随着全球航空运输量持续攀升,机场运行面临安全保障与效率提升的双重挑战。滑行时间作为航班地面运行的核心环节,直接关联跑道资源利用率、停机位周转效率及航班准点率。因此,作为突破机场运行效率瓶颈的关键,航空器滑行时间预测研究对优化场面调度、降低运营成本、提升整体运行效能具有重要的现实意义。
Idris等
[1]分析了影响滑行时间的主要因素。Ravizza等
[2]将滑行距离分为推出段、转弯段和直线段,构建了多元线性回归模型预测离场滑行时间。Idris等
[1]和Zhang等
[3]分别探讨了滑行速度和畅通滑行时间对滑行延误的影响。周建等
[4]采用正交距离回归与多元线性拟合建立滑行时间数学模型。随着研究的深入,更多先进技术相继被引入。李楠等
[5]基于多元回归模型说明机器学习的预测准确度显著高于传统方法。Wang等
[6]比较了随机森林等多种算法,发现使用少量特征即可实现较高准确性的预测。Lee等
[7]开发了基于决策树的模型用于滑行时间预测。Herrema等
[8]和Jeong等
[9]研究了神经网络和长短期记忆网络(long short-term memory network,LSTM)在滑行时间预测中的应用。Vargo等
[10]提出了一种基于计算机视觉模型预测滑行时间的方法。Wang等
[11]利用Informer和随机森林模型进行滑行时间预测。赵征等
[12]提出了基于极限梯度提升(extreme gradient boosting,XGBoost)的动态滑行时间预测方法。廉冠等
[13]针对传统方法难以捕捉滑行过程复杂时空特性的问题,提出融合图卷积网络(graph convolutional network,GCN)与门控循环单元(gated recurrent unit,GRU)、引入双尺度注意力机制的动态时空图卷积网络(dynamic spatiotemporal graph convolutional network,DST-GCN)离港航班滑行时间预测模型。Yuan等
[14]以浦东国际机场为对象,构建基于卷积神经网络-门控循环单元(convolutional neural network-gated recurrent unit,CNN-GRU)的混合深度学习模型用于起飞滑行时间预测。Yuan等
[15]又构建基于胡桃夹优化算法与XGboost的额外滑行时间预测模型。跑道占用时间作为滑行时间的一部分,李楠等
[16]提出结合灰狼优化算法与随机森林的跑道占用时间预测模型。随后,Li等
[17]提出了一种基于深度学习的方法用于预测离场航空器的滑行时间,利用神经网络模型,预测精度明显高于其他模型。夏正洪等
[18]构建随机森林模型,探究跑滑系统构型对离港航班场面滑行时间的影响。
在航班离场推出控制研究中,Simaiakis等
[19]提出了推出率控制的概念。Desai等
[20]进一步发展,提出了一种基于滑行道排队长度的动态调整推出方法。Mori
[21]引入固定缓冲时间,提出了一种具有鲁棒性的离场推出时间计算方法。张颖等
[22]基于概率滑行时间提出了一种航空器离场推出柔性控制方法。
在针对提升机场运行效率的研究中,孙若飞等
[23]针对滑行道拥堵问题,提出结合遗传算法与Yen算法的速度优化方法,构建以滑行时间和尾气排放为目标的模型。张兆宁等
[24]通过分析滑行道运行态势构建优化模型,能够提升滑行道的整体运行效率。赵文涛等
[25]基于推出率控制策略与路径优化,构建航班离场成本计算模型并以遗传算法求解,实现减少离场航班总滑行时间与提升环保效益。钟庆伟等
[26]以预防路径冲突为约束,构建滑行时间最短与二氧化碳排放量最小的模型。四者共同为机场滑行优化提供了多元且有效的技术路径。
