对流天气下机场终端区流量影响程度预测方法

彭瑛; 王婷婷; 叶文婕; 冉龙辉

doi:10.12404/j.issn.1671-1815.2504676

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (16) :7092-7101 DOI: 10.12404/j.issn.1671-1815.2504676

航空、航天

对流天气下机场终端区流量影响程度预测方法

作者信息 +

Prediction of Airport Terminal Area Flow Impact under Convective Weather

Author information +

文章历史 +

摘要

为揭示对流天气下终端区空中交通流量的衰减规律,进一步提升现有模型对长序列数据中复杂依赖关系的捕捉能力,提出了一种融合多头注意力机制的终端区流量影响程度预测方法。该方法首先建立空域区块化分区,融合天气危险指数与空域阻塞率双维度特征,进而构建基于多头注意力机制(multi-head self-attention mechanism, MHSA)改进的长短期记忆网络(long short-term memory network, LSTM)模型(MHSA-LSTM),并以广州终端区实际运行数据为例进行验证。结果表明:输入序列长度为12时,模型预测效果最好。与支持向量回归(support vector regression,SVR)、随机森林(random forest,RF)、循环神经网络(recurrent neural network,RNN)、长短期记忆网络(long short-term memory network,LSTM)及门控循环单元(gated recurrent unit,GRU)等经典模型相比,平均绝对误差(mean absolute error,MAE)分别降低61.97%、53.45%、43.75%、10.00%、20.59%;均方根误差(root mean square error,RMSE)分别降低了58.89%、53.16%、41.27%、13.95%、15.91%;决定系数(R²)分别提高了48.10%、30.18%、15.13%、2.30%、2.97%。可见,所提模型能有效捕捉气象要素与流量衰减间的复杂关联,尤其当对流天气出现在跑道邻近空域及终端区北部关键进离场区域时,流量衰减效应最为显著,建议管制运行中加强对上述空域的实时监测与预警。

Abstract

In order to reveal the traffic decay patterns in terminal areas under convective weather conditions, and further enhance existing models’ ability to capture complex dependencies in long sequences, a model integrating a multi-head self-attention mechanism was developed for predicting the degree of terminal area traffic impact. This approach first established an airspace block partitioning framework, incorporating both weather hazard index and airspace blockage rate as dual-dimensional features. Subsequently, a long short-term memory (LSTM) network improved with a multi-head self-attention mechanism (MHSA) was constructed. The model was validated using actual operational data from the Guangzhou terminal area. The results show that the model predicts best when the input sequence length is 12. Compared with classical models such as support vector regression (SVR), random forest (RF), recurrent neural network (RNN), long short-term memory network (LSTM), and gated recurrent unit (GRU), the mean absolute error (MAE) is reduced by 61.97%, 53.45%, 43.75%, 10.00%, and 20.59%, respectively. The root mean square error (RMSE) is reduced by 58.89%, 53.16%, 41.27%, 13.95%, and 15.91%, respectively. Additionally, the coefficient of determination (R²) is improved by 48.10%, 30.18%, 15.13%, 2.30%, and 2.97%, respectively. It is concluded that the proposed model can effectively capture the complex relationship between meteorological factors and traffic flow decay. The traffic decay effect is most significant when convective weather is located in the airspace adjacent to the runways and in the key arrival/departure areas in the northern part of the terminal area. Therefore, it is suggested that air traffic controllers enhance real-time monitoring and early warnings for these critical airspace sectors.

