徐川， 朱新平， 瞿菁菁， 陳洪浩

(中國民用航空飛行學(xué)院空管學(xué)院， 廣漢 618300)

場面擁堵是指場面交通系統(tǒng)資源供給無法滿足某一時(shí)段內(nèi)持續(xù)增長的航空器使用需求，以致出現(xiàn)的航空器場面滑行速度下降、時(shí)走時(shí)停，甚至排隊(duì)等待的現(xiàn)象。場面擁堵會直接影響機(jī)場運(yùn)行安全和效率。一直以來，科學(xué)治理場面擁堵是飛行區(qū)運(yùn)行管理面臨的難題之一。戰(zhàn)略級場面擁堵治理的一個(gè)有效途徑是通過優(yōu)化滑行道運(yùn)行方案，以支持管制員科學(xué)制定場面管制預(yù)案，減少航空器在滑行道上“時(shí)走時(shí)?！爆F(xiàn)象發(fā)生。通常在機(jī)場改擴(kuò)建后場面滑行道運(yùn)行方案設(shè)計(jì)中會重點(diǎn)對此予以考慮。本文研究正是基于此背景，依據(jù)設(shè)定的滑行道運(yùn)行方案開展長時(shí)間跨度的場面運(yùn)行擁堵預(yù)測，明確潛在的場面擁堵點(diǎn)位，用于反饋完善滑行道運(yùn)行方案，促進(jìn)實(shí)現(xiàn)戰(zhàn)略級場面擁堵治理。

目前，國內(nèi)外機(jī)場場面研究多集中在擁堵傳播機(jī)理、沖突熱點(diǎn)識別、地面延誤研究等，Guepet 等[1]綜合考慮場面滑行路徑問題和跑道調(diào)度問題，以同時(shí)提高跑道效率和減少滑行時(shí)間為目標(biāo)，提出新的排序方法來提高了跑道的利用效率并減少了滑行時(shí)間。Simaiakis等[2]通過實(shí)地測試擁堵控制策略，研究如何確定合適推出率以防止機(jī)場場面進(jìn)入擁堵狀態(tài)，減少燃料使用并減少滯留航班等待時(shí)間。尹嘉男等[3]通過對場面交通運(yùn)行的諸多特性進(jìn)行科學(xué)分析，并基于這些分析對機(jī)場場面擁堵等級及各關(guān)鍵指標(biāo)臨界值進(jìn)行了分類識別及計(jì)算分析。楊磊等[4]通過元胞傳輸理論結(jié)合運(yùn)行實(shí)際，建立了宏觀交通流模型，推演了離場交通流密度、離場平均滑行速度和離場交通流量之間的關(guān)系,提出了控制與進(jìn)場率相適應(yīng)的離場航班推出率是動態(tài)調(diào)解機(jī)場場面離場交通流密度，緩解離場交通擁堵的重要手段。Ali 等[5]計(jì)算飛機(jī)到達(dá)不同滑行道交叉口的時(shí)間，基于統(tǒng)計(jì)學(xué)上的時(shí)空模型確定交叉口沖突概率，得到場面沖突系數(shù)或熱點(diǎn)的熱度值。上述關(guān)于機(jī)場場面的研究多是關(guān)于場面運(yùn)行中某一模塊進(jìn)行深入研究或是通過歷史對場面擁堵情況進(jìn)行研究分析，在預(yù)測方面有所不足。

圖1 離場航班交通流擁堵狀態(tài)特性Fig.1 Departing flight traffic flow congestion state characteristics