传统滑行时间预测模型普遍采用整体同质化建模思路,将推出、滑行道行驶、跑道滑跑等具有显著动力学差异的阶段视为统一过程,忽略了不同环节的主导影响因素,这种阶段异质性导致传统模型在高峰流量、极端气象等复杂场景下,难以精准捕捉各环节的关键影响因素,进而引发预测误差放大、动态适应性不足等问题。
鉴于此,现提出基于滑行阶段特征解耦的预测方法,通过解析滑行空间拓扑结构与管制运行逻辑,将滑行过程科学划分为具有明确动力学特征的子阶段,并构建分阶段预测模型体系,针对各阶段独特的运行规律,采用适配的机器学习算法实现精准建模。该方法通过阶段性特征解耦,有效降低模型复杂度,是提高滑行时间预测性能的有效方式,能够为机场场面态势感知、全流程运行优化提供量化支撑。
1 离港滑行时间组成
1.1 离港滑行过程分析
机坪管制在机场运行中具有关键作用,基于机坪管制的特性以及管制席位交接专业性,将离港滑行过程按管制职责划分为不同阶段,如
图1所示,各阶段预测结果直接服务于对应管制席位的决策场景,具体定义如下。
(1)Phase1(P1阶段)。始于撤轮挡时刻,止于飞机自主动力滑行启动时刻。此阶段中,牵引车将飞机拖至指定位置,飞机刹车并启动发动机后牵引车撤离;飞行员完成机坪检查后向机坪管制申请滑行许可,须经机坪管制员确认飞机准备就绪并获批许可后,方可进入下一阶段。
(2)Phase2(P2阶段)。始于飞机自主动力滑行启动时刻,止于飞机进入跑道时刻。此阶段涵盖飞机自主动力滑行及排队等候进入跑道,其间机坪管制持续监控飞机滑行路线以确保合规行驶;待飞机抵达跑道入口管制责任会移交至塔台管制席位。
(3)Phase3(P3阶段)。始于飞机进入跑道时刻,止于飞机实际起飞时刻。此阶段中,飞机进入跑道后等待起飞指令,塔台管制员实时监控跑道环境,确认跑道安全且满足起飞条件后下达起飞许可,飞机方可执行起飞操作。
1.2 相关数据集
以北京大兴国际机场2021年2—5月的航班实际运行数据为样本集,该数据集来源于北京大兴国际机场的机场协同决策(airport collaborative decision making,ACDM)系统,总样本数量为35 483条,
表1为ACDM系统中离港航班数据的典型样本。
1.3 离港滑行时间各阶段分布
滑行时间各阶段分布如
图2所示,可以看出,P1阶段滑行时间中位数为6.91 min,呈现双峰分布,首峰值在6.5 min,次峰值在11 min,且次峰频次低于首峰,分布具有明显差异。相较之下,P2阶段的滑行时间呈现偏态分布,数据左侧集中较为明显,而右侧有较长的尾巴,反映在特殊情况下滑行时间可能显著延长。最后可以观察到P3阶段则分布非常集中,且时间远低于P1和P2。
2 滑行时间影响因素
鉴于P1推出阶段与P2滑行道行驶阶段的动力学特征、作业主体及运行场景存在本质差异,针对两阶段分别识别核心影响因素,解析其作用机制,为分阶段建模的特征进行筛选。
2.1 推出阶段影响因素
P1阶段核心是完成航空器从停靠到自主动力滑行的转换,时间消耗主要受时空布局、作业效率、运营规则及外部干扰四类因素影响。停机位位置影响牵引距离与操作便利性,近机位可显著缩短耗时;跑道和停机位匹配关系及跑道繁忙度,通过牵引路径与推出许可节奏影响时间;牵引车待命点距离及路径障碍制约作业响应效率。
(1)牵引车牵引效率。航空器启动、自检、舱门等固定流程的效率影响作业效率。
(2)运营规则与优先级决定推出时序。VIP航班、枢纽中转航班的优先权增加普通航班等待时间;航司作业标准差异及信息传递效率影响推出速率。
(3)天气与突发事件带来不确定性。雨雪、低能见度等气象条件降低操作效率;地面事故、航空器故障或空中流量管控等临时事件会导致耗时大幅增加。
