基于BP神经网络的离港航班滑出时间预测

2022-04-21黄龙杨夏正洪

计算机工程与设计 2022年4期

黄龙杨，夏正洪

(中国民用航空飞行学院空中交通管理学院，四川广汉 618307)

0 引言

滑出时间是指离港航班从停机位推出开车并滑行至起飞的时间间隔，它是评估繁忙机场场面运行效率的主要性能指标[1]。目前，多数机场仍然采用基于经验的滑出时间来对离港航班进行管制指挥，而实际滑出时间与经验滑出时间往往相差甚远，航班的过早推出或不恰当的滑出时机都将导致出现不必要的拥堵、延误和燃油消耗，并且将严重影响机场场面运行效率。因此，科学准确地预测离港航班的滑出时间，在此基础上实现对离港航班的推出和滑行时机进行控制，对于提升机场场面运行效率以及节能减排至关重要。

国外关于滑出时间预测的研究始于21世纪初，现有成果分析了离港航班滑出时间主要影响因素[2]，主要包括离港队列长度、滑行距离、机场场面交通流、跑道运行模式、滑行过程中的转弯个数、是否是低能见度天气等。离港航班的滑出时间预测方法大致可分为3类：①基于排队论的滑出时间预测方法[3]。②基于快速仿真的滑出时间预测方法[4]。③基于历史数据挖掘的滑出时间预测方法，主要用到的算法包括贝叶斯网络[5]、支持向量机[6,7]、强化学习[8]、深度学习[9,10]等。国内关于离港航班滑出时间预测的研究还处于起步阶段，部分学者针对单跑道机场离港航班滑出时间进行了预测研究[3-7]。但是，现有预测结果的精度有待提高，未考虑多跑道运行模式对滑出时间的影响。由于跑滑系统结构及交通流特点不同，国外已有研究成果不能直接应用于国内大型枢纽机场的离港航班滑出时间预测中。

因此，本文提出了一种双跑道运行模式下的离港航班滑出时间预测方法，该方法综合考虑了机场场面交通流、运行模式、平均滑出时间、滑行距离等多种影响因素，在对比分析相关性的基础上，构建了基于BP神经网络的离港滑出时间预测模型，以期通过对滑出时间科学准确的预测，优化离港航班的推出开车时刻，从而提升机场场面运行效率，减少不必要的燃油消耗和污染排放。

1 滑出时间影响因素及相关性分析

1.1 影响因素

大型枢纽机场离港航班的管制流程如下：首先塔台放行席位管制员根据预计起飞时间依次向离港航班发布ATC(air traffic control)许可，然后由地面管制席位管制员发布推出开车许可，记录离港航班的实际撤轮档时间(actual off block time，AOBT)，并给出离港航班的滑行路线至跑到外等待点加入等待队列，如果在滑行的过程中存在滑行冲突，则还需要进行场面的冲突调配，最后由塔台管制席位管制员发布进入跑道起飞的指令，并记录其实际起飞时间(actual take off time，ATOT)。因此，离港航班滑出时间(taxi out time，TOT)等于该航班离港实际起飞时间与实际撤轮档时间之间的差值

TOT=ATOT-AOBT

(1)

通过文献追踪可知，离港航班的滑出时间影响因素较多，受机场场面交通流的影响，航班之间会争夺跑道、滑行道资源，这必然会导致某航班的等待，从而使得它的滑出时间与其无障碍滑出时间[4]有较大的偏差。同时，滑出时间还受到流量控制、恶劣天气、航空公司、管制员、旅客、转弯个数等因素的影响，但是这些因素或不可量化，或影响较小，故在本文不予考虑。因此，离港航班滑出时间的主要可量化因素包括：同时段推出的离港航空器数量、同时段滑行的起飞航班数量、同时段滑行的落地航班数量以及滑行距离4种。考虑到机场地面交通流有明显的小时变化特征，本文创新性地引入半小时平均滑出时间、小时平均滑出时间两个可量化的影响因素。

1.2 相关性分析

基于我国中南某机场2019年5月26日至6月8日的实际运行数据，可计算得出每一架离港航班的实际滑出时间、平均滑出时间、同时段滑出的离港航空器数量、同时段推出的航空器数量、同时段滑行的进港航空器数量，再结合机场场面地图可以求出滑行距离，然后分析实际滑出时间与这6种影响因素之间的相关性如图1所示。

图1(a)是滑出时间与同时段滑行的离港航班数量的相关性，其相关系数为R=0.7084。根据相关性强弱判定规则[11]可知：同时段滑行的离港航班数量与滑出时间呈现强相关性(R>0.6)。图1(b),图1(c)分别表示滑出时间与同时段滑行的落地航班数量、同时段推出的离港航空器数量，其相关系数分别是R=0.6595和R=0.6122，表明以上两个因素与滑出时间强相关。图1(d),图1(e)分别表示以半小时为时间片的离港航班平均滑出时间、以1 h为时间片的离港航班平均滑出时间与滑出时间之间的相关性，其相关系数分别为R=0.5842和R=0.5012，表明以上两个因素与滑出时间呈现中度相关的关系(0.3