其他領(lǐng)域中，關(guān)于城市道路交通擁堵的研究較多，且研究方法大致可分為以時(shí)間序列預(yù)測方式為代表的線性擁堵預(yù)測模型[6]，以神經(jīng)網(wǎng)絡(luò)預(yù)測為代表并基于歷史交通數(shù)據(jù)展開的非線性擁堵預(yù)測模型[7]，以及上述模型的融合應(yīng)用[8]。從本質(zhì)上講，擁堵是交通流量動態(tài)變化的一種外在表現(xiàn)，擁堵的預(yù)測實(shí)質(zhì)上可視為流量預(yù)測范疇。在此方面，民航航路和空域流量預(yù)測有較多研究。其中，向征等[9]通過領(lǐng)航報(bào)和全飛行剖面混雜模型來對關(guān)鍵航路點(diǎn)進(jìn)行流量預(yù)測;錢夔等[10]通過對目標(biāo)群航跡數(shù)據(jù)聚類，利用反向傳播(back propagation，BP) 神經(jīng)網(wǎng)絡(luò)對目標(biāo)群航跡進(jìn)行訓(xùn)練學(xué)習(xí)并建立航跡預(yù)測模型;馮霞等[11]采用適用于混沌時(shí)間序列預(yù)測的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)來預(yù)測安檢旅客流量；葛柏君[12]設(shè)計(jì)基于殘差均值的交互式多模型跟蹤濾波航跡預(yù)測算法，并對短期區(qū)域飛行流量進(jìn)行預(yù)測和統(tǒng)計(jì)；黃龍楊等[13]考慮離場滑行時(shí)間的影響因素，建立基于遺傳算法的反向傳播神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測;周潔敏等[14]利用隨機(jī)森林特征選擇模型，建立彈性神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對航班落地延誤時(shí)間進(jìn)行預(yù)測。上述研究均能為本文工作提供一定借鑒。

首先通過分析場面擁堵狀態(tài)，提出了場面擁堵狀態(tài)等級的概念?；谶z傳算法優(yōu)化的長短時(shí)記憶網(wǎng)絡(luò)算法(genetic algorithm-long short term memory networks，GA-LSTM)預(yù)測跑道頭等待架次，主滑行道延誤時(shí)間，總延誤時(shí)間。最后，通過模糊C均值聚類算法(fuzzyC-means，F(xiàn)CM)計(jì)算機(jī)場的場面擁堵狀態(tài)等級。

1 場面擁堵狀態(tài)特征分析

場面擁堵的發(fā)生與演變受多種因素的影響，如本場航班保障能力、上下游機(jī)場運(yùn)行狀態(tài)、航路運(yùn)行狀態(tài)等。具體地，從離場航班、進(jìn)場航班不同的視角來分析場面擁堵的形成過程。

1.1 離場航班交通流擁堵形成過程

圖1所示為在離場航班的擁堵狀態(tài)特性。通常，當(dāng)離場航班的下游目的地機(jī)場或所經(jīng)空域扇區(qū)實(shí)行流量控制措施時(shí)，本地受影響的離場航班會因此滯留在停機(jī)位或是場面某些區(qū)域，此時(shí)會形成上述區(qū)域的交通擁堵現(xiàn)象，嚴(yán)重時(shí)甚至出現(xiàn)跑道頭等待隊(duì)列、機(jī)動區(qū)滑行道或機(jī)坪滑行通道的長時(shí)間擁堵。此時(shí)，需要管制員進(jìn)行離港排序等管制措施來予以緩解。

1.2 進(jìn)場交通流擁堵特性

進(jìn)場航班在落地后會根據(jù)管制員的引導(dǎo)指令或引導(dǎo)車引導(dǎo)入位，在其運(yùn)行過程中可能出現(xiàn)以下堵?lián)矶卢F(xiàn)象，這些擁堵現(xiàn)象和離場航班擁堵特性一樣都會在場面運(yùn)行過程中傳播。

(1)進(jìn)離港航班滑行路徑交叉導(dǎo)致航空器在交叉口產(chǎn)生沖突，駕駛員從駕駛艙左側(cè)看到對方航空器，需要進(jìn)行停止避讓。如圖2所示，按綠色箭頭滑行航班需要停止避讓。

