利用目标事件预测方法优化机场航班保障

郭洪源，贾镇亮，吴亚波

1.首都机场集团有限公司；2.北京中科九章软件有限公司

一、背景

随着中国国家经济的高速发展，中国民航业发展迅速，航班量急剧增加。2006年到2017年，各类飞行起降架次持续增长，11年间增长了178%，年均增长10.39%。2018年，全行业累计实现营业收入10142.5亿元。航空运输量增加的同时，民航运输的效率和安全更需要提高和保彰。据统计，2006—2015年，航班正常率随航班量增长呈持续下滑趋势，2016年止跌回升，2017年又有所下降[1]。

民航航班运行对天气的依赖程度很高，不利天气导致的航班延误在整个航班延误量中占了很大的比例。2017年航班延误的主要因素是天气、其他空域用户和航空公司自身原因，分别达到51.28%、27.73%和8.62%[1]，2018年航班延误的主要因素是天气、航空公司原因、空管原因（含流量原因）、其他，分别达到48.62%、21.00%、2.75 和 27.63%[2]。

对于民航业来说，恶劣天气主要有强降雨、雷电、大雪、冰冻、大风等，其中雷电常常伴随着强降雨、冰雹和侧风等，是对机场作业危害很大的天气状况。

雷电是一种强放电自然现象，其本身属于爆发性自然危害，主要表现为伴有雷鸣、闪电的放电现象，在不同地物条件下有不同雷电表现。从雷电活动一般地物条件看，空旷地中孤立建筑物、接收天线、输电线路、大树以及其他带有尖端放电特性的设备，均易受到雷击，尤其对于电子化、信息化等设备，危害更加明显。以当前民航机场为例，现代化机场建设中逐渐引入较多电子电气设备，如飞机跑道导航设备、程控交换机、塔台内指挥设备、卫星接收设备、指挥中心设备、高频收发设备、雷达设备、自动转报设备以及微波通信设备等，这些电子设备对雷电均保持较高的敏感性。虽然当前电子设备的性能不断地改善调整，但由于运行中均需控制在一定电压范围下，所以对于雷电带来的高压很难应对，一旦电子设备在处于运行状态时遭受雷击影响，可能直接出现设备损坏问题，电子设备相关数据也因此消失，将影响机场整体运行，飞机起飞与着陆安全更加受到严重影响。同时，机场作业过程中若发生雷击也会造成人员伤亡等重大安全事故。

民航系统一直以来不遗余力地采取了多种内部挖潜措施，尤其是机场协同决策系统（ACDM）是一种降低航班延误、整体提高机场运营效率和安全的一种重要方案。

二、机场协同决策系统

近年来，国内主要繁忙机场都结合实际建设适用自身发展的机场协同决策系统。机场协同决策系统建设由机场牵头组织，航空公司、空管以及其他相关单位共同参加，以构建以提升地面运行效率为核心的机场保障管理体系为指导，以提高航空公司、机场、空管等部门之间信息及时有效共享为目标，通过优化资源利用和改善时间节点可预测性，保证各单位间信息畅通，进一步充分调动保障资源，提升资源利用效率和机场整体运行效率，尤其是进一步提升机场地面运行效率和大面积航班延误下的快速响应和处置能力。

中国民航目前采用的流量管理手段包括战略阶段和战术阶段。战略阶段的工作是合理调整全国和某些地区的航线结构，合理安排制定班期时刻表和飞行前一日对非定期航班的飞行时刻进行协调。战术阶段的工作是当恶劣天气时，对未起飞的航班一般采取计划顺延，已经起飞的航班一般采取加大飞行间隔、空中盘旋等待或者备降到指定机场等措施；当管制区域内流量过大时，及时增开扇区，限制其他管制区飞机进入本管制区时间。

为了有效地完成战术阶段的工作，精准预测包括雷电在内天气情况、提前研判部署，积极应对不利影响，对提升恶劣天气条件下的航班运行安全、效率和公平都有很重要意义。

在航班延误发生时，为了应对航班延误造成的旅客积压、滞留机场等问题，在特殊情况下确保旅客运输工作安全有序，提高服务保障质量也迫切需要精准的雷电预测。

本文提出用雷电预警在系统性雷暴（雷暴类型分为两类：占绝大多数的系统性雷暴和小量的局地性雷暴）天气条件下准确预测雷暴团到达机场的时间、离开机场时间和雷暴强度，基于这些雷暴过程参数调整航班保障节点时间的估计值，从而更加有效地获得相应地机场协同决策的里程碑估计，提高提升机场地面运行效率和安全（见图1）。

