基于SSA-CNN的航空器著陸跑道占用時(shí)間預(yù)測(cè)

陳亞青, 李穎哲, 趙瑞, 高浩然

(1.中國(guó)民用航空飛行學(xué)院民航飛行技術(shù)與飛行安全科研基地, 廣漢 618307; 2.中國(guó)民用航空飛行學(xué)院空中交通管理學(xué)院, 廣漢 618307; 3.中國(guó)民用航空飛行學(xué)院院辦公室, 廣漢 618307)

受到跑道容量的限制,中國(guó)大型機(jī)場(chǎng)航班流量趨于飽和,對(duì)于提高機(jī)場(chǎng)跑道運(yùn)行效率迫在眉睫。2021年中國(guó)機(jī)場(chǎng)出港航班總量為383.42萬(wàn)班次,出港總運(yùn)力為68 090.38萬(wàn)座,運(yùn)力同比增長(zhǎng)7.39%。2021年旅客吞吐量達(dá)到1 000萬(wàn)的機(jī)場(chǎng)比2020年增長(zhǎng)了2座,其中共有9座機(jī)場(chǎng)旅客吞吐量達(dá)到三千萬(wàn)[1]。歐洲單一天空空中交通管理(single european sky atm research, SESAR)研究表明跑道占用時(shí)間是限制跑道容量的主要因素之一,跑道占用時(shí)間的影響因素包括機(jī)場(chǎng)滑行道的布局、能見度條件、跑道狀態(tài)、飛機(jī)類型等[2]。目前中國(guó)對(duì)跑道占用時(shí)間的定義和標(biāo)準(zhǔn)尚未界定,也沒有形成統(tǒng)一的規(guī)范文件出臺(tái),導(dǎo)致跑道資源得不到充分利用,造成部分機(jī)場(chǎng)航班排隊(duì)嚴(yán)重,影響機(jī)場(chǎng)運(yùn)行效率和旅客出行滿意度。因此,結(jié)合各個(gè)機(jī)場(chǎng)航班運(yùn)行歷史數(shù)據(jù)和機(jī)場(chǎng)自身特點(diǎn),預(yù)測(cè)跑道占用時(shí)間對(duì)提高跑道使用效率和提高跑道容量都具有重要的現(xiàn)實(shí)意義。