圖2 航空器交叉口沖突示意圖Fig.2 Aircraft intersection conflict schematic

(2)兩架航空器在滑行階段，由于前一架航空器因擁堵傳播造成減速或是轉(zhuǎn)彎時(shí)減速，后一架航空器由于速度較大導(dǎo)致個(gè)航空器之間間隔不足會導(dǎo)致后一架航空器減速或是停滯，該現(xiàn)象也會產(chǎn)生場面擁堵，如圖3所示。

|h|為兩架航空器的間距；hs為安全間距圖3 航空器間安全間隔不足示意圖Fig.3 Diagram of insufficient safety separation between aircraft

2 場面擁堵狀態(tài)等級及預(yù)測流程

2.1 場面擁堵等級定義

場面擁堵等級是反映機(jī)場機(jī)動區(qū)擁堵狀態(tài)的一個(gè)指標(biāo)。該等級的大小反映了不同的場面運(yùn)行擁堵程度。擁堵等級數(shù)值越高，則該時(shí)間段的機(jī)動區(qū)運(yùn)行能力越差，擁堵情況越嚴(yán)重，反之則運(yùn)行的能力越好。該指標(biāo)可為管制員提供決策支持，提高場面運(yùn)行效率，解決潛在的運(yùn)行安全。

將場面擁堵狀態(tài)劃分為四個(gè)等級[15-16]，具體的等級量化確定方法見本文第4節(jié)。場面擁堵狀態(tài)等級分類見表1。

2.2 機(jī)動區(qū)擁堵狀態(tài)等級預(yù)測流程

科學(xué)治理場面擁堵能夠解決飛行區(qū)運(yùn)行管理的部分不足之處，現(xiàn)從戰(zhàn)略級角度提出能應(yīng)用于多場景的場面擁堵狀態(tài)等級預(yù)測方法。在機(jī)場改擴(kuò)建或者航班增量后，為管制員科學(xué)制定場面管制預(yù)案提供依據(jù)，減少航空器在滑行道上“時(shí)走時(shí)?！爆F(xiàn)象，提高場面運(yùn)行效率，擁堵狀態(tài)等級預(yù)測具體流程如下。

表1 場面擁堵狀態(tài)等級

首先，通過實(shí)際運(yùn)行數(shù)據(jù)或者仿真模擬數(shù)據(jù)得到機(jī)場場面運(yùn)行數(shù)據(jù)，對場面擁堵狀態(tài)進(jìn)行分析，通過提取分析數(shù)據(jù)找出該機(jī)場擁堵產(chǎn)生頻繁的重要點(diǎn)(如跑道頭)、線(如主滑行道)、面(如整個(gè)機(jī)動區(qū))，并提取相應(yīng)的擁堵狀態(tài)如跑道頭排隊(duì)隊(duì)列長度，延誤時(shí)間

然后，基于GA-LSTM算法對如跑道頭等待架次、主滑行道延誤時(shí)間、機(jī)動區(qū)延誤時(shí)間此類擁堵狀態(tài)進(jìn)行預(yù)測，得到下一時(shí)段的擁堵狀態(tài)。

最后，結(jié)合預(yù)測的擁堵狀態(tài)數(shù)據(jù)，并基于FCM聚類算法進(jìn)行機(jī)動區(qū)擁堵狀態(tài)等級分類，得到機(jī)動區(qū)擁堵狀態(tài)等級。具體流程圖如圖4所示。

3 場面擁堵預(yù)測及擁堵等級評價(jià)模型

3.1 基于GA-LSTM算法的交通擁堵狀態(tài)預(yù)測模型

遺傳算法是自適應(yīng)的全局優(yōu)化搜索算法，遺傳算法的操作過程就是按照一定的方式進(jìn)行隨機(jī)選擇，再這樣的隨機(jī)選擇的過程中，使得種群像好的方向進(jìn)化，操作過程中核心的三部分是選擇操作、交叉操作以及變異操作。通過三種核心操作不斷對問題的接進(jìn)行迭代優(yōu)化，在優(yōu)化過程中不斷產(chǎn)生新的個(gè)體，并通過適應(yīng)度函數(shù)提高種群中個(gè)體的“質(zhì)量”，當(dāng)遺傳算法傳到一定代數(shù)后，就可以得到問題較好的解。

