徐肖豪*,李善梅

中國民航大學 空中交通管理學院,天津 300300

空中交通擁擠是指在某一時段內,由于某空中交通單元(機場、航路、終端區(qū)、區(qū)域)的交通需求與其交通容量發(fā)生矛盾而引起的交通滯留現象或滯留態(tài)勢[1]。

隨著航空運輸業(yè)務的迅猛發(fā)展,在相對有限的空域資源條件下,交通擁擠現象日益嚴重,嚴重影響著空中交通運行的安全與效率。要緩解空中交通擁擠,首先需要確定交通擁擠發(fā)展態(tài)勢,以便采取相應的交通管理措施。因此,空中交通擁擠態(tài)勢的識別與預測(本文簡稱為空中交通擁擠的識別與預測)作為有效實施擁擠管理的基礎和前提,成為國際民航學術界的一個重要研究內容。

本文通過歸納國內外該領域已有的主要研究成果,從4個方面對空中交通擁擠的識別與預測方法的研究狀況進行了綜述:首先介紹了空中交通擁擠概念的研究狀況；接著介紹了空中交通擁擠識別研究中采用的主要方法；然后介紹了空中交通擁擠預測研究中采用的主要方法；最后指出近年的有關研究熱點,并展望未來的研究方向。

1 空中交通擁擠概念的研究

空中交通擁擠概念的研究,是隨著航空運輸業(yè)的不斷發(fā)展而逐步深入的。20世紀六、七十年代,由于空中交通量的不斷增加,流量問題逐漸出現,人們就此開始研究空中交通流量管理。在流量管理研究中發(fā)現,當交通容量與流量不匹配時,常常導致交通擁擠發(fā)生。因此,開始了對空中交通擁擠概念及其相關問題的研究。隨著航路航線的不斷增多,惡劣天氣的頻繁出現,空中交通運行的復雜性逐步加大,嚴重影響著空中交通的有序高效運行,人們進一步結合交通運行復雜性的研究對擁擠概念進行了研究。隨著研究的不斷深入,人們發(fā)現空中交通擁擠常常引發(fā)航班延誤增多和管制員負荷增加兩大重要后果,于是便開始從航班延誤和管制員負荷增加的角度來研究空中交通擁擠概念及其相關問題。

可見,從形成因素和導致后果的不同角度,就形成了2個方面對擁擠概念的研究。其中,有關形成因素的擁擠概念研究包括:結合容流匹配因素的擁擠概念研究和結合運行復雜性的擁擠概念研究；有關導致后果的擁擠概念研究包括:結合航班延誤的擁擠概念研究和結合管制員負荷增加的擁擠概念研究。

1)結合容流匹配因素的擁擠概念研究

流量管理研究中發(fā)現,導致擁擠的重要因素是空中交通需求與交通容量的不匹配。因此,文獻[2]給出的結合容流匹配因素的擁擠概念為:某交通單元在某時段內,空中交通需求與交通容量不平衡的交通運行狀態(tài)。

2002年,美國在研制增強型流量管理系統(tǒng)(Enhanced Traffic Management System,ETMS)的過程中,應用了基于上述因素的擁擠概念,將扇區(qū)、定位點和機場的交通需求與容量門限值(Monitor Alert Parameter,MAP)相比較,從而判定并得到空中交通的擁擠狀況[3]。2005年,美國麥特公司(MITRE)的Wanke等同樣采取此類概念來研究空中交通擁擠,并且基于需求與容量的不確定性提出了“擁擠風險”的概念[2]。2010年,美國的Rehwald和Hecker進一步將該概念應用于機場的擁擠概念研究,將進離場交通需求與容量的不平衡作為機場交通擁擠狀態(tài)的概念[4]。2011年,田文和胡明華將該概念應用于扇區(qū)擁擠研究,將扇區(qū)交通需求與容量的不平衡作為扇區(qū)擁擠狀態(tài)的概念[5]。

2)結合運行復雜性的擁擠概念研究

空域運行的復雜性因素可以分為顯性因素和隱性因素。顯性因素主要指在交通運行過程中,可以直觀顯示、度量或應用的空中交通擁擠狀況的參數或指標,如交通密度、飛行沖突率、匯聚度等。隱性因素是指采用有關理論方法,通過對顯性參數的計算,提煉出表征擁擠狀況的非直觀性參數或指標,如分形維數、拓撲熵等。人們對結合復雜性運行的擁擠概念研究,主要是通過對顯性復雜性和隱性復雜性2方面指標參數的研究而展開。

(1)顯性復雜性指標參數的研究

2000年,法國的Delahaye和Puechmorel從航空器的幾何位置出發(fā),提出并建立了交通密度、匯聚性、分散性和靈敏性4個復雜性顯性指標[6]。2001年,美國NASA的Chatterji和Sridhar提出了交通流量、爬升飛機數量、下降飛機數量等16項復雜性指標,并分析了指標之間的非線性關系[7]。2002年,美國MITRE的Holly等采用相關性分析方法,從41項相關指標中確定出12項復雜性指標[8]。2007年,何毅建立了基于飛機機型混合的程度、軍機的數量、復雜飛機航線的數量等復雜性顯性因素的動態(tài)密度模型[9]。2009年,美國NASA的Kopardekar等使用克利夫蘭空中航路交通控制中心的真實運行數據,建立了更為精確的復雜性指標體系[10]。