Graphical abstract

关键词

航空运输 / 终端区流量影响程度预测 / 长短期记忆网络(LSTM) / 对流天气 / 多头注意力机制(MHSA)

Key words

air transportation / forecast of the extent of flow impacts in the terminal area / long short-term memory network(LSTM) / convective weather / multi-head self-attention mechanism(MHSA)

引用本文

引用格式 ▾

彭瑛, 王婷婷, 叶文婕, 冉龙辉. 对流天气下机场终端区流量影响程度预测方法[J]. 科学技术与工程, 2026, 26(16): 7092-7101 DOI:10.12404/j.issn.1671-1815.2504676

PENG Ying, WANG Ting-ting, YE Wen-jie, RAN Long-hui. Prediction of Airport Terminal Area Flow Impact under Convective Weather[J]. Science Technology and Engineering, 2026, 26(16): 7092-7101 DOI:10.12404/j.issn.1671-1815.2504676

登录浏览全文

4963

注册一个新账户忘记密码

日益增长的空中交通需求与有限空域资源之间的矛盾加剧了飞行拥堵,尤其在恶劣天气条件下,空域通行能力显著下降会进一步加剧航班延误。作为空域运行环境最复杂的区域,终端区既是交通拥堵的核心区域,也是延误高发区,深入研究对流天气对终端区流量造成的衰减效应,对于提升航班准点率、保障飞行安全以及动态优化流量管控策略具有重要现实价值。

目前,中外关于对流天气下的空中交通运行影响的研究较多,研究方法主要集中于计算机仿真、数学模型和机器学习方面。计算机仿真方面,杨尚文等^[1]采用仿真的方法对一定延误水平下的终端区容量区间进行了预测。田勇等^[2]考虑管制员工作负荷以及气象雷达等信息对扇区的动态容量进行了仿真评估。数学模型方面,赵征^[3]对空域容量评估技术进行了系统地整理与总结,并使用改进的天气影响交通指数(weather impacted traffic index,WITI)量化天气影响,以强对流天气所在的划分区域作为索引,建立了可检索终端区或扇区容量的情景关联矩阵,从而检索相应的容量。Matthews等^[4]提出了渗透率来量化危险天气对空域资源的影响。温瑞英等^[5]基于空域栅格提出了空中交通多元复杂度的计算方法来评估空域的运行压力。机器学习方面,毛利民等^[6-7]基于天气危险指数,可用流容比等特征,建立了多种机器学习模型预测广州终端区的小时容量,相比传统数学模型,取得了较好的预测效果。郭聪聪^[8]采用高斯混合聚类对天气凸包特征数据进行天气场景类别划分,并以小时为单位构建对流天气避让区 (weather avoidance field,WAF)的聚类信息特征,建立了反向传播神经网络(back propagation neural network, BP)、多元线性回归(multiple linear regression, MLR)以及支持向量回归(support vector regression, SVR)预测AirTOP的仿真容量。Wang等^[9]基于改进渗透率指标,建立了SVR、随机森林(random forest, RF)以及人工神经网络(artificial neural network, ANN)模型预测空域可用率,结果表明ANN的预测准确性最佳。王维莉等^[10]考虑多种气象因素,采用Catboost算法对航班延误进行预测,并通过SHAP(Shapley additive explanation)来提高气象因素对航班延误影响的可解释性。周睿等^[11]将经验模态分解(empirical mode decomposition, EMD)与长短期记忆网络(long short-term memory network, LSTM)相结合,对机场流量进行了短时预测。Peng等^[12]将卷积神经网络(convolutional neural network, CNN)和LSTM相结合建立了深度学习模型来预测终端区流量,提高了预测精度。宋维凯等^[13]基于动态时间规整(dynamic time warping, DTW)和LSTM,对空中交通流进行了短期预测。王莉莉等^[14]对时间序列的相空间进行重构,并采用遗传算法优化径向基(radial basis function, RBF)神经网络模型,提升了流量预测精度。杨国洲等^[15]将周期波动性模块(cycle volatility, CV)与LSTM相结合,优化了交通流短时预测的准确性。