Martinez等[3]通過(guò)對(duì)采集數(shù)據(jù)進(jìn)行分析,得出不同機(jī)型著陸跑道占用時(shí)間不同,機(jī)型大小與著落跑道占用時(shí)間成正比。Stamatopoulos等[4]設(shè)計(jì)了一個(gè)決策支持系統(tǒng),羅馬費(fèi)米齊諾機(jī)場(chǎng)的實(shí)際應(yīng)用表明,系統(tǒng)可以有效估計(jì)跑道占用時(shí)間。Capri等[5]建立了車輛來(lái)跟蹤航空器的模型,更好地模擬了航空器滑行軌跡。Baik等[6]使用遺傳算法來(lái)優(yōu)化航空器排隊(duì)問(wèn)題的決策變量,結(jié)果表明該方法能夠有效地優(yōu)化航班序列,減少跑道占用時(shí)間和航班延誤。Ghalebsaz Jeddi等[7]對(duì)底特律機(jī)場(chǎng)跑道占用時(shí)間進(jìn)行了統(tǒng)計(jì)分析,結(jié)果表明跑道占用時(shí)間更近似于混合貝塔分布。Kolos-Lakatos[8]通過(guò)對(duì)4個(gè)機(jī)場(chǎng)數(shù)據(jù)分析發(fā)現(xiàn)配備快速出口的機(jī)場(chǎng)跑道占用時(shí)間會(huì)明顯降低。雷振軍[9]在機(jī)場(chǎng)快速出口滑行道優(yōu)化問(wèn)題中詳細(xì)分析跑道占用時(shí)間和滑行距離。Nikoleris等[10]建立了一個(gè)遞歸排隊(duì)模型,研究結(jié)果表明準(zhǔn)確預(yù)測(cè)跑道占用時(shí)間是提高四維航跡精度的重要內(nèi)容。康瑞等[11]通過(guò)建立跑道容量評(píng)估模型,分析了跑滑結(jié)構(gòu)和跑道容量的關(guān)系。歐控中心與代爾夫特理工大學(xué)基于法國(guó)戴高樂國(guó)際機(jī)場(chǎng)的航空器運(yùn)行數(shù)據(jù),采用復(fù)合機(jī)器學(xué)習(xí)模型預(yù)測(cè)選定跑道30 min之內(nèi)的航空器著陸次數(shù)以及每架航空器的跑道占用時(shí)間[12]。Friso等[13]使用機(jī)器學(xué)習(xí)方法對(duì)跑道占用時(shí)間進(jìn)行了建模和預(yù)測(cè),并提出了一種基于觀察先兆的方法,用于發(fā)現(xiàn)和預(yù)測(cè)跑道異常占用的情況。田曉穎[14]利用算法將著陸許可發(fā)布時(shí)機(jī)轉(zhuǎn)化為可操作的節(jié)點(diǎn)。高偉等[15]利用蒙特卡洛方法研究了機(jī)場(chǎng)跑道的運(yùn)行效率。金京等[16]以B-737機(jī)型為研究對(duì)象,建立了航空器著陸跑道占用時(shí)間統(tǒng)計(jì)模型,并以QAR(quick access recorder)實(shí)際運(yùn)行數(shù)據(jù)做對(duì)比驗(yàn)證了模型計(jì)算準(zhǔn)確性,但模型并未考慮風(fēng)的因素。邢志偉等[17]提出基于局部加權(quán)支持向量回歸方法對(duì)航班滑出時(shí)間進(jìn)行了預(yù)測(cè),但模型對(duì)于初始權(quán)值和閾值更為敏感,穩(wěn)定性有待提高。張思遠(yuǎn)等[18]分析了跑道占用時(shí)間和航空器著陸間隔對(duì)跑道容量的共同影響。馮超等[19]分析深圳機(jī)場(chǎng)場(chǎng)面監(jiān)視雷達(dá)信號(hào)及ADS-B(automatic dependent surveillance-broadcast)數(shù)據(jù),繪制深圳機(jī)場(chǎng)地圖和電子圍欄,得出了進(jìn)出港航班的跑道占用時(shí)間,實(shí)現(xiàn)了對(duì)機(jī)場(chǎng)跑道占用時(shí)間統(tǒng)計(jì)分析的功能,其中關(guān)于跑道占用時(shí)間定義方面是基于運(yùn)行習(xí)慣所得,缺乏一定科學(xué)性。潘衛(wèi)軍等[20]通過(guò)對(duì)3個(gè)機(jī)場(chǎng)數(shù)據(jù)分析,采用反BP神經(jīng)網(wǎng)絡(luò)方法對(duì)跑道占用時(shí)間進(jìn)行了預(yù)測(cè),但數(shù)據(jù)精度有一定誤差,神經(jīng)網(wǎng)絡(luò)模型參數(shù)也可以進(jìn)行進(jìn)一步優(yōu)化。黃龍楊等[21]提出SSA-BP(sparrow search algorithm-back propagation)方法對(duì)中南某機(jī)場(chǎng)起飛跑道占用時(shí)間預(yù)測(cè),得出起飛跑道占用時(shí)間與離港航班數(shù)量強(qiáng)相關(guān),但機(jī)場(chǎng)數(shù)量和樣本影響因素有所不足。

在國(guó)外的研究中,在對(duì)航空器跑道占用時(shí)間進(jìn)行預(yù)測(cè)時(shí)只考慮了部分影響因素,較少的影響因素可能會(huì)導(dǎo)致預(yù)測(cè)結(jié)果產(chǎn)生較大偏差。在中國(guó)的研究中,根據(jù)案例機(jī)場(chǎng)從動(dòng)態(tài)規(guī)劃、最優(yōu)化算法方面對(duì)機(jī)場(chǎng)跑滑構(gòu)型及最佳出口數(shù)量進(jìn)行研究,但并未考慮到不同的機(jī)場(chǎng)環(huán)境、氣象條件、航空器類型等影響跑道占用時(shí)間的相關(guān)特征參數(shù),對(duì)現(xiàn)有機(jī)場(chǎng)跑道容量的提升參考價(jià)值有限。從國(guó)內(nèi)外研究結(jié)果來(lái)看,影響跑道占用時(shí)間的因素主要包括跑滑結(jié)構(gòu)和航空器類型等因素,跑滑結(jié)構(gòu)不同,對(duì)應(yīng)滑行距離也不同?，F(xiàn)充分考慮著落跑道占用時(shí)間各項(xiàng)影響因素的重要程度,利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)算法構(gòu)建航空器跑道占用時(shí)間預(yù)測(cè)模型,針對(duì)CNN算法中相關(guān)參數(shù)進(jìn)行優(yōu)化,將典型機(jī)型在不同跑道運(yùn)行的QAR數(shù)據(jù)按照不同跑滑結(jié)構(gòu)對(duì)應(yīng)訓(xùn)練,實(shí)現(xiàn)對(duì)不同機(jī)場(chǎng)跑道不同條件下航空器著陸跑道占用時(shí)間的準(zhǔn)確預(yù)測(cè)。