(2)隱性復雜性指標參數的研究

2001年,美國的Mondoloni和Liang以宏觀交通流為研究對象,通過研究沖突率對數與分形維數之間的線性關系,提出將分形維數作為交通復雜性指標[11]。2005年,Delahaye等從航空器的內稟屬性出發(fā),對飛行航跡進行非線性動態(tài)系統(tǒng)建模,通過計算系統(tǒng)的拓撲熵得到空中交通的復雜態(tài)勢[12]。2009年,法國的Lee等進一步考慮飛行航跡的不確定性,建立了空域的向量場模型,并在此模型的基礎上,提出了基于特征值和李雅普諾夫的復雜性指標[13]。2010年,張進等考慮單航空器對之間的關系,提出了基于綜合迫近、幾率和連攜因素的復雜性指標[14]。2010年,張晨等進一步考慮多航空器對之間的耦合關系,提出了基于連攜效應的復雜性指標[15]。

3)結合航班延誤的擁擠概念研究

空中交通擁擠帶來的嚴重后果就是航班延誤,如航班排隊長度增大、延誤時間增長、取消航班數量增多等。因此,結合航班延誤的擁擠概念研究常常通過對延誤指標的研究展開。

2002年,美國MITRE的Wang等提出將機場進離港航班延誤時間作為機場延誤指標,并對排隊延誤時間的傳播現象進行了研究[16]。2008年,李俊生和丁建立同樣將進離港航班延誤時間作為機場延誤指標,建立了基于貝葉斯網絡的航班延誤傳播模型[17]。2009年,美國馬里蘭大學的Mukherjee等提出了將航班排隊延誤和航班取消數量作為空中交通延誤指標[18]。2009年,徐濤等采用離港航班延誤率作為機場交通延誤指標[19]。

4)結合管制員負荷增加的擁擠概念研究

空中交通擁擠帶來的另一個嚴重后果就是管制員工作負荷的大幅增加,如指令次數增多、調配難度加大等。因此,結合管制員負荷增加的擁擠概念研究主要通過對管制員負荷指標的研究展開。

2007年,美國航空航天大學的Lee等在研究一架飛機進入扇區(qū)時,將管制員作出水平機動指令的次數作為管制員工作負荷的度量指標[20]。2009年,他們通過進一步研究,將航空器避讓沖突的最小航向改變量作為工作負荷度量指標[21]。2010年,荷蘭代爾夫特理工大學的van Paassen等將不同速度、不同航向入侵的航空器帶來的沖突解脫空間的大小作為工作負荷評估指標[22]。

與空中交通擁擠概念的研究不同的是,空中交通擁擠識別與預測的研究主要集中在有關識別和預測方法上,沒有致力于對其概念的研究。因此,目前學術界并沒有對空中交通擁擠識別與預測的概念給出明確、統(tǒng)一的提法。本文作者在文獻[23]中,提出空中交通擁擠識別與預測的概念為:通過當前與歷史時段某空域單元的交通擁擠指標信息,利用擁擠識別與預測方法判定此空域單元內當前與未來時段的擁擠狀態(tài)。

2 空中交通擁擠識別方法的研究狀況

空中交通擁擠的識別方法可以根據不同的角度進行不同分類,如識別對象、識別時間、數據來源、應用方法等。但各種方法都具有一個共同的特點,就是都需要對當前或歷史的交通數據進行處理,從而得到擁擠識別結果。而交通數據可根據時間尺度的不同,分為短期數據、長期數據或長短期混合數據。因此,空中交通擁擠識別方法依據數據來源的時間尺度,可分為:基于短期數據的閾值判別方法、基于長期數據的聚類識別方法以及基于混合數據的綜合評價識別方法。

2.1 基于短期數據的閾值判別方法

早期的流量管理研究主要是針對短期實時交通管理展開,因而出現了基于短期數據的閾值判別方法。

閾值又叫臨界值,是指一個效應能夠產生的最低值或最高值?；陂撝蹬袆e的擁擠識別方法,就是將交通容量(即MAP值)作為閾值,然后將交通需求與該閾值進行比較,如果需求大于容量,則判定交通狀態(tài)為擁擠。

2004年,美國AIAA的Dorado-Usero等就是將通過模擬仿真得到的扇區(qū)MAP值作為閾值,然后將扇區(qū)需求與該值比較,識別出擁擠狀態(tài)[24]。2008年,美國加利福尼亞大學的Sun通過建立歐拉-拉格朗日交通流模型,得到交通需求,然后將其與閾值(扇區(qū)容量)比較,識別扇區(qū)擁擠情況[25]。2009年,美國MITRE的Zobell等在前人研究的基礎上,進一步考慮到航跡的不確定性,采用閾值判別方法對扇區(qū)擁擠進行概率識別[26]。2009年,趙嶷飛等提出當量流量的概念,并通過將當量流量與容量相比較的方法對扇區(qū)擁擠進行識別[27]。

2.2 基于長期數據的聚類識別方法

由于長期的交通數據能夠反映空中交通運行的規(guī)律性以及相似性,因而出現了基于長期數據的聚類識別方法。

聚類就是將物理或抽象對象的集合分成由類似的對象組成的多個類的過程。擁擠狀態(tài)的聚類識別方法就是基于擁擠指標向量的相似性,將相似性較高的指標向量歸為一類,不同類代表不同等級的擁擠狀態(tài)。

2002年,美國的Hoffman等采用決策樹和K-均值聚類的方法,對每天的擁擠指標特征向量進行聚類,識別出每類中的典型日代表一類交通擁擠狀態(tài)[28]。2005年,美國NASA的Bilimoria和Lee提出了通過對航空器相對距離進行聚類,識別出擁擠區(qū)域[29]。2005年,美國的Penny等同樣采用聚類方法得到9種交通擁擠類型,并給出每種類型下的主要擁擠指標[30]。2014年,美國NASA的Grabbe等進一步考慮到天氣因素,基于天氣因素和交通流特征參數進行聚類,得到不同的擁擠類型[31]。