上述研究表明,机器学习方法尤其是深度学习模型在空域流量预测领域展现出显著优势,但传统时序模型在捕捉长序列复杂依赖关系、提取关键信息方面存在固有局限,导致预测精度难以进一步提升。为解决这一问题,提出融合多头注意力机制(multi-head self-attention mechanism, MHSA)的空域流量影响动态预测模型,该模型通过多头注意力机制计算不同时间步的特征重要性,聚焦关键时序信息,实现对输入序列全局关联信息的有效整合,进而增强 LSTM 模型的预测性能。以广州终端区为实证对象,整合对流天气产品及航班计划数据,研究对流天气对终端区流量衰减效应的量化表征与预测问题。首先对终端区进行空域划分以监测重点区域的天气情况;其次通过天气危险指数与空域阻塞率两类指标量化区域天气影响;最终构建基于多头自注意力机制改进的LSTM时序预测模型,实现恶劣天气下终端区流量缩减率的滚动预测。研究成果可以为管制员制定合理的流量管理措施,提高决策水平提供依据。

1 问题描述

终端区作为航空器起降的关键空域,其高密度交通流与复杂气象条件的交互作用常导致运行效率下降。特别是在强对流天气影响下,空域可用性动态变化会显著改变流量分布特征,这使得准确预测流量衰减效应成为优化流量管理策略的重要前提。为此,提出流量缩减率作为预测指标,其定义为单位小时内终端区空域的计划起降流量与实际起降流量之差与计划起降流量的比值,即

(1)$ F_{\mathrm{r}}=\left\{\begin{array}{ll}\frac{F_{\mathrm{p}}-F_{\mathrm{a}}}{F_{\mathrm{p}}}, & F_{\mathrm{p}}>F_{\mathrm{a}} \\0, & F_{\mathrm{p}} \leqslant F_{\mathrm{a}}\end{array}\right.$

式(1)中:F_r为流量缩减率; F_p为单位小时内终端区的计划起降流量;F_a为单位小时内终端区的实际起降流量。

对流天气的覆盖位置和大小是影响流量缩减率的主要因素。当对流天气覆盖在跑道附近时,航空器几乎无法起降,会对终端区流量造成显著影响;当对流天气覆盖在主要进离场航路时,航空器需要根据天气阻塞情况进行绕飞,阻塞越严重流量受损越显著。因此,将终端区空域划分为跑道邻近区、进离场航线区及外围监测区三类,以精准解析不同区域天气特征。

以2019年广州白云机场终端区为例,其空域配置含5个进场移交点(ATAGA、IGONO、P270、IDUMA、GYA)与5个离场移交点(P268、YIN、LMN、VIBOS、P50),主要进离场航线如图1(a)所示。其中,GYA、IGONO、ATAGA为繁忙进港点,分别占进港流量的33.5%、31.6%和19.8%,IDUMA和P270方向的进港航班相对较少,分别占10.8%和4.3%;P268、YIN、LMN为繁忙离港点,受临时航线运行限制,P268和YIN方向灵活调配,离港航班合计占离港流量的36.3%,LMN方向占37.2%,VIBOS和P50方向灵活调配,离港航班合计占26.5%。

以塔台为中心对空域进行划分:30 km半径内为跑道邻近空域;30~125 km区域设置间隔5°的径向假想航路,用于后续评估各方向的航路阻塞率;125~200 km环状带设为外围天气监测区。以10个进离场点为中心进一步细分,20 km半径覆盖范围内的假想航路界定为该进离场点的受影响范围,形成10个进离场航路空域区块,与1个剩余空域区块以容纳未归类的假想航路,最终构成13个子区域,如图1(b)所示。

基于上述空域划分,终端区流量影响动态预测可建模为:通过一定步长的历史天气特征数据,推导下一时序单元的流量缩减率,即

(2)$F_{\mathrm{r}}=f\left(x_{t}, x_{t+1}, \cdots, x_{t+n-1}\right)$

式(2)中:F_r为第t+n个时间步的流量缩减率;f(·)为预测模型;n为输入序列长度;x_t为第t个时间步的13个子区域的天气特征。

2 特征构建

航空器起降受跑道邻近空域的对流天气覆盖范围直接影响,航路空域可用性由垂直方向对流天气阻塞程度决定^[8]。基于空域形态差异,采用天气危险指数评估面状空域(跑道邻近与外围空域)的覆盖强度,采用空域阻塞率量化条形空域(进离场空域及剩余空域)的天气阻塞程度。

