基于XGBoost 的航空器動態(tài)滑行時間預(yù)測方法研究

趙征，馮事成，宋梅雯，胡莉，陸莎

（1.南京航空航天大學(xué) 民航學(xué)院，南京 211106）

（2.上海國際機場股份有限公司運行指揮中心，上海 201202）

0 引 言

大型民用機場場面運行復(fù)雜，實際運行中，經(jīng)常出現(xiàn)進港航空器的機位保障資源不能及時到位；離港航空器按照預(yù)計時間推出，但跑道頭排隊錯位導(dǎo)致無法滿足分配起飛時刻的情況。上述現(xiàn)象主要是由于機場協(xié)同決策（A-CDM）系統(tǒng)中滑行時間設(shè)置較為單一和靜態(tài)，缺乏科學(xué)預(yù)測和動態(tài)修訂而導(dǎo)致的。通過對航空器進港和離港滑行時間的精確和動態(tài)預(yù)測，可以更加準(zhǔn)確地計算出預(yù)計上輪擋時間、預(yù)計推出時間等，從而提升機場的運行效率，提高航班準(zhǔn)點率。

在滑行時間影響因素的分析方面，A-CDM 系統(tǒng)實施文件中將影響滑行時間最常見的因素歸為11 種，包括機場布局和機場設(shè)施、使用的跑道、跑道交叉的次數(shù)、停機位、氣象條件、航空器類型和飛行員、航空器重量、推出指令傳達時間、除冰位、交通密度和機場當(dāng)?shù)氐牟僮鞒绦?。R. A.Shumsky基于排隊論，考慮航空公司、離港跑道和離港需求等影響因素，對離港滑行時間進行預(yù)測；H.Idris 等分析了影響滑行時間的主要因素，如起飛隊列長度、跑道配置、天氣、飛機類型和停機位等，并使用排隊論模型對離港滑行時間進行預(yù)測，結(jié)果顯示起飛隊列長度是最重要的影響因素，但是模型在±5 min 范圍內(nèi)的預(yù)測精度不到70%。

針對前人研究中關(guān)于進港航空器數(shù)量對離港滑行時間影 響有限的觀點，R. R. Clewlow 等經(jīng)過分析證明了進港航空器數(shù)量對離港滑行時間有著顯著影響，且進/離港航空器流交互越多，這種影響就越顯著；劉繼新等分析了航空器滑行時間的影響因素，結(jié)果表明，場面流量對滑行時間的影響最為顯著。

在滑行時間預(yù)測模型和方法的研究方面，M.S.Kistler 等以達拉斯—沃思堡國際機場為對象，使用線性回歸和對數(shù)線性回歸模型對航空器滑行時間進行預(yù)測，結(jié)果表明，線性回歸模型預(yù)測效果較好，在±1 min 誤差范圍內(nèi)，預(yù)測精度達到71%，決定因子值達到0.95；P.Balakrishna 等采用強化學(xué)習(xí)算法對美國的三個機場進行了離港滑行時間預(yù)測，算法在底特律國際機場和坦帕國際機場表現(xiàn)出較好的預(yù)測效果；S.Ravizza 等提出滑行距離應(yīng)分為推出段、轉(zhuǎn)彎段和直線滑行段，并研究了飛機滑行通過這三段時的滑行角度和速度，然后基于多元線性回歸、最小中位數(shù)平方線性回歸、支持向量機和M5 模型樹等對離港滑行時間進行了預(yù)測；H.Lee 等以夏洛特機場為例，基于神經(jīng)網(wǎng)絡(luò)、線性回歸模型、支持向量機、近鄰和隨機森林等算法對滑行時間進行預(yù)測，并比較了這幾種算法的預(yù)測效能，結(jié)果顯示，支持向量機預(yù)測效果 優(yōu) 于 其 他 模 型；T. Diana比 較 了 集 成 機 器 學(xué)習(xí)、普通最小二乘法和懲罰算法在預(yù)測滑行時間方面的性能，以探究機器學(xué)習(xí)是否比傳統(tǒng)的線性回歸具有更好的預(yù)測效能，結(jié)果表明，在對預(yù)測結(jié)果進行偏差和方差的評估比較方面，兩者各有優(yōu)劣，故在模型選擇時應(yīng)當(dāng)以偏差和方差的均衡作為選擇依據(jù)；Wang X W 等比較了線性回歸、梯度提升決策樹和隨機森林等算法對滑行時間的預(yù)測效果，并研究了各個特征對模型的影響程度，得出使用一小部分特征（包括所有機場的一般性特征起飛/到達、滑行距離、總轉(zhuǎn)彎數(shù)、平均速度和航空器數(shù)量），以及針對特定目標(biāo)機場的少數(shù)特征，就可以實現(xiàn)較高的預(yù)測準(zhǔn)確性；李楠等基于多元回歸模型，分別采用傳統(tǒng)統(tǒng)計學(xué)和機器學(xué)習(xí)預(yù)測航空器離港滑行時間，結(jié)果顯示，機器學(xué)習(xí)的預(yù)測準(zhǔn)確度較高，±5 min 誤差范圍內(nèi)預(yù)測精度達到87%；馮霞等將離港滑行時間預(yù)測劃分為兩個階段，先利用已知特征預(yù)測離港滑行過程中使用相同跑道起降的航班數(shù)量，再將其作為變量輸入滑行時間預(yù)測模型，結(jié)果顯示，該方法的預(yù)測效果優(yōu)于直接預(yù)測。

