大型机场场面交通拥堵状态等级预测

徐川， 朱新平， 瞿菁菁， 陈洪浩

(中国民用航空飞行学院空管学院， 广汉 618300)

场面拥堵是指场面交通系统资源供给无法满足某一时段内持续增长的航空器使用需求，以致出现的航空器场面滑行速度下降、时走时停，甚至排队等待的现象。场面拥堵会直接影响机场运行安全和效率。一直以来，科学治理场面拥堵是飞行区运行管理面临的难题之一。战略级场面拥堵治理的一个有效途径是通过优化滑行道运行方案，以支持管制员科学制定场面管制预案，减少航空器在滑行道上“时走时停”现象发生。通常在机场改扩建后场面滑行道运行方案设计中会重点对此予以考虑。本文研究正是基于此背景，依据设定的滑行道运行方案开展长时间跨度的场面运行拥堵预测，明确潜在的场面拥堵点位，用于反馈完善滑行道运行方案，促进实现战略级场面拥堵治理。

目前，国内外机场场面研究多集中在拥堵传播机理、冲突热点识别、地面延误研究等，Guepet 等[1]综合考虑场面滑行路径问题和跑道调度问题，以同时提高跑道效率和减少滑行时间为目标，提出新的排序方法来提高了跑道的利用效率并减少了滑行时间。Simaiakis等[2]通过实地测试拥堵控制策略，研究如何确定合适推出率以防止机场场面进入拥堵状态，减少燃料使用并减少滞留航班等待时间。尹嘉男等[3]通过对场面交通运行的诸多特性进行科学分析，并基于这些分析对机场场面拥堵等级及各关键指标临界值进行了分类识别及计算分析。杨磊等[4]通过元胞传输理论结合运行实际，建立了宏观交通流模型，推演了离场交通流密度、离场平均滑行速度和离场交通流量之间的关系,提出了控制与进场率相适应的离场航班推出率是动态调解机场场面离场交通流密度，缓解离场交通拥堵的重要手段。Ali 等[5]计算飞机到达不同滑行道交叉口的时间，基于统计学上的时空模型确定交叉口冲突概率，得到场面冲突系数或热点的热度值。上述关于机场场面的研究多是关于场面运行中某一模块进行深入研究或是通过历史对场面拥堵情况进行研究分析，在预测方面有所不足。

图1 离场航班交通流拥堵状态特性Fig.1 Departing flight traffic flow congestion state characteristics

其他领域中，关于城市道路交通拥堵的研究较多，且研究方法大致可分为以时间序列预测方式为代表的线性拥堵预测模型[6]，以神经网络预测为代表并基于历史交通数据展开的非线性拥堵预测模型[7]，以及上述模型的融合应用[8]。从本质上讲，拥堵是交通流量动态变化的一种外在表现，拥堵的预测实质上可视为流量预测范畴。在此方面，民航航路和空域流量预测有较多研究。其中，向征等[9]通过领航报和全飞行剖面混杂模型来对关键航路点进行流量预测;钱夔等[10]通过对目标群航迹数据聚类，利用反向传播(back propagation，BP) 神经网络对目标群航迹进行训练学习并建立航迹预测模型;冯霞等[11]采用适用于混沌时间序列预测的遗传算法优化BP神经网络来预测安检旅客流量；葛柏君[12]设计基于残差均值的交互式多模型跟踪滤波航迹预测算法，并对短期区域飞行流量进行预测和统计；黄龙杨等[13]考虑离场滑行时间的影响因素，建立基于遗传算法的反向传播神经网络模型进行预测;周洁敏等[14]利用随机森林特征选择模型，建立弹性神经网络预测模型，对航班落地延误时间进行预测。上述研究均能为本文工作提供一定借鉴。

首先通过分析场面拥堵状态，提出了场面拥堵状态等级的概念。基于遗传算法优化的长短时记忆网络算法(genetic algorithm-long short term memory networks，GA-LSTM)预测跑道头等待架次，主滑行道延误时间，总延误时间。最后，通过模糊C均值聚类算法(fuzzyC-means，FCM)计算机场的场面拥堵状态等级。