图1 离港航班滑出时间影响因素相关性分析

根据相关性分析可知，滑出时间与机场场面交通流呈现强相关性，因为离港航班与离港航班、离港航班与进港航班会因为争夺滑行道、跑道资源而导致滑出时间增长的情况。根据调研可知，进港高峰时段采用双跑道相关平行进近模式，进港航班可经由15号和16号跑道落地。此时，若其停机位在西侧停机坪，则滑行路线会在滑行道A、B上与15号跑道起飞的离港航班滑行路线有交叉冲突；若其停机位在两条跑道之间的机坪，则滑行路线会在C、D上与离港航班的滑行路线有交叉、汇聚，由于优先级的原因管制员将指令离港航班在交叉道口等待避让滑行冲突。在非进港高峰时段采用双跑道隔离运行模式，此时16号跑道落地的航班与15号跑道起飞的航班之间可能在滑行道G、D上产生交叉冲突；同时，使用15号跑道起飞的航班之间滑行路线可能有交叉、汇聚。因此，该机场双跑道运行模式下进离港航班之间、离港航班之间都会相互影响，导致离港航班滑出时间、平均滑出时间增加，严重影响机场场面的运行效率。

2 滑出时间预测模型

2.1 参数定义

(1)同时段滑行的离港航班数量x1，单位架次。表示航班j的实际起飞(tATOT(j))时间刚好落在航班i的实际推出开车时间(tAOBT(i))和实际起飞时间(tATOT(i))之间的所有离港航班数量

(2)

(2)同时段滑行的进港航班数量x2，单位架次。表示航班j的实际落地时间(tALDT(j))刚好落在航班i的实际推出开车时间(tAOBT(i))和实际起飞时间(tATOT(i))之间的所有离港航班数量

(3)

(3)同时段推出的离港航班数量x3，单位架次。表示航班i的实际推出开车时间(tAOBT(i))刚好落在航班j的实际推出开车时间(tTOBT(j))和实际起飞时间(tATOT(j))之间的所有离港航班数量

(4)

(4)以半小时为时间片的平均滑出时间x4，单位秒(s)。根据机场地面交通流呈现典型的时变特征，在离港早高峰、晚高峰以及进港高峰等典型繁忙时段，离港滑出时间会显著增加，且由于该机场离港滑出平均时间约为16 min，因此半小时平均滑出时间将成为离港滑出时间的一个重要解释变量。

(5)以1 h为时间片的平均滑出时间x5，单位秒(s)。综合考虑交通流、恶劣天气、流量管制、跑道运行模式以及人为因素的影响，该机场离港航班滑出时间会远大于平均值，甚至大于30 min，因此以1 h平均滑出时间作为自变量将更好地解释离港航班的滑出时间。

(6)离港航班滑行距离x6，单位米(m)。大型枢纽机场往往存在多个停机坪区域，离港航班从各停机位推出并滑至跑到外等待点的标准路线略有不同，导致其滑行距离及滑出时间存在较大差异。因此，离港航班滑行距离也是滑出时间的一个可量化的解释变量。

2.2 模型构建

BP神经网络是目前使用最广泛的神经网络结构，具有任意复杂的模式分类和多维函数映射能力，被广泛应用于模式识别、分类、预测等领域[12]。为进一步分析讨论不同相关性的影响因素对滑出时间的影响程度，本文将神经网络的输入分为3种情况，见表1。

表1 BP神经网络输入分类

表1中，3元组合预测模型仅考虑强相关的影响因素对滑出时间的影响；5元组合预测模型仅考虑强相关和中度相关的影响因素；6元组合预测模型将综合考虑所有的可量化影响因素。BP神经网络的隐层均采用10个神经元，输出即为滑出时间预测结果。基于以上分析，构建了基于BP神经网络的离港航班滑出时间预测模型如图2所示。

图2 基于BP神经网络的滑出时间预测模型

基于BP神经网络的滑出时间预测步骤如下：①在Matlab中载入所有训练样本数据，并将其进行归一化处理；②构建BP神经网络并根据网络参数设置原则设定其参数[12]，最大迭代次数1000次，学习率为0.01，目标收敛误差为0.001；③对样本数据进行训练，并更新权值和阈值直到网络趋于稳定；④从训练样本中随机选择100个数据作为测试集数据，代入神经网络进行预测，将结果进行反归一化，并计算预测结果的性能指标。

3 基于实际运行数据的离港滑出时间预测

3.1 数据来源

本文的研究对象是我国中南某枢纽机场，其跑滑系统结构如图3所示。东跑道3400×45 m，西跑道3800×60 m，东西跑道之间间距约为1590 m，可根据交通流情况选择隔离运行模式或者相关平行进近模式。