現(xiàn)有研究成果大都只針對離港滑行時間進行分析預(yù)測，且未分析樣本數(shù)據(jù)量對預(yù)測模型的影響?？紤]到進/離港滑行在影響因素和滑行時間上均存在差異，進港滑行時間的準(zhǔn)確預(yù)測對計算預(yù)計上輪擋時間和確定地面保障資源的到位時間至關(guān)重要，而樣本數(shù)據(jù)量與預(yù)測效果的關(guān)聯(lián)分析可為機場的系統(tǒng)開發(fā)和運行提供參考。因此，本文采用XGBoost 算法針對進港滑行時間和離港滑行時間分別進行預(yù)測，并剖析機場滑行時間預(yù)測所需樣本數(shù)據(jù)量與滑行時間預(yù)測精度的關(guān)聯(lián)。

1 航空器滑行時間影響因素分析

雖然滑行時間預(yù)測的算法具有一定程度的普適性，但因機場機位和機坪布局、跑滑構(gòu)型、滑行規(guī)則、氣象環(huán)境等的不同，導(dǎo)致不同機場的航空器滑行時間影響因素有其定制性。因此，本文首先介紹滑行預(yù)測方法的實證機場信息，然后針對實證機場進行影響因素的分析提取。

1.1 機場運行環(huán)境分析

廣州白云國際機場（以下簡稱“白云機場”）是中國三大門戶復(fù)合樞紐機場之一，也是中國最繁忙的五大機場之一，年旅客吞吐量超5 000 萬人次。白云機場場面布局圖如圖1 所示，機場建有三條跑道，跑道運行方向為南北運行，01/19 號跑道進、離場混合運行，02L/20R 號跑道主要用于離場，02R/20L 號跑道主要用于進場。機場共有2 個航站樓，分別為T1 和T2，停機位275 個，主要分布在東機坪、西機坪、北機坪以及其他區(qū)域。

圖1 廣州白云國際機場場面布局Fig.1 Layout of Guangzhou Baiyun International Airport

1.1.1 航空器滑行規(guī)則

進港航空器滑行方面，由01 號和19 號跑道進港的航空器主要滑入北機坪和東機坪，由02R 號和20L 號跑道進港的航空器主要滑入北機坪和西機坪。離港航空器滑行方面，東機坪、西機坪和北機坪的航空器經(jīng)由01 號、02L 號和20R 號跑道離港，而19 號跑道只有東機坪和北機坪的航空器經(jīng)此跑道離港。

