唐小衛(wèi)，陳禎，張生潤(rùn)，丁葉

(南京航空航天大學(xué)，民航學(xué)院，南京 211106）

0 引言

為改變繁忙機(jī)場(chǎng)交通擁堵狀況，利用機(jī)場(chǎng)協(xié)同決策 (Airport Collaborative Decision Making，ACDM)機(jī)制提高停機(jī)坪、滑行道和跑道的利用率是有效的管理措施之一，而對(duì)航班離港滑行時(shí)間的精準(zhǔn)預(yù)測(cè)是ACDM 機(jī)制效能提升的關(guān)鍵[1]。離港滑行時(shí)間起于飛機(jī)在機(jī)位被推出，止于在跑道離地，在ACDM 機(jī)制下每個(gè)航班在停機(jī)坪的推出時(shí)刻是由計(jì)算起飛時(shí)刻(Calculated Take-Off Time,CTOT)減去預(yù)計(jì)的離港滑行時(shí)間倒推得到的，所以離港滑行時(shí)間的預(yù)測(cè)精度不僅直接影響航班在停機(jī)坪的推出次序，而且會(huì)關(guān)聯(lián)跑道上CTOT的最終執(zhí)行率，對(duì)優(yōu)化場(chǎng)面運(yùn)行管理和提高跑滑系統(tǒng)效率具有重要的作用。

航班離港滑行時(shí)間預(yù)測(cè)的已有研究主要聚焦于特征構(gòu)建與預(yù)測(cè)模型兩個(gè)方面[2]。在特征構(gòu)建方面，Brownlee 等[3]和Clewlow 等[4]考慮了滑行距離、進(jìn)離港交通量等特征；劉繼新等[5]驗(yàn)證了進(jìn)離場(chǎng)航空器數(shù)量、運(yùn)行時(shí)間段與滑行時(shí)間具有顯著的相關(guān)性；Ravizza等[6]根據(jù)歐洲機(jī)場(chǎng)滑行道的特點(diǎn)構(gòu)建滑行轉(zhuǎn)彎角度與距離特征；馮霞等[7]引入飛機(jī)推出前15 min內(nèi)離港航班的平均離港滑行時(shí)間特征；李楠等[8]引入跑道運(yùn)行模式的特征后提高了預(yù)測(cè)的精度。上述研究中特征的選取范圍已從單跑道擴(kuò)展至多跑道，但大多聚焦滑行道和跑道空間范圍上的航空器運(yùn)動(dòng)特征，較少關(guān)注停機(jī)坪構(gòu)型對(duì)滑行時(shí)間的影響。與單跑道機(jī)場(chǎng)相比，繁忙機(jī)場(chǎng)擁有多座航站樓和多條跑道，前者影響機(jī)位布局，導(dǎo)致不同機(jī)坪構(gòu)型下航空器在停機(jī)坪相互影響程度增大，進(jìn)而增加機(jī)坪管理難度；后者致使場(chǎng)面交通復(fù)雜性顯著增加。兩者共同作用導(dǎo)致航班離港滑行時(shí)間預(yù)測(cè)的不確定性增大[9]，因此，亟需構(gòu)建新的特征變量以滿足繁忙機(jī)場(chǎng)多航站樓多跑道運(yùn)行對(duì)離港滑行時(shí)間預(yù)測(cè)精度的要求。在預(yù)測(cè)模型研究方面，傳統(tǒng)統(tǒng)計(jì)學(xué)模型要求樣本符合獨(dú)立同分布假設(shè)，且當(dāng)輸入變量復(fù)雜度提升，或自變量與因變量之間的相關(guān)關(guān)系不顯著時(shí)，僅依靠統(tǒng)計(jì)學(xué)模型預(yù)測(cè)可能遺漏部分本可以表征離港滑行時(shí)間影響因素的關(guān)鍵特征，導(dǎo)致預(yù)測(cè)精度難以提高。近年來(lái)研究發(fā)現(xiàn)，機(jī)器學(xué)習(xí)算法在離港滑行時(shí)間預(yù)測(cè)上呈現(xiàn)出更好的學(xué)習(xí)能力和預(yù)測(cè)效果[10]。Herrema 等[11]將神經(jīng)網(wǎng)絡(luò)、回歸樹、強(qiáng)化學(xué)習(xí)和多層感知機(jī)等機(jī)器學(xué)習(xí)方法運(yùn)用于歐洲機(jī)場(chǎng)滑行時(shí)間預(yù)測(cè)，結(jié)果表明，回歸樹模型預(yù)測(cè)效果最佳。