1 航空器著陸跑道占用時(shí)間影響因素分析

QAR記錄器可以存儲(chǔ)超過(guò)600 h的飛行數(shù)據(jù),記錄的數(shù)據(jù)包括航空器的重量、航向、空速、油量、氣象條件等各種飛行過(guò)程中的參數(shù)。相較于其他監(jiān)視系統(tǒng)記錄間隔長(zhǎng)、數(shù)據(jù)值缺失等缺陷,QAR數(shù)據(jù)記錄頻率為每秒一次,缺失值很少,可以提供更加詳細(xì)和可靠的數(shù)據(jù)信息,有利于對(duì)航空器整個(gè)著陸至脫離過(guò)程進(jìn)行分析。

1.1 數(shù)據(jù)處理

通過(guò)綜合考慮機(jī)場(chǎng)的運(yùn)行效率提升以及安全等因素,結(jié)合國(guó)外學(xué)者的研究成果以及中國(guó)跑道侵入中保護(hù)區(qū)概念,本文中將航空器著陸跑道占用時(shí)間界定為:航空器機(jī)頭飛越跑道入口至航空器機(jī)尾完全越過(guò)跑道邊界的時(shí)間間隔。根據(jù)定義對(duì)相關(guān)航空公司提供的29 108條航空器著陸QAR數(shù)據(jù)進(jìn)行著陸跑道占用時(shí)間的截取,對(duì)缺失值和異常值處理后,得到的QAR有效數(shù)據(jù)共22 612條,其中,QAR數(shù)據(jù)中機(jī)型為A320和B737-800,將兩種機(jī)型轉(zhuǎn)化為更具體的航空器重量,可以更詳細(xì)的區(qū)分航空器著陸時(shí)機(jī)身重量的差別。不同機(jī)場(chǎng)跑道數(shù)量不同,QAR數(shù)據(jù)按照不同機(jī)場(chǎng)進(jìn)行分類,每條QAR數(shù)據(jù)都對(duì)應(yīng)不同的著陸跑道,可以更具體的體現(xiàn)不同機(jī)場(chǎng)跑道數(shù)量和不同跑道對(duì)占用時(shí)間的影響。根據(jù)每條QAR數(shù)據(jù)中不同滑行距離和脫離道口角度和數(shù)量的配置,可得出航空器所選的具體脫離道口,即跑滑結(jié)構(gòu)的影響。最后,將不同機(jī)場(chǎng)QAR數(shù)據(jù)進(jìn)行整合,可以提高模型的普適性,更好的適用于全國(guó)各個(gè)機(jī)場(chǎng)。依據(jù)QAR數(shù)據(jù)和相關(guān)資料中提取的參數(shù),計(jì)算得到了著陸跑道占用時(shí)間,并將航空器重量、落地氣溫、風(fēng)速、風(fēng)向、脫離道角度、脫離道口數(shù)量、滑行距離、進(jìn)入跑道速度、脫離速度作為主要影響因素,處理后的QAR數(shù)據(jù)形式如表1所示。

表1 樣本數(shù)據(jù)Table 1 Sample data

1.2 相關(guān)性分析

1.2.1 皮爾森相關(guān)系數(shù)

皮爾森相關(guān)系數(shù)(pearson correlation coefficient)是描述兩個(gè)變量之間線性關(guān)系大小的系數(shù),一般用r表示。r值正負(fù)表示兩個(gè)變量之間的關(guān)系是正相關(guān)還是負(fù)相關(guān),絕對(duì)值越大,相關(guān)性越強(qiáng),被廣泛應(yīng)用于數(shù)據(jù)分析和統(tǒng)計(jì)學(xué)研究中,可以幫助研究人員了解變量之間的關(guān)系,從而做出更準(zhǔn)確的預(yù)測(cè)和決策。其表達(dá)式為

(1)

1.2.2 影響因素相關(guān)性分析

采用皮爾森相關(guān)系數(shù)對(duì)22 612條QAR數(shù)據(jù)進(jìn)行分析。通過(guò)熱力圖矩陣展示因變量與自變量之間的線性關(guān)系,同時(shí)還能獲得各個(gè)自變量之間的線性關(guān)系。著陸跑道占用時(shí)間與影響因素之間的線性關(guān)系,具體如圖1所示。