1.1.2 機場天氣概況

白云機場位于廣州市北部花都區(qū)，處于雷雨多發(fā)地帶，據(jù)統(tǒng)計白云機場近50 年來，年平均出現(xiàn)雷暴日數(shù)為75.4 天，最多為109 天，最少為49 天。此外，因受臺風(fēng)或臺風(fēng)外圍因素影響，經(jīng)常出現(xiàn)短時強陣雨。雷暴和強陣雨是影響白云機場航空器滑行兩個最主要的天氣因素。

1.2 影響因素分析方法

航空器滑行時間受多種因素影響，不同機場存在共同的影響因素，也有其特定的影響因素?；趯C場運行環(huán)境的分析，白云機場場面存在較多交叉路口，容易造成滑行沖突，因此存在較多沖突熱點區(qū)域（Hot Spot，簡稱HS）；且由于機位分配的原因，使得航空器存在穿越跑道滑行和交叉滑行的可能。針對白云機場場面運行環(huán)境選取三個特定的影響因素，即經(jīng)過HS 的數(shù)量、是否交叉滑行、是否穿越跑道；兩個一般性影響因素，即所屬航空公司、停機位，通過統(tǒng)計單個影響因素下的平均滑行時間，直觀展示各個因素對滑行時間的影響情況，為最終影響因素集的確定提供分析方法。

1.2.1 經(jīng)過HS 的數(shù)量

經(jīng)過HS 區(qū)域時，航空器可能需要減速或者停車，待其他航空器通過后才能繼續(xù)滑行。隨著經(jīng)過HS 的數(shù)量增多，航空器需要減速或者停車的幾率會增加，滑行時間的受影響程度也會增大。由HS 數(shù)量統(tǒng)計的平均滑行時間如圖2 所示，可以看出：當(dāng)經(jīng)過HS 的數(shù)量從0 增加到2 時，進港平均滑行時間依次增加約5%和58%，離港平均滑行時間依次增加約2%和13%。

圖2 由經(jīng)過的HS 數(shù)量統(tǒng)計的平均滑行時間Fig.2 Average taxi time measured by HS number

1.2.2 交叉滑行

交叉滑行是反映航空器滑行距離的重要因素，若從東機坪離港的航空器由01/19 號跑道起飛，或從西機坪離港的航空器由02L/20R 號跑道起飛，則視為存在交叉滑行；同理，若從01/19 號跑道進港的航空器滑入東機坪，或從02R/20L 號跑道進港的航空器滑入西機坪，則視為存在交叉滑行。由交叉滑行統(tǒng)計的平均滑行時間如圖3 所示，可以看出：當(dāng)存在交叉滑行時，進港平均滑行時間增加約70%，離港平均滑行時間增加約10%。

圖3 由交叉滑行統(tǒng)計的平均滑行時間Fig.3 Average taxi time calculated by cross taxi

1.2.3 穿越跑道

對于白云機場由02R/20L 號跑道進港的航空器存在穿越02L/20R 號跑道的情況，若此時02L/20R 號跑道上有航空器離港起飛，則由02R/20L 號跑道進港的航空器必須在穿越點外等待，進港滑行時間會受到影響。由穿越跑道統(tǒng)計的平均進港滑行時間如圖4 所示，可以看出：當(dāng)航空器存在穿越跑道的情況時，進港平均滑行時間增加約54%。

圖4 由穿越跑道統(tǒng)計的平均滑行時間Fig.4 Average taxi time calculated by crossing runway

1.2.4 所屬航空公司

不同航空公司對航空器推出模式和航空器滑行速度有不同的規(guī)定，會對航空器滑行時間造成影響。由航空公司統(tǒng)計的平均進港滑行時間和平均離港滑行時間分別如圖5～圖6 所示，可以看出：不同航空公司航空器平均進/離港滑行時間均存在較大差異。

圖5 由航空公司統(tǒng)計的平均進港滑行時間Fig.5 Average taxi-in time calculated by airline

圖6 由航空公司統(tǒng)計的平均離港滑行時間Fig.6 Average taxi-out time calculated by airline

1.2.5 停機位

從同一跑道起飛/落地的航空器，由于停放區(qū)域不同，會對航空器滑行造成兩方面的影響，一是滑行距離不同，二是滑行過程中受其他航空器干擾的程度不同，每一方面都會對滑行時間造成影響。由停機位統(tǒng)計的平均進港滑行時間和平均離港滑行時間分別如圖7～圖8 所示，可以看出：不同停機位上的航空器平均進/離港滑行時間均存在較大差異。

