基于Stacking+SHAP的离港航班滑出时间预测

夏正洪; 黄君钏; 吴喜生; 贾鑫磊; 杨乐; 李彦直

doi:10.12404/j.issn.1671-1815.2503197

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (8) :3543-3549 DOI: 10.12404/j.issn.1671-1815.2503197

航空、航天

基于Stacking+SHAP的离港航班滑出时间预测

夏正洪 ¹ ,
黄君钏 ¹^,^* ,
吴喜生 ² ,
贾鑫磊 ³ ,
杨乐 ³ ,
李彦直 ¹

作者信息 +

Taxi-out Time Prediction of Departing Flight Based on Stacking+SHAP

Author information +

文章历史 +

摘要

针对现有滑出时间预测模型的可解释性弱、泛化能力差的问题,提出一种基于Stacking+SHAP分析的离港航班滑出时间预测模型。首先,将滑出时间拆解成无障碍滑出时间和动态滑出时间,分别分析其与影响因素之间的相关性。然后,构建基于Stacking的滑出时间预测模型,对比滑出时间整体预测和分阶段预测的性能差异。最后,引入SHAP方法,量化Stacking模型中各特征变量的重要性,并使用深圳宝安国际机场实际运行数据对模型的合理性进行验证。结果表明:畅通滑出时间主要受机场跑滑系统构型的影响,动态滑出时间的主要受场面交通流的影响。虽然分阶段预测结果性能略逊色于整体预测结果,但模型的可解释性更强。Stacking模型预测结果的平均绝对百分比误差(mean absolute percentage error,MAPE)、平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)分别为10.6%、99.7 s、140.5 s,±60、±180、±300 s的准确率分别为41.0%、86.3%、96.5%,预测精度和泛化能力均优于现有研究成果。基于沙普利加分析和相关性分析的双重特征筛选机制,可保证模型有较高预测精度的同时有效减少特征维度。

Abstract

To address the limitations of weak interpretability and poor generalization in existing taxi-out time prediction models, a novel prediction model for departing flights based on Stacking ensemble learning and Shapley additive explanations (SHAP) was proposed. Firstly, the taxi-out time was decomposed into unimpeded and dynamic components, with their correlations to influencing factors analyzed separately. Subsequently, a Stacking-based prediction model was constructed, and a comparative evaluation was conducted between holistic and phased prediction approaches. Finally, SHAP analysis was implemented to quantify the importance of feature variables in the Stacking model, and the rationality of the model was validated using actual operational data from Shenzhen Bao’an International Airport. The results indicate that unimpeded taxi-out time is mainly influenced by the configuration of the airport, while dynamic taxi-out time is primarily affected by surface traffic flow. Although the phased prediction approach exhibits marginally inferior performance compared to holistic prediction, it offers stronger interpretability. Mean absolute percentage error (MAPE), mean absolute error (MAE), root mean square error (RMSE) values of 10.6%, 99.7 s, and 140.5 s, respectively, are achieved by the Stacking model, with prediction accuracy rates of 41.0%, 86.3%, and 96.5% for intervals of ±60, ±180, and ±300 s, demonstrating superior prediction accuracy and generalization capability compared to existing studies. Feature dimensionality is effectively reduced by a dual feature selection mechanism combining SHAP analysis and correlation analysis, while high prediction accuracy is maintained.

Graphical abstract

关键词

滑出时间 / 可解释性 / Stacking / 交叉验证 / SHAP

Key words

taxi out time / interpretability / Stacking / cross-validation / Shapley additive explanations (SHAP)

引用本文

引用格式 ▾

夏正洪, 黄君钏, 吴喜生, 贾鑫磊, 杨乐, 李彦直. 基于Stacking+SHAP的离港航班滑出时间预测[J]. 科学技术与工程, 2026, 26(8): 3543-3549 DOI:10.12404/j.issn.1671-1815.2503197

