基于改进LightGBM的出港航班滑行时间预测

为提高机场场面运行效率,需要准确高效预测出港航班的滑行时间。分析出港航班滑行时间的影响因素并定义相应的参数,分析数值型特征的相关性。针对标准轻量级梯度提升机(light gradient boosting machine, LightGBM)算法超参数众多,使人为设定超参数可能会降低模型预测精度的问题,构建一种使用贝叶斯优化(Bayesian optimization, BO)获取LightGBM算法最优超参数组合的方法。为验证所提出模型的有效性,根据中国中部某大型枢纽机场的实际运行数据进行仿真验证,并与支持向量回归(SVR)模型和BP神经网络的预测结果进行比较,其结果表明,经贝叶斯优化调参的LightGBM(BO-LightGBM)算法的预测准确率和模型评估指标均优于其它方法。

基于智能算法优化BP的航空器滑出时间预测

滑出时间是评估大型机场场面运行效率的主要性能指标,科学准确地预测离港航空器的滑出时间,对于提升场面运行效率至关重要。首先,分析了航空器滑出时间影响因素及相关性,构建了基于反向传播(back propagation,BP)神经网络的航空器滑出时间预测模型。针对BP神经网络存在对初始权值和阈值敏感、准确性和稳定性欠佳等缺点,分别采用粒子群优化(particle swarm optimization,PSO)算法和麻雀搜索算法(sparrow search algorithm,SSA)获取BP神经网络的最优权值和阈值,并采用中国中南某枢纽机场2周的实际运行数据对智能算法优化后的预测模型进行了验证。结果表明:滑出时间与半小时平均滑出时间、起飞队列长度、同时段滑行的离港航空器数量均有强相关性,与同时段滑入的进港航空器数量中度相关,与滑行距离和经过冲突热点区域个数相关性较弱;考虑强相关和中度相关影响因素的4元组合预测模型的预测结果最佳;智能优化算法通过获取神经网络的局部最优权重和阈值,可有效地提升航空器滑出时间预测结果的精度,但运算过程耗时也更长;基于PSO优化后的BP神经网络预测结果较优化前的平均绝对百分比误差(mean absolute percentage error,MAPE)提升了1.13%,平均绝对误差(mean absolute error,MAE)减少了4.48 s,均方根误差(root mean squared error,RMSE)减少了4.68 s;基于SSA优化后的BP神经网络预测结果较优化前的MAPE提升了3.05%,MAE减少了16.55 s,RMSE减少了14.31 s。

基于SSA-BP的离港航班滑出时间预测

针对传统反向传播(back propagation,BP)神经网络在离港航班滑出时间预测时存在对初始权值和阈值敏感、准确性和稳定性不好等缺点,提出了一种基于麻雀搜索算法(sparrow search algorithm,SSA)获取BP神经网络的最优权值和阈值的方法。首先分析了离港航班滑出时间的可量化影响因素及相关性,然后构建了基于SSA-BP的离港航班滑出时间预测模型,并采用中国中南某枢纽机场2周的实际运行数据对预测模型进行了验证。结果表明:离港航班滑出时间与同时段滑行的离港航班数量强相关,与同时段滑行的进港航班数量、同时段推出的离港航班数量、平均滑出时间中度相关,与滑行距离和转弯个数弱相关;基于SSA优化后的BP神经网络预测结果误差在±60 s内的准确率提升了20%,误差±180 s内的准确率提升了12%,误差±300 s内的准确率提升了7%。;预测结果的平均绝对误差百分比提升了2.61%,平均绝对误差减少了11.73 s,均方根误差减少了61.03 s。研究成果为提升大型枢纽机场场面运行效率提供了思路。

离港航班可变滑出时间预测方法及应用

考虑离港航班可变滑行时间的可量化影响因素,构建了基于反向传播(back propagation,BP)神经网络的离港航班可变滑出时间预测模型,采用遗传算法(genetic algorithm,GA)优化BP神经网络的权值和阈值,并提出基于可变滑出时间预测结果的航空器推出控制策略。最后,基于中国中南某枢纽机场2周的实际运行数据对预测模型及控制策略进行了验证。结果表明:离港航班的可变滑出时间与机场场面交通流有强相关性,与平均滑出时间中度相关,与滑行距离相关性和转弯个数相关性较弱;基于GA优化后的BP神经网络预测结果误差在±60、±180、±300 s内的准确率分别提升了14%、10%和5%;预测结果的平均绝对误差百分比提升了1.87%,平均绝对误差和均方根误差分别减少了3.58 s和32.45 s。基于可变滑出时间预测的离港推出策略比实际推出时间平均晚68 s。研究成果为提升大型枢纽机场场面运行效率和协同决策能力提供了新的思路。

基于BP神经网络的离港航班滑出时间预测

针对离港航班在机场场面滑出时间的动态性、变化性和不确定性,提出一种基于BP神经网络的离港航班滑出时间预测方法。分析滑出时间影响因素及其相关性,讨论强相关、中度相关和弱相关的影响因素在滑出时间预测中的作用,采用我国中南某枢纽机场两周的实际运行数据对预测模型进行验证。实验结果表明,滑出时间与机场场面交通流强相关,与平均滑出时间中度相关,与滑行距离弱相关;考虑强相关和中度相关影响因素的5元组合预测模型的预测结果最佳,误差范围在±300 s的准确率高达96%;引入弱相关的影响因素后,6元组合预测模型的预测准确率反而有所降低。