圖7 由停機位統(tǒng)計的平均進港滑行時間Fig.7 Average taxi-in time calculated by stand

圖8 由停機位統(tǒng)計的平均離港滑行時間Fig.8 Average taxi-out time calculated by stand

1.3 最終影響因素集

基于現(xiàn)有研究選取影響滑行時間的其他因素，如航空器類型、起飛/到達跑道、時段、起飛隊列長度、場面同時滑行的航空器數(shù)量和天氣。針對場面滑行的航空器流量統(tǒng)計方法，本文采用Yin Jianan 等基于宏觀網(wǎng)絡(luò)拓?fù)鋱D對流量的計算方法，將其分為離港瞬時流量、離港累計流量、進港瞬時流量和進港累計流量。在對天氣的處理上，結(jié)合機場運行的天氣統(tǒng)計數(shù)據(jù)和管制一線經(jīng)驗，將對航空器滑行會造成較嚴(yán)重影響的雷暴和強陣雨天氣視為惡劣天氣，其他對航空器滑行幾乎沒有影響的天氣視為正常天氣，而后根據(jù)機場記錄的歷史天氣情況給每一個航班標(biāo)定對應(yīng)的天氣類型。結(jié)合對特定影響因素的分析提取，最終確定的進/離港滑行時間影響因素如表1 所示。

表1 進/離港滑行時間影響因素Table 1 Influencing factors of taxi-in and taxi-out time

2 預(yù)測模型

2.1 模型及評估標(biāo)準(zhǔn)

XGBoost 的英文全稱為Extreme Gradient Boosting，是Chen Tianqi 等提出的一種梯度提升模型，也是一種基于決策樹的集成機器學(xué)習(xí)算法。相較于前幾代基于決策樹的算法，XGBoost算法可在最短的時間內(nèi)，使用較少的計算資源，得到較為出色的結(jié)果。

為了更加直觀地比較XGBoost 算法在航空器滑行時間預(yù)測方面的性能，本文選擇隨機森林和支持向量回歸兩種常用的滑行時間預(yù)測算法用以對比分析。

在對模型預(yù)測性能的評估上，選擇決定系數(shù)（）、均 方 根 誤 差（）和 平 均 絕 對 誤 差（）三個指標(biāo)。通常情況下，值越大，自變量可以解釋的滑行時間變化的比例越大，然而，值過大也可能意味著一些過擬合的問題；衡量觀測值與真實值之間的偏差；反映預(yù)測值誤差的實際情況，它們是機器學(xué)習(xí)中評價模型的兩把重要標(biāo)尺。這兩個指標(biāo)的計算公式如下：

式中：為所有進港航班或者所有離港航班；p為航班滑行時間的預(yù)測值；t為航班滑行時間的真實值。

2.2 模型輸入與輸出

2.2.1 模型輸入

本文先進行訓(xùn)練集和測試集的劃分，然后進行數(shù)據(jù)預(yù)處理，包括異常值和空缺值的處理，以避免模型提前學(xué)習(xí)到測試集數(shù)據(jù)信息。在測試不同劃分比例的預(yù)測效果后，最終選定以80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測試集。以進港為例，經(jīng)過預(yù)處理后的進港航班數(shù)據(jù)如表2 所示。

基于前文對滑行時間影響因素分析的結(jié)果，從預(yù)處理后的數(shù)據(jù)中提取、計算用于輸入模型的各個特征，而后通過編碼將計算機無法識別的字符信息，如航空公司代碼、機型和跑道號等轉(zhuǎn)化為數(shù)值型信息，作為模型的最終輸入數(shù)據(jù)。以進港為例，模型最終輸入的進港數(shù)據(jù)如表3 所示。