XIA Zheng-hong, HUANG Jun-chuan, WU Xi-sheng, JIA Xin-lei, YANG Le, LI Yan-zhi. Taxi-out Time Prediction of Departing Flight Based on Stacking+SHAP[J]. Science Technology and Engineering, 2026, 26(8): 3543-3549 DOI:10.12404/j.issn.1671-1815.2503197

登录浏览全文

4963

注册一个新账户忘记密码

滑出时间是指离港航班从停机位推出开车到跑起飞之间的时间间隔,它是衡量机场场面运行的重要指标。目前,随着机场场面交通流量的不断增加,机场场面运行中的主要矛盾逐渐演变为航班量的日益增长与机场可用资源不足之间的矛盾,由此带来的负面效果有大量燃油消耗成本和污染排放。为了提升机场场面运行效率,助力“四型机场”的智慧建设,离港航班滑出时间的预测及推出控制策略研究具有重要意义。

目前,中外学者对离港航班滑出时间预测已开展系统性探索,成果主要在滑出时间影响因素分析和预测模型构建。在滑出时间影响因素分析方面,John等^[1]引入同时段起飞排队航空器数量和同时段落地航空器数量为自变量;刘继新等^[2]对影响滑出时间的因素进行重新分析,指出同时段进离港航空器数量对滑出时间影响最为明显;Gano等^[3]提出模型需要考虑机场流量、航班场面活动轨迹、气象条件等影响因素;李楠等^[4]根据每小时航班流量量化机场运行时间段,使滑行时间的预测准确度大大提高;夏正洪等^[5]运用K-means聚类方法量化天气因素对滑出时间的影响,通过相关性分析说明了天气时滑出时间的重要影响因素。在预测模型构建方面,中外现有研究成果大致可分为两种:一是基于对机场场面活动的模拟仿真来计算滑出时间。Pujet等^[6]基于自定义离散时间仿真框架,对航空器在跑道的等待时间进行预测,预测误差较大。但是,由于仿真软件花费较大且预测结果与其他模型相比并无明显优势,因此相关方面的研究成果较少。二是基于历史数据分析的滑出时间预测方法,Idris等^[7]率先建立多元线性回归模型,随后通过模型改进不断提升预测精度;Kistler等^[8]提出对数线性模型。随着机器学习技术的发展,预测方法呈现多元化趋势,先后出现了反向传播(back propagation,BP)神经网络、支持向量机(support vector machine,SVM)、梯度提升树、集成学习等,此类方法能够从历史运行数据中学习影响因素与滑出时间之间的复杂非线性关系,预测精度也得到了较大的提升。冯霞等^[9]构建的混合模型使±3 min预测准确率提升至79.86%。邢志伟等^[10]的动态贝叶斯网络模型使预测准确率提升至80%以上。刘家学等^[11]通过差分自回归移动平均模型与支持向量回归模型组合将精度提升至90%。黄龙杨等^[12]构建基于BP神经网络离港航班可变滑出时间预测模型,该模型使滑行时间预测的准确率提高至96%。但是,普遍存在模型的泛化能力差,可解释性欠佳等问题。为了破除模型的黑盒特性,丁建立等^[13]通过对集成学习模型进行沙普利加分析,提高了航班延误时长预测模型的可解释性。

因此,为构建兼具高预测精度与强可解释性的离港航班滑出时间预测模型,将离港航班的滑出时间定义为畅通滑出时间和动态滑出时间之和,基于相关性分析和沙普利加分析双重筛选特征,并采用基于堆叠泛化集成学习模型和交叉验证对离港航班滑出时间进行预测,以期在获得较高精度预测结果的同时,提高模型的泛化能力,使其具备较强的模型可解释性。

