基于SSA-CNN的航空器着陆跑道占用时间预测

国内外相关研究表明,航空器着陆跑道占用时间(aircraft arrive runway occupation time,AROT)是影响机场跑道容量的重要因素,对跑道占用时间的准确预测有利于更准确地评估跑道容量。由于着陆过程的动态性和复杂性,采用注重数据特征提取的卷积神经网络(convolutional neural networks,CNN)对AROT进行预测,针对CNN容易陷入局部最优等缺点,采用麻雀搜索算法(sparrow search algorithm,SSA)对CNN相关参数进行优化。数据采用航空器快速存取记录器(quick access recorder,QAR)的记录作为数据源,涵盖机场数目为34个。根据QAR数据分析AROT影响因素,构建了SSA-CNN预测模型。对QAR数据分析表明AROT与滑行距离、落地气温、跑道入口速度、快速脱离道数量、脱离速度关联性较强,与航空器重量、风速、风向、脱离道角度等影响因素关联性较低。根据影响因素的关联性采用CNN预测模型均方误差为18.35,而优化后的SSA-CNN预测模型均方误差为17.31,预测结果可以为机场评估跑道容量提供参考。

尾流间隔优化在提升跑道容量中的应用

跑道是空中交通系统中的一个重要节点,是机场终端区容量的限制“瓶颈”,而尾流间隔是跑道容量的一个主要影响因素。修订尾流间隔标准,是提升跑道容量和保障机场运行安全的重要措施。在分析跑道容量限制因素和尾流现象的基础上,总结国际民航组织尾流间隔优化和动态尾流技术,指出通过优化尾流最低间隔标准、修订航空器尾流类型和程序,可提升离场和进场跑道容量。对于尾流间隔研究方向发展、机场跑道运行效率提升具有实际意义。