2.1 天气危险指数

天气危险指数是指空域中被危险天气所覆盖的比例^[8],其计算公式为

(3)$D=\frac{S_{\mathrm{w}}}{S}$

式(3)中:D为空域的天气危险指数;S为空域的面积;S_w为对流天气在空域中的覆盖面积。

2.2 空域阻塞率

定义空域阻塞率为研究空域中所有假想航路的航路阻塞率均值。航路阻塞率计算原理如图2所示,沿假想航路垂直方向划设等距平行线组(平行线间隔为5 km,平行线左右两侧线段宽度为L_left=L_right=10 km),分别量化航线双侧天气避让区沿平行线方向的最大覆盖占比,对双侧极值进行均值处理,所得值即为该假想航路的阻塞率。航路阻塞率的计算公式为

(4)$\beta_{n}=\frac{1}{2}\left[\max \left(\frac{L_{\text {left }}^{i w}}{L_{\text {left }}}\right)+\max \left(\frac{L_{\text {right }}^{i w}}{L_{\text {right }}}\right)\right]$

式(4)中:β_n为第n条假想航路的航路阻塞率;${L}_{\mathrm{l}\mathrm{e}\mathrm{f}\mathrm{t}}^{iw}$、${L}_{\mathrm{r}\mathrm{i}\mathrm{g}\mathrm{h}\mathrm{t}}^{iw}$为第i条线段分别在航线左侧和右侧所有对流天气避让区w的覆盖长度。

进而空域阻塞率为

(5)$A=\frac{\sum_{n=1}^{N} \beta_{n}}{N}$

式(5)中:A为空域阻塞率;N为空域中假想航路的条数;β_n为第n条假想航路的航路阻塞率。

2.3 天气特征构建

针对图1(b)中的13个子区域分别构建天气特征,其中跑道邻近空域和外围空域使用天气危险指数,进离场航线空域和剩余空域使用空域阻塞率,根据每个时间步的天气可得到13个天气特征,如表1所示。

3 基于MHSA-LSTM的终端区流量影响程度预测模型

终端区流量衰减预测本质上是时空耦合的复杂系统建模问题,需同步解析对流天气的时空传播特性与流量序列中跨时间步的关联,因此,建立一种多头自注意力机制(MHSA)增强的LSTM混合架构(MHSA-LSTM),其框架如图3所示,包含三级特征交互机制,具体如下。

(1)时序特征提取层。采用滑动时间窗口提取多维空间天气特征,输入LSTM网络建模天气因子的时序传播规律及其对流量衰减的累积效应。

(2)全局关联建模层。将LSTM隐层状态向量映射至MHSA空间,通过并行化多头注意力分别计算时间步之间的权重,实现关键时间步信息的自适应融合。

(3)动态预测解码层。基于注意力加权的时空特征表示,经全连接网络输出终端区流量缩减率预测值。

图3模型中的LSTM模块是循环神经网络(recurrent neural network, RNN)的进阶架构,LSTM^[16]通过门控机制(输入门、遗忘门、输出门)与记忆单元动态调控时序信息的传递,有效缓解传统RNN的梯度消失问题,其单元结构如图4所示。

该模型的核心为记忆单元c_t,贯穿整个时间序列,可传递并更新信息,缓解传统RNN的梯度消失或爆炸问题。遗忘门仅由sigmoid激活函数构成(记为σ,输出为f_t),根据前一时刻隐藏状态h_t_-₁与当前输入x_t计算,决定前一时刻记忆单元c_t_-₁的信息保留与丢弃。输入门由sigmoid与tanh激活函数组成:sigmoid输出i_t确定当前输入保留权重,tanh生成候选记忆单元$\tilde{\boldsymbol{c}}_{t}$;二者相乘后与遗忘门处理后的c_t_-₁相加,得到当前记忆单元c_t。输出门由sigmoid与tanh激活函数构成:sigmoid输出o_t控制信息输出比例,tanh将c_t映射为非线性状态后与o_t相乘,得到当前隐藏状态h_t,并传递至下一时刻。