1 滑出时间定义及影响因素

1.1 滑出时间的定义

畅通滑出时间(unimpeded taxi-out time)是指航空器在理想运行环境下,即不受机场地面交通拥堵、恶劣天气等动态延误因素影响,从撤轮档至起飞离地所需的滑行时间。作为机场运行效率的核心评价指标,畅通滑出时间主要反映机场固有物理特性和标准运行程序的影响,具有较高的稳定性。动态滑出时间是指离港航班实际滑出时间(taxi-out time, TOT)与畅通滑出时间之差值,该指标已被美国联邦航空管理局(Federal Aviation Administration, FAA)和欧洲航空安全局(European Union Aviation Safety Agency, EASA)等权威机构用于评估机场拥挤程度和滑行效率。畅通滑出时间本质上排除场面运行态势和天气条件等外部因素的干扰,而动态滑出时间则专门用于量化这些外部因素带来的延误影响。

(1)T_out=T_smooth+T_dynamic

式(1)中:T_out为离港航班的滑出时间;T_smooth为该离港航班的畅通滑出时间;T_dynamic为该离港航班的动态滑出时间。

1.2 滑出时间的影响因素

离港航班滑出时间受多重因素影响,主要包括机场场面运行态势、跑道构型特征以及航空器滑行路径距离等关键变量。文献[13]的研究为此提供了重要参考,在继承其核心变量体系的基础上,沿用以下标准化定义:同时段推出航空器数量x₁、同时段起飞航空器数量x₂、离港队列x₃、进港队列x₄、30 min平均滑行时间x₅、滑行距离x₆。为进一步完善预测模型,新增以下特征。

(1)定义撤轮档前30 min平均滑行时间x₇表示离港航班前一时段内的交通流状态和场面流量变化情况,其表达式为

(2)

${x}_{7}=\frac{1}{n}\sum _{j=1}^{n}{t}_{j}$

式(2)中:x₇为撤轮档前30 min内的平均离港航班滑出时间,s;t_j为第j架离港航班的滑出时间;n为撤轮档前30 min中滑出的离港航班数量。

(2)定义航空公司分类x₈表示不同航空公司机坪分布、飞行员滑行习惯和企业规章制度等方面存在区别所导致滑出时间的差异。计算得到每个航空公司的平均滑出时间,将不同的航空公司进行K-means聚类,分成A、B、C、D四类,分别用数值1、2、3、4表示,其中A类≤964 s,聚类中心(824,824)、964 s<B类≤1 062 s,聚类中心(1 002,1 002)、1 062 s<C类≤1 225 s,聚类中心(1 107,1 107)、D类>1 225 s,聚类中心(1 288,1 288)。如图1(a)所示。

(3)定义机坪分类x₉表示不同机坪到跑道口的滑行距离不同而导致滑出时间的差异。可根据机场图和停机坪功能进行分类,计算每一块停机坪的平均滑出时间,根据平均滑出时间进行K-means分类分成A、B、C、D、E、F六类,分别用数值1、2、3、4、5、6表示。如图1(b)所示,其中A类≤830 s,聚类中心(737,737)、830 s<B类≤899 s,聚类中心(831,831)、899 s<C类≤984 s,聚类中心(925,925)、984 s<D类≤1 139 s,聚类中心(1 025,1 025)、1 139 s<E类≤1 229 s,聚类中心(1 184,1 184)、F类>1 229 s,聚类中心(1 399,1 399)。

(4)定义机型分类x₁₀表示不同机型的滑行速度及尾流间隔不同而导致滑出时间的差异。依据国际民航组织Doc 8643文件,基于航班最大起飞重量(maximum take-off weight,MTOW)和尾流等级(wake turbulence category,WTC)对机型进行分类编码,将中型及以下机型编码为0,重型机型编码为1。

1.3 计算实际畅通滑出时间和动态滑出时间

基于上述影响离港航班滑出时间的因素,对深圳宝安国际机场2019年5月26日—6月8日共计14 d的实际运行数据进行分析。结合文献[5]对滑出时间影响因素的相关性分析,离港队列和进港队列是与滑出时间相关性最强的场面态势影响因素。在此基础上,采用计量经济学的方法计算畅通滑出时间,以当前离港航班i滑行过程中离港队列长度D和进港队列长度A为规模的核心解释变量的线性回归模型,可表示为