2.2 滑行道行驶阶段影响因素
P2阶段核心是航空器的空间转移,时间消耗受滑行道拓扑、交通流量、航空器及突发干扰四类因素综合调控。滑行道拓扑结构是空间基础约束,滑行道的长度、弯道、交汇点、宽度影响流畅度,交汇点密集易引发冲突;跑道衔接方式(快速出口/普通滑行道)及入口排队容量。
(1)交通流量是时间波动主因。同向滑行需保持安全间隔,逆向交叉需避让;跑道入口排队长度与前序航班间隔直接影响等待耗时。
(2)航空器差异。机型决定最大滑行速度与转弯半径,宽体机效率低于窄体机,单发滑行等策略降低速度等。
(3)天气与突发事件。低能见度、地面结冰、强侧风等气象条件显著降低滑行速度;滑行道异物、航空器事故等会致滑行道临时关闭。
2.3 特征的选择与处理
2.3.1 特征选择
由2.1节、2.2节分析可知,P1以静态约束为主导,影响因素时空关联性强;P2以动态流量为主导,影响因素实时性高。该差异为分阶段建模提供核心依据:P1聚焦静态特征,适配识别关键静态因素的算法;P2聚焦动态特征,适配拟合复杂非线性关系的算法。结合北京大兴国际机场运行环境与ACDM系统数据集,经数据处理选取
表2中特征输入模型;为了提升预测能力,进一步引入
表3所示的交互特征。
2.3.2 特征处理
为提高模型输入特征的质量,进行以下处理。
(1)类别变量编码。对多个类别特征如机型、航空公司、标准离港程序、初始扇区和畅通拥堵判断,使用了标签编码。特殊天气则使用二分类方法,特殊天气(风、霜、雨、雪、雷电、低能见度)为1,正常天气为0。标签编码能够将类别特征转化为整数,同时保证类别之间的顺序关系得以保留。
(2)目标编码。为进一步增强类别特征的表达能力,针对停机位和跑道特征采用了目标编码方法。该方法通过计算每个类别与目标变量之间的平均值,将类别变量转换为数值特征。
(3)数值特征标准化。为了消除不同特征量纲之间的差异,使用标准缩放对数值特征进行标准化处理,调整特征值的均值为0,方差为1。进港数目、离港数目、进离港数目等特征都经过了标准化处理,以确保所有数值特征在相同的尺度下参与模型训练。
3 分阶段滑行时间预测
3.1 模型框架搭建
首先将滑行过程解构为具有不同动力学特征的三个阶段。其中,P1与 P2阶段在总滑行时间中占比超过90%,且时间分布差异较大。因此,本研究采用机器学习模型,针对P1、P2阶段的运行特性构建独立预测模块。相比之下,P3阶段在总滑行时间中占比相对较小,且该阶段运行模式较为固定,通过机器学习方法提升预测精度的边际效益有限,因此采用统计学方法,以历史数据中P3阶段滑行时间的中位数作为结果。最终,将P1、P2、P3三个阶段的预测结果线性叠加,即获得整个滑行过程的总预测时间,具体预测流程如
图3所示。
这种分阶段建模策略不仅有效降低了模型的复杂度,同时通过差异化处理显著提升了整体预测性能。同时,模型可预测各阶段滑行时间,各个阶段预测结果可单独进行分析利用,以提高场面利用率和减少等待时间。
3.2 阶段模型选择以及预测结果
数据集与1.2节相同,均源自ACDM系统。每条数据涵盖日期、航班号、VIP标识、机型、停机位、跑道号、推出时刻、滑行时刻、进跑道时刻、除冰坪进入时间、地面初始扇区及特殊天气等信息。
对原始数据的预处理主要包括筛选掉滑行时进行除防冰的航班、筛选并删除异常值、使用中位数填充空缺值。对航班数据二次统计处理得到航班滑行期间的进离港数目等特征如
表1所示。使用随机采样法划分训练集和测试集,选定80%的数据作为训练集,其余20%为测试集。通过贝叶斯算法对模型的参数进行了调优。
3.2.1 阶段特征重要性分析