1 场面拥堵状态特征分析

场面拥堵的发生与演变受多种因素的影响，如本场航班保障能力、上下游机场运行状态、航路运行状态等。具体地，从离场航班、进场航班不同的视角来分析场面拥堵的形成过程。

1.1 离场航班交通流拥堵形成过程

图1所示为在离场航班的拥堵状态特性。通常，当离场航班的下游目的地机场或所经空域扇区实行流量控制措施时，本地受影响的离场航班会因此滞留在停机位或是场面某些区域，此时会形成上述区域的交通拥堵现象，严重时甚至出现跑道头等待队列、机动区滑行道或机坪滑行通道的长时间拥堵。此时，需要管制员进行离港排序等管制措施来予以缓解。

1.2 进场交通流拥堵特性

进场航班在落地后会根据管制员的引导指令或引导车引导入位，在其运行过程中可能出现以下堵拥堵现象，这些拥堵现象和离场航班拥堵特性一样都会在场面运行过程中传播。

(1)进离港航班滑行路径交叉导致航空器在交叉口产生冲突，驾驶员从驾驶舱左侧看到对方航空器，需要进行停止避让。如图2所示，按绿色箭头滑行航班需要停止避让。

图2 航空器交叉口冲突示意图Fig.2 Aircraft intersection conflict schematic

(2)两架航空器在滑行阶段，由于前一架航空器因拥堵传播造成减速或是转弯时减速，后一架航空器由于速度较大导致个航空器之间间隔不足会导致后一架航空器减速或是停滞，该现象也会产生场面拥堵，如图3所示。

|h|为两架航空器的间距；hs为安全间距图3 航空器间安全间隔不足示意图Fig.3 Diagram of insufficient safety separation between aircraft

2 场面拥堵状态等级及预测流程

2.1 场面拥堵等级定义

场面拥堵等级是反映机场机动区拥堵状态的一个指标。该等级的大小反映了不同的场面运行拥堵程度。拥堵等级数值越高，则该时间段的机动区运行能力越差，拥堵情况越严重，反之则运行的能力越好。该指标可为管制员提供决策支持，提高场面运行效率，解决潜在的运行安全。

将场面拥堵状态划分为四个等级[15-16]，具体的等级量化确定方法见本文第4节。场面拥堵状态等级分类见表1。

2.2 机动区拥堵状态等级预测流程

科学治理场面拥堵能够解决飞行区运行管理的部分不足之处，现从战略级角度提出能应用于多场景的场面拥堵状态等级预测方法。在机场改扩建或者航班增量后，为管制员科学制定场面管制预案提供依据，减少航空器在滑行道上“时走时停”现象，提高场面运行效率，拥堵状态等级预测具体流程如下。

表1 场面拥堵状态等级

首先，通过实际运行数据或者仿真模拟数据得到机场场面运行数据，对场面拥堵状态进行分析，通过提取分析数据找出该机场拥堵产生频繁的重要点(如跑道头)、线(如主滑行道)、面(如整个机动区)，并提取相应的拥堵状态如跑道头排队队列长度，延误时间

然后，基于GA-LSTM算法对如跑道头等待架次、主滑行道延误时间、机动区延误时间此类拥堵状态进行预测，得到下一时段的拥堵状态。

最后，结合预测的拥堵状态数据，并基于FCM聚类算法进行机动区拥堵状态等级分类，得到机动区拥堵状态等级。具体流程图如图4所示。

3 场面拥堵预测及拥堵等级评价模型

3.1 基于GA-LSTM算法的交通拥堵状态预测模型

遗传算法是自适应的全局优化搜索算法，遗传算法的操作过程就是按照一定的方式进行随机选择，再这样的随机选择的过程中，使得种群像好的方向进化，操作过程中核心的三部分是选择操作、交叉操作以及变异操作。通过三种核心操作不断对问题的接进行迭代优化，在优化过程中不断产生新的个体，并通过适应度函数提高种群中个体的“质量”，当遗传算法传到一定代数后，就可以得到问题较好的解。