(3)T_out=w₁D+w₂A+T₀

式(3)中:w₁、w₂为回归系数;T₀为截距项,当回归模型中离港队列D和进港队列A取值均为0时,航班推出时无其他离港航班和进港航班,模型截距项T₀,即表征不受场面交通流影响的畅通滑出时间T_smooth。

2 基于相关性分析的离港航班滑出时间预测模型构建

2.1 影响因素相关性分析

基于离港航班滑出时间、畅通滑出时间和动态滑出时间的定义及影响因素分析,采用因子分析法对滑出时间、畅通滑出时间与动态滑出时间和影响因素进行相关性分析,结果如表1和图2所示。

根据相关性热力图(图2)和表1可知,颜色越深表示影响因素的相关性越强,反之则相关性越弱。得出如下结论:一是离港队列和进港队列与滑出时间显著相关(相关系数>0.6);同时段起飞航空器数量、30 min平均滑行时间、撤轮档前30 min平均滑行时间、航空公司分类与滑出时间中度相关(相关系数>0.3);其余影响因素与滑出时间弱相关。二是机坪分类、滑行距离、航空公司与畅通滑出时间中度相关,其余影响因素与畅通滑出时间呈弱相关。三是离港队列和进港队列与动态滑出时间显著相关,同时段起飞航空器数量、30 min平均滑行时间、撤轮档前30 min平均滑行时间与动态滑出时间中度相关,其余影响因素与动态滑出时间弱相关。可见,畅通滑出时间主要受机场跑滑系统构型的影响;动态滑出时间主要受场面交通流的影响。

2.2 基于Stacking的离港航班滑出时间预测模型构建

堆叠泛化(Stacking)是一种先进的集成学习框架,它通过构建多级模型结构来提升预测性能。与传统的并行集成方法不同,堆叠泛化采用层级化的学习策略,将多个基学习器的输出作为元特征输入到元模型中进行二次学习。堆叠泛化的核心优势在于其能够捕捉基模型之间的互补性。通过元模型的学习,系统可以自动赋予不同基模型适当的权重,从而在整体上获得比单一模型或简单投票更好的泛化能力。为了确保模型的鲁棒性,采用交叉验证的方式生成基模型的预测结果,避免数据泄露导致的过拟合问题。基于Stacking的离港航班滑出时间预测模型流程图如图3所示。

模型的预测流程如下。

Step1 数据准备。将收集到的数据进行去重、异常值处理和缺失值修正。

Step2 量化影响因素。收集离港航班滑出时间的影响特征,量化相关因素对滑出时间的影响。

Step3 相关性分析。通过相关性分析得到离港航班滑出时间相关的影响因素,同时将筛选出来的原始特征集按照9∶1的比例划分训练集和测试集。

Step4 训练基模型。使用10折交叉验证随机划分训练集,并利用CatBoost、SVR、KNN、MLP模型分别训练数据。

Step5 生成元特征。将所有基模型在训练集上的预测结果拼接成新的特征矩阵。

Step6 训练元模型。使用新特征矩阵和原始标签训练岭回归元模型,学习如何加权组合基模型的预测。

Step7 模型评估。采用测试计算误差准确率、平均绝对百分比误差(mean absolute percentage error,MAPE)、平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE),评估模型性能。

3 离港航班滑出时间预测算例分析

3.1 滑出时间预测

以深圳宝安国际机场15号跑道离港航班为研究对象,采用十折交叉验证方法评估模型性能。将原始数据集随机划分为10个大小近似相等的子集,每次迭代时依次选取其中1个子集作为验证集,其余9个子集合并作为训练集,共进行10次独立的训练和验证过程,并将10次验证结果的平均值作为模型的性能评估指标。该方法可充分利用有限数据,有效降低模型评估结果的方差,提高性能估计的稳定性和可靠性。堆叠泛化模型中基模型采用类别提升算法(CatBoost)、支持向量机回归算法(support vector regression, SVR)、K近邻算法(K-nearest neighbor,KNN),多层感知机(multilayer perceptron,MLP),并设置相应的超参数(表2)。元模型采用参数alpha为0.1的岭回归(Ridge),所得结果如表3所示。