模型中的MHSA模块通过多头并行注意力机制重构LSTM输出的时序特征,其技术实现(图5)包含3个阶段,具体如下。

(1)特征子空间映射。首先分成m个自注意力头关注输入序列的不同特征子空间,每个头分别将LSTM的隐藏层输出H=[h_t₊₁,h_t₊₂,…,h_t₊_n]转换为查询矩阵Q_i、键矩阵K_i和值矩阵V_i。

(2)自注意力计算。在每个子空间内,通过缩放点积注意力计算时间步间的关联权重,并与值矩阵V_i相乘得到自注意力输出Z_i。

(3)特征融合输出。拼接各子空间注意力输出,经全连接层降维后获得加权时序特征Z_multihead,其物理意义为输入序列中对流天气动态变化信息的总结。

具体计算公式为

(6)$\left\{\begin{array}{l}\boldsymbol{Q}_{i}=\boldsymbol{H} \boldsymbol{W}_{i}^{(q)} \\\boldsymbol{K}_{i}=\boldsymbol{H} \boldsymbol{W}_{i}^{(k)}, \quad i=1,2, \cdots, m \\\boldsymbol{V}_{i}=\boldsymbol{H} \boldsymbol{W}_{i}^{(v)}\end{array}\right.$

(7)$\boldsymbol{Z}_{i}=\operatorname{softmax}\left(\frac{\boldsymbol{Q}_{i} \boldsymbol{K}_{i}^{\mathrm{T}}}{\sqrt{d_{K_{i}}}}\right) \boldsymbol{V}_{i}$

(8)$\boldsymbol{Z}_{\text {multihead }}=\operatorname{concat}\left(Z_{1}, Z_{2}, \cdots, Z_{m}\right) \boldsymbol{W}^{(o)}$

式中:H为MHSA的输入,即LSTM的输出;$ \boldsymbol{W}_{i}^{(k)}$、$\boldsymbol{W}_{i}^{(q)}$、$\boldsymbol{W}_{i}^{(v)}$分别为第i个头对应的查询、键、值变换权重矩阵;d_{K_i}为第i个头键向量的维度;concat为拼接操作;W⁽^o⁾为输出权重。

4 实例分析

4.1 实验数据

以广州终端区为实证对象,选取2019年4月16日—7月30日的对流天气数据和航班计划数据进行联合分析。其中,对流天气数据基于多普勒雷达反射率因子构建,如图6所示,数据时间分辨率为6 min。研究表明,反射率≥40 dBZ的区域被定义为飞行避让区(航空器需主动绕飞),反射率<40 dBZ区域可正常通行^[8]。根据飞行避让区分别计算13个子区域的天气特征。

航班计划数据如表2所示,结合广州机场实际起降时间、计划起降时间等核心字段,计算与天气特征同步的滚动小时计划流量与实际流量的差值,从而得到每个时间步天气特征对应的流量缩减率。例如:天气数据更新时刻为08:12,则对应计算该时刻的13个子区域天气特征,以及08:12—09:12的流量缩减率,从而得到一组数据样本。针对08:00—24:00运行高峰时段,最终计算得到5 937组时空匹配样本,如表3所示。

4.2 实验设置

实验使用的Python版本为3.8,基于Pytorch2.0.1深度学习框架搭建模型。每个时间步的输入特征维度为13,输出维度为1,隐藏层维度为100,隐藏层层数为2,注意力头数为4,批次大小为64,训练300轮,使用的优化器为Adam,学习率为0.001,测试集比例为20%。

4.3 模型评价指标

采用平均绝对误差(mean absolute error, MAE)、均方根误差(root mean squared error, RMSE)和决定系数(R²)来评估模型的预测性能。其计算公式分别为