鑒于航班離港滑行時(shí)間的精準(zhǔn)預(yù)測(cè)有助于提高ACDM 機(jī)制下CTOT 的最終執(zhí)行率和優(yōu)化停機(jī)坪航班推出次序，本文以北京首都國(guó)際機(jī)場(chǎng)(簡(jiǎn)稱“首都機(jī)場(chǎng)”)作為繁忙機(jī)場(chǎng)典型案例，提出機(jī)坪構(gòu)型及其與跑滑系統(tǒng)相對(duì)位置關(guān)系特征構(gòu)建方法，并基于回歸樹預(yù)測(cè)模型量化其對(duì)離港滑行時(shí)間的影響，最后對(duì)比驗(yàn)證新特征引入對(duì)預(yù)測(cè)精度提高的有效性。

1 研究對(duì)象和研究問題描述

首都機(jī)場(chǎng)擁有3 座航站樓和3 條遠(yuǎn)距平行跑道。本文選取該機(jī)場(chǎng)2018年9月—2019年8月的航班滑行數(shù)據(jù)開展研究，以避免新冠疫情后航班量波動(dòng)過大帶來(lái)的非常態(tài)預(yù)測(cè)誤差。數(shù)據(jù)關(guān)鍵字段包括日期、航班號(hào)、停機(jī)位、機(jī)型、航空公司、起飛跑道、進(jìn)港航班的實(shí)際落地時(shí)刻(Actual Landing Time,ALDT)和實(shí)際上輪擋時(shí)刻(Actual In-Block Time,AIBT)、離港航班的實(shí)際撤輪擋時(shí)刻(Actual Off-Block Time,AOBT)和實(shí)際起飛時(shí)刻(Actual Take-Off Time，ATOT)等。經(jīng)過數(shù)據(jù)清洗獲得291616 個(gè)離港航班樣本。用于分析機(jī)坪構(gòu)型及其與跑滑系統(tǒng)相對(duì)位置關(guān)系的場(chǎng)面CAD底圖由機(jī)場(chǎng)提供。

繁忙機(jī)場(chǎng)一般建有多座構(gòu)型不同的航站樓，使得機(jī)坪區(qū)域空間結(jié)構(gòu)具有不規(guī)則性，因此，同一機(jī)場(chǎng)不同構(gòu)型航站樓所連接機(jī)坪的機(jī)位布局方式具有較大差異性，不同機(jī)場(chǎng)同一構(gòu)型航站樓所連接機(jī)坪的機(jī)位布局方式也可能不同，帶來(lái)機(jī)坪區(qū)域空間結(jié)構(gòu)類型的多樣性，由此導(dǎo)致不同機(jī)坪構(gòu)型下航空器在機(jī)坪運(yùn)動(dòng)相互影響程度具有差異性[12]，進(jìn)而影響航班離港后續(xù)進(jìn)程。如何系統(tǒng)量化繁忙機(jī)場(chǎng)多航站樓下機(jī)坪構(gòu)型的差異并將其用于航班離港滑行時(shí)間預(yù)測(cè)模型構(gòu)建是首要研究問題。進(jìn)一步，不同機(jī)坪構(gòu)型下，機(jī)坪與跑滑系統(tǒng)相對(duì)位置關(guān)系的復(fù)雜性對(duì)離港滑行時(shí)間預(yù)測(cè)也具有影響。無(wú)阻礙離港滑行時(shí)間(Unimpeded Departure Taxitime,UDTT)已被證明是影響航班離港滑行時(shí)間的重要影響因素[13]，指航空器從停機(jī)位推出后滑行至跑道頭起飛的過程中，在沒有受到任何阻礙情況下的滑行時(shí)間，主要由跑道、滑行道和機(jī)坪的相對(duì)位置決定。已有研究[13]大多基于“承運(yùn)航司-跑道”的第20百分位數(shù)計(jì)算方法來(lái)統(tǒng)計(jì)UDTT，其前提是同一航司的航班均集中于同一機(jī)坪。但在中國(guó)繁忙機(jī)場(chǎng)同一航司的航班大多分布在不同機(jī)坪，機(jī)坪構(gòu)型差異及其與跑滑系統(tǒng)相對(duì)位置關(guān)系的復(fù)雜性意味著亟需提出新的UDTT計(jì)算方法，以適應(yīng)中國(guó)繁忙機(jī)場(chǎng)運(yùn)行實(shí)際。