可见,所构建的5个预测模型在离港航班滑出时间预测任务中均展现出良好的性能表现。通过对比训练集与测试集的预测结果可知,各模型的性能表现具有较高的稳定性。值得注意的是,Stacking集成模型在测试集上的预测性能显著优于其他单一模型,其RMSE、MAE和MAPE三项评价指标均达到最低值。除MLP模型和Stacking模型外,其余单一模型均呈现出训练集性能优于测试集的特征差异,这一现象揭示了单一模型存在对训练数据过度拟合的问题,导致其在测试数据上的泛化性能受限。相比之下,Stacking集成模型通过有效整合多个基学习器的预测结果,显著降低了模型对特定数据分布的敏感性,从而在测试集上展现出更优的适应能力和泛化性能。因此,这种集成策略不仅缓解了单一模型的过拟合问题,还通过模型间的优势互补显著提升整体预测精度。基模型和Stacking模型预测结果的误差、真实值与预测值之间的差异如表4和图4所示。

可见,Stacking模型预测和其他基模型均可实现离港航班滑出时间的有效预测,堆叠泛化模型在±60、±180、±300 s的准确率分别为41.0%、86.3%、 96.5%,MAPE、MAE、RMSE分别为10.6%、99.7 s、140.5 s,优于其他基模型。与同课题组已有研究成果相比^[14],MAPE上减少3.94%,且在泛化能力上得到提升,有效地避免模型的过拟合问题。

3.2 整体预测与分阶段预测

所谓整体预测就是采用堆叠泛化模型和全部特征进行滑出时间的预测,分阶段预测是指分别选取畅通滑出时间和动态滑出时间的非弱相关性影响因素得到预测的畅通滑出时间和动态滑出时间,然后再将两者相加得到预测的总滑出时间^[15]。两种方法得到的结果预测结果如表5所示。

由表5可知,分阶段预测的各项指标均略为逊色于整体的预测结果,究其原因是因为预测模型本身具有一定的误差,畅通滑出时间的计算中是计算每块区域的平均时间,存在一定误差,并将误差传递到动态滑出时间,这导致分阶段预测中引入了两次模型误差,因此分开预测的效果不如整体预测效果,但二者差异并不大。但是,分阶段预测使得滑出时间预测模型的可解释性更强。

4 基于SHAP的模型可解释性分析

SHAP(Shapley additive explanations)是一种基于博弈论Shapley值的机器学习可解释性方法,用于量化每个特征对模型单个预测的贡献度,平均绝对SHAP值是一种量化特征对模型预测影响强度的指标。为了避免特定模型依赖性,采用平均绝对SHAP值反映Stacking模型的特征重要性,而非单个特定基模型的特征重要性。不同特征的平均绝对SHAP贡献百分比如图5所示。

可见,在影响因素的研究中,与畅通滑出时间中度相关的影响因素航空公司分类、滑行距离、机坪分类和在SHAP贡献中排名分别在第3、第6和第9名,贡献百分比达到27%,可见畅通滑出时间对滑出时间的影响较弱;而动态滑出时间的中度相关以上的影响因素在SHAP贡献中排名靠前,其中排名第1和第2的影响因素为进港队列和离港队列,贡献了36%的预测影响力,与动态滑出时间中度相关以上的影响因素贡献百分比高达88%,表明场面交通流是离港航班滑出时间的最强决定因素。同时,SHAP值低的因素引入模型会导致预测结果的精度降低,这与文献[14]中弱相关的影响因素会导致模型预测精度降低是一致的。通过设置网格搜索最佳SHAP贡献阈值,范围为2%~5%,步长为1%,筛选出重要性大于阈值的特征。不同SHAP贡献阈值下的滑出时间预测结果如表6所示。