(9)$\text { MAE }=\frac{1}{n} \sum_{i=1}^{n}\left|\hat{y}_{i}-y_{i}\right|$

(10)$\text { RMSE }=\sqrt{\frac{1}{n} \sum_{i=1}^{n}\left(\hat{y}_{i}-y_{i}\right)^{2}}$

(11)$R^{2}=1-\frac{\sum_{i=1}^{n}\left(y_{i}-\hat{y}_{i}\right)^{2}}{\sum_{i=1}^{n}\left(y_{i}-\bar{y}\right)^{2}}$

式中:${\widehat{y}}_{i}$和y_i分别为第i个样本的预测值和真实值;$\stackrel{-}{y}$为真实值的平均值;n为样本总数。

4.4 输入序列长度分析

分别采用3、4、…、14个时间步的天气特征去预测下一个时间步的流量缩减率,进行对比实验,研究输入序列长度对MHSA-LSTM模型性能的影响,测试集上的模型表现如表4和图7所示。随着输入序列长度的增加,MAE和RMSE总体呈现下降趋势,R²总体呈上升趋势,当输入序列长度达到12时,模型表现最佳,此时MAE和RMSE处于最小状态,分别为0.027、0.037;R²达到最高,为0.936。当输入序列长度继续增加时,R²下降,同时MAE和RMSE趋于升高。

这表明较长的输入序列能够提供更多的历史信息,有助于模型更好地捕捉时间序列中的依赖关系,而过长的输入序列可能导致模型复杂度增加,进而性能下降。因此,取输入序列长度为12进行后续实验。

4.5 预测结果分析

为验证MHSA-LSTM模型的预测效果,将其与SVR、RF、RNN、LSTM、门控循环单元(gated recurrent unit, GRU)进行对比,其中RNN及其各种变体的实验设置保持不变,输入序列长度均取12。测试集上模型表现如表5所示。其中,MHSA-LSTM模型预测效果最好,与SVR、RF、RNN、GRU相比,MAE分别降低了61.97%、53.45%、43.75%、20.59%;RMSE分别降低了58.89%、53.16%、41.27 %、15.91%;R²分别提高了48.10%、30.18%、15.13%、2.97%。就拟合效果而言,MHSA-LSTM模型与真实值拟合得最好,R²达93.6%,LSTM次之,SVR最差。此外,与未加多头注意力机制的LSTM相比,MHSA-LSTM模型MAE降低了10.00%,RMSE降低了13.95%,R²提高了2.30%,表明多头注意力机制可以进一步提高模型预测性能。

图8分别为2019年6月18日与7月19日MHSA-LSTM模型与机器学习模型和深度学习模型的流量缩减率预测结果对比,整体而言MHSA-LSTM模型的预测效果最好。6月18日的预测结果如图8(a)、图8(b)所示,RF能够预测流量缩减的大概趋势,预测误差较小;SVR预测误差相对较大,拟合效果最差;RNN拟合效果较差;GRU部分时段预测误差较大;LSTM和MHSA-LSTM整体拟合效果最好,更贴合实际流量缩减情况。7月19日的预测结果如图8(c)、图8(d)所示,机器学习模型中SVR的预测稳定性较差;LSTM在峰值上预测欠佳,引入多头注意力后预测效果提升。

MHSA-LSTM模型在测试集上的表现如图9和表6所示,整体预测效果较好,预测误差的绝对值在0.05以内的样本占96.81%,误差绝对值在0.1以内的样本达99.74%,预测准确性高。