2.3 基于混合數據的綜合評價識別方法

由于空中交通擁擠同時具有長期和短期交通特征,為了能夠充分利用長短期數據,考慮更多的相關因素,出現了基于混合數據的綜合評價識別方法。

綜合評價就是運用多個指標對多個待評價對象進行評價,稱為多變量綜合評價。基于混合數據的綜合評價識別方法就是通過應用多個指標對長短期數據進行處理,從而獲得對某單元擁擠狀態(tài)的綜合評價結果。

2006年,歐洲的Eurocontrol建立了擁擠評價指標體系,擁擠指標主要包括:不同區(qū)域的流量與容量、不同飛行階段的延誤、航班正常率等[32]。2008年,姚玲分別從擁擠原因、擁擠后果、擁擠現象描述和擁擠成本幾個方面建立了中國的空中交通擁擠指標體系,然后采用動態(tài)綜合評價的方法對交通擁擠進行識別[33]。2010年,趙嶷飛和陳凱分別建立了機場、航路、終端區(qū)和扇區(qū)的擁擠指標,如:飽和度、排隊架次、延誤等,并基于證據理論對上述指標進行綜合評價,得到了擁擠識別結果[34]。2015年,李善梅等建立了交叉航路的擁擠指標,如:匯聚度、滯留度、當量交通量等,并建立了基于灰色聚類的交叉航路擁擠識別方法[35]。

3 空中交通擁擠預測方法的研究狀況

空中交通擁擠的預測方法根據所基于的有關數據或數學模型,主要分為基于數理算法的擁擠預測方法和基于計算機仿真技術的擁擠預測方法。其中,基于數理算法的預測方法可分為:基于數理統(tǒng)計的預測方法、基于交通流模型的預測方法和基于智能算法的預測方法。

3.1 基于數理統(tǒng)計的預測方法

由于空中交通具有自身的規(guī)律性,采用數理統(tǒng)計算法可以挖掘交通數據蘊含的變化規(guī)律,從而基于此規(guī)律可實現對未來交通擁擠狀態(tài)的預測,因此出現了基于數理統(tǒng)計的擁擠預測方法。根據影響未來交通狀況的單變量或多變量變化規(guī)律,擁擠預測方法可主要分為:基于單變量的概率統(tǒng)計預測方法和基于多變量的回歸預測方法。

基于單變量的概率統(tǒng)計預測方法,就是研究單個交通參數(如交通需求)的變化規(guī)律,并根據此規(guī)律對參數值進行預測,從而得到擁擠預測結果。2002年,美國NASA的Larry利用概率論知識從不確定性的角度建立航空器通過某空中交通單元的概率分布函數,通過對交通需求進行概率預測,然后與交通容量進行比較,進而得到擁擠預測結果[36]。2004年,美國NASA的Chatterji等通過建立航空器起飛延誤的高斯分布模型,對扇區(qū)交通需求進行預測,進而通過閾值判別方法得到擁擠預測結果[37]。2006年,Hunter和Ramamoorthy進一步考慮天氣對交通需求影響,建立交通需求的概率預測模型,通過與容量比較,實現對未來時刻擁擠狀態(tài)的預測[38-39]。2013年,李善梅等基于機場進離場交通需求的隨機性變化規(guī)律建立了機場擁擠風險預測模型[40]。

基于多變量的回歸預測方法就是建立擁擠指標(如交通需求、延誤等)與其他變量(如天氣因素等)之間的回歸關系式,通過輸入其他變量值,來求得擁擠指標的預測值,然后將這些預測值與擁擠閾值相比較,得出擁擠預測結果。2005年,美國NASA的Chatterji和Sridhar建立了天氣影響延誤的交通指標(Weather Impacted Traffic Index,WITI)的線性回歸模型,實現了從天氣的角度對延誤進行預測,然后與延誤閾值相比較,得到未來擁擠狀態(tài)[41]。2007年,美國國家運輸系統(tǒng)中心的Gilbo和Smith建立了基于連續(xù)3個時間段交通需求的線性回歸預測模型,通過將需求預測值與容量相比較,得到擁擠預測結果[42]。2010年,張靜等建立了機場日均延誤關于日均需求數量、日均取消數量、日均能見度和日最大風速的模糊線性回歸模型,然后將延誤預測值與其閾值相比較,得到擁擠預測結果[43]。2011年,美國國家運輸系統(tǒng)中心的Bilbo和Smith建立了相鄰時間間隔交通需求的線性回歸模型,通過與容量比較,得到擁擠預測結果[44]。

3.2 基于交通流模型的預測方法

由于基于數理統(tǒng)計的預測方法并不能清晰地詮釋空中交通擁擠的物理意義,而交通流動力學模型可以較好地描述擁擠發(fā)生、發(fā)展的變化過程,因而出現了基于交通流模型的擁擠預測方法。

基于交通流模型的擁擠預測方法就是通過研究空中交通流的運行規(guī)律,建立空中交通流各參數之間的關系模型(如排隊論模型、歐拉模型等),并利用此模型對擁擠指標進行預測。

2003年,美國的Menon等基于歐拉模型建立空中匯聚交通流模型,用來對交通需求進行預測,然后將其與容量相比較,得到擁擠預測結果[45]。2005年,美國馬爾蘭大學的 Mukherjee等通過建立航班排隊模型,并向其輸入容量樣本,來預測未來時段的航班延誤,進而判斷未來的擁擠態(tài)勢[46]。2006年,美國的Wieland驗證了排隊論模型應用于機場擁擠的合理性,并指出M/D/1模型要優(yōu)于M/M/1模型[47]。2012年,張靜建立了機場到達瞬時排隊模型M(t)/Ek(t)/1,利用該模型預測航班到達延誤,進而得到未來擁擠態(tài)勢[48]。

