大型機(jī)場(chǎng)場(chǎng)面交通擁堵?tīng)顟B(tài)等級(jí)預(yù)測(cè)

徐川， 朱新平， 瞿菁菁， 陳洪浩

(中國(guó)民用航空飛行學(xué)院空管學(xué)院， 廣漢 618300)

場(chǎng)面擁堵是指場(chǎng)面交通系統(tǒng)資源供給無(wú)法滿(mǎn)足某一時(shí)段內(nèi)持續(xù)增長(zhǎng)的航空器使用需求，以致出現(xiàn)的航空器場(chǎng)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(chǎng)面擁堵會(huì)直接影響機(jī)場(chǎng)運(yùn)行安全和效率。一直以來(lái)，科學(xué)治理場(chǎng)面擁堵是飛行區(qū)運(yùn)行管理面臨的難題之一。戰(zhàn)略級(jí)場(chǎng)面擁堵治理的一個(gè)有效途徑是通過(guò)優(yōu)化滑行道運(yùn)行方案，以支持管制員科學(xué)制定場(chǎng)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(chǎng)改擴(kuò)建后場(chǎng)面滑行道運(yùn)行方案設(shè)計(jì)中會(huì)重點(diǎn)對(duì)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(kāi)展長(zhǎng)時(shí)間跨度的場(chǎng)面運(yùn)行擁堵預(yù)測(cè)，明確潛在的場(chǎng)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(jí)場(chǎng)面擁堵治理。

目前，國(guó)內(nèi)外機(jī)場(chǎng)場(chǎng)面研究多集中在擁堵傳播機(jī)理、沖突熱點(diǎn)識(shí)別、地面延誤研究等，Guepet 等[1]綜合考慮場(chǎng)面滑行路徑問(wèn)題和跑道調(diào)度問(wèn)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(lái)提高了跑道的利用效率并減少了滑行時(shí)間。Simaiakis等[2]通過(guò)實(shí)地測(cè)試擁堵控制策略，研究如何確定合適推出率以防止機(jī)場(chǎng)場(chǎng)面進(jìn)入擁堵?tīng)顟B(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(guò)對(duì)場(chǎng)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(duì)機(jī)場(chǎng)場(chǎng)面擁堵等級(jí)及各關(guān)鍵指標(biāo)臨界值進(jìn)行了分類(lèi)識(shí)別及計(jì)算分析。楊磊等[4]通過(guò)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(chǎng)交通流密度、離場(chǎng)平均滑行速度和離場(chǎng)交通流量之間的關(guān)系,提出了控制與進(jìn)場(chǎng)率相適應(yīng)的離場(chǎng)航班推出率是動(dòng)態(tài)調(diào)解機(jī)場(chǎng)場(chǎng)面離場(chǎng)交通流密度，緩解離場(chǎng)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(chǎng)面沖突系數(shù)或熱點(diǎn)的熱度值。上述關(guān)于機(jī)場(chǎng)場(chǎng)面的研究多是關(guān)于場(chǎng)面運(yùn)行中某一模塊進(jìn)行深入研究或是通過(guò)歷史對(duì)場(chǎng)面擁堵情況進(jìn)行研究分析，在預(yù)測(cè)方面有所不足。

圖1 離場(chǎng)航班交通流擁堵?tīng)顟B(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(cè)方式為代表的線性擁堵預(yù)測(cè)模型[6]，以神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)為代表并基于歷史交通數(shù)據(jù)展開(kāi)的非線性擁堵預(yù)測(cè)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(dòng)態(tài)變化的一種外在表現(xiàn)，擁堵的預(yù)測(cè)實(shí)質(zhì)上可視為流量預(yù)測(cè)范疇。在此方面，民航航路和空域流量預(yù)測(cè)有較多研究。其中，向征等[9]通過(guò)領(lǐng)航報(bào)和全飛行剖面混雜模型來(lái)對(duì)關(guān)鍵航路點(diǎn)進(jìn)行流量預(yù)測(cè);錢(qián)夔等[10]通過(guò)對(duì)目標(biāo)群航跡數(shù)據(jù)聚類(lèi)，利用反向傳播(back propagation，BP) 神經(jīng)網(wǎng)絡(luò)對(duì)目標(biāo)群航跡進(jìn)行訓(xùn)練學(xué)習(xí)并建立航跡預(yù)測(cè)模型;馮霞等[11]采用適用于混沌時(shí)間序列預(yù)測(cè)的遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)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(cè)算法，并對(duì)短期區(qū)域飛行流量進(jìn)行預(yù)測(cè)和統(tǒng)計(jì)；黃龍楊等[13]考慮離場(chǎng)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(cè);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(cè)模型，對(duì)航班落地延誤時(shí)間進(jìn)行預(yù)測(cè)。上述研究均能為本文工作提供一定借鑒。