因此，根據(jù)中國(guó)繁忙機(jī)場(chǎng)如首都機(jī)場(chǎng)和浦東機(jī)場(chǎng)實(shí)際運(yùn)行情況，本文提出“機(jī)位組”的概念表征機(jī)坪構(gòu)型。同一機(jī)坪內(nèi)某些機(jī)位航空器的運(yùn)動(dòng)受其他機(jī)位航空器的影響程度類似且前往相應(yīng)跑道端的距離接近?；跈C(jī)坪構(gòu)型和跑滑系統(tǒng)相對(duì)位置關(guān)系，將同一機(jī)坪內(nèi)具有相同進(jìn)離港滑行路徑且彼此影響的若干機(jī)位視為一組，稱為“機(jī)位組”。機(jī)位組內(nèi)航班的離港滑行時(shí)間值差異較小，機(jī)位組間差異較大。

此外，ACDM機(jī)制下為顯著提高航班離港滑行時(shí)間的預(yù)測(cè)精度，對(duì)場(chǎng)面動(dòng)態(tài)航班流量統(tǒng)計(jì)的實(shí)時(shí)性提出更高要求，繁忙機(jī)場(chǎng)擁有的多跑道系統(tǒng)增加了統(tǒng)計(jì)難度。首都機(jī)場(chǎng)3 條跑道的中線分別相距1960 m 和1525 m，其間距符合多跑道之間獨(dú)立平行儀表進(jìn)近和獨(dú)立平行離場(chǎng)的運(yùn)行要求，每條跑道可同時(shí)用于進(jìn)港和離港混合運(yùn)行，即單一跑道可同時(shí)服務(wù)于3個(gè)航站區(qū)的進(jìn)離港航班，滑行道也可同時(shí)服務(wù)于使用所有跑道的進(jìn)離港航班。已有研究大多僅考慮單一跑道交通流量對(duì)離港滑行時(shí)間的影響[2]，仍缺乏針對(duì)ACDM機(jī)制下多條跑道場(chǎng)面實(shí)時(shí)動(dòng)態(tài)航班流量的計(jì)算方法。多跑道系統(tǒng)下，場(chǎng)面上其他航班運(yùn)行時(shí)間與被預(yù)測(cè)航班離港滑行時(shí)間窗之間具有一定的交互重疊，因此，本文根據(jù)航班之間的相對(duì)時(shí)序構(gòu)建場(chǎng)面實(shí)時(shí)動(dòng)態(tài)航班流量特征。

綜上，本文將從上述3個(gè)方面分別構(gòu)建表征繁忙機(jī)場(chǎng)機(jī)坪構(gòu)型及其與跑滑系統(tǒng)相對(duì)位置關(guān)系的特征變量，并將其用于航班離港滑行時(shí)間預(yù)測(cè)模型的構(gòu)建。

2 離港滑行時(shí)間預(yù)測(cè)模型構(gòu)建

2.1 分類回歸樹算法

離港滑行時(shí)間預(yù)測(cè)問題所需數(shù)據(jù)量大且特征集較為復(fù)雜，鑒于分類回歸樹(Classification and Regression Tree,CART)算法對(duì)高維數(shù)據(jù)預(yù)測(cè)性能較強(qiáng)，本文選取該算法構(gòu)建離港滑行時(shí)間預(yù)測(cè)模型。CART 算法遞歸地將航班樣本空間劃分為有限數(shù)量的子空間，采用子空間觀察到的滑行時(shí)間均值作為預(yù)測(cè)值，具體的一次劃分過程如下。

(1)當(dāng)前樣本空間共有N個(gè)航班樣本，第i個(gè)樣本包括特征集xi與離港滑行時(shí)間集yi，特征集包含M個(gè)特征變量，即xi=(xi1,xi2,…,xiM)。取第j個(gè)特征xij及其取值s作為劃分特征與劃分點(diǎn)，構(gòu)造兩個(gè)子空間R1,R2，即