4.6 区域天气影响分析

图10为样本数据中不同缩减率范围下的各区域天气影响情况。雷达图中的每个轴对应一个划分区域的天气特征,最外围闭合图形与轴的交点表示该缩减率范围下的区域阻塞率均值或天气危险指数均值。当流量缩减率不超过0.3时,各区域的天气影响普遍较小,天气危险指数和空域阻塞率均不超过0.2。随着流量缩减率的增加,IGONO、ATAGA、GYA、跑道邻近空域、剩余空域、P268、YIN和LMN空域的天气影响程度呈大幅度正比例增加,并在缩减率超过0.8时,天气影响都各自达到最大值,空域可用性几乎很小,这表明上述区域的天气状况对终端区的流量衰减有极大影响。而IDUMA、P270、P50、VIBOS空域的天气影响却随着流量缩减率的增加,呈先增加后减小的趋势;此外,外围空域的天气危险指数几乎不变,说明这些区域的天气状况对飞行流量的影响较小。

对广州终端区的两个典型日 (2019年4月20日、2019年6月4日) 的天气与流量缩减率进行进一步分析。其中,图11(a)为2019年4月20日 09:00—10:06的对流天气避让区分布,其对应的10:12—11:12的流量缩减率为60%。可以看出,这个时段的对流天气呈条带状,完全阻断了P268、YIN离场与ATAGA进场,并从西北向东南方向逐渐发展,进一步影响了IGONO、GYA进场与跑道邻近空域,这些空域的航班流量较大,受天气影响严重,有60%的航班无法正常起降。图11(b)为2019年6月4日12:54—14:00的对流天气分布,其对应的14:06—15:06的流量缩减率为21%。该时段中对流天气呈散块状,主要影响了东南方向流量相对较少的P270、IDUMA进场与VIBOS、P50离场,这些空域的可用性降低对终端区的航班影响相对较小。因此,管制员应重点监测GYA、P268、YIN、ATAGA、IGONO、LMN以及跑道邻近空域这些大流量区域的天气状况,进行合理的流量管理,以提升终端区运行效率。

5 结论

(1)基于MHSA-LSTM模型的深度学习预测方法,与SVR、RF、RNN、LSTM、GRU相比,MAE和RMSE明显降低,R²明显提高,具有更高的预测精度,能够有效捕捉对流天气的动态变化对终端区流量衰减的影响。

(2)多头注意机制能够更好地整合输入序列中的重要信息,进一步提高模型的预测性能:MHSA-LSTM与LSTM相比,MAE降低了10.00%,RMSE降低了13.95%,R²提高了2.30%。

(3)各区域的天气特征与流量缩减率的关系表明:流量较大的进离场航线空域(IGONO、ATAGA、GYA、P268、YIN及LMN区域)、跑道邻近空域以及剩余空域的可用性对终端区的流量衰减有极大影响,管制员应重点关注上述空域的天气状况。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	杨尚文, 胡明华, 赵征, 等. 终端区动态容量预测模型[J]. 南京航空航天大学学报, 2012, 44(1): 113-117.

[2]	Yang Shangwen, Hu Minghua, Zhao Zheng, et al. Terminal area dynamic capacity prediction model[J]. Journal of Nanjing University of Aeronautics and Astronautics, 2012, 44(1): 113-117.

[3]	田勇, 杨双双, 万莉莉, 等. 扇区动态容量评估方法研究[J]. 系统工程理论与实践, 2014, 34(8): 2163-2169.

[4]	Tian Yong, Yang Shuangshuang, Wan Lili, et al. Research on the method of sector dynamic capacity evaluation[J]. Systems Engineering-Theory & Practice, 2014, 34(8): 2163-2169.

[5]	赵征. 空域容量评估与预测技术研究[D]. 南京: 南京航空航天大学, 2015.

[6]	Zhao Zheng. Research on airspace capacity assessment and forecast[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2015.

[7]	Matthews M P, Delaura R, Venuti J. Strategic forecasts of TRACON airspace capacity during convective weather impacts[C]// 17th AIAA Aviation Technology, Integration, and Operations Conference. Denver: AIAA, 2017: 3430-3441.

[8]	温瑞英, 何家兴, 王红勇. 支持稳定航迹优化的空中交通多元复杂度计算方法[J]. 交通运输系统工程与信息, 2025, 25(1): 258-269.