图1 机场协同决策的里程碑[3]

三、雷电预警

本文中定义的机场防护区是指以对雷击敏感的机场作业区域中心为圆心，10公里为半径的圆的区域。针对具体机场，机场防护区雷暴期为在一个雷暴过程持续时间周期，也就是在机场防护内第一个雷击的时刻点作为雷暴过程的开始时间T1（如图2），在机场防护内最后一个雷击作为雷暴过程的结束时间T2(如图3)，机场防护区雷暴时间为两者的间隔，即T2–T1。

图2 第一个雷击发生时间T1

图3 最后一个雷击发生时间T2

用历史数据统计可以获得地多次该机场防护雷暴时间，取该统计值95%分位点，记为TMAX，单位是小时。2018年首都机场雷暴过程如表1所示。

表1 2018年首都机场雷暴过程[4]

为了有效估计将在机场作业区发生雷暴过程的强弱，定义雷暴密度，雷暴密度用雷击在定义区域落雷频率来衡量，通常在可获得的历史雷击数据中，雷击都有详细的雷击特征：位置信息（经纬度）等。雷暴密度定义为机场防护区（即机场区域中心为圆心，10KM半径圆内）在雷暴过程中总雷击数除以雷暴过程持续时间（分钟数）。例如在3小时的雷暴过程中，在机场防护区内共发生250个雷击，则雷暴密度是250/（3X60），即1.388次每分钟。收集多年（例如2013年-2018年）具体机场防护区的历史雷暴过程数据，共有N个雷暴过程，每个雷暴过程的雷暴密度Di，统计所有这N个雷暴密度，求均值P.获得均值P后，以该均值P为阈值，对某一雷暴过程若雷暴密度大于该阈值，定义该雷暴过程为强雷暴过程，否则为弱雷暴过程。

本文的雷电预警模型预测出防护内雷暴开始与雷暴结束时间，同时也预估出相应雷暴过程的强度。

（一）雷暴过程预警模型

本节中的雷电预测模型是基于深度学习的门控循环单元（GRU）的encoder-decoder网络模型[5,6]，基本架构如图4所示。

图4 GRU网路模型

其中x1,x2,x3,x4,x5,x6,x7,x8,x9,x10为 输 入 变 量，y1,y2,y3,y4,y5,y6,y7,y8,y9,y10为输出变量。Xi,Yi都一定间隔样本数据，每个是50×50的矩阵向量。

每帧的时间间隔为TCLIP分钟，模型级联encoder和decoder个数n由TMAX/TCLIP确定（例如TMAX为1时间即60分钟，TCLIP为6，则n取10）。

现在，我们需要预测未来TMAX小时的雷电情况，我们可以应用这种encoder-decoder模型来实现这个预测。

1.模型样本数据生成方法

构建一个以机场区域中心为中心的50×50网格结构，网格中的每个小方格代表1平方公里，收集每一次具体机场的雷暴过程数据，以雷暴过程开始之前TMAX小时开始，每TCLIP分钟取一帧，一直到雷暴过程结束时间，如果有几个雷电落在小方格所代表地范围之中就标记该方格的值为几。如图5：有7个雷电落在第1行第2列的方格中，就标记该方格的值为7，而第1行第3列的方格中没有落雷，则标记为0（图中空白为0）。如图6：示例了雷暴接近防护区对应矩阵，有3个雷电落在第2行第2列的方格中，就标记该方格的值为3，而第3行第4列的方格中有1个落雷，则标记为1（图中空白为0）。这样我们就得到一个50×50的矩阵。

图5 某帧样例: 空白区为0

图6 雷暴团更接近防护区时某帧样例: 空白区为0

根据时间序列的连续性，按照TCLIP分钟进行一次切割，把TCLIP分钟的数据按照样本数据生成的方式进行处理，生成一个50×50的矩阵。观察窗口为TMAX小时，表现窗口为TMAX小时。在观察窗口这TMAX小时内可以生成TMAX×10个样本数据，即TMAX×10个50×50的矩阵。同样，在表现窗口这TMAX小时内也可以生成10×TMAX个样本数据，即TMAX×10个50×50的矩阵。