首先通過(guò)分析場(chǎng)面擁堵?tīng)顟B(tài)，提出了場(chǎng)面擁堵?tīng)顟B(tài)等級(jí)的概念。基于遺傳算法優(yōu)化的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)算法(genetic algorithm-long short term memory networks，GA-LSTM)預(yù)測(cè)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(guò)模糊C均值聚類(lèi)算法(fuzzyC-means，F(xiàn)CM)計(jì)算機(jī)場(chǎng)的場(chǎng)面擁堵?tīng)顟B(tài)等級(jí)。

1 場(chǎng)面擁堵?tīng)顟B(tài)特征分析

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

1.1 離場(chǎng)航班交通流擁堵形成過(guò)程

圖1所示為在離場(chǎng)航班的擁堵?tīng)顟B(tài)特性。通常，當(dāng)離場(chǎng)航班的下游目的地機(jī)場(chǎng)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(chǎng)航班會(huì)因此滯留在停機(jī)位或是場(chǎng)面某些區(qū)域，此時(shí)會(huì)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(dòng)區(qū)滑行道或機(jī)坪滑行通道的長(zhǎng)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(lái)予以緩解。

1.2 進(jìn)場(chǎng)交通流擁堵特性

進(jìn)場(chǎng)航班在落地后會(huì)根據(jù)管制員的引導(dǎo)指令或引導(dǎo)車(chē)引導(dǎo)入位，在其運(yùn)行過(guò)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(chǎng)航班擁堵特性一樣都會(huì)在場(chǎng)面運(yùn)行過(guò)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(duì)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(huì)導(dǎo)致后一架航空器減速或是停滯，該現(xiàn)象也會(huì)產(chǎn)生場(chǎng)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(chǎng)面擁堵?tīng)顟B(tài)等級(jí)及預(yù)測(cè)流程

2.1 場(chǎng)面擁堵等級(jí)定義

場(chǎng)面擁堵等級(jí)是反映機(jī)場(chǎng)機(jī)動(dòng)區(qū)擁堵?tīng)顟B(tài)的一個(gè)指標(biāo)。該等級(jí)的大小反映了不同的場(chǎng)面運(yùn)行擁堵程度。擁堵等級(jí)數(shù)值越高，則該時(shí)間段的機(jī)動(dòng)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(chǎng)面運(yùn)行效率，解決潛在的運(yùn)行安全。

將場(chǎng)面擁堵?tīng)顟B(tài)劃分為四個(gè)等級(jí)[15-16]，具體的等級(jí)量化確定方法見(jiàn)本文第4節(jié)。場(chǎng)面擁堵?tīng)顟B(tài)等級(jí)分類(lèi)見(jiàn)表1。

2.2 機(jī)動(dòng)區(qū)擁堵?tīng)顟B(tài)等級(jí)預(yù)測(cè)流程

科學(xué)治理場(chǎng)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(jí)角度提出能應(yīng)用于多場(chǎng)景的場(chǎng)面擁堵?tīng)顟B(tài)等級(jí)預(yù)測(cè)方法。在機(jī)場(chǎng)改擴(kuò)建或者航班增量后，為管制員科學(xué)制定場(chǎng)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(chǎng)面運(yùn)行效率，擁堵?tīng)顟B(tài)等級(jí)預(yù)測(cè)具體流程如下。

表1 場(chǎng)面擁堵?tīng)顟B(tài)等級(jí)

首先，通過(guò)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(chǎng)場(chǎng)面運(yùn)行數(shù)據(jù)，對(duì)場(chǎng)面擁堵?tīng)顟B(tài)進(jìn)行分析，通過(guò)提取分析數(shù)據(jù)找出該機(jī)場(chǎng)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(dòng)區(qū))，并提取相應(yīng)的擁堵?tīng)顟B(tài)如跑道頭排隊(duì)隊(duì)列長(zhǎng)度，延誤時(shí)間