表2 預(yù)處理后的進港航班數(shù)據(jù)Table 2 Preprocessed incoming flight data

表3 輸入模型的進港數(shù)據(jù)Table 3 Incoming flight data input to model

2.2.2 模型輸出

模型輸出即是預(yù)測的滑行時間。本文參照中國民用航空局A-CDM 系統(tǒng)的相關(guān)定義，進港航空器滑行時間（指航空器從落地（）時刻到滑入停機位上輪擋（）時刻之間的時間。

離港航空器滑行時間（）指航空器從撤輪擋時刻（）到起飛離地時刻（）之間的時間。

2.3 模型調(diào)參

機器學(xué)習(xí)模型的預(yù)測性能主要取決于兩方面因素，一是數(shù)據(jù)本身的質(zhì)量，二是模型參數(shù)的調(diào)整。為了進一步提高模型預(yù)測效果，需對基于XG?Boost 的滑行時間預(yù)測模型進行調(diào)參。

首先，介紹對XGBoost 算法預(yù)測性能影響較大的關(guān)鍵參數(shù)。n_estimators 為集成算法中弱評估器的數(shù)量，此參數(shù)值越大，模型的學(xué)習(xí)能力越強，但模型也越容易過擬合；min_chil_weight 參數(shù)控制葉子上所需的最小樣本量，它的調(diào)整對于樣本量較大的數(shù)據(jù)比較有效；max_depth 控制模型中樹的最大深度，這個參數(shù)值越大模型越復(fù)雜，且模型容易過擬合；Subsample 參數(shù)控制隨機抽取的用于訓(xùn)練的數(shù)據(jù)比例；learning_rate 參數(shù)控制迭代速率，兩者都可以防止模型過擬合；reg_lambda 和reg_alpha參數(shù)分別是權(quán)重的L1 和L2 正則化項；Gamma 控制節(jié)點分裂所需的最小損失函數(shù)下降值，它們可以降低模型的復(fù)雜度，加快算法收斂速度。然后，本文使用網(wǎng)格搜索對XGBoost 算法的關(guān)鍵參數(shù)進行調(diào)整，并以交叉驗證結(jié)果作為參數(shù)選擇的標(biāo)準(zhǔn)。最后，經(jīng)過多輪測試調(diào)參，確定的部分關(guān)鍵參數(shù)最佳值如表4 所示。

表4 模型關(guān)鍵參數(shù)最佳值Table 4 The optimal value of key parameters of the model

2.4 滑行時間預(yù)測步驟

在對滑行時間影響因素分析、模型及模型預(yù)測性能評估標(biāo)準(zhǔn)和模型輸入輸出介紹的基礎(chǔ)上，總結(jié)出滑行時間預(yù)測的步驟，如圖9 所示。

圖9 滑行時間預(yù)測步驟Fig.9 The steps of taxi time prediction

3 預(yù)測結(jié)果分析

基于隨機森林、支持向量回歸和XGBoost 三種模型對進港和離港滑行時間分別進行預(yù)測。首先對白云機場進/離港滑行時間進行統(tǒng)計，為預(yù)測結(jié)果分析中誤差范圍的確定提供參考；然后比較三種模型的預(yù)測性能，分析特征的重要性；最后分析樣本數(shù)據(jù)量對模型預(yù)測精度的影響。

3.1 誤差范圍確定

本文所用航班數(shù)據(jù)來源于白云機場塔臺運行管理系統(tǒng)（TOMS）2019 年全年數(shù)據(jù)，數(shù)據(jù)內(nèi)容包括航空公司、航班號、機型、進港跑道、離港跑道、進港機位、離港機位、進港時間、出港時間、上輪擋時間和撤輪擋時間。去除數(shù)據(jù)中的缺失值和時間邏輯錯誤值后得到進港航班數(shù)據(jù)約19 萬條，離港航班量數(shù)據(jù)約20 萬條。

分別對進港滑行時間和離港滑行時間進行統(tǒng)計，統(tǒng)計結(jié)果如表5 所示，可以看出：進港滑行時間集中在5～10 min，離港滑行時間集中在16～23 min，進港滑行時間遠小于離港滑行時間。

