考虑天气因素影响的离港航班滑出时间预测

针对现有滑出时间预测研究成果未考虑天气因素影响的问题,基于航空例行天气报告(meteorological terminal aviation routine weather report,METAR),构建了考虑天气因素的离港航班滑出时间预测模型。首先,通过分析航空器场面运行态势,厘清了进离港航班滑行过程的时空交叠关系,重新定义了滑出时间的影响因素,并分别阐述了航班运行数据和气象数据的分析流程。基于相关性分析结果构建了滑出时间的反向传播(back propagation,BP)神经网络预测模型,并采用蝗虫优化算法(grasshopper optimization algorithm,GOA)对模型进行优化。以深圳宝安机场2周的实际运行数据对模型进行了验证,结果表明:(1)天气因素是滑出时间的主要影响因素之一,引入量化后的天气因素可显著提升滑出时间预测结果;(2)重新定义的同时段推出及滑行的进离港航班数量、进离港队列的概念和数据样本更加精准,相关性分析结果更加客观;(3)基于GOA-BP的滑出时间预测结果精度有明显提升,平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别减少了11.40 s、12.62 s,平均绝对百分比误差(mean absolute percentage error,MAPE)提升了0.37%;±3 min和±5 min的准确率分别高达81%和94%。

基于排队论的航班滑出时间预测

根据航班离港流程及滑出时间预测的问题属性,将滑出过程分解为无障碍滑行至跑道端及在跑道端排队等待起飞两个阶段。分析了进离港航班对滑出时间的影响,提出了一种场面交通状况衡量指标及基于该指标的无障碍滑出时间计算模型。并将跑道提供服务的过程建模为M/G/1/∞随机服务系统,建立了基于排队论的等待起飞时间预测模型。以北京首都国际机场航班运行数据为例,使用单个航班及以15min为间隔的平均滑出时间的预测准确率验证了模型的有效性,与首都机场当前的滑出时间计算模型进行对比,预测准确率显著提高。

基于KNN和SVR的航班滑出时间预测

针对大型繁忙机场粗放式预估航班滑出时间可能带来的场面交通不畅、运行效率不高等问题,基于K最近邻(KNN)和支持向量回归(SVR),构建了离港航班滑出时间预测模型.该模型采用KNN方法,考虑滑行距离、滑出过程中同一跑道正在滑出航班数、撤轮档后15 min内推出航班数等因素,预测得到航班滑出期间使用同一跑道的起降航班数;基于该预测结果,结合滑出距离和撤轮档前15 min同一跑道平均滑出时间等因素,采用SVR预测航班滑出时间.使用首都机场航班运行数据对模型进行检验,结果表明:在误差范围为±3 min内,平均预测准确率可达79.86%.

基于ARIMA-SVR组合方法的航班滑出时间预测

针对现有大型机场采用的航班滑出时间预测方法精度不高而导致的场面交通情况拥堵、运行效率低等问题,提出差分自回归移动平均(autoregressive integrated moving average,ARIMA)模型与支持向量回归(support vector regression,SVR)模型组合的离港航班滑出时间预测模型。在滑出时间预测问题中采用时间序列分析方法,首先用ARIMA方法对数据进行拟合,完成ARIMA预测;其次将ARIMA模型预测结果的残差作为构建SVR模型的输入,通过SVR模型预测残差以补偿序列中的非线性变化;最后将2个模型预测结果合并得出结论。经过实例仿真分析可以看出,组合预测模型精度优于单一ARIMA预测模型,可将滑出时间的预测精度提高至90%,能够有效预测航班滑出时间。

离港航班滑出时间的支持向量机预测模型

为解决反向传播(back propagation,BP)神经网络在离港航班滑出时间预测精度欠佳的问题,构建了基于支持向量机(support vector machine,SVM)的离港航班滑出时间预测模型。首先,分析了影响离港航班滑出时间的可量化因素,构建了基于相关性分析的离港航班滑出时间预测模型;并对比分析了基于SVM和BP神经网络的滑出时间预测结果。结论表明:离港航班滑出时间与同时段推出航班数量、同时段起飞航班数量、同时段落地航班数量、1 h平均滑出时间呈现强相关性,与滑行距离、转弯个数、延误时间相关但不显著,与起飞时刻所在时段不相关。基于SVM和BP神经网络的预测结果趋势是一致的,考虑强相关和中度相关影响因素的七元组预测结果准确率达到最佳;引入不相关因素后模型的预测精度会下降。基于SVM的滑出时间预测模型精度显著高于BP神经网络预测模型,滑出时间误差范围在±5 min内的预测准确率可达98%。

离港航空器滑出时间的BP神经网络预测模型

准确地预测离港航空器滑出时间可有效提升机场场面运行效率,降低运行成本。构建基于BP神经网络的离港航空器滑出时间预测模型,分析影响离港航空器滑出时间的可量化因素,并对其相关性进行检验;通过我国中南某机场2周实际运行数据对模型进行验证,并以均方根误差、平均绝对误差和平均绝对误差百分比检验预测结果的准确性。结果表明:同时段推出航空器数量、同时段起飞航空器数量、同时段落地航空器数量、1小时内平均滑出时间与离港航空器滑出时间呈现强相关性,滑行距离、转弯个数、延误时间与滑出时间相关但不显著,航空器起飞时刻所在时段与滑出时间不相关;1小时内平均滑出时间对模型预测精度的提升起重要作用,具有相关性但不显著的影响因素的引入对预测结果精度的提升有一定的作用,引入不相关因素后模型的预测精度会显著下降。