3.3 基于智能算法的預測方法

由于交通運行環(huán)境日益復雜,各參數之間存在著復雜的非線性關系,很難建立精確的數學模型對其進行描述,而智能算法能模擬人腦的智力過程,為解決復雜問題提供了新的手段,因而出現了基于智能算法的擁擠預測方法。

基于智能算法的擁擠預測就是利用人工智能算法對擁擠指標進行預測,然后將指標預測值輸入到擁擠識別方法,實現對未來交通擁擠狀態(tài)的預測。2010年,演克武建立了基于支持向量機的航線交通需求預測模型,然后基于閾值判別方法得到擁擠預測結果[49]。2013年,李善梅等利用實測數據,建立了基于模糊神經網絡的機場擁擠等級預測方法[50]。2015年,德國的 Milbredt和Grunewald建立了基于神經網絡的機場到達排隊長度的預測方法[51]。2015年,程華等結合航班數據的特點構建了基于C4.5決策樹的航班延誤預測模型,從而實現對未來擁擠態(tài)勢的預測[52]。

3.4 基于計算機仿真技術的預測方法

基于數理統(tǒng)計和智能算法的預測方法需要大量的歷史數據作支撐,而基于交通流模型的預測方法需要一定的假設條件,所建立的模型往往過于理想,可能與實際情況差距較大。計算機仿真可以直接、較真實地模擬交通運行狀況,從而得到對未來交通擁擠的預測結果。因此,基于計算機仿真技術的預測方法成為交通擁擠預測的重要研究方向。

基于計算機仿真技術的預測方法就是將實際交通運行條件輸入到計算機仿真模型,進行仿真計算和運行,從而得到未來時刻擁擠指標的模擬值,即擁擠預測結果。根據仿真過程中有無人參與運行,該方法可分為:基于軟件運行仿真的預測方法和基于模擬機操作仿真的預測方法。

1)基于軟件運行仿真的預測方法

目前,空中交通仿真軟件主要有SIMMOD和TAAM,它們分別由美國FAA和澳大利亞民用航空局研制開發(fā)。2013年,溫媛媛和戴福青利用TAAM仿真軟件,對某機場終端區(qū)在隨機性因素影響下的運行情況進行模擬仿真,并基于仿真得到的運行架次和延誤情況對擁擠態(tài)勢進行分析[53]。2014年,荷蘭的Mota等利用SIMIOD仿真軟件對Lelystad機場不同天氣條件及跑道構型下的交通運行情況進行仿真模擬,輸出擁擠狀態(tài)預測結果[54]。2014年,Zhang等建立了機場終端區(qū)的元胞傳輸模型,并在Net Logo平臺上進行仿真實驗,輸出擁擠預測結果[55]。

2)基于模擬機操作仿真的預測方法

2004年,黃宇華采用雷達仿真模擬機對扇區(qū)交通運行狀況進行模擬仿真,給出了容量和交通狀況的評估結果[56]。2005年,徐肖豪等應用自主開發(fā)的空管自動化應用模擬系統(tǒng),對西安扇區(qū)的交通運行進行模擬,實現對扇區(qū)未來擁擠態(tài)勢的預測[57]。2012年,Li等采用雷達模擬機對終端區(qū)運行狀況進行仿真,并分析交通擁擠與潛在沖突量的關系[58]。

4 近年研究熱點和未來研究方向

4.1 近年研究熱點

隨著全球一體化的發(fā)展,空中交通領域出現了新的矛盾和問題,從而在擁擠研究中產生了新的研究熱點。下面介紹其中3方面的研究熱點。

1)空中交通網絡擁擠的識別與預測研究

當今空中交通正在快速呈現出網絡化的趨勢,“單一天空”、空管一體化等計劃正在逐步推進。單純針對局部小區(qū)域進行擁擠識別與預測,并不能適應當前發(fā)展需要,越來越需要從網絡化的角度出發(fā),分析網絡中各區(qū)域之間的相互影響關系,從而對擁擠進行識別與預測才更加科學合理。因此,空中交通網絡的擁擠識別與預測問題已經成為一個研究熱點。

2011年,國內的Hu等采用最大排隊長度和平均排隊長度來評估空中交通網絡的擁擠狀態(tài),并通過仿真模擬分析2個擁擠指標的變化規(guī)律[59]。2013年,美國的Bai和 Menon針對終端區(qū)域進離場網絡,建立了歐拉交通流模型,并采用交通流率分析網絡擁擠態(tài)勢[60]。2014年,美國劍橋的Khadilkar和Balakrishnan建立了機場場面交通網絡及其排隊模型,通過計算網絡的平均滑行時間,來評估擁擠態(tài)勢[61]。2014年,西班牙的Fleurquin等通過建立機場網絡研究航班延誤在網絡中的傳播現象,對航班延誤進行統(tǒng)計分類,得到了不同的網絡擁擠模式[62]。

當前有關空中交通網絡擁擠的識別與預測研究,雖然是從網絡的基礎上進行研究的,但并沒有將空中交通網絡的結構特征與功能特征相結合,沒有深入研究在不同的網絡結構、不同的交通分布條件下,交通擁擠在網絡上發(fā)生、發(fā)展的本質特征及其變化規(guī)律。