图3 中南某机场跑滑系统结构

本文所用数据来源于该机场2019年5月26日至6月8日的实际运行数据，数据集共有记录12 323条，其中包含5690架次离港航班和6633架次进港航班，每条记录由飞机呼号、机型、实际起飞时间、实际撤轮档时间、实际落地时间、跑道号、停机位等关键信息组成。通过对数据整理分析，得到该机场场面交通流小时分布如图4所示。

图4 机场场面交通流小时分布

可见，该机场场面交通流呈现典型的小时变化特征：从凌晨1点到6点，起降架次迅速减少到最低值(约18架次)；随着早高峰的到来，起降架次迅速增加并在10点达到次高点(约51架次)；随着进港航班架次增加，起降架次的峰值在13点达到峰值(约55架次)，之后基本稳定在48架次左右。

3.2 数据处理

(1)删除数据集中的重复记录。将所有数据按跑道号进行进港、离港航班分离，所得的数据分别以起飞时间和落地时间做升序排序。由于跑道运行模式为隔离运行或相关进近，即不可能在同一时刻有两架起飞或落地，因此对于起飞时间或落地时间相同的记录仅保留一条，其余数据则视为异常数据删除。

(2)删除数据集中实际起飞时间、实际撤轮档时间、实际降落时间、跑道号等关键信息为空的异常数据。

(3)删除数据集中滑出时间异常的数据。通过数据分析可知，数据集中有92.5%的航班采用15/16号跑道起降，仅有7.5%的航班由于瞬时风向、风速原因而采用33/34号跑道起降。这种换跑道运行方向的情况往往会导致单架离港航班的滑出时间严重偏离平均值，应视为异常数据删除。

(4)整理后的数据集包含使用15号跑道所有离港航班5428架次，以及使用15号和16号落地的所有进港航班6576架次。

(5)将整理后的数据集中的所有离港航班数据和进港航班数据作为基础数据，依次求出每一个离港航班的滑出时间、半小时平均滑出时间、小时平均滑出时间、同时段滑行的离港航班数量、同时段滑行的进港航班数量、同时段推出的离港航班数量、滑出距离。最终获得离港航班滑出时间训练样本数据5248条，见表2。

表2 训练样本数据

3.3 分析与评价

基于Matlab中的神经网络工具箱进行编程，将样本数据集进行训练，然后随机选择100个数据作为测试集数据，对本文所构建的模型进行数值模拟，预测结果及误差分布情况对比如图5和表3所示。

表3 滑出时间预测结果误差分布对比

图5 基于BP神经网络的滑出时间预测结果对比

从预测值对真实值的拟合程度来看，3种预测模型均能实现对离港航班滑出时间的有效预测，且5元组合预测模型的效果最佳。其中，3元组合预测模型的曲线拟合优度R2=0.8772，模型中仅考虑了强相关的场面交通流，而未考虑平均滑出时间对滑出时间的影响，因此预测结果与真实值偏差稍大。5元组合预测模型的曲线拟合优度高达R2=0.9298，该模型综合考虑了地面的瞬时交通流，交通流的时变特征，平均滑出时间等多种主要因素，因此预测结果与真实结果之间的偏差最小。6元组合预测模型的曲线拟合程度为R2=0.8954，较5元组合预测预测模型拟合程度反而降低了，说明弱相关性的滑行距离引入后对滑出时间预测结果是不利的。

从预测结果的误差分布情况来看，滑出时间预测准确率随误差范围偏差的增大而增加，且5元组合预测模型的预测结果最佳。3元组合预测模型结果误差范围在±300 s以内占比88%，说明考虑强相关的影响因素的预测结果基本达到预期。在此基础上加入中度相关影响因素后，5元组合预测模型预测准确率将达到最佳，误差范围在±300 s以内占比96%；预测结果偏差最小值为1.02 s，偏差最大值为349.32 s，平均偏差值约为124 s。最后，综合考虑强相关、中度相关和弱相关影响因素的6元组合预测结果反而有所下降。以上数据比现有国内外所有的离港航班滑出时间预测精度更优[3-7]，充分验证了本文所构建的考虑可量化的滑出时间预测模型的有效性和合理性。

本文基于预测结果的平均绝对误差百分比(MAPE)、平均绝对误差(MAE)、均方根误差(RMSE)对模型进行评价。其中，平均绝对误差能反映了预测值误差的实际情况，平均绝对误差百分比反映了预测结果与真实值的平均偏离情况，均方根误差反映了预测模型输出结果离散程度和稳定性。3元组合预测模型的滑出时间预测结果MAPE为14.14%，MAE为120.75 s，RMSE为154.24 s，预测结果已然到达现有参考文献中的效果。5元组合预测模型的滑出时间预测结果精度最佳，MAPE为10.61%，MAE为90.24 s，RMSE为114.02 s。6元组合预测模型的预测精度较3元组合预测模型高，较5元组合预测模型低，进一步说明了弱相关影响因素的引入会影响模型预测的准确率。