分別計(jì)算兩者的平均離港滑行時(shí)間作為輸出值c1,c2，即

計(jì)算每個(gè)子空間的誤差平方和L1,L2，得到該(j,s) 劃分情況下的損失函數(shù)L′為

(2)遍歷當(dāng)前樣本空間的所有(j,s)對(duì)，以損失函數(shù)值最小為求解目標(biāo)，尋找最優(yōu)(j,s)對(duì)劃分，將當(dāng)前樣本空間劃分為兩個(gè)子空間，構(gòu)造一個(gè)二叉樹分支。

遞歸地進(jìn)行上述劃分過程，最終將訓(xùn)練集輸入空間劃分為K個(gè)子空間，計(jì)算第k個(gè)子空間Rk的平均離港滑行時(shí)間ck，則航班樣本x和離港滑行時(shí)間預(yù)測(cè)值f(x)的對(duì)應(yīng)關(guān)系為

式中：I(x∈Rk)為指示函數(shù)。

由上可知，在特征構(gòu)建中，特征的含義和數(shù)量是CART算法進(jìn)行分枝的關(guān)鍵。

2.2 特征變量構(gòu)建

2.2.1 機(jī)坪構(gòu)型相關(guān)特征變量構(gòu)建

(1)場(chǎng)面實(shí)時(shí)動(dòng)態(tài)航班流量特征

根據(jù)航班相對(duì)時(shí)序影響和進(jìn)離港性質(zhì)共構(gòu)建16 個(gè)表征場(chǎng)面實(shí)時(shí)動(dòng)態(tài)航班流量的特征。航班相對(duì)時(shí)序影響指場(chǎng)面上其他航班運(yùn)行時(shí)間與被預(yù)測(cè)航班離港滑行時(shí)間窗之間的交互重疊關(guān)系。圖1表示單一跑道有8 種存在相對(duì)時(shí)序影響的航班。假設(shè)當(dāng)前離港航班d0的滑行時(shí)間窗為[tAOBT,tATOT]，tAOBT為航空器在機(jī)坪上的實(shí)際撤輪擋時(shí)刻，tATOT為航空器在跑道上的實(shí)際起飛時(shí)刻。與當(dāng)前離港航班d0存在相對(duì)時(shí)序關(guān)系的其他離港航班可分為d1,d2,d3,d4這4 類。d1表示推出時(shí)間在tAOBT前，起飛時(shí)間位于[tAOBT,tATOT]的航班；d2為推出時(shí)間在tAOBT前，起飛時(shí)間在tATOT后的航班；d3為推出時(shí)間在tAOBT后，起飛時(shí)間在tATOT前的航班；d4為推出時(shí)間位于[tAOBT,tATOT]，起飛時(shí)間在tATOT后的航班。類似，與d0存在相對(duì)時(shí)序關(guān)系的進(jìn)港航班也分為a1,a2,a3,a4這4 類，定義同上。由圖1可知，d1,d2,d4,a1,a2,a4與當(dāng)前預(yù)測(cè)航班d0的離港滑行時(shí)間窗僅部分重疊，它們之間的區(qū)別在于重疊發(fā)生時(shí)間節(jié)點(diǎn)不同；而d3和a3的時(shí)間窗與d0則完全重疊?；谏鲜鲇?jì)算方法，將統(tǒng)計(jì)范圍從單一跑道擴(kuò)展至所有跑道上的不同類型航班數(shù)量，構(gòu)建單一跑道和所有跑道的場(chǎng)面流量特征，分別標(biāo)記為

圖1 不同航班間離港滑行時(shí)間相互影響示意圖Fig.1 Schematic diagram for mutual influence of departure taxi time between different flights

(2)無(wú)阻礙離港滑行時(shí)間特征

計(jì)算各機(jī)位組UDTT的步驟如下。

Step 1 建立機(jī)位組內(nèi)航班實(shí)際離港滑行時(shí)間線性回歸模型，選取與離港滑行時(shí)間相關(guān)性最強(qiáng)的進(jìn)港流量值和離港流量值作為解釋變量，即

式中：為第m個(gè)機(jī)位組內(nèi)第n個(gè)航班的實(shí)際離港滑行時(shí)間，m∈{1,2,…,M}，M為機(jī)位組總數(shù)，n∈{1,2,…,N}，N為第m個(gè)機(jī)位組內(nèi)的航班總數(shù)；、分別為與相關(guān)性最高的進(jìn)港流量、離港流量；αm為常數(shù)項(xiàng)；βm,γm為系數(shù)；εm為隨機(jī)誤差項(xiàng)。