圖1 影響因素?zé)崃DFig.1 Thermal diagram of influencing factors

圖1中各參數(shù)指標(biāo)與占用時(shí)間的線性關(guān)系為:滑行距離(0.53)與跑道占用時(shí)間成正比;脫離速度為(-0.24)、脫離道口數(shù)量(-0.15)、進(jìn)入跑道速度(-0.15)、落地氣溫(-0.12)與跑道占用時(shí)間成反比;脫離道角度(0.084)、風(fēng)速(0.004 4)、風(fēng)向(-0.029)、航空器重量(-0.061)與跑道占用時(shí)間呈低相關(guān)性。

通過(guò)對(duì)相關(guān)航空公司處理得到的22 612條QAR數(shù)據(jù)進(jìn)行相關(guān)性綜合分析,得到以下結(jié)論。

(1)與AROT呈高相關(guān)性的參數(shù):滑行距離、脫離速度、脫離道口數(shù)量、進(jìn)入跑道速度、落地氣溫。

(2)與AROT呈低相關(guān)性的參數(shù):脫離道角度、風(fēng)速、風(fēng)向、航空器重量。

(3)與AROT的重要度排序?yàn)?滑行距離、脫離速度、脫離道口數(shù)量、進(jìn)入跑道速度、落地氣溫、脫離道角度、風(fēng)速、風(fēng)向、航空器重量。

2 基于SSA-CNN構(gòu)建著陸跑道占用時(shí)間模型

2.1 CNN模型

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是機(jī)器學(xué)習(xí)的一種算法,是通過(guò)卷積計(jì)算的前饋神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)是多層感知機(jī)的變體,采用局部連接和共享權(quán)值的方式處理已知網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)通過(guò)QAR數(shù)據(jù)的輸入,可以有效的從大量數(shù)據(jù)中學(xué)習(xí)到不同影響因素的特征信息,根據(jù)提取的特征信息只需少量的人工參與就可以得到可靠的跑道占用時(shí)間預(yù)測(cè)值。

2.2 SSA模型

麻雀搜索算法(SSA)由Xue等[22]在2020年提出的一種群智能優(yōu)化算法,具有簡(jiǎn)單易懂,計(jì)算效率高的優(yōu)點(diǎn),因此本文中采用麻雀搜索算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)。

麻雀搜索算法靈感來(lái)源于麻雀在尋找食物時(shí)的行為,通過(guò)模擬麻雀在搜索食物時(shí)的個(gè)體行為和群體行為,不斷地更新每個(gè)個(gè)體的位置和速度,以達(dá)到全局最優(yōu)解,麻雀之間會(huì)相互監(jiān)視以獲得更好的食物資源,從而避免陷入局部最優(yōu)。該算法已被廣泛應(yīng)用于各種優(yōu)化問(wèn)題中,如參數(shù)優(yōu)化、控制優(yōu)化等領(lǐng)域。由于CNN部分參數(shù)為人為設(shè)定,所以網(wǎng)絡(luò)結(jié)構(gòu)未必是最優(yōu)結(jié)構(gòu),需要采用麻雀搜索算法對(duì)相關(guān)參數(shù)進(jìn)行優(yōu)化。

2.3 SSA-CNN模型

基于以上兩種算法的各自特點(diǎn),采用SSA-CNN算法構(gòu)建預(yù)測(cè)模型,實(shí)現(xiàn)對(duì)著陸跑道占用時(shí)間的預(yù)測(cè)。根據(jù)處理后表1的QAR數(shù)據(jù)形式,將QAR數(shù)據(jù)劃分成訓(xùn)練集和測(cè)試集,代入到卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代,初步得到著陸跑道占用時(shí)間預(yù)測(cè)值,然后將卷積神經(jīng)網(wǎng)絡(luò)參數(shù)作為需要優(yōu)化的變量代入到麻雀搜索算法中,得到卷積神經(jīng)網(wǎng)絡(luò)的最優(yōu)參數(shù)值,調(diào)整原有卷積神經(jīng)網(wǎng)絡(luò)固定參數(shù),運(yùn)行優(yōu)化后卷積神經(jīng)網(wǎng)絡(luò)得到新的著陸跑道占用時(shí)間預(yù)測(cè)值,具體預(yù)測(cè)流程如圖2所示。

