离港航班可变滑出时间预测方法及应用

黄龙杨，夏正洪

(中国民用航空飞行学院空中交通管理学院，广汉 618307)

可变滑出时间是指离港航班从停机位推出开车并滑行至实际起飞的时间间隔，它是评估繁忙机场场面运行效率的主要性能指标[1]。随着机场不断增容扩建，跑滑系统结构及其运行模式日益复杂，航空器在大型枢纽机场的平均滑行时间已超过25 min，且在滑行过程中出现交叉汇聚、对头相遇等不安全事件的概率也逐年增长，严重影响机场场面运行安全和效率。目前，多数机场采用基于经验的滑出时间来对离港航班的推出开车、滑行进行管制指挥，而在机场场面交通流、滑行距离、场面运行模式等诸多因素的共同影响下，大型机场离港航班的实际滑出时间与经验滑出时间相差甚远，直接导致机场场面运行效率低下，出现不必要的拥堵、延误和燃油消耗。因此，科学准确地预测离港航空器的可变滑出时间，对于加强机场场面及空中交通流量的管理，提升机场场面运行效率和协调决策能力，降低运行成本和污染排放至关重要。

国外关于滑出时间预测的研究始于21世纪初，现有研究成果分析了离港航班滑出时间主要影响因素[1-2]，主要包括离港队列长度、滑行距离、同时段的离港航班滑行架次和进港航班滑行架次、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。离港航班的可变滑出时间预测方法大致可分为3类：一是基于排队论的滑出时间预测方法[3]。该方法将滑出时间分为无障碍滑出时间和等待起飞时间两部分，其中无障碍滑出时间是指航空器在无拥堵、无恶劣天气等理想环境下从停机位滑行至跑道端所需的时间，具有典型的线性特征；而等待起飞时间是指离港航班加入离场队列至实际起飞的时间，受跑道资源和机场场面交通流的影响，等待起飞时间具有典型的非线性特征。基于排队论的滑出时间预测方法理论上容易实现，但是所得预测结果精度较低，平均绝对误差百分比为70%左右。二是基于快速仿真的滑出时间预测方法[2,4]。该方法基于成熟的仿真平台如SIMMOD、AIRTOP等对离港航班场面运行过程建模，其缺点是所需成本较大，调整仿真模型耗时较长。三是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[6-8]、深度学习[9]、强化学习[10]等，此类方法所得的预测结果精度较高，平均绝对误差百分比可达到85%左右。

国内关于离港航班可变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，预测结果精度有待提高，而未考虑多跑道交通流特点以及地面运行模式的影响。由于跑滑系统结构及交通流特点不同，国外已有研究成果也不能直接应用于国内大型枢纽机场的离港航班可变滑出时间预测中，且预测结果对初始权值和阈值较为敏感，准确性和稳定性表现不佳。更重要的是，现有研究缺乏对可变滑出时间预测结果的应用。

因此，现分析离港航班滑出时间的可量化影响因素及其相关性，构建基于(back propagation，BP)神经网络的离港航班滑出时间预测模型，并基于遗传算法(genetic algorithm，GA)获取BP神经网络的最优权值和阈值，从而提升预测的精度和准确率。然后，基于提出基于滑出时间预测的航空器推出控制策略，并采用中国中南某枢纽机场2周的实际运行数据对预测模型和推测控制策略进行验证。以期通过GA优化后的BP神经网络获得更理想的滑出时间预测结果，形成优化后的离港航班推出开车时刻，为机场协同决策系统(airport collaborative decision system,A-CDM)的应用提供数据支撑。

1 可变滑出时间影响因素及相关性

1.1 影响因素

离港航班可变滑出时间(estimated taxi out time,VTOT)是该航班离港实际起飞时间与实际撤轮档时间之间的差值，表达式为

tEXOT=tATOT-tAOBT

(1)

式(1)中：tEXOT、tATOT、tAOBT分别为离港可变滑出时间、离港实际起飞时间、实际撤轮档时间。

通过文献追踪可知，离港航班的滑出时间影响因素主要包括机场场面交通流情况，滑行路径长度、天气情况、流控情况、机组习惯等因素。其中，天气主要指能见度情况，当能见度较低时，航空器滑行速度会降低，致使离港航班滑出时间增加。流量控制受第三方活动或恶劣天气的影响，具有不定时、随机性强的特征，离港航班滑出时间也因流控产生较大的波动。不同机组在地面滑行时对速度的控制习惯也不一样的，基地航空公司机组对场地更熟悉，通常滑行速度会更快，滑出时间会更短。以上3个因素或不可量化、或对滑出时间影响较小，故不考虑其对离港航班滑出时间的影响。因此，仅考虑离港航班滑出时间的可量化影响因素，包括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、以半小时为时间片的平均滑出时间、滑行路径长度、转弯个数。