然后，基于GA-LSTM算法對(duì)如跑道頭等待架次、主滑行道延誤時(shí)間、機(jī)動(dòng)區(qū)延誤時(shí)間此類(lèi)擁堵?tīng)顟B(tài)進(jìn)行預(yù)測(cè)，得到下一時(shí)段的擁堵?tīng)顟B(tài)。

最后，結(jié)合預(yù)測(cè)的擁堵?tīng)顟B(tài)數(shù)據(jù)，并基于FCM聚類(lèi)算法進(jìn)行機(jī)動(dòng)區(qū)擁堵?tīng)顟B(tài)等級(jí)分類(lèi)，得到機(jī)動(dòng)區(qū)擁堵?tīng)顟B(tài)等級(jí)。具體流程圖如圖4所示。

3 場(chǎng)面擁堵預(yù)測(cè)及擁堵等級(jí)評(píng)價(jià)模型

3.1 基于GA-LSTM算法的交通擁堵?tīng)顟B(tài)預(yù)測(cè)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(guò)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(guò)程中，使得種群像好的方向進(jìn)化，操作過(guò)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(guò)三種核心操作不斷對(duì)問(wèn)題的接進(jìn)行迭代優(yōu)化，在優(yōu)化過(guò)程中不斷產(chǎn)生新的個(gè)體，并通過(guò)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(wèn)題較好的解。

長(zhǎng)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(mén)來(lái)控制單元狀態(tài)c的狀態(tài)和內(nèi)容，分別是遺忘門(mén)和輸入門(mén)。

遺忘門(mén)的公式為

ft=δ(Wf[ht-1,x]+bf)

(1)

輸入門(mén)公式為

it=δ(Wi[ht-1,xt]+bi)

(2)

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

輸出門(mén)負(fù)責(zé)控制長(zhǎng)期記憶對(duì)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(shuō)的三個(gè)門(mén)，遺忘門(mén)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?tīng)顟B(tài)數(shù)值作為輸入，最后輸出下一時(shí)段的場(chǎng)面擁堵?tīng)顟B(tài)數(shù)據(jù)。在場(chǎng)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?tīng)顟B(tài)對(duì)下一階段的擁堵會(huì)產(chǎn)生極大的影響，所以將LSTM算法應(yīng)用于本文的預(yù)測(cè)是符合場(chǎng)面運(yùn)行的實(shí)際狀態(tài)的。

使用GA-LSTM算法對(duì)場(chǎng)面擁堵?tīng)顟B(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(cè)。首先，利用GA算法對(duì)預(yù)測(cè)過(guò)程中的時(shí)間序列滑動(dòng)時(shí)間窗步長(zhǎng)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(chǎng)面擁堵?tīng)顟B(tài)預(yù)測(cè)模型，并應(yīng)用于實(shí)際模型當(dāng)中進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)結(jié)果并進(jìn)行誤差分析，并與LSTM算法所預(yù)測(cè)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(chǎng)面擁堵?tīng)顟B(tài)評(píng)價(jià)

從點(diǎn)、線、面三個(gè)維度建立場(chǎng)面擁堵?tīng)顟B(tài)等級(jí)評(píng)價(jià)體系具體步驟如下。

第一步：提取預(yù)測(cè)所得的場(chǎng)面交通擁堵?tīng)顟B(tài)數(shù)據(jù)。

第二步：采用FCM算法對(duì)場(chǎng)面重要點(diǎn)、線、面三個(gè)維度進(jìn)行交通擁堵評(píng)價(jià)數(shù)據(jù)進(jìn)行聚類(lèi)，得出相應(yīng)的聚類(lèi)中心，對(duì)指標(biāo)進(jìn)行擁堵?tīng)顟B(tài)的分類(lèi)。

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

U=(uni)N×I, ?u∈[0,1]

(5)

圖4 機(jī)動(dòng)區(qū)擁堵?tīng)顟B(tài)等級(jí)預(yù)測(cè)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(jí)分類(lèi)的程度；I為樣本數(shù)；N為擁堵?tīng)顟B(tài)的等級(jí)數(shù)(本文分為4類(lèi)，分別為暢通、過(guò)渡、擁擠、擁塞)；聚類(lèi)中心矩陣Cn={C1,C2,C3,C4}，分別代表暢通狀態(tài)、過(guò)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(lèi)中心于第i個(gè)數(shù)據(jù)的歐氏距離;J反映了聚類(lèi)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(chǎng)面交通擁堵的等級(jí)。對(duì)具體流程如圖7所示。