表5 進港和離港滑行時間統(tǒng)計Table 5 Statistics of taxi-in and taxi-out time

結(jié)合白云機場進/離港滑行時間統(tǒng)計結(jié)果和現(xiàn)有研究成果，選擇進港滑行時間以±3 min 誤差范圍，離港滑行時間以±5 min 誤差范圍為評估標(biāo)準(zhǔn)。

3.2 預(yù)測模型性能對比

支持向量回歸、隨機森林和XGBoost 模型的擬合度和預(yù)測誤差的評估結(jié)果如表6～表7 所示。

表6 進港滑行時間預(yù)測模型評估結(jié)果Table 6 Evaluation results of the prediction model for taxi-in time

表7 離港滑行時間預(yù)測模型評估結(jié)果Table 7 Evaluation results of the prediction model for taxi-out time

從表6～表7 可以看出：無論是訓(xùn)練集還是測試集，三個模型均得到較高的值和較小的誤差值，證明模型在進/離港滑行時間的預(yù)測上均有良好的性能。其中，雖然進港滑行時間預(yù)測結(jié)果的誤差值小于離港，但考慮到進港滑行時間遠小于離港滑行時間，故從誤差比例的角度來看并不能認(rèn)為模型對進港滑行時間的預(yù)測效果優(yōu)于離港滑行時間。支持向量回歸和XGBoost 在訓(xùn)練集和測試集上的表現(xiàn)較為穩(wěn)定，而隨機森林則有較大的波動。在訓(xùn)練集上，隨機森林值過大，達到了0.96，表明模型存在過擬合的情況。在測試集上，XGBoost 的預(yù)測效能優(yōu)于隨機森林和支持向量回歸，其值比兩者都高，而誤差值比兩者都低。

進港和離港滑行時間預(yù)測結(jié)果與實際值誤差在±1、±2、±3、±4 和±5 min 范圍內(nèi)的模型預(yù)測精度如表8～表9 所示。

表8 進港滑行時間預(yù)測精度Table 8 Prediction accuracy of taxi-in time

表9 離港滑行時間預(yù)測精度Table 9 Prediction accuracy of taxi-out time

從表8～表9 可以看出：進港滑行時間預(yù)測方面，±3 min 誤差范圍內(nèi)，三個模型精度均在91%以上。其中，支持向量回歸預(yù)測精度最低，僅有91.2%，XGBoost 預(yù)測精度最高，達到了94.1%。離港滑行時間預(yù)測方面，±5 min 誤差范圍內(nèi)，三個模型精度均在93%以上。其中，支持向量回歸預(yù)測精度最低，僅有93.1%，XGBoost 精度最高，達到了96.6%。

三個模型進港和離港滑行時間預(yù)測值與實際值之差的對比如圖10～圖11 所示，可以看出：支持向量回歸算法預(yù)測結(jié)果的誤差值范圍最大，XG?Boost 算法最小。

圖10 三種算法進港滑行時間預(yù)測值與實際值之差Fig.10 Difference between the predicted and actual taxi-in time of the three algorithms

圖11 三種算法離港滑行時間預(yù)測值與實際值之差Fig.11 Difference between the predicted and actual taxi-out time of the three algorithms

3.3 特征重要性分析

根據(jù)XGBoost 和隨機森林得出的特征重要度排名，探究針對白云機場提取的特定影響因素對于滑行時間預(yù)測的重要性。隨機森林和XGBoost的進港特征重要度排名如圖12～圖13 所示，可以看出：在兩者的結(jié)果中，交叉滑行都具有最高的特征重要度；在XGBoost 的結(jié)果中，穿越跑道和經(jīng)過HS 數(shù)量的特征重要度也排在前4。

隨機森林和XGBoost 的離港特征重要度排名如圖14～圖15 所示，可以看出：交叉滑行和經(jīng)過HS 的數(shù)量只在XGBoost 的結(jié)果中具有約0.05 的特征重要度，而在隨機森林的結(jié)果中，這兩個特征的重要度只有約0.01。此外，所屬航空公司在進港和離港中的重要度都不超過0.02。