長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(long and short-time memory neural network，LSTM)是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)，LSTM的控制流程于RNN相似，但是其優(yōu)化之處在于LSTM中的運(yùn)算操作具有選擇保存信息或者遺忘信息的功能，其神經(jīng)元結(jié)構(gòu)如圖5所示[17]。

LSTM利用兩種特有的門來控制單元狀態(tài)c的狀態(tài)和內(nèi)容，分別是遺忘門和輸入門。

遺忘門的公式為

ft=δ(Wf[ht-1,x]+bf)

(1)

輸入門公式為

it=δ(Wi[ht-1,xt]+bi)

(2)

式(2)中:Wi為輸入門的權(quán)重；bi為輸入門的偏置項(xiàng)，用于表征當(dāng)前時(shí)刻的單元狀態(tài)。

輸出門負(fù)責(zé)控制長期記憶對當(dāng)前輸出的影響，公式為

Ot=δ(Wo[ht-1,xt]+bo)

(3)

最終輸出為

Otf=ottanh(ct)

(4)

式(4)中:LSTM算法與普通RNN算法的區(qū)別在于上述所說的三個(gè)門，遺忘門能夠選擇前一狀態(tài)中的參數(shù)與當(dāng)前狀態(tài)的參數(shù)相加得到該狀態(tài)的記憶信息。將上一時(shí)段的重要點(diǎn)、線、面擁堵狀態(tài)數(shù)值作為輸入，最后輸出下一時(shí)段的場面擁堵狀態(tài)數(shù)據(jù)。在場面運(yùn)行的階段中，由于固定的滑行路徑以及單通道直線運(yùn)行，上一階段的擁堵狀態(tài)對下一階段的擁堵會產(chǎn)生極大的影響，所以將LSTM算法應(yīng)用于本文的預(yù)測是符合場面運(yùn)行的實(shí)際狀態(tài)的。

使用GA-LSTM算法對場面擁堵狀態(tài)的跑道頭等待架次、主滑行道延誤時(shí)間、總延誤時(shí)間進(jìn)行預(yù)測。首先，利用GA算法對預(yù)測過程中的時(shí)間序列滑動時(shí)間窗步長N及LSTM模型的學(xué)習(xí)率和隱層神經(jīng)元個(gè)數(shù)進(jìn)行優(yōu)化。然后，將優(yōu)化參數(shù)以及訓(xùn)練樣本數(shù)據(jù)輸入LSTM網(wǎng)絡(luò)進(jìn)行訓(xùn)練及優(yōu)化，得到GA-LSTM的場面擁堵狀態(tài)預(yù)測模型，并應(yīng)用于實(shí)際模型當(dāng)中進(jìn)行預(yù)測，得到預(yù)測結(jié)果并進(jìn)行誤差分析，并與LSTM算法所預(yù)測的數(shù)據(jù)相比較。具體流程如圖6所示。

3.2 基于模糊C均值算法的場面擁堵狀態(tài)評價(jià)

從點(diǎn)、線、面三個(gè)維度建立場面擁堵狀態(tài)等級評價(jià)體系具體步驟如下。

第一步：提取預(yù)測所得的場面交通擁堵狀態(tài)數(shù)據(jù)。

第二步：采用FCM算法對場面重要點(diǎn)、線、面三個(gè)維度進(jìn)行交通擁堵評價(jià)數(shù)據(jù)進(jìn)行聚類，得出相應(yīng)的聚類中心，對指標(biāo)進(jìn)行擁堵狀態(tài)的分類。

