基于機器學習的機場終端交通流的空域勢態(tài)預測

摘" 要：該文旨在提升終端區(qū)域流量管理中到達流量預測的準確性，提出一種基于空域態(tài)勢的預測框架。該文分析傳統(tǒng)基于動力學的預測方法和基于時間序列的預測方法的優(yōu)缺點，發(fā)現(xiàn)傳統(tǒng)方法難以充分考慮空域態(tài)勢變化對到達流量的影響。為驗證有效性，選取成都終端區(qū)域的ADS-B數(shù)據(jù)，基于不同的機器學習算法進行實驗研究。實驗結(jié)果表明，基于空域態(tài)勢的機器學習方法能夠有效提高終端區(qū)域到達流量的預測精度，具有較強的實用價值。

關(guān)鍵詞：航空交通管理；終端區(qū)域到達流量預測框架；機器學習；空域勢態(tài)；性能評估

中圖分類號：U8" " " " 文獻標志碼：A" " " " 文章編號：2095-2945（2025）09-0143-04

Abstract： This paper aims to improve the accuracy of arrival traffic prediction in terminal area traffic management， and proposes a prediction framework based on airspace situation. This paper analyzes the advantages and disadvantages of traditional dynamics-based prediction methods and time series-based prediction methods， and finds that it is difficult for traditional methods to fully consider the impact of airspace situation changes on arrival traffic. In order to verify the effectiveness， ADS-B data from the Chengdu terminal area was selected and experimental research was conducted based on different machine learning algorithms. Experimental results show that the machine learning method based on airspace situation can effectively improve the prediction accuracy of arrival traffic in the terminal area and has strong practical value.

Keywords： air traffic management; terminal area arrival flow prediction framework; machine learning; airspace situation; performance evaluation

基于機器學習的機場終端交通流的空域勢態(tài)預測研究是一個復雜而重要的課題，涉及到多個領域的知識，包括機器學習、交通工程、空域管理等。隨著民航業(yè)的快速發(fā)展，近年來空中交通流量顯著增加。終端區(qū)域的容量和流量管理能力已成為民航發(fā)展的重要因素。終端區(qū)域到達流量的短期預測是終端區(qū)域流量管理的基礎，可為終端區(qū)域空中交通管制員提供決策支持，從而提高效率與安全性。因此，空中交通流量預測研究是流量管理中的關(guān)鍵問題。利用先進的機器學習技術(shù)預測機場終端交通流的空域勢態(tài)，對于提高空域資源的利用效率、保障飛行安全、優(yōu)化航班調(diào)度等方面具有重要意義。

1" 基于機器學習的飛機到達預測框架

1.1" 到達預測階段

飛機到達預測過程如圖1所示。

該狀態(tài)向量為機器學習模型提供了對飛機當前運行狀況的全面描述。根據(jù)這些輸入特征，機器學習模型將被用來預測飛機在未來一段時間內(nèi)（T時間周期）是否會到達預定的終端區(qū)域。具體來說，飛機到達預測的目標是根據(jù)已知的飛機狀態(tài)信息，通過機器學習算法計算出一個布爾值b，該值表示飛機是否會在未來的T時間段內(nèi)成功到達終端區(qū)。到達預測過程如圖2所示。

由于在空域內(nèi)的大多數(shù)飛機并非到達飛機，因此，訓練標簽集B中大部分標簽為0。這種標簽不平衡的情況將增加機器學習模型訓練的難度。為了應對這一問題，有必要隨機刪除部分訓練集中的標簽為0的數(shù)據(jù)樣本，使得標簽為0和標簽為1的訓練樣本數(shù)量大致相等。