[9]	Wen Ruiying, He Jiaxing, Wang Hongyong. Multifaceted complexity calculation method for air traffic supporting stable trajectory optimization[J]. Journal of Transportation Systems Engineering and Information Technology, 2025, 25(1): 258-269.

[10]	毛利民. 对流天气下空域容量预测方法研究[D]. 南京: 南京航空航天大学, 2020.

[11]	Mao Limin. Research on forecasting method of terminal area capacity under the influence of convective weather[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2020.

[12]	毛利民, 彭瑛, 李杰, 等. 基于随机森林的对流天气下终端区容量预测[J]. 系统工程理论与实践, 2021, 41(8): 2125-2136.

[13]	Mao Limin, Peng Ying, Li Jie, et al. Random-forest based terminal capacity prediction under convective weather[J]. Systems Engineering-Theory & Practice, 2021, 41(8): 2125-2136.

[14]	郭聪聪. 对流天气影响下的终端区容量预测方法研究[D]. 南京: 南京航空航天大学, 2021.

[15]	Guo Congcong. Research on forecasting method of terminal area capacity under the influence of convective weather[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2021.

[16]	Wang S J, Yang B T, Duan R R, et al. Predicting the airspace capacity of terminal area under convective weather using machine learning[J]. Aerospace, 2023, 10(3): 288-309.

[17]	王维莉, 王逸文. 基于气象因素与特征选择的进港航班延误可解释预测研究[J]. 交通运输系统工程与信息, 2023, 23(5): 162-171.

[18]	Wang Weili, Wang Yiwen. Explainable prediction of inbound flight delays based on meteorological factors and feature selection[J]. Journal of Transportation Systems Engineering and Information Technology, 2023, 23(5): 162-171.

[19]	周睿, 邱爽, 孟双杰, 等. 基于差分处理的EMD-LSTM短时空中交通流量预测[J]. 科学技术与工程, 2025, 25(2): 842-849.

[20]	Zhou Rui, Qiu Shuang, Meng Shuangjie, et al. Short-term prediction of air traffic flow based on EMD-LSTM of differential processing[J]. Science Technology and Engineering, 2025, 25(2): 842-849.

[21]	Peng Y, Wang H, Mao L M, et al. Terminal traffic flow prediction method under convective weather using deep learning approaches[J]. Transactions of Nanjing University of Aeronautics and Astronautics, 2021, 38(4): 634-645.

[22]	宋维凯, 张洪海, 万俊强, 等. 基于动态时间规整和长短期记忆的空中交通流量短期预测[J]. 科学技术与工程, 2022, 22(25): 11256-11261.

[23]	Song Weikai, Zhang Honghai, Wan Junqiang, et al. Short-term prediction of air traffic flow based on dynamic time warping-long short-term memory[J]. Science Technology and Engineering, 2022, 22(25): 11256-11261.

[24]	王莉莉, 赵云飞. 基于GA、RBF和改进Cao方法的空中交通流预测方法[J]. 交通信息与安全, 2023, 41(1): 115-123.

[25]	Wang Lili, Zhao Yunfei. A method for predicting air traffic flow based on a combined GA, RBF, and improved Cao method[J]. Journal of Transport Information and Safety, 2023, 41(1): 115-123.

[26]	杨国洲, 王云毅. 考虑波动因素的终端区空中交通流量预测仿真[J]. 计算机仿真, 2024, 41(11): 6-10, 177.

[27]	Yang Guozhou, Wang Yunyi. Simulation of air traffic flow prediction in terminal area considering fluctuation factor[J]. Computer Simulation, 2024, 41(11): 6-10, 177.

[28]	王欣, 孟天宇, 周俊曦. 基于注意力与LSTM的航空发动机剩余寿命预测[J]. 科学技术与工程, 2022, 22(7): 2784-2792.

[29]	Wang Xin, Meng Tianyu, Zhou Junxi. Remaining useful life prediction for aircraft engine using attention based LSTM[J]. Science Technology and Engineering, 2022, 22(7): 2784-2792.