Step 2 根據(jù)所構(gòu)建回歸模型，計(jì)算無(wú)進(jìn)港航班(0)、無(wú)其他離港航班(1)時(shí)的，即為所在機(jī)位組的UDTT，用T(U DTT)表示。

(3)機(jī)位組空間影響指數(shù)

為量化不同機(jī)坪構(gòu)型下機(jī)位之間的相互影響程度，提出機(jī)位組空間影響指數(shù)I(SI)，第m個(gè)機(jī)位組的I(SI)計(jì)算方法為

式中：為某個(gè)機(jī)位的飛機(jī)在機(jī)坪運(yùn)行時(shí)影響的周邊機(jī)位個(gè)數(shù)；p為飛機(jī)在機(jī)坪的離港滑行過程，分為推出和開車滑行2個(gè)階段；l為第m個(gè)機(jī)位組的第l個(gè)機(jī)位；L為第m個(gè)機(jī)位組的機(jī)位總數(shù)。推出階段機(jī)位間的空間影響取決于機(jī)位大小和分布、機(jī)型大小、飛機(jī)推出方向和推出路徑，開車滑行階段取決于飛機(jī)發(fā)動(dòng)機(jī)的尾噴范圍和推出等待滑行點(diǎn)設(shè)置。不同機(jī)坪構(gòu)型下機(jī)位之間的相互影響如圖2所示，同一機(jī)坪不同位置的機(jī)位相互影響如圖3所示。

圖2 不同機(jī)坪構(gòu)型下的機(jī)位影響示意圖Fig.2 Schematic diagram of aircraft stand influence under different apron configurations

圖3 同一機(jī)坪不同位置的機(jī)位影響示意圖Fig.3 Schematic diagram of different aircraft stands influence under same apron configuration

2.2.2 其他特征變量構(gòu)建

除了上述表征繁忙機(jī)場(chǎng)機(jī)坪構(gòu)型及相關(guān)的特征，特征集還包括滑行距離、機(jī)場(chǎng)容量、相鄰時(shí)段航班平均離港滑行時(shí)間、起飛跑道、機(jī)型類別、航空公司類別、運(yùn)行時(shí)段等常用特征，共18 個(gè)，如表1所示。

表1 其他常用特征變量對(duì)照表Table 1 A list table for other feature variables

3 繁忙機(jī)場(chǎng)機(jī)坪構(gòu)型相關(guān)特征分析和預(yù)測(cè)結(jié)果

3.1 繁忙機(jī)場(chǎng)機(jī)坪構(gòu)型相關(guān)特征分析結(jié)果

通過分析首都機(jī)場(chǎng)的空間布局、停放機(jī)型分布以及停放航班性質(zhì)，探究機(jī)位之間的相互影響，最終將整場(chǎng)共353 個(gè)機(jī)位劃分為50 個(gè)機(jī)位組，如圖4所示。以T2 航站樓為例，其周邊35 個(gè)機(jī)位被分為7組，如圖5所示，以205～208為例，這4個(gè)機(jī)位的航班均被推至Z1 滑行道再開車滑行，且任一機(jī)位被推出時(shí)對(duì)組內(nèi)其他機(jī)位均存在影響，因此將它們納入同一組內(nèi)，編號(hào)為“3”。同理，T2 航站樓周邊其他近機(jī)位依次被編為“4～9”組。根據(jù)式(5)和式(6)計(jì)算得到每個(gè)機(jī)位組的T(U DTT)與I(SI)。如圖6所示，不同機(jī)位組的T(U DTT)具有較大差異，最長(zhǎng)為23 min，最短為12 min，離跑道端的距離越近，滑行路線相對(duì)簡(jiǎn)單，對(duì)應(yīng)機(jī)位組的T(UDTT)越短，否則越長(zhǎng)。如圖7所示，I(SI)值少于2 個(gè)的機(jī)位組占56%，大于4 個(gè)的占18%，主要分布于1、2 和4 號(hào)等機(jī)位布局較緊湊的機(jī)坪。

圖4 首都機(jī)場(chǎng)機(jī)位組的劃分結(jié)果Fig.4 Result of grouping stands for Capital Airport

圖5 T2航站樓周邊機(jī)位分組示意圖Fig.5 Schematic diagram of grouping stands around T2 terminal

圖6 基于機(jī)位組的平均無(wú)阻礙離港滑行時(shí)間分布Fig.6 Average UDTT distribution based on stand groups