当SHAP贡献阈值设定为3%时,机型分类(相关系数r=0.16,SHAP=2.0%)被筛除,模型在特征更精简的情况下仍能保持较高的预测准确性;当阈值提高至4%时,机型分类与机坪分类(r=0.22,SHAP=3.9%)均被排除,此时模型取得了最优的预测效果;然而,当阈值进一步增至5%时,除上述两类特征外,撤轮档前30 min平均离港航班滑行时间(r=0.40,SHAP=4.8%)也被剔除,导致模型性能下降。因为该变量与滑出时间呈中度相关,是预测滑出时间的重要输入特征,其剔除会造成有效信息丢失。综上所述,SHAP贡献阈值为4%时,模型在预测精度与特征简约性之间达到最佳平衡,预测结果最优。

特征筛选结果表明,滑行距离虽与目标变量相关性较弱(r=0.18),但其SHAP贡献度(6.3%)显著高于阈值(4%),表明其对预测具有实质性贡献,故应将其作为模型的输入特征。相比之下,机型分类和机坪分类在两项指标上均未达标准,因此它们不应再作为模型的输入特征,从而可以有效地减少模型的参数计算量。可见,基于沙普利加分析和相关性分析的双重特征筛选机制,可保证模型有较高预测精度的同时有效减少特征维度。

5 结论

(1)构建基于Stacking的离港航班滑出时间预测模型,预测结果的MAPE、MAE、RMSE分别为10.6%、99.7 s、140.5 s,±60、±180、±300 s的准确率分别为41.0%、86.3%、96.5%,预测精度和泛化能力均优于现有研究成果。

(2)构建滑出时间的分阶段预测模型,虽然预测效果略逊色于整体预测,但是模型的可解释性得到了提升。同时,基于十折交叉验证,解决了传统机器学习模型在滑出时间预测中易过拟合的问题,提高模型的泛化能力。

(3)采用SHAP分析量化影响因素对离港航班滑出时间的贡献度,可破除模型的黑盒特性,通过SHAP值贡献阈值法和相关性分析多维度筛选特征变量,可保证较高预测精度的同时减少特征维度。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	John G, David K, Marc R. US/Europe comparison of ATM-related operational performance[J]. Air Traffic Control Quarterly, 2010, 18(1): 5-27.

[2]	刘继新, 尹旻嘉, 朱学华, 等. 基于航空器滑出时间的离场影响因素研究[J]. 武汉理工大学学报(交通科学与工程版), 2018, 42(2): 195-200.

[3]	Liu Jixin, Yin Minjia, Zhu Xuehua, et al. Research on influencing factors of departure based on aircraft sliding out time[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering Edition), 2018, 42(2): 195-200.

[4]	Gano B C, Zheng Y. Wheels-off time prediction using surface traffic metrics[C]// AIAA Aviation Technology, Integration, & Operations. Indianapolis: Aerospace Press, 2012: 1-14.

[5]	李楠, 焦庆宇, 张连东, 等. 离场航空器滑行时间预测研究[J]. 重庆交通大学学报(自然科学版), 2021, 40(3): 1-6.

[6]	Li Nan, Jiao Qingyu, Zhang Liandong, et al. Taxi time prediction of departure aircraft[J]. Journal of Chongqing Jiaotong University(Natural Science), 2021, 40(3): 1-6.

[7]	夏正洪, 王楚皓, 方鹏越. 考虑天气因素影响的离港航班滑出时间预测[J]. 科学技术与工程, 2023, 23(27): 11892-11899.

[8]	Xia Zhenghong, Wang Chuhao, Fang Pengyue. Prediction of departure flights’ taxi-out time considering weather factors[J]. Science Technology and Engineering, 2023, 23(27): 11892-11899.

[9]	Pujet N, Feron E. Modeling an airline operations control center[J]. Air Traffic Control Quarterly, 2016, 7(4): 271-290.