2)突發(fā)事件下空中交通擁擠的識別與預測

隨著空中交通運輸量的持續(xù)增長,空域結構的日益復雜,使得由于惡劣天氣、自然災害、戰(zhàn)爭等突發(fā)事件造成的交通擁擠后果日益嚴重。因此,對于突發(fā)事件下的交通擁擠識別與預測問題也成為近年的研究熱點。

目前該方面的研究主要集中在惡劣天氣下的擁擠識別與預測。2010年,美國Prete和Krozel采用Raycast Metric方法,研究惡劣天氣與過度空域容量的關系,從而通過預測天氣來預測交通擁擠狀況[63]。2013年,美國 MITRE的Tien等采用譜聚類方法,對雷暴天氣影響的扇區(qū)進行聚類,用于識別不同程度的擁擠區(qū)域[64]。2013年,美國華盛頓州立大學的Dhal等通過建立天氣影響因子和機場到達率之間的回歸預測模型,識別到場交通的擁擠狀況[65]。2013年,美國MIT的Campbell和DeLaura采用概率統(tǒng)計的方法預測對流天氣對終端區(qū)交通的覆蓋率,進而對未來擁擠趨勢進行預測[66]。

以上研究雖然針對惡劣天氣這一類突發(fā)事件造成的擁擠進行了研究,但并沒有分析突發(fā)事件的特點,沒有對突發(fā)事件下交通擁擠的致因分析及其時空分布規(guī)律進行深入研究,同時也缺乏進行突發(fā)事件下管制員服務行為對交通擁擠影響的研究。

3)空中交通擁擠瓶頸的識別研究

在空中交通運行中,空中交通擁擠往往發(fā)生在某些關鍵區(qū)域,即稱之為交通瓶頸。空中交通瓶頸是空中交通擁擠的易發(fā)區(qū)域,該區(qū)域產生的擁擠若不及時處理,很容易在整個交通網絡上進行擴散,形成難以控制的大范圍交通擁擠。因此,空中交通擁擠瓶頸識別的研究成為近年的一個研究熱點。

2013年,美國佐治亞理工學院的Kim和Clarke通過研究發(fā)現,進離場定位點是終端區(qū)交通運行的一個重要瓶頸[67]。2013年,美國FAA的Bola?os和 Murphy通過對歷史數據進行研究,發(fā)現紐約的三大國際機場是美國整個空中交通運行的瓶頸[68]。2014年,Kim等又提出跑道作為重要的交通瓶頸,其多跑道交通分配策略,嚴重影響著空中交通擁擠狀態(tài)[69]。2014年,李善梅研究了基于拓撲結構特征和交通流特征的瓶頸機場識別方法[23]。

以上的研究都是針對固定瓶頸問題而開展的。由于空中交通瓶頸可能隨著空中交通擁擠狀態(tài)的變化而實時變化,交通瓶頸區(qū)域有可能會發(fā)生轉移,因此,需要進一步從動態(tài)的角度,研究提取擁擠瓶頸識別信息,分析其變化規(guī)律,以及時識別和預測出動態(tài)運行中的交通瓶頸。

4.2 未來研究方向

隨著航空運輸業(yè)的發(fā)展,空中交通擁擠現象正在變得越來越復雜,更準確及時地對其進行識別和預測成為了更具挑戰(zhàn)性的研究領域。國內外各種新理論、新方法、新技術的出現,為從新角度、新方向研究擁擠識別與預測問題提供了支持。下面給出未來有可能的幾個主要研究方向。

1)結合知識經驗的擁擠智能識別與預測方法研究

目前對空中交通擁擠識別與預測方法的研究,主要利用各種數理統(tǒng)計方法及智能算法進行研究。在復雜的交通環(huán)境下,人的知識經驗往往更加可靠,特別在應急態(tài)勢下,人的知識經驗能夠發(fā)揮更大的作用。結合空管人員的知識經驗,可以使擁擠識別與預測方法體現人的智能特征,實現對智能服務過程和行為的模擬實現,更有效地解決問題。由于該方法與人們的工作習慣相吻合,更容易得到空管部門的認可和應用。因此,結合知識經驗的擁擠智能識別與預測方法將成為一個新的重要研究方向。

2)空地聯合的擁擠識別與預測方法研究

以往的空中交通擁擠識別與預測研究,大多將空中交通和地面交通隔開,分別進行研究。但空中交通和地面交通是一個有機整體,二者之間相互影響,密不可分,應該將空中交通和地面交通聯合起來進行研究。這樣識別與預測出來的交通擁擠,對后續(xù)的擁擠解決策略的制定將更具指導意義。因此,空地聯合網絡的擁擠識別與預測是未來的一個重要研究方向。

3)基于復雜系統(tǒng)理論的擁擠機理研究

復雜系統(tǒng)理論主要用于揭示復雜系統(tǒng)的一些難以用現有科學方法解釋的動力學行為。與傳統(tǒng)的還原論方法不同,該理論強調用整體論和還原論相結合的方法去分析系統(tǒng)。

空中交通系統(tǒng)是一個“人-機-環(huán)”組成的復雜巨系統(tǒng)?？罩薪煌〒頂D是各種因素相互耦合作用形成的,所呈現出的交通擁擠行為,并非各個交通單元運行情況的簡單疊加[70]。應該從復雜系統(tǒng)的角度對空中交通擁擠行為進行分析,挖掘擁擠現象背后的形成機理及其時間、空間演化規(guī)律。由于復雜系統(tǒng)理論近年的重大發(fā)展,及其在地面交通、Internet網絡和社會網絡等方面的成功應用,為其在空中交通擁擠方面的研究提供了借鑒。因此,基于復雜系統(tǒng)理論的擁擠機理研究是一個今后需要加強的研究方向。