运用基于博弈论的沙普利可加解释(Shapley additive explanations,SHAP)方法,对模型关键影响因素进行定量评估。通过计算特征的边际贡献,为每个输入变量分配相应的SHAP值,其数值大小表征特征在具体样本中的相对重要性。
图4为P1阶段SHAP分布,其中跑道的SHAP值最高约0.9,表明跑道选择对滑行时间预测具有最显著的影响。紧随其后的是停机位,SHAP值约为0.85,表明停机位位置对飞机推出效率影响显著。第三个重要特征是机型,不同机型导致推出流程的差异,其SHAP值约0.4。不同航空公司的运营方式或程序会对滑行时间产生影响,其SHAP值约为0.3。
图5为P2阶段SHAP分布,其中进离港数目影响力最高,其SHAP值约为4.5,显示出整体流量对滑行时间的显著影响。其次,高峰小时吞吐量的SHAP值约为1.5,这一指标反映了机场的运行能力与滑行时间相关。接下来是进港数目与离港数目这一组合特征,其SHAP值约为0.4,进一步说明场面繁忙程度对滑行时间的影响。
以上分析展示了各阶段主要特征的影响力,其他特征影响力较小,未在此处列示。
上述分析中P1、P2阶段呈现显著特征差异。P1阶段的关键影响因素集中于机场基础设施布局,如跑道与停机位的空间分布、远近机位的差异,这些静态特征直接决定地面推出效率;P2阶段则以动态流量因素为主导,进离港航班数量及其时空分布对滑行时长产生主要影响。
其中值得注意的是,特殊天气的SHAP相较于其他因素很低。经分析可知,天气对于滑行时间的影响本质上是首先影响场面流量,再影响滑行时间。
这种阶段特异性特征分布表明,不同滑行阶段的主导影响因子存在本质差异。通过针对性构建阶段特征集,采用适配算法独立建模,印证了分阶段建模在滑行时间预测研究中的必要性与有效性。
3.2.2 P1阶段模型以及预测结果
选择随机森林、支持向量回归、XGboost、轻量级梯度提升机(light gradient boosting machine,LightGBM)4种机器学习模型对Phase1阶段滑行时间预测,评估结果如
表4所示。其中,LightGBM在训练集和测试集上的表现均优于其他模型。因此,将LightGBM作为P1阶段滑行时间预测的最优模型。
为了直观观察模型在P1阶段的效果,随机抽样进行对比,如
图6所示,其中红色圆点表示实际滑行时间,蓝色方块表示预测滑行时间,模型的预测结果与实际滑行时间整体趋势一致。
3.2.3 P2阶段模型以及预测结果
同样选择上述4种机器学习方法对P2阶段滑行时间进行预测,评估结果如
表5所示,XGBoost模型在训练集和测试集上的表现均优于其他模型。
引入P1阶段的预测值作为P2阶段模型的特征。P1是前置环节,P1耗时直接决定航空器进入P2的时间节点与初始状态;P1预测结果是推出阶段内停机位、机型、作业效率等多因素的综合量化,可补充P2模型中动态流量特征的不足,同时捕捉两阶段隐性关联。这一方法旨在增强模型的时序性和阶段间的关联性,这种时序信息的增强使得模型在处理复杂时序数据时表现出更强的预测能力。
由
表6可知,XGboost模型在引入P1预测结果后表现出明显改进,MAE、MSE下降,且模型的拟合度(
R2)也有所提高,表明该模型在引入P1预测结果后优化最为显著。LightGBM模型在引入P1预测结果后,虽然
R2提升较大,但MAE和MSE却有增加,表明该模型需要进一步的调整优化。因此,选择XGboost作为P2阶段的最优模型。
为了直观评价模型在P2阶段预测效果,随机抽取样本进行对比,结果如
图7所示,其中红色圆点表示实际滑行时间,蓝色方块表示预测滑行时间。预测结果与实际滑行时间整体趋势一致,预测较为准确。
3.3 整体模型评估
3.3.1 整体预测结果