圖7 FCM算法判別交通擁堵?tīng)顟B(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(lái)源

以天府國(guó)際機(jī)場(chǎng)為預(yù)測(cè)目標(biāo)，該機(jī)場(chǎng)共有三條跑道，分別是4 000 m×60 m的01/19號(hào)跑道，3 200 m×45 m的02/20號(hào)跑道以及3 800 m×45 m的11號(hào)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(guó)際機(jī)場(chǎng)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(dòng)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(dòng)區(qū)總延誤時(shí)間的預(yù)測(cè)。

4.2 預(yù)測(cè)結(jié)果及分析

基于GA-LSTM算法的天府機(jī)場(chǎng)未來(lái)單日1 000架次流量的場(chǎng)面機(jī)動(dòng)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(dòng)區(qū)的延誤時(shí)間的預(yù)測(cè)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(cè)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(cè)Fig.8 Runway head waiting sortie forecast

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

圖10 場(chǎng)面機(jī)動(dòng)區(qū)延誤時(shí)間預(yù)測(cè)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(cè)集，以 10 min 為間隔，共計(jì)144個(gè)樣本，經(jīng)過(guò)GA-LSTM算法的預(yù)測(cè)和真實(shí)值對(duì)比如上圖所示，跑道頭排隊(duì)隊(duì)列預(yù)測(cè)的RMSE為1.18架；主滑行道延誤時(shí)間的預(yù)測(cè)的RMSE為1.85；整個(gè)場(chǎng)面機(jī)動(dòng)區(qū)的延誤時(shí)間預(yù)測(cè)的RMSE為2.11。可見(jiàn)基于GA-LSTM算法的擁堵?tīng)顟B(tài)預(yù)測(cè)的預(yù)測(cè)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(jiàn)該機(jī)場(chǎng)早高峰階段， 10:00—11:00的擁堵情況較為嚴(yán)重，無(wú)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(jí)的交通擁堵預(yù)測(cè)或是管制員工作階段都應(yīng)對(duì)該時(shí)段給予足夠的重視，以確保場(chǎng)面運(yùn)行的效率，保障安全運(yùn)行。

通過(guò)對(duì)機(jī)場(chǎng)機(jī)動(dòng)區(qū)重要點(diǎn)、線、面擁堵?tīng)畹念A(yù)測(cè)的數(shù)值，首先基于FCM聚類(lèi)算法對(duì)預(yù)測(cè)出的數(shù)值進(jìn)行聚類(lèi)中心的計(jì)算，基于FCM算法聚類(lèi)中心的結(jié)果如圖11所示，最后用該結(jié)果進(jìn)行機(jī)場(chǎng)一天內(nèi)交通擁堵?tīng)顟B(tài)進(jìn)行等級(jí)評(píng)價(jià)，時(shí)間間隔為10 min，總計(jì)為144個(gè)樣本，具體等級(jí)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(chǎng)航班量較大，場(chǎng)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(jí)層面需要管制部門(mén)對(duì)滑行方案進(jìn)行優(yōu)化，以降低擁堵?tīng)顟B(tài)等級(jí)為目標(biāo)緩解場(chǎng)面運(yùn)行壓力。

圖11 基于FCM算法的擁堵?tīng)顟B(tài)聚類(lèi)圖Fig.11 Congestion state clustering map based on FCM algorithm

圖12 機(jī)場(chǎng)場(chǎng)面擁堵?tīng)顟B(tài)等級(jí)圖Fig.12 Airport field congestion status level chart

5 結(jié)論

場(chǎng)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(chǎng)面擁堵時(shí)間，通過(guò)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(lèi)算法建立了一個(gè)整體的機(jī)場(chǎng)場(chǎng)面擁堵?tīng)顟B(tài)等級(jí)預(yù)測(cè)模型。通過(guò)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?tīng)顟B(tài)等級(jí)預(yù)測(cè)，為地面管制提供管制決策依據(jù)。并且可以觀測(cè)到對(duì)應(yīng)擁堵較為嚴(yán)重的交叉口擁堵?tīng)顟B(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(guò)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(guò)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(jí)分類(lèi)標(biāo)準(zhǔn)。