第三步：建立初始隸屬度矩陣U，計(jì)算分類聚類中心Cn和價(jià)值函數(shù)J。

U=(uni)N×I, ?u∈[0,1]

(5)

圖4 機(jī)動區(qū)擁堵狀態(tài)等級預(yù)測流程圖Fig.4 Flowchart for predicting the congestion status level in the motorized zone

Xt和ht分別代表細(xì)胞狀態(tài)和隱層狀態(tài)；tanh和δ為激活函數(shù)圖5 LSTM神經(jīng)元結(jié)構(gòu)Fig.5 LSTM neuron structure

圖6 GA-LSTM算法流程圖Fig.6 GA-LSTM algorithm flow chart

(6)

(7)

(8)

C={C1，C2，C3，C4}

(9)

uni為第i個(gè)樣本隸屬于第n個(gè)等級分類的程度；I為樣本數(shù)；N為擁堵狀態(tài)的等級數(shù)(本文分為4類，分別為暢通、過渡、擁擠、擁塞)；聚類中心矩陣Cn={C1,C2,C3,C4}，分別代表暢通狀態(tài)、過渡狀態(tài)、擁擠狀態(tài)、擁塞狀態(tài)的中心；m為加權(quán)指數(shù)；dni為第n個(gè)聚類中心于第i個(gè)數(shù)據(jù)的歐氏距離;J反映了聚類的緊密性，數(shù)值越小，越精確。

第四步：輸出隸屬度矩陣U和場面交通擁堵的等級。對具體流程如圖7所示。

圖7 FCM算法判別交通擁堵狀態(tài)流程圖Fig.7 Flowchart of FCM algorithm to discern traffic congestion status

4 算例分析

4.1 數(shù)據(jù)來源

以天府國際機(jī)場為預(yù)測目標(biāo)，該機(jī)場共有三條跑道，分別是4 000 m×60 m的01/19號跑道，3 200 m×45 m的02/20號跑道以及3 800 m×45 m的11號跑道，可根據(jù)交通流量采取隔離運(yùn)行模式或者相關(guān)平行進(jìn)近模式。

以2021年9月某5個(gè)工作日的天府國際機(jī)場的單日航班計(jì)劃進(jìn)行擴(kuò)容后為最終航班計(jì)劃，如表2所示。將航班計(jì)劃導(dǎo)入到仿真軟件當(dāng)中，以 10 min 為間隔，提取每一時(shí)段跑道頭排隊(duì)架次、主滑行道延誤時(shí)間、機(jī)動區(qū)總延誤時(shí)間的數(shù)據(jù)。并將所得的數(shù)據(jù)如表3所示，導(dǎo)入Python中進(jìn)行跑道頭排隊(duì)架次、主滑行道延誤時(shí)間、機(jī)動區(qū)總延誤時(shí)間的預(yù)測。

4.2 預(yù)測結(jié)果及分析

基于GA-LSTM算法的天府機(jī)場未來單日1 000架次流量的場面機(jī)動區(qū)重要點(diǎn)、重要線、重要面三個(gè)維度的跑道頭排隊(duì)隊(duì)列、主滑行道延誤時(shí)間、整個(gè)機(jī)動區(qū)的延誤時(shí)間的預(yù)測結(jié)果如圖8～圖10所示。

表2 航班計(jì)劃相關(guān)數(shù)據(jù)

表3 預(yù)測模型原始數(shù)據(jù)導(dǎo)入表Table 3 Predictive model raw data import form

圖8 跑道頭等待架次預(yù)測Fig.8 Runway head waiting sortie forecast

圖9 主滑行道延誤時(shí)間預(yù)測Fig.9 Main taxiway delay time forecast

圖10 場面機(jī)動區(qū)延誤時(shí)間預(yù)測Fig.10 Field maneuvering area delay time forecast