圖7 基于機(jī)位組的空間影響指數(shù)分布Fig.7 I(SI)distribution based on stand groups

如圖8～圖10所示，3個(gè)與繁忙機(jī)場(chǎng)機(jī)坪構(gòu)型相關(guān)的特征變量與離港滑行時(shí)間的相關(guān)性分析結(jié)果表明，與離港滑行時(shí)間相關(guān)系數(shù)絕對(duì)值大于0.3 的變量包括12個(gè)場(chǎng)面實(shí)時(shí)動(dòng)態(tài)航班流量特征和無(wú)阻礙離港滑行時(shí)間，而空間影響指數(shù)與離港滑行時(shí)間的相關(guān)性較小。

圖8 場(chǎng)面實(shí)時(shí)動(dòng)態(tài)航班流量特征與離港滑行時(shí)間相關(guān)性分析Fig.8 Correlation analysis of real-time dynamic flight flow and departure taxi time

圖9 無(wú)阻礙滑行時(shí)間與滑行時(shí)間相關(guān)性分析Fig.9 Correlation analysis of unimpeded departure taxi-time and departure taxi time

圖10 空間影響指數(shù)與離港滑行時(shí)間相關(guān)性分析Fig.10 Correlation analysis of spatial index and departure taxi time

3.2 模型預(yù)測(cè)結(jié)果分析

以CART算法為基礎(chǔ)構(gòu)建預(yù)測(cè)模型，特征集共32 個(gè)特征，包括14 個(gè)機(jī)坪構(gòu)型相關(guān)特征和18 個(gè)被普遍證明影響離港滑行時(shí)間預(yù)測(cè)的特征。將處理好的數(shù)據(jù)集以7∶3的比例劃分為訓(xùn)練集與測(cè)試集，對(duì)比分析機(jī)坪構(gòu)型特征變量引入前和引入后的預(yù)測(cè)精度。預(yù)測(cè)精度為模型輸出的時(shí)間與實(shí)際滑行時(shí)間的差值在某一設(shè)定范圍內(nèi)的數(shù)量與總預(yù)測(cè)樣本數(shù)之比，范圍包括±3 min、±5 min。預(yù)測(cè)結(jié)果如表2所示，±3 min 精度由75.32%提高到80.2%；±5 min預(yù)測(cè)精度由86.55%提高到93.01%。首都機(jī)場(chǎng)2019年高峰小時(shí)離港架次為45，則±3 min和±5 min 預(yù)測(cè)精度的提高可以減少約2～3 個(gè)起飛時(shí)隙的浪費(fèi)。模型R2高于0.75，擬合優(yōu)度較好；MAE均低于2.4 min，誤差較小，驗(yàn)證了特征變量集構(gòu)建的有效性。在引入機(jī)坪構(gòu)型相關(guān)指標(biāo)后模型的預(yù)測(cè)精度和擬合優(yōu)度均得到提升，同時(shí)平均絕對(duì)誤差MAE 減小，表明新引入的機(jī)坪構(gòu)型特征變量增強(qiáng)了所構(gòu)建CART 模型對(duì)離港滑行時(shí)間的預(yù)測(cè)效果。

表2 機(jī)坪構(gòu)型相關(guān)特征引入前后的模型預(yù)測(cè)精度對(duì)比Table 2 Comparison of model prediction accuracy before and after introducing characteristics of apron configuration

3.3 特征重要度分析

根據(jù)CART模型可計(jì)算各特征的重要度，它反映了各個(gè)特征對(duì)離港滑行時(shí)間預(yù)測(cè)精度的貢獻(xiàn)能力，特征重要度越大，則貢獻(xiàn)越大。各特征的重要度排序如圖11所示。

圖11 對(duì)離港滑行時(shí)間預(yù)測(cè)貢獻(xiàn)最大的前20個(gè)特征變量Fig.11 Top 20 feature variables with the greatest impact on departure taxi-time prediction