[10]	Idris R H, Anagnostakis I, Delcaire B, et al. Observations of departure processes at logan airport to support the development of departure planning tools[J]. Air Traffic Control Quarterly, 1999, 7(4): 229-258.

[11]	Kistler M S, Gupta G. Relationship between airport efficiency and surface traffic[C]// 9th AIAA Aviation Technology, Integration, and Operations Conference (ATIO). Reston: AIAA, 2009: 7078.

[12]	冯霞, 孟金双. 基于KNN和SVR的航班滑出时间预测[J]. 西南交通大学学报, 2017, 52(5): 1008-1014.

[13]	Feng Xia, Meng Jinshuang. Flight departure time prediction based on KNN and SVR[J]. Journal of Southwest Jiaotong University, 2017, 52(5): 1008-1014.

[14]	邢志伟, 蒋骏贤, 罗晓, 等. 基于贝叶斯网的离港航班滑行时间动态估计[J]. 计算机工程与应用, 2018, 54(24): 66-71, 203.

[15]	Xing Zhiwei, Jiang Junxian, Luo Xiao, et al. Dynamic estimation about estimated taxi-out time based on Bayesian network[J]. Computer Engineering and Applications, 2018, 54(24): 66-71, 203.

[16]	刘家学, 白明皓, 郝磊. 基于ARIMA-SVR组合方法的航班滑出时间预测[J]. 中国科技论文, 2021, 16(6): 661-667.

[17]	Liu Jiaxue, Bai Minghao, Hao Lei. Prediction of flight taxi-out time based on ARIMA-SVR combination method[J]. China Sciencepaper, 2021, 16(6): 661-667.

[18]	黄龙杨, 夏正洪. 离港航班可变滑出时间预测方法及应用[J]. 科学技术与工程, 2021, 21(33): 14434-14439.

[19]	Huang Longyang, Xia Zhenghong. Prediction method of departure flight estimated taxi-out time and its application[J]. Science Technology and Engineering, 2021, 21(33): 14434-14439.

[20]	丁建立, 杨锟. 航班到港延误时长预测及特征分析[J]. 河北科技大学学报, 2023, 44 (3): 246-255.

[21]	Ding Jianli, Yang Kun. Prediction and characteristic analysis of flight arrival delay[J]. Journal of Hebei University of Science and Technology, 2023, 44 (3): 246-255.

[22]	夏正洪, 刘晓平, 赵亮, 等. 考虑跑滑系统构型的离港航班场面滑行时间预测[J]. 科学技术与工程, 2025, 25(2): 825-831.

[23]	Xia Zhenghong, Liu Xiaoping, Zhao Liang, et al. Surface taxi-out time prediction of departing flight considering the configuration of runway and taxiway system[J]. Science Technology and Engineering, 2025, 25(2): 825-831.

[24]	李浩, 卢朝阳, 谈翌平, 等. 基于MIC-iAFF-Stacking集成学习的航空器滑出时间预测[J]. 交通运输工程与信息学报, 2024, 22(4): 142-153.

[25]	Li Hao, Lu Chaoyang, Tan Yiping, et al. Aircraft departure taxi time prediction based on MIC-iAFF-Stacking ensemble learning[J]. Journal of Transportation Engineering and Information, 2024, 22(4): 142-153.

基金资助

国家重点研发计划(2024YFC3014400)

民航机场指挥运营与运维四川省工程研究中心项目(JCZX2024ZZ19)

民航机场指挥运营与运维四川省工程研究中心项目(JCZX2024ZZ26)

中国民用航空飞行学院基本科研项目(25CAFUC03047)

中国民用航空飞行学院基本科研项目(25CAFUC03105)

中国民用航空飞行学院大学生创新创业项目(X202510624283)

PDF (5173KB)

访问

被引

详细

导航

Received	Published	Revised
2025-05-03	2026-03-18	2025-12-17
Online Date
2026-06-26

摘要