2.模型训练与评估

基于具体机场多年的雷击数据，我们就可以用生成样本的方法得到大量的样本数据。

将生成的样本数据输入进构建好的GRU encoder-decoder模型进行模型训练，将样本数据分为两部分，训练样本数据和测试样本数据。模型利用训练样本进行重复训练直到均方误差趋于稳定，利用测试样本对训练好的模型进行测试以观测模型的训练效果。

3模型输出

模型输出的结果如图7所示。

图7 预测出的第i个结果Yi

（二）防护区雷暴时间估计

根据一系列共TMAX×10个Y输出，能确定预测的机场防护区雷暴开始和结束时间。

设计一个数组LIGHTNING_TIME_ARRAY,该 数 组 共TMAX×10个 元素，对于Yi,若有雷击分布在机场防护区覆盖的至少一个网格中，如图7，有一个网格中有3个雷，则LIGHTNING_TIME_ARRAY[i]=1,表示预测在（i-1）×6分钟到i×6分钟之间机场防护区有雷击。否则LIGHTNING_TIME_ARRAY[i]=0，表示预测在（i-1）×6分钟到i×6分钟之间机场防护区不会发生雷击，如图8所示。

图8 预测防护范围内不会发生雷击

这个数组LIGHTNING_TIME_ARRAY会出现如下几种情况：

（三）雷暴过程强度估计

根据雷暴过程强度的定义和阈值P.根据模型输出获得在机场防护区内总预测的雷击数SUM_LIGHTNINGS， 再根据模型输出矩阵获得的雷暴持续时间THUNDERSTORM_TIME,计算预测雷暴密度(SUM_LIGHTNINGS除 以THUNDERSTORM_TIME).当结果大于阈值P，预测结果是强雷暴过程，否则是弱雷暴过程。

四、用雷电预警结果调整航班保障节点时间的估计

（一）雷暴天气航班保障作业策略

ACDM是基于不断更新的数据信息做出决策方案，根据具体机场航班保障作业的特征，运用关键路径法将这些作业按时间先后关系分解。一个实例如图9所示。再根据保障作业的特征制定雷电防护策略，一个实例如表2所示（实际特征应根据具体机场相关部门研究制定）。

图9 机场航班保障作业流程

表2 机场保障作业特征实例

（二）航班保障节点时间的估计

机场航班保障作业，为了达到运营效率的优化，根据保障作业特征和作业之间的相互关系，做出如下保障节点时间估计（见图10）。

图10 原航班保障节点估计

从上轮挡到撤轮挡，有多条保障作业流路经（如path_i, path_j,path_m）,它们之间是并行的， 同时，在每一条路径之内，有1个或多个作业流串行。其中的最大路径（一条路径上所有串行作业时间之和）决定了估计的撤轮挡时间。在雷暴天气条件下，需要对航班保障节点做出新的估计。

根据雷电预警，得到的机场雷暴过程的开始时间和结束时间。假设它们与原估计各保障作业节点关系如图11。根据雷电预警预测出雷暴过程的强度（弱或高强度），重新基于最大路径法的估计就会出现与原估计不同的估计结果（见图12、图13）。其中Process_j1可能在弱雷暴强度可以继续作业。

图11 雷暴过程与某航班保障作业时间重叠

图12 强雷暴过程

图13 弱雷暴过程

机场根据业务要求，以合适的频率更新机场协同决策系统中各里程碑节点估计时间，机场协同决策系统的各个用户，决策方就能根据这些变化作出相应的调整以适应雷暴天气情况下的航运要求。

五、总结

民航系统近年来为了降低航班延误、整体提高机场运营效率在大力部署机场协同决策系统的建设，为了有效地估计机场协同决策的里程碑时间点，本文提出了用双模型雷电预警预测雷暴团经临机场的开始结束时间、雷暴过程强度的方法，从而对航班保障过程节点做出及时的调整，各决策方能够更高效地利用机场协同决策系统完成运营任务。