5 結 論

隨著航空運輸業(yè)的迅速發(fā)展,空中交通擁擠問題愈發(fā)凸顯,空中交通擁擠的識別與預測研究將繼續(xù)成為空中交通管理領域的研究熱點。針對不同區(qū)域、不同性質的交通流所呈現出的交通運行特征,進一步深入開展空中交通擁擠識別與預測研究,提高擁擠識別與預測的準確性和實時性,將為有效實施擁擠解決策略提供科學的理論基礎和有力的前提保障。

[1] Pei Y L,Lang Y S.Study of dynamic traffic assignment applied in urban traffic congestion analysis and control[J].Journal of Huazhong University of Science&Technology,2002,19(3):95-98(in Chinese).裴玉龍,郎益順.基于動態(tài)交通分配的擁擠機理分析與對策研究[J].華中科技大學學報,2002,19(3):95-98.

[2] Wanke C,Song L,Zobell S,et al.Probabilistic congestion management[C]//6th USA/Europe Seminar of Air Traffic Management R&D,2005:27-30.

[3] Volpe National Transportation Systems Center.Enhanced traffic management system(ETMS)functional description[S].Cambridge,MA:U.S.Department of Transportation,2002.

[4] Rehwald E,Hecker P.Airport centered flow management[C]//AIAA Aviation Technology,Integration,and Operations(ATIO)Conference.Reston:AIAA,2010:1-6.

[5] Tian W,Hu M H.Time decision making model and methodology for airspace congestion risk management[J].Journal of Nanjing University of Aeronautics&Astronautics,2011,43(4):565-571(in Chinese).田文,胡明華.空域擁擠風險管理時間決策模型與方法[J].南京航空航天大學學報,2011,43(4):565-571.

[6] Delahaye D,Puechmorel S.Air traffic complexity:towards intrinsic metrics[C]//3rd USA/Europe Air Traffic Management R&D Seminar,2000:1-11.

[7] Chatterji G B,Sridhar B.Measures for air traffic controller workload prediction[C]//AIAA Aircraft Technology,Integration and Operations Forum.Reston:AIAA,2001:1-14.

[8] Holly K,Cabeza Y,Callaham M,et al.Feasibility of using air traffic complexity metrics for TFM decision support[R].Mclean:MITRE Corporation,2002.

[9] He Y.Research on indicators model of air traffic complexity[D].Shanghai:Tongji University,2007(in Chinese).何毅.空中交通復雜度參數模型的研究[D].上海:同濟大學,2007.

[10] Kopardekar P,Schwartz A,Magyarits S,et al.Airspace complexity measurement:An air traffic control simulation analysis[J].International Journal of Industrial Engineering:Theory,Applications and Practice,2009,16(1):61-70.

[11] Mondoloni S,Liang D.Airspace fractal dimensions and applications[C]//4rd USA/Europe Air Traffic Complexity:towards Intrinsic Metrics R&D Seminar,2001:1-7.

[12] Delahaye D,Puechmorel S,Hansman J,et al.Air traffic complexity map based on nonlinear dynamical systems[C]//4th Eurocontrol Innovative Research Workshop&Exhibition,2005:284-303.

[13] Lee L,Delahaye D,Puechmorel S.Describing air traffic flows using stochastic programming[C]//AIAA Guidance,Navigation,and Control Conference.Reston:AIAA,2009:6198-6212.

[14] Zhang J,Hu M H,Zhang C,et al.Airspace complexity modeling[J].Journal of Nanjing University of Aeronautics&Astronautics,2010,42(4):454-460(in Chinese).張進,胡明華,張晨,等.空域復雜性建模[J].南京航空航天大學學報,2010,42(4):454-460.

[15] Zhang C,Hu M H,Zhang J,et al.Sector asset management based on air traffic complexity[J].Journal of Nanjing University of Aeronautics&Astronautics,2010,42(5):607-613(in Chinese).張晨,胡明華,張進,等.基于交通復雜性的扇區(qū)資源管理[J].南京航空航天大學學報,2010,42(5):607-613.

[16] Wang P T R,Tene N,Wojcik L.Relationship between airport congestion and at-gate delay[C]//Digital Avionics Systems Conference,2002:2D5-1-10.

[17] Li J S,Ding J L.Analysis of flight delay propagation using Bayesian networks[J].Acta Aeronautica et Astronautica Sinica,2008,29(6):1598-1604(in Chinese).李俊生,丁建立.基于貝葉斯網絡的航班延誤傳播分析[J].航空學報,2008,29(6):1598-1604.

[18] Mukherjee A,Lovell D J,Ball M O,et al.Using optimization and queuing models to estimate long-term average flight delays and cancellation rates[EB/OL].[2009-08-16].http://transpor2.epfl.ch/tristan/FullPapers/164Ball.pdf.

[19] Xu T,Ding J L,Gu B,et al.Forecast warning level of flight delays based on incremental ranking support vector machine[J].Acta Aeronautica et Astronautica Sinica,2009,30(7):1256-1262(in Chinese).徐濤,丁建立,顧彬,等.基于增量式排列支持向量機的機場航班延誤預警[J].航空學報,2009,30(7):1256-1262.

[20] Lee K,Feron E,Pritchett A.Air traffic complexity:an input-output approach[C]//American Control Conference.Piscataway,NJ:IEEE Press,2007:474-479.

[21] Lee K,Feron E,Pritchett A.Describing airspace complexity:Airspace response to disturbances[J].Journal of Guidance,Control,and Dynamics,2009,32(1):210-222.