圖12 隨機森林進港特征重要度排名Fig.12 Feature importance of taxi-in time of random forest

圖13 XGBoost 進港特征重要度排名Fig.13 Feature importance of taxi-in time of XGBoost

圖14 隨機森林離港特征重要度排名Fig.14 Feature importance of taxi-out time of random forest

圖15 XGBoost 離港特征重要度排名Fig.15 Feature importance of taxi-out time of XGBoost

對特征重要度的分析表明，針對白云機場提取的特征對于進港滑行時間預(yù)測的重要性高于離港滑行時間預(yù)測，其中交叉滑行、穿越跑道和經(jīng)過HS 的數(shù)量這三個特征的重要性高于所屬航空公司。

3.4 樣本數(shù)據(jù)量對模型預(yù)測精度的影響

滑行時間預(yù)測使用的進港航班數(shù)據(jù)量約19 萬條，離港航班數(shù)據(jù)量約20 萬條，過大的數(shù)據(jù)量會造成數(shù)據(jù)采集、處理和計算負(fù)擔(dān)。為了研究XG?Boost 模型預(yù)測精度隨樣本數(shù)據(jù)量的變化情況，在保留所有特征信息的基礎(chǔ)上，對進港和離港數(shù)據(jù)分別進行3 次隨機采樣，數(shù)據(jù)量從2 000 條開始，并以2 000 作為梯度，一直增加到40 000 條，之后用3次樣本預(yù)測的均值作為最終結(jié)果。

進港和離港滑行時間預(yù)測精度隨數(shù)據(jù)量的變化情況如圖16～圖17 所示，可以看出：進港和離港滑行時間預(yù)測精度隨數(shù)據(jù)量的增加呈逐步提高的趨勢，但隨著數(shù)據(jù)量的增加，這種趨勢逐漸變緩。當(dāng)數(shù)據(jù)量在26 000 條以下時，預(yù)測精度的變化趨勢波動較大，預(yù)測精度的提高速度較快；當(dāng)數(shù)據(jù)量超過26 000 條，預(yù)測精度的變化趨勢變得平緩；當(dāng)數(shù)據(jù)量超過32 000 條，進港±3 min 誤差范圍的預(yù)測精度穩(wěn)定在93.0%～93.5%，離港±5 min 誤差范圍的預(yù)測精度穩(wěn)定在95.0%～95.5%。

圖16 進港滑行時間預(yù)測精度隨數(shù)據(jù)量的變化情況Fig.16 The change of the prediction accuracy of the taxi-in time with the data quantity

圖17 離港滑行時間預(yù)測精度隨數(shù)據(jù)量的變化情況Fig.17 The change of the prediction accuracy of the taxi-out time with the data quantity

對模型預(yù)測精度隨樣本數(shù)據(jù)量變化的分析表明，當(dāng)數(shù)據(jù)量超過32 000 條時，模型就能獲得較高的預(yù)測精度和較穩(wěn)定的預(yù)測表現(xiàn)。

4 結(jié) 論

（1）本文提出了基于XGBoost 的航空器動態(tài)滑行時間預(yù)測方法，并以白云機場為實例，驗證了方法的有效性。

（2）模型預(yù)測結(jié)果表明，XGBoost 算法在預(yù)測誤差和預(yù)測精度方面都優(yōu)于隨機森林和支持向量回歸；且使用XGBoost 算法，進/離港滑行時間的預(yù)測精度分別達到了94.1%和96.6%。

（3）對特征重要度的分析表明，提取的特征能夠較好地反映白云機場滑行態(tài)勢，且提取的特征對于進港滑行時間預(yù)測的重要性要高于離港滑行時間預(yù)測，其中交叉滑行、穿越跑道和經(jīng)過HS 的數(shù)量這三個特征的重要性高于所屬航空公司。

（4）對模型預(yù)測精度隨樣本數(shù)據(jù)量變化的分析表明，當(dāng)數(shù)據(jù)量超過32 000 條時，模型就能獲得較高的預(yù)測精度和較穩(wěn)定的預(yù)測表現(xiàn)，可為白云機場A-CDM 系統(tǒng)中滑行時間動態(tài)預(yù)測所需樣本量提供參考。