长短时记忆神经网络(long and short-time memory neural network，LSTM)是一种特殊的循环神经网络(recurrent neural network, RNN)，LSTM的控制流程于RNN相似，但是其优化之处在于LSTM中的运算操作具有选择保存信息或者遗忘信息的功能，其神经元结构如图5所示[17]。

LSTM利用两种特有的门来控制单元状态c的状态和内容，分别是遗忘门和输入门。

遗忘门的公式为

ft=δ(Wf[ht-1,x]+bf)

(1)

输入门公式为

it=δ(Wi[ht-1,xt]+bi)

(2)

式(2)中:Wi为输入门的权重；bi为输入门的偏置项，用于表征当前时刻的单元状态。

输出门负责控制长期记忆对当前输出的影响，公式为

Ot=δ(Wo[ht-1,xt]+bo)

(3)

最终输出为

Otf=ottanh(ct)

(4)

式(4)中:LSTM算法与普通RNN算法的区别在于上述所说的三个门，遗忘门能够选择前一状态中的参数与当前状态的参数相加得到该状态的记忆信息。将上一时段的重要点、线、面拥堵状态数值作为输入，最后输出下一时段的场面拥堵状态数据。在场面运行的阶段中，由于固定的滑行路径以及单通道直线运行，上一阶段的拥堵状态对下一阶段的拥堵会产生极大的影响，所以将LSTM算法应用于本文的预测是符合场面运行的实际状态的。

使用GA-LSTM算法对场面拥堵状态的跑道头等待架次、主滑行道延误时间、总延误时间进行预测。首先，利用GA算法对预测过程中的时间序列滑动时间窗步长N及LSTM模型的学习率和隐层神经元个数进行优化。然后，将优化参数以及训练样本数据输入LSTM网络进行训练及优化，得到GA-LSTM的场面拥堵状态预测模型，并应用于实际模型当中进行预测，得到预测结果并进行误差分析，并与LSTM算法所预测的数据相比较。具体流程如图6所示。

3.2 基于模糊C均值算法的场面拥堵状态评价

从点、线、面三个维度建立场面拥堵状态等级评价体系具体步骤如下。

第一步：提取预测所得的场面交通拥堵状态数据。

第二步：采用FCM算法对场面重要点、线、面三个维度进行交通拥堵评价数据进行聚类，得出相应的聚类中心，对指标进行拥堵状态的分类。

第三步：建立初始隶属度矩阵U，计算分类聚类中心Cn和价值函数J。

U=(uni)N×I, ∀u∈[0,1]

(5)

图4 机动区拥堵状态等级预测流程图Fig.4 Flowchart for predicting the congestion status level in the motorized zone

Xt和ht分别代表细胞状态和隐层状态；tanh和δ为激活函数图5 LSTM神经元结构Fig.5 LSTM neuron structure

图6 GA-LSTM算法流程图Fig.6 GA-LSTM algorithm flow chart

(6)

(7)

(8)

C={C1，C2，C3，C4}

(9)

uni为第i个样本隶属于第n个等级分类的程度；I为样本数；N为拥堵状态的等级数(本文分为4类，分别为畅通、过渡、拥挤、拥塞)；聚类中心矩阵Cn={C1,C2,C3,C4}，分别代表畅通状态、过渡状态、拥挤状态、拥塞状态的中心；m为加权指数；dni为第n个聚类中心于第i个数据的欧氏距离;J反映了聚类的紧密性，数值越小，越精确。

第四步：输出隶属度矩阵U和场面交通拥堵的等级。对具体流程如图7所示。

图7 FCM算法判别交通拥堵状态流程图Fig.7 Flowchart of FCM algorithm to discern traffic congestion status

