bào)，2024，56（4）：741-749.

[2] 王佳旭，那容菲，何雨霖，等.基于長(zhǎng)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(cè)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(chǎng)流量預(yù)測(cè)[J].計(jì)算機(jī)仿真，2022，39（7）：86-90，123.

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