[22] van Paassen M M,d’Engelbronner J G,Mulder M.Towards an air traffic control complexity metric based on workspace constraints[C]//Systems Man and Cybernetics(SMC).Piscataway,NJ:IEEE Press,2010:654-660.

[23] Li S M.Research on identification and prediction methods of air traffic congestion[D].Tianjin:Tianjin University,2014(in Chinese).李善梅.空中交通擁擠的識別與預測方法研究[D].天津:天津大學,2014.

[24] Dorado-Usero M,Guerrero J,Schwartza A,et al.Capability assessment of various fast-time simulation models and tools with analysis concerns[R].Denver:FAA/Eurocontrol Cooperative R&D,2004.

[25] Sun D F.A multicommodity eulerian-lagrangian large-capacity cell transmission model for enroute traffic[J].Journal of Guidance,Control,and Dynamics,2008,31(3):616-628.

[26] Zobell S,Wanke C,Song L.Continual,probabilistic airspace congestion management[C]//AIAA Guidance,Navigation,and Control Conference.Reston:AIAA,2009:1-13.

[27] Zhao Y F,Chen K,Liu G,et al.A new flow alert index for sector congestion and its application[J].China Safety Science Jounal,2009,19(3):103-107(in Chinese).趙嶷飛,陳凱,劉剛,等.一種新的扇區(qū)擁擠告警指標及應用[J].中國安全科學學報,2009,19(3):103-107.

[28] Krozel J,Hoffman B,Penny S,et al.Selection of datasets for nas-wide simulation validations[R].Herndon:Metron Aviation,2002.

[29] Bilimoria K D,Lee H Q.Analysis of aircraft clusters to measure sector-independent airspace congestion[C]//5th Aviation,Technology,Integration,and Operations Conference,2005.

[30] Penny S,Hoffman B,Krozel J A,et al.Classification of days in the national airspace system using cluster analysis[J].Air Traffic Control Quarterly,2005,13(1):29-54.

[31] Grabbe S,Sridhar B,Mukherjee A.Clustering days with similar airport weather conditions[C]//14th AIAA Aviation Technology,Integration,and Operations Conference.Reston:AIAA,2014:1-16.

[32] Performance Review Commission.An assessment of air traffic management in europe during the calendar year 2006[R].Brussels:Eurocontrol,2007.

[33] Yao L.Research on methods of air traffic congestion measures[D].Tianjin:Civil Aviation University of China,2008(in Chinese).姚玲.空中交通擁擠評價方法研究[D].天津:中國民航大學,2008.

[34] Zhao Y F,Chen K.Application of evidence theory in air traffic congestion assessment[J].Journal of Transportation Information and Safety,2010(1):47-50(in Chinese).趙嶷飛,陳凱.證據理論在空中交通擁擠評估中的應用[J].交通信息與安全,2010(1):47-50.

[35] Li S M,Xu X H,Wang C,et al.Congestion identification of crossing air routes based on gray clustering method[J].Journal of Southwest Jiaotong University,2015,50(1):189-197(in Chinese).李善梅,徐肖豪,王超,等.基于灰色聚類的交叉航路擁擠識別方法[J].西南交通大學學報,2015,50(1):189-197.

[36] Larry M.Probabilistic methods for air traffic demand forecasting[C]//AIAA Guidance,Navigation,and Control Conference and Exhibit.Reston:AIAA,2002:5-8.

[37] Chatterji G B,Sridhar B,Sheth K,et al.Methods for establishing confidence bounds on sector demand forecasts[C]//AIAA Guidance,Navigation,and Control Conference and Exhibit.Reston:AIAA,2004:16-19.

[38] Hunter G,Ramamoorthy K.A trajectory-based probabilistic TFM evaluation tool and experiment[C]//ICNS Conference,2006:1-7.

[39] Ramamoorthy K,Boisvert B,Hunter G.A real-time probabilistic traffic flow management evaluation tool[C]//25th Digital Avionics Systems Conference,2006:1-8.

[40] Li S M,Xu X H,Wang F.Risk prediction model and methodology of airport congestion based on probabilistic demand[J].Journal of Southwest Jiaotong University,2013,48(1):154-159(in Chinese).李善梅,徐肖豪,王飛.基于需求不確定性的機場擁擠風險預測模型與方法[J].西南交通大學學報,2013,48(1):154-159.

[41] Chatterji G B,Sridhar B.National airspace system delay estimation using weather weighted traffic counts[C]//AIAA Guidance,Navigation,and Control Conference.Reston:AIAA,2005:1-17.

[42] Gilbo E,Smith S.A new model to improve aggregate air traffic demand predictions[C]//AIAA Guidance,Navigation,and Control Conference.Reston:AIAA,2007,6450:1-11.

[43] Zhang J,Xu X H,Wang F.Airport delay performance evaluation based on fuzzy linear regression model[J].Journal of Traffic and Transportation Engineering,2010,10(4):109-114(in Chinese).張靜,徐肖豪,王飛.基于模糊線性回歸的終端區(qū)延誤性能評估[J].交通運輸工程學報,2010,10(4):109-114.

[44] Bilbo E P,Smith S B.New method for probabilistic traffic demand predictions for en route sectors based on uncertain predictions of individual flight events[C]//Ninth USA/Europe Air Traffic Management Research and Development Seminar,2011:14-17.

[45] Menon P K,Sweriduk G D,Bilimoria K D.New approach for modeling,analysis and control of air traffic flow[J].Journal of Guidance,Control,and Dynamics,2003,27(5):737-744.

[46] Mukherjee A,Lovell D J,Ball M O,et al.Modeling delays and cancellation probabilities to support strategic simulations[C]//Sixth USA/Europe Air Traffic Management Research and Development Seminar,2005:1-10.