圖2 跑道占用時(shí)間預(yù)測(cè)流程圖Fig.2 Flowchart for runway occupancy time prediction

卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建采用Python開源機(jī)器學(xué)習(xí)庫(kù)sklearn1.0.2版本進(jìn)行搭建,由輸入、卷積、池化、全連接和輸出部分組成。兩層神經(jīng)網(wǎng)絡(luò)就可以擬合線性和非線性函數(shù),因此配置兩層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)就可以滿足要求。最后設(shè)置全連接層將卷積神經(jīng)網(wǎng)絡(luò)的輸出特征進(jìn)行組合,輸出為跑道占用時(shí)間的一維向量。

麻雀搜索算法由種群初始化函數(shù)、邊界檢查函數(shù)、計(jì)算適應(yīng)度函數(shù)、適應(yīng)度排序函數(shù)、位置排序函數(shù)、發(fā)現(xiàn)者更新、加入者更新、危險(xiǎn)更新模塊組成。以均方誤差損失函數(shù)為適應(yīng)度目標(biāo),采用Adam優(yōu)化算法對(duì)卷積神經(jīng)網(wǎng)絡(luò)中的通道數(shù)、卷積核維度、學(xué)習(xí)率、批量訓(xùn)練數(shù)據(jù)大小參數(shù)進(jìn)行優(yōu)化,麻雀搜索算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)參數(shù)流程如圖3所示。

圖3 SSA-CNN模型優(yōu)化流程圖Fig.3 Flowchart for SSA model optimization

3 著陸跑道占用時(shí)間預(yù)測(cè)結(jié)果分析

3.1 CNN預(yù)測(cè)AROT

將QAR數(shù)據(jù)分為80%的訓(xùn)練組和20%的測(cè)試組,采用123為隨機(jī)種子數(shù)。卷積神經(jīng)網(wǎng)絡(luò)模型接收大小為9的輸入向量,輸出大小為1的時(shí)間向量,令輸入向量為自變量X,輸出向量為因變量Y。設(shè)置Channel=32、Kernel size=5、Learning rate=0.000 1、Batch size=32、Stride=1、Leaky ReLU = 0.2、Activation=‘relu’、Linear=‘3’、Epochs=20、Solver=‘Adam’,設(shè)定參數(shù)后的CNN結(jié)構(gòu)如圖4所示。

圖4 CNN結(jié)構(gòu)圖Fig.4 CNN architecture diagram

將訓(xùn)練集輸入設(shè)置好的CNN模型完成訓(xùn)練,對(duì)測(cè)試集的預(yù)測(cè)值和真實(shí)值誤差對(duì)比如圖5所示。

圖5 CNN預(yù)測(cè)值與真實(shí)值誤差對(duì)比Fig.5 Comparison between CNN predicted values and actual values error

3.2 SSA-CNN預(yù)測(cè)AROT

首先設(shè)定均方誤差值作為適應(yīng)度的目標(biāo)函數(shù),設(shè)置初始化函數(shù)、邊界檢查函數(shù)、計(jì)算適應(yīng)度函數(shù)、適應(yīng)度排序函數(shù)、位置排序函數(shù)、發(fā)現(xiàn)者更新函數(shù)、加入者更新函數(shù)、危險(xiǎn)更新函數(shù)。設(shè)置MaxIter=100(最大迭代次數(shù))、PD=0.7(發(fā)現(xiàn)者比列)、Pop=20(種群數(shù)量)、ST=0.6(預(yù)警值)、SD=0.2(識(shí)到有危險(xiǎn)麻雀比重)、Dim=4(維度),其中Channel大小下邊界為8,上邊界為64,Kernel size下邊界為1,上邊界為3,Learning rate大小下邊界為0.000 01,上邊界為0.001,Batch size下邊界為8,上邊界為64。迭代后的均方誤差值如圖6所示。由圖6可知,優(yōu)化后的SSA-CNN模型均方誤差最后收斂于16.89。其中,優(yōu)化后的參數(shù)如表2所示。

圖6 SSA誤差收斂曲線Fig.6 Convergence curve of error for SSA model

表2 SSA-CNN參數(shù)取值Table 2 SSA-CNN Parameter values

SSA優(yōu)化后的CNN結(jié)構(gòu)如圖7所示。

圖7 SSA-CNN結(jié)構(gòu)圖Fig.7 SSA-CNN architecture diagram

SSA-CNN預(yù)測(cè)模型對(duì)測(cè)試集的預(yù)測(cè)值和真實(shí)值誤差對(duì)比如圖8所示。由圖8可知,CNN與SSA-CNN兩種模型都能有效實(shí)現(xiàn)對(duì)著陸跑道占用時(shí)間的預(yù)測(cè)。為了評(píng)價(jià)預(yù)測(cè)精度,采用均方誤差(mean square error, MSE)、平均絕對(duì)誤差(mean absolute error, MAE)以及平均絕對(duì)百分比誤差(mean absolute percentage error, MAPE)作為預(yù)測(cè)結(jié)果的評(píng)價(jià)指標(biāo),結(jié)果如表3所示。