为了直观评价模型对于滑行时间全阶段整体预测效果,随机抽取200个预测值与真实值进行对比,如
图8所示,其中红色圆点表示实际滑行时间,蓝色方块表示预测滑行时间。模型的预测结果与实际滑行时间整体趋势一致,尤其是在中等滑行时间段(10~45 min)内,预测较为准确。
3.3.2 整体模型预测性能
为了验证分阶段预测的优越性,利用上述4种机器学习模型对滑行时间全过程整体进行预测,以及所提出的分阶段预测模型进行对比评估。特征选取一致,采用MAE、MSE和
R2作为核心评价指标,具体结果如
表7所示。
测试集结果表明,分阶段模型的MAE为1.796,MSE为7.142,R2为0.887,较整体预测下的其他机器学习模型均有优势,具备更高的预测精准度。此外,通过五折交叉验证对模型泛化性能进行评估,本文模型的CV MAE达到1.277±0.016,显著优于整体预测下的机器学习模型的波动水平,验证了其在不同数据子集上预测性能的稳定性和鲁棒性,表明该模型具备良好的泛化能力和跨数据集适应性。
在不同误差容忍区间下,本文模型与对比模型的预测准确率对比如
表8所示。在±1、±2 min 的误差标准下,本文模型与XGBoost处于同一精度水平,显著优于支持向量回归与随机森林。当误差容忍度依次放宽至±3、±4、±5 min 时,所提出的分阶段预测模型预测准确率分别达到85%、92%和96%。在±5 min的评估标准下,相较于XGBoost,本文模型的预测精度提升约2.1%。上述结果表明,分阶段预测模型在不同误差阈值下均展现出稳定且优异的预测性能,尤其在相对宽松的误差约束场景中优势显著。
综合考虑各个模型表现,分阶段预测模型显示了较低的误差水平和更强的泛化能力,证明了运用相同的机器学习模型时,对滑行时间进行分阶段处理够提供更加可靠和稳定的预测结果。在实际运营中的适用性更强,在滑行时间不确定性较大的机场场景下应用表现良好。
4 结论
(1)针对传统离港滑行时间预测采用整体同质化建模(撤轮挡至抬轮起飞全流程)、忽略阶段差异导致预测瓶颈问题,结果表明,所提出的阶段解耦多模型融合预测方法,即通过划分推出(P1)、滑行道行驶(P2)、跑道滑跑(P3)三阶段,分别采用LightGBM、XGBoost及历史统计中位数构建独立模型并叠加结果,可显著提升离港滑行时间预测的准确性与可靠性。
(2)本文方法突破传统整体建模一刀切局限,基于阶段动力学特征差异实施分开预测,为各阶段匹配专属算法与特征集,显著提升预测针对性;结合SHAP方法量化解析各阶段核心影响因素(如P1的跑道/停机位、P2的进离港流量),破解机器学习黑箱问题,为模型解释提供科学量化依据。
(3)模型测试集MAE较传统方法降低15.7%,±5 min误差容忍度下预测准确率达96%,且在高峰流量、恶劣气象等极端情况下仍保持高鲁棒性。针对复杂预测场景的阶段化建模可显著提升预测结果的准确度与可靠性,其通过精准匹配过程各阶段的特征差异与建模需求,有效规避了传统整体建模的局限性,为相关领域预测问题的优化提供了兼具科学性与可操作性的技术路径,是一种具备明确实践意义与应用价值的预测优化方法。
(4)未来研究可从三方面深化:一是拓展特征维度,将精细化气象数据、除冰等特殊地面作业流程纳入影响因素,提升模型对复杂运行场景的覆盖能力,提升P1阶段模型的准确度;二是数据与算法优化,融合场监雷达等多源实时数据,结合先进的深度学习算法进一步提升模型的实时性与泛化能力;三是管制决策联动应用实现,各阶段结果可为机坪推出调度、滑行道流量管控提供数据支持。可基于P1预测结果优化地面牵引调度策略,依托P2预测构建滑行路线动态重规划机制,强化预测结果对机场场面运行优化的实际支撑效能。
PDF
(5130KB)