[47] Wieland F.Investigating the volume-delay relationship at congested airports[C]//AIAA Aviation Technology,Integration,and Operations Conference,2006:450-456.

[48] Zhang J.Research on airport capacity and delay assessment affected by the weather[D].Nanjing:Nanjing University of Aeronautics and Astronautics,2012(in Chinese).張靜.天氣影響的機場容量與延誤評估研究[D].南京:南京航空航天大學,2012.

[49] Yan K W.The research of the fleet assignment and aircraft evaluation based on market demand forecast[D].Nanjing:Nanjing University of Aeronautics and Astronautics,2010(in Chinese).演克武.基于需求預測的機型指派和評價研究[D].南京:南京航空航天大學,2010.

[50] Li S M,Xu X H,Meng L H.Forecasting of airport congestion level based on cluster and neural network algorithms[J].Computer Engineering and Applications,2013,49(17):254-257(in Chinese).李善梅,徐肖豪,孟令航.基于聚類神經網絡的機場擁擠等級預測[J].計算機工程與應用,2013,49(17):254-257.

[51] Milbredt O,Grunewald E.A neural network approach to airport management[C]//AIAA Infotech@Aerospace Conference.Reston:AIAA,2015:1-10.

[52] Cheng H,Li Y M,Luo Q,et al.Study on flight delay with C4.5 decision tree based prediction method[J].Systems Engineering-Theory&Practice,2015,34(S1):239-247(in Chinese).程華,李艷梅,羅謙,等.基于C4.5決策樹方法的到港航班延誤預測問題研究[J].系統(tǒng)工程理論與實踐,2015,34(S1):239-247.

[53] Wen Y Y,Dai F Q.Terminal area capacity assessment based on TAAM[J].Journal of Civil Aviation Flight University of China,2013,24(6):9-14(in Chinese).溫媛媛,戴福青.基于TAAM機場終端區(qū)容量評估方法研究[J].中國民航學院學報,2013,24(6):9-14.

[54] Mota M M,Scala P,Boosten G.Simulation-based capacity analysis for a future airport[C]//Computer Aided System Engineering(APCASE),2014:97-101.

[55] Zhang H,Xu Y,Yang L,et al.Macroscopic model and simulation analysis of air traffic flow in airport terminal area[J].Discrete Dynamics in Nature and Society,2014,14(6):1-15.

[56] Huang Y H.The research on the method of airspace evaluation and system design[D].Nanjing:Nanjing University of Aeronautics and Astronautics,2004(in Chinese).黃宇華.空域評估方法研究及其系統(tǒng)設計[D].南京:南京航空航天大學,2004.

[57] Xu X H,Han F,Dai F Q.Design and implementation of air traffic flow statistics and prediction system[J].Journal of Civil Aviation University of China,2005,23(4):1-5(in Chinese).徐肖豪,韓峰,戴福青.空中交通流量統(tǒng)計和預測系統(tǒng)的設計與實現[J].中國民航學院學報,2005,23(4):1-5.

[58] Li S M,Xu X H,Meng L H.Flight conflict forecastingbased on chaotic time series[J].Transactions of Nanjing University of Aeronautics&Astronautics,2012,29(4):388-394.

[59] Hu J,Li Q,Hu Y.The method of active queue management based on air traffic network[C]//Communication Software and Networks,2011:238-241.

[60] Bai X,Menon P K.Optimal terminal area flow control using eulerian traffic flow model[C]//AIAA Guidance,Navigation,and Control Conference,2013:1-16.

[61] Khadilkar H,Balakrishnan H.Network congestion control of airport surface operations[J].Journal of Guidance,Control,and Dynamics,2014,37(3):933-940.

[62] Fleurquin P,Ramasco J J,Eguíluz V M.Characterization of delay propagation in the US air-transportation network[J].Transportation Journal,2014,53(3):330-344.

[63] Prete J,Krozel J.Benefit of a raycast weather severity metric for estimating transition airspace capacity[C]//AIAA Aviation Technology,Integration,and Operations Conference.Reston:AIAA,2010.

[64] Tien S L,Taylor C,Wanke C.Identifying representative weather-impact scenarios for flow contingency management[C]//AIAA Aircraft Technology,Integration,and Operations Conference.Reston:AIAA,2013:1-13.

[65] Dhal R,Roy S,Taylor C,et al.Forecasting weather-impacted airport capacities for flow contingency management:advanced methods and integration[C]//Aviation Technology,Integration,and Operations Conference,2013:1-12.

[66] Campbell S,DeLaura R.Convective weather impact forecasting in the terminal area[C]//AIAA Aviation Technology,Integration,and Operations Conference.Reston:AIAA,2013.

[67] Kim B,Clarke J P.Modeling and optimization of terminal area utilization by assigning arrival and departure fixes[C]//AIAA Guidance,Navigation,and Control Conference.Reston:AIAA,2013.

[68] Bola?os M E,Murphy D.How much delay does New York inject into the national airspace system?A graph theory analysis[C]//AIAA Aviation Technology,Integration,and Operations Conference,2013:1-11.

[69] Kim B,Li L,Clarke J P.Runway assignments that minimize terminal airspace and airport surface emissions[J].Journal of Guidance,Control,and Dynamics,2014,37(3):789-798.

[70] Du W B.Research on complex network and network dynamics for air transportation systems[D].Hefei:University of Science and Technology of China,2010(in Chinese).杜文博.面向航空交通系統(tǒng)的復雜網絡與網絡動力學研究[D].合肥:中國科學技術大學,2010.