圖8 SSA-CNN預(yù)測(cè)值與真實(shí)值誤差對(duì)比Fig.8 Comparison between SSA-CNN predicted values and actual values error

表3 著陸跑道占用時(shí)間預(yù)測(cè)精度評(píng)價(jià)Table 3 Evaluation of landing runway occupancy time prediction accuracy

從表3中指標(biāo)可以看出,SSA優(yōu)化后的CNN預(yù)測(cè)結(jié)果較優(yōu)化前MSE減少了1.041 6,MAE減少了0.091 7,MAPE減少了0.08%。結(jié)果表明SSA-CNN模型對(duì)于著陸跑道占用時(shí)間的預(yù)測(cè)提升是有效的。

3.3 模型結(jié)果對(duì)比

將優(yōu)化模型所得最優(yōu)參數(shù)配置用于6個(gè)典型機(jī)場(chǎng)具體跑道的著陸占用時(shí)間預(yù)測(cè)。選取航空公司真實(shí)運(yùn)行的QAR數(shù)據(jù),影響因素作為模型輸入,對(duì)不同跑滑結(jié)構(gòu)下的跑道進(jìn)行AROT預(yù)測(cè),將6組算例數(shù)據(jù)真實(shí)值與預(yù)測(cè)值進(jìn)行對(duì)比,如表4所示。

表4 著陸跑道占用時(shí)間真實(shí)值與預(yù)測(cè)值對(duì)比Table 4 Comparison between the actual and predicted values of landing runway occupancy time

通過(guò)對(duì)表4的典型機(jī)場(chǎng)不同跑滑結(jié)構(gòu)的AROT觀察得知,5組結(jié)果差值均在1 s以內(nèi),真實(shí)值與模型所得預(yù)測(cè)值差值較小,模型可靠性良好。

4 結(jié)論

研究基于QAR運(yùn)行數(shù)據(jù),采用SSA-CNN模型對(duì)著陸跑道占用時(shí)間進(jìn)行預(yù)測(cè)。著陸跑道占用時(shí)間與滑行距離、脫離速度、脫離道口數(shù)量、進(jìn)入跑道速度、落地氣溫具有較強(qiáng)關(guān)聯(lián)性,與脫離道角度、風(fēng)速、風(fēng)向、航空器重量關(guān)聯(lián)性較弱。SSA優(yōu)化后的CNN模型預(yù)測(cè)結(jié)果得到有效提升,MSE減少了1.041 6,MAE減少了0.091 7,MAPE減少了0.08%。最后通過(guò)輸入航空公司真實(shí)運(yùn)行的QAR數(shù)據(jù),實(shí)現(xiàn)了對(duì)典型機(jī)場(chǎng)不同跑滑結(jié)構(gòu)的AROT預(yù)測(cè)。

麻雀算法收斂速度快,卷積神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)特征提取效果好,本文首次采用SSA-CNN模型對(duì)AROT進(jìn)行預(yù)測(cè),預(yù)測(cè)模型可以對(duì)不同跑滑結(jié)構(gòu)下的跑道進(jìn)行AROT預(yù)測(cè),預(yù)測(cè)結(jié)果可以為機(jī)場(chǎng)跑道運(yùn)行容量擴(kuò)充,提升機(jī)場(chǎng)跑道運(yùn)行效率提供參考。由于QAR數(shù)據(jù)獲取困難,目前數(shù)據(jù)量和影響因素維度還有待提高,包括增加其他機(jī)型的QAR和航司等數(shù)據(jù),隨著后續(xù)機(jī)型數(shù)據(jù)增加,模型將具有更好的可擴(kuò)展性和準(zhǔn)確性,下一步的研究方向?qū)⒃赒AR數(shù)據(jù)的基礎(chǔ)上,考慮與其他數(shù)據(jù)源和機(jī)場(chǎng)數(shù)據(jù)的融合,使預(yù)測(cè)模型更好的應(yīng)用于機(jī)場(chǎng)實(shí)際運(yùn)行中。