1.2 参数定义

(1)同时段滑行的离港航班数量x1，架次。

(2)

式(2)中：x1,i为航班j的实际起飞时间[tATOT(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。

(2)同时段滑行的进港航班数量x2，架次。

(3)

式(3)中：x2,i为航班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)同时段推出的离港航班数量x3，架次。

(4)

式(4)中：x3,i为航班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)以30 min为时间片的平均滑出时间x4，s。

(5)

式(5)中：ti为第i架离港航班的滑出时间；n为30 min中滑出的离港航班数量。

(5)离港航班滑行距离x5，m。

(6)

式(6)中：da,i为航班i滑行路径的测量长度；db为跑道的测量长度；3 600为跑道长度，m。

(6)转弯转角个数x6，个。航空器直线滑行速度与转弯滑行速度有较大的差异，因此离港航空器在滑出过程中如果经历的转弯个数越多，则其滑行时间会增加。

1.3 相关性分析

基于参数定义及中国中南某机场2019年5月26日—6月8日的实际运行数据，分析实际滑出时间与影响因素之间的相关性如图1所示。

图1(a)分析了离港航班可变滑出时间与同时段滑行的离港航班数量的相关性，相关系数r=0.714 7，表明同时段滑行的离港航班数量与可变滑出时间强相关(r>0.6)。图1(b)、图1(c)分别展示了离港航班可变滑出时间与同时段滑行的所有落地航班数量、同时段推出的离港航班数量，其相关系数分别是r=0.659 5和r=0.612 2，表明以上两个因素与可变滑出时间强相关。图1(d)展示了以30 min为时间片的平均滑出时间与可变滑出时间之间的相关性，其相关系数r=0.584 2，表明呈现中度相关的关系(0.3

图1 离港航班可变滑出时间影响因素相关性分析Fig.1 Correlation analysis of influencing factors of departure flight estimated taxi out time

2 可变滑出时间预测模型

2.1 基于BP的可变滑出时间预测模型

离港航班的滑出时间可以分为场面滑行时间和跑道外排队等待时间两部分。其中，场面滑行时间主要与场面交通流的大小有关，同时还与滑行距离的长短、转弯个数、机组习惯、天气等因素相关；跑道外排队等待的时间主要与进港流量大小、航空器间隔配备、流量控制以及天气等因素的影响。鉴于流量控制、机组习惯、天气等因素不可量化，故仅考虑可量化因素对离港航班滑出时间的影响，构建基于BP神经网络的离港滑出时间预测模型如图2所示。

图2 基于BP神经网络的可变滑出时间预测模型Fig.2 Estimated taxi-out time prediction model based on BP neural network

2.2 基于GA-BP的可变滑出时间预测模型

遗传算法(GA)是一种模拟生物进化规律的并行随机搜索最优化方法，广泛应用于函数优化、自动控制、数据挖掘等领域。遗传算法的特点是以目标函数值作为搜索信息，具有群体搜索的特性；基于概率规则使得该算法搜索更为灵活，参数对其搜索的效果影响较小。

针对传统BP神经网络在离港航班可变滑出时间预测时存在对初始权值和阈值敏感、准确性和稳定性不好等缺点，利用遗产算法的选择、交叉和变异操作不断更新后代的适应度，然后通过解码获取BP神经网络的最优权值和阈值参数，然后再进行训练和仿真预测，其算法流程图如图3所示。

图3 基于GA-BP的可变滑出时间预测流程图Fig.3 Flow chart of estimated taxi-out time prediction based on GA-BP

选用遗传算法优化BP神经网络的初始权重和阈值。首先从Excel中读取样本数据，确定网络的输入输出，划分训练集和测试集并将数据进行归一化处理；然后确定网络的拓扑结构，并确定GA算法的个体编码长度；随机初始化网络的权值、阈值，种群规模、最大迭代次数、交叉概率和变异概率等参数，通过适应度函数对各个体进行选择，保留适应度高的个体进行交叉和变异操作，从而得到新一代种群，最终将最好个体的位置信息赋值给BP神经网络的权值和阈值，并对GA优化后的BP神经网络进行训练与仿真预测。

3 可变滑出时间的预测及应用

3.1 数据来源

研究对象是中国中南某枢纽机场，其东跑道3 400 m×45 m，西跑道3 800 m×60 m，东西跑道之间间距约为1 590 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。

所用数据来源于该机场2019年2周的实际运行数据，包含离港和进港航班记录12 323条，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，高峰小时流量为55架次，日平均起降架次约880架次。经过数据处理后形成样本数据5 200条，如表1所示。