(1)場(chǎng)面實(shí)時(shí)動(dòng)態(tài)航班流量特征的重要度

在首都機(jī)場(chǎng)多航站樓多跑道構(gòu)型下，反映場(chǎng)面整體流量的6 個(gè)特征的重要度之和為60.2%，遠(yuǎn)超過單一跑道流量特征，其中排名分別為第1、3、4、5、8 位次，比單一跑道流量特征D1,D3,A3的排名更靠前。進(jìn)一步，與當(dāng)前預(yù)測(cè)航班時(shí)間窗重疊程度更高的航班對(duì)預(yù)測(cè)精度貢獻(xiàn)最大，相關(guān)特征A′3和A3的重要度排前兩位，分別為40.7%和26.7%?？梢姰?dāng)航班間相對(duì)時(shí)序關(guān)系持續(xù)時(shí)間越長(zhǎng)，對(duì)離港滑行時(shí)間預(yù)測(cè)的影響也越大。

從進(jìn)離港航班特征看，進(jìn)港航班相關(guān)特征對(duì)離港滑行時(shí)間預(yù)測(cè)的貢獻(xiàn)高于離港航班相關(guān)特征，重要度分別為69.1%和24.4%。首都機(jī)場(chǎng)3 條平行跑道的中線間距決定了每條跑道均可起降混合運(yùn)行，且在高峰時(shí)段進(jìn)港航班的優(yōu)先級(jí)高于離港航班。研究結(jié)果與實(shí)際情況相符，表明本文提出的場(chǎng)面動(dòng)態(tài)交通量計(jì)算方法及所構(gòu)建模型的合理性。

(2)無(wú)阻礙離港滑行時(shí)間和機(jī)位組空間影響指數(shù)的重要度

無(wú)阻礙滑行時(shí)間和機(jī)位組空間影響指數(shù)的重要度分別排第9、20位，超過了部分傳統(tǒng)特征，如相鄰時(shí)段航班平均離港滑行時(shí)間和運(yùn)行時(shí)段等。因此，針對(duì)繁忙機(jī)場(chǎng)的離港滑行時(shí)間預(yù)測(cè)模型需考慮機(jī)坪空間構(gòu)型及其和跑滑系統(tǒng)的相對(duì)位置。根據(jù)我國(guó)繁忙機(jī)場(chǎng)容納多家基地航司且同一航司航班分散于多個(gè)不同機(jī)坪的現(xiàn)實(shí)，進(jìn)而導(dǎo)致機(jī)坪利用效率不高、航空器沖突增加和機(jī)坪空間擁堵的現(xiàn)狀，基于機(jī)位組的無(wú)阻礙離港滑行時(shí)間計(jì)算方法能夠在機(jī)位資源利用效率和離港滑行時(shí)間預(yù)測(cè)精度兩方面取得平衡，為繁忙機(jī)場(chǎng)與其基地航司合作促進(jìn)機(jī)坪管理方式革新提供理論支撐。

4 結(jié)論

(1)繁忙機(jī)場(chǎng)航班離港滑行時(shí)間預(yù)測(cè)需考慮機(jī)坪構(gòu)型及其與跑滑系統(tǒng)相對(duì)位置關(guān)系，據(jù)此構(gòu)建場(chǎng)面實(shí)時(shí)動(dòng)態(tài)航班流量、無(wú)阻礙滑行時(shí)間和機(jī)位組空間影響指數(shù)等新特征變量，預(yù)測(cè)結(jié)果顯示新特征對(duì)模型預(yù)測(cè)精度貢獻(xiàn)較大。

(2)通過構(gòu)建分類回歸樹模型驗(yàn)證了新引入的機(jī)坪構(gòu)型相關(guān)特征變量有助于模型預(yù)測(cè)精度的提高，將預(yù)測(cè)模型用于運(yùn)行實(shí)踐可幫助首都機(jī)場(chǎng)每高峰小時(shí)減少約2～3個(gè)起飛時(shí)隙的浪費(fèi)。

(3)提出根據(jù)航班相對(duì)時(shí)序影響程度識(shí)別場(chǎng)面運(yùn)動(dòng)航班類型的方法，實(shí)現(xiàn)了場(chǎng)面實(shí)時(shí)動(dòng)態(tài)航班流量特征變量的精細(xì)刻畫，結(jié)果表明，繁忙機(jī)場(chǎng)多航站樓多跑道構(gòu)型下場(chǎng)面整體流量特征對(duì)滑行時(shí)間預(yù)測(cè)精度的貢獻(xiàn)超過單一跑道流量特征。相對(duì)時(shí)序關(guān)系持續(xù)時(shí)間越長(zhǎng)的航班以及進(jìn)港航班的相關(guān)特征對(duì)離港滑行時(shí)間預(yù)測(cè)的貢獻(xiàn)較大。