將前4 d的數(shù)據(jù)，以10 min為間隔，共計(jì)576個(gè)樣本作為訓(xùn)練集，最后1 d的數(shù)據(jù)作為預(yù)測集，以 10 min 為間隔，共計(jì)144個(gè)樣本，經(jīng)過GA-LSTM算法的預(yù)測和真實(shí)值對比如上圖所示，跑道頭排隊(duì)隊(duì)列預(yù)測的RMSE為1.18架；主滑行道延誤時(shí)間的預(yù)測的RMSE為1.85；整個(gè)場面機(jī)動區(qū)的延誤時(shí)間預(yù)測的RMSE為2.11?？梢娀贕A-LSTM算法的擁堵狀態(tài)預(yù)測的預(yù)測結(jié)果是較為準(zhǔn)確的，且優(yōu)于LSTM算法。

從圖8～圖10可以清楚地看見該機(jī)場早高峰階段， 10:00—11:00的擁堵情況較為嚴(yán)重，無論是延誤時(shí)間還是跑道頭等待隊(duì)列都較大，所以在做戰(zhàn)略級的交通擁堵預(yù)測或是管制員工作階段都應(yīng)對該時(shí)段給予足夠的重視，以確保場面運(yùn)行的效率，保障安全運(yùn)行。

通過對機(jī)場機(jī)動區(qū)重要點(diǎn)、線、面擁堵狀的預(yù)測的數(shù)值，首先基于FCM聚類算法對預(yù)測出的數(shù)值進(jìn)行聚類中心的計(jì)算，基于FCM算法聚類中心的結(jié)果如圖11所示，最后用該結(jié)果進(jìn)行機(jī)場一天內(nèi)交通擁堵狀態(tài)進(jìn)行等級評價(jià)，時(shí)間間隔為10 min，總計(jì)為144個(gè)樣本，具體等級如圖12所示，可以看出擁堵最嚴(yán)重的時(shí)段在早高峰10:00—11:00，下午 16：00—17：00。此時(shí)離場航班量較大，場面擁堵情況處于峰值，需要管制員預(yù)先做好緩解措施，在戰(zhàn)略級層面需要管制部門對滑行方案進(jìn)行優(yōu)化，以降低擁堵狀態(tài)等級為目標(biāo)緩解場面運(yùn)行壓力。

圖11 基于FCM算法的擁堵狀態(tài)聚類圖Fig.11 Congestion state clustering map based on FCM algorithm

圖12 機(jī)場場面擁堵狀態(tài)等級圖Fig.12 Airport field congestion status level chart

5 結(jié)論

場面運(yùn)行總延誤時(shí)間因?yàn)榈孛嫜诱`程序不能完全反映場面擁堵時(shí)間，通過引入主滑行道延誤時(shí)間以及跑道頭等待航班架次，并基于GA-LSTM算法及FCM聚類算法建立了一個(gè)整體的機(jī)場場面擁堵狀態(tài)等級預(yù)測模型。通過實(shí)際數(shù)據(jù)進(jìn)行分析證明，發(fā)現(xiàn)該算法可以較好地進(jìn)行擁堵狀態(tài)等級預(yù)測，為地面管制提供管制決策依據(jù)。并且可以觀測到對應(yīng)擁堵較為嚴(yán)重的交叉口擁堵狀態(tài)發(fā)生時(shí)間。有助于管制員預(yù)先定位重點(diǎn)關(guān)注熱點(diǎn)，通過改變推出時(shí)間甚至是重新規(guī)劃路徑以達(dá)到消除擁堵區(qū)域的目的。

但本文是通過直接導(dǎo)入預(yù)定的航班計(jì)劃進(jìn)行仿真模擬，與實(shí)際運(yùn)行情況有一定的差距，所以所得的擁堵指數(shù)還有一定的偏差。下一步工作應(yīng)該以以下方面進(jìn)行：①使用全面的實(shí)際數(shù)據(jù)導(dǎo)入軟件當(dāng)中進(jìn)行仿真模擬；②優(yōu)化擁堵等級分類標(biāo)準(zhǔn)。