4 算例分析

4.1 数据来源

以天府国际机场为预测目标，该机场共有三条跑道，分别是4 000 m×60 m的01/19号跑道，3 200 m×45 m的02/20号跑道以及3 800 m×45 m的11号跑道，可根据交通流量采取隔离运行模式或者相关平行进近模式。

以2021年9月某5个工作日的天府国际机场的单日航班计划进行扩容后为最终航班计划，如表2所示。将航班计划导入到仿真软件当中，以 10 min 为间隔，提取每一时段跑道头排队架次、主滑行道延误时间、机动区总延误时间的数据。并将所得的数据如表3所示，导入Python中进行跑道头排队架次、主滑行道延误时间、机动区总延误时间的预测。

4.2 预测结果及分析

基于GA-LSTM算法的天府机场未来单日1 000架次流量的场面机动区重要点、重要线、重要面三个维度的跑道头排队队列、主滑行道延误时间、整个机动区的延误时间的预测结果如图8～图10所示。

表2 航班计划相关数据

表3 预测模型原始数据导入表Table 3 Predictive model raw data import form

图8 跑道头等待架次预测Fig.8 Runway head waiting sortie forecast

图9 主滑行道延误时间预测Fig.9 Main taxiway delay time forecast

图10 场面机动区延误时间预测Fig.10 Field maneuvering area delay time forecast

将前4 d的数据，以10 min为间隔，共计576个样本作为训练集，最后1 d的数据作为预测集，以 10 min 为间隔，共计144个样本，经过GA-LSTM算法的预测和真实值对比如上图所示，跑道头排队队列预测的RMSE为1.18架；主滑行道延误时间的预测的RMSE为1.85；整个场面机动区的延误时间预测的RMSE为2.11。可见基于GA-LSTM算法的拥堵状态预测的预测结果是较为准确的，且优于LSTM算法。

从图8～图10可以清楚地看见该机场早高峰阶段， 10:00—11:00的拥堵情况较为严重，无论是延误时间还是跑道头等待队列都较大，所以在做战略级的交通拥堵预测或是管制员工作阶段都应对该时段给予足够的重视，以确保场面运行的效率，保障安全运行。

通过对机场机动区重要点、线、面拥堵状的预测的数值，首先基于FCM聚类算法对预测出的数值进行聚类中心的计算，基于FCM算法聚类中心的结果如图11所示，最后用该结果进行机场一天内交通拥堵状态进行等级评价，时间间隔为10 min，总计为144个样本，具体等级如图12所示，可以看出拥堵最严重的时段在早高峰10:00—11:00，下午 16：00—17：00。此时离场航班量较大，场面拥堵情况处于峰值，需要管制员预先做好缓解措施，在战略级层面需要管制部门对滑行方案进行优化，以降低拥堵状态等级为目标缓解场面运行压力。

图11 基于FCM算法的拥堵状态聚类图Fig.11 Congestion state clustering map based on FCM algorithm

图12 机场场面拥堵状态等级图Fig.12 Airport field congestion status level chart

5 结论

场面运行总延误时间因为地面延误程序不能完全反映场面拥堵时间，通过引入主滑行道延误时间以及跑道头等待航班架次，并基于GA-LSTM算法及FCM聚类算法建立了一个整体的机场场面拥堵状态等级预测模型。通过实际数据进行分析证明，发现该算法可以较好地进行拥堵状态等级预测，为地面管制提供管制决策依据。并且可以观测到对应拥堵较为严重的交叉口拥堵状态发生时间。有助于管制员预先定位重点关注热点，通过改变推出时间甚至是重新规划路径以达到消除拥堵区域的目的。

但本文是通过直接导入预定的航班计划进行仿真模拟，与实际运行情况有一定的差距，所以所得的拥堵指数还有一定的偏差。下一步工作应该以以下方面进行：①使用全面的实际数据导入软件当中进行仿真模拟；②优化拥堵等级分类标准。