表1 样本数据Table 1 Sample data

3.2 可变滑出时间预测结果分析

设置BP神经网络最大迭代次数为10 000次，学习率为0.001，目标收敛误差为0.001；种群规模为30，最大迭代次数50，交叉概率为0.8，变异概率为0.2。将样本数据集中抽取前5 000个数据进行训练，则剩余的200个数据作为测试集，经GA优化前后的BP神经网络预测值与真实值的对比[图4(a)]，以及优化前后的误差对比[图4(b)]。

图4 GA-BP与BP预测结果及误差对比Fig.4 Comparison of prediction results and errors between GA-BP and BP

可见，BP与GA-BP两种预测模型均能实现对离港航班滑出时间的有效预测。但是，基于BP神经网络的滑出时间预测结果对初始权值和阈值敏感，准确性和稳定性不好有待进一步的提高。因此，使用GA算法获得BP神经网络的最优权值和阈值参数，最终获得的预测结果更接近于真实值，且误差分布更集中、更均匀。同时，从表2可以看出，基于GA优化后的BP神经网络预测结果误差在±60 s内的准确率提升了14%，误差±180 s内的准确率提升了10%，误差±300 s内的准确率提升了5%。

表2 滑出时间预测结果误差分布对比Table 2 Comparison of error distribution of taxi-out time prediction results

为进一步对基于GA优化后的BP神经网络预测结果进行科学评价，以平均绝对误差百分比(mean absolute percentage error，MAPE)、平均绝对误差(mean absolute error，MAE)、均方根误差(root mean squared error，RMSE)来进行验证，结果如表3所示。

表3 离港航班可变滑出时间预测精度评价Table 3 Prediction accuracy evaluation of departure flight estimated taxi-out time

可见，基于GA优化后的BP神经网络预测结果较优化前的MAPE提升了1.87%，MAE减少了3.58 s，RMSE减少了32.45 s。以上数据充分证明了所构建的基于GA-BP的离港航班滑出时间预测模型和方法是合理的。

3.3 可变滑出时间预测结果的应用

3.3.1 推出控制策略

航空器的推出控制是以它的计算撤轮档时刻为基础来安排的，等于航空器的计算起飞时刻减去其预测滑出时间。其中，可变滑出时间是机场协同决策系统(A-CDM)的重要组成部分，其预测结果的准确性是航空器推出控制的关键。因此，提出了基于可变滑出时间预测的离港航空器推出控制策略，如图5所示。

ELDT为航空器的预计着陆时刻(estimate landing time)；TOBT为目标撤轮挡时刻(target off block time)；TTOT为目标起飞时刻(target take off time)；CTOT为计算起飞时刻(calculate take off time)；SID为标准仪表离场程序(standard instrument departure)；EXOT为可变滑出时间(estimate taxi out time)；COBT为计算撤轮挡时刻(calculate off block time)图5 基于滑出时间预测的离港航班推出控制策略Fig.5 Push back control strategies for departure aircrafts based on taxi-out time prediction

3.3.2 推出控制案例

基于GA-BP神经网络的滑出时间预测模型可以预测出测试集中200个离港航班的预计滑出时间，并将其实际起飞时间当作计算起飞时间，然后将二者相减得到其计算撤轮挡时间，如表4所示。

表4 推出控制策略案例Table 4 Examples of roll-out control strategies

可见，大部分基于滑出时间预测的航空器计算撤轮档时刻比实际撤轮档时间更晚，即测试集中的200个离港航空器的平均推出时间早了68 s。过早的推出可能导致以下问题：

(1)增加了机场场面的交通流量，导致滑行冲突的可能性增加，航空器的平均滑出时间增长。

(2)增加管制员工作负荷，可能导致管制“错、忘、漏”的几率增加。

(3)航空器提前开车而增加燃油成本和污染排放。

因此，通过对可变滑出时间的准确预测，从而对航空器的推出实行更加精准的控制，对于机场场面运行效率的提升，以及燃油消耗和污染排放的减少有积极意义。

4 结论

(1)离港航班的可变滑出时间与机场场面交通流有强相关性，与平均滑出时间中度相关，与滑行距离相关性较弱。

(2)构建了基于GA-BP的离港航班可变滑出时间预测模型，使用遗传算法获取BP神经网络的最优权值和阈值，所获得的预测结果准确率有显著提升，稳定性较优化前也更佳。

(3)基于离港航班可变滑行时间预测的离港航班推出策略能有效提升机场场面运行效率，减少燃油消耗和污染排放。

(4)下一步的研究工作将重点放在将定性的评价指标转为定量评价指标，检验对预测模型精度提升能否起作用，以及其他机器学习算法在离港航班可变滑出时间预测中的应用。