1.2" 流量校正

2" 機場終端飛行區(qū)域空中交通流量模型構(gòu)建

2.1" 樣本描述

在本文中，使用的空中交通流量數(shù)據(jù)來源于成都終端航班區(qū)域。數(shù)據(jù)的時間范圍為2019年11月6日至11月16日。數(shù)據(jù)通過自動相關(guān)監(jiān)視廣播（ADS-B）接收器采集，接收器的覆蓋范圍約為350 km。在成都終端區(qū)，有5個主要的進港航路點，分別是CZH、FJC、PANKO、TEBUN和CDX。通常，進港航班會從這5個航路點進入終端區(qū)，因此，這5個航路點被用作分析航班到達順序的基礎條件。所使用的飛行數(shù)據(jù)包括航班呼號、時間、坐標、飛行高度、速度和航向等信息。以往的研究表明，規(guī)范化的訓練數(shù)據(jù)有助于機器學習過程，能夠提高模型的收斂速度并減少訓練時間。因此，根據(jù)成都終端區(qū)的地理范圍和民用航空器的特征，對緯度、經(jīng)度、高度、速度和航向等參數(shù)進行了規(guī)范化處理，具體的規(guī)范化方法如下所示

式中：X、Y、a、v和h分別表示歸一化后的緯度、經(jīng)度、高度、速度和航向。這些歸一化公式的作用是將數(shù)據(jù)按比例縮放，以便提高機器學習算法的穩(wěn)定性和收斂速度。具體地，通過對緯度（Y）和經(jīng)度（X）進行歸一化，確保它們的值落在0到1的范圍內(nèi)，而高度（A）、速度（V）和航向（H）的歸一化則是通過設定最大值和最小值來縮放，確保所有特征在相似的尺度上，從而避免某一特征對預測結(jié)果產(chǎn)生過大的影響。綜合考慮成都終端區(qū)的范圍和ADS-B接收區(qū)的覆蓋范圍，本研究僅模擬15 min的流量預測。因此，未來到達飛機的數(shù)量將按15 min的時間間隔進行統(tǒng)計。同時，15 min的時間間隔有助于簡化預測過程，使得模型更加高效地捕捉空域內(nèi)的動態(tài)變化。

2.2" 性能評估指標確認

3" 結(jié)果與討論

3.1" 到達預測階段性能評估

基于訓練集，分別訓練了MLR（多元線性回歸）、SVM（支持向量機）、KNN（K近鄰）、DT（決策樹）和NN（神經(jīng)網(wǎng)絡）模型，進行到達預測階段。使用scikit-learn框架來構(gòu)建這些模型。

研究可知，KNN和DT模型能夠?qū)崿F(xiàn)接近97%的最佳預測準確率；SVM和NN模型的準確率較低，約為90%；而MLR模型的表現(xiàn)最差，準確率僅為73%。

基于飛機到達預測的結(jié)果，各種機器學習模型在空中交通流量預測中的表現(xiàn)見表1。MLR模型的準確率最低，誤差最大。因此，在隨后的流量修正實驗中，MLR的到達預測結(jié)果將不被使用。另一方面，SVM、KNN、DT和NN模型的結(jié)果明顯優(yōu)于MLR，特別是DT模型，它在精度和誤差率方面表現(xiàn)最佳。DT模型的MAE、RMSE和MAXAE分別為0.96、1.56和3，顯示出其在提出的框架的第一階段中優(yōu)于其他機器學習模型。

3.2" 流量校正階段性能評估

從11月11日到11月15日的數(shù)據(jù)構(gòu)建了空域態(tài)勢向量St和流量集F?？沼驊B(tài)勢St被用作狀態(tài)向量，是經(jīng)過訓練的飛機到達預測機器學習算法g的輸入。它可以生成布爾向量Bt+T，表示在未來 TT 時間段內(nèi)每架飛機是否會到達終端。根據(jù)公式計算到達飛機的數(shù)量nt。然后，將nt及其對應的時間t構(gòu)成流量校正階段的特征集N，而未來15 min內(nèi)實際到達的飛機數(shù)量作為標簽集FF。分別用這些數(shù)據(jù)訓練了流量校正階段的 MLR、SVM、KNN、DT和NN算法。

在到達預測階段和流量預測階段中，不同的機器學習模型組合被進行了研究。11月16日的數(shù)據(jù)被用作測試集，分別評估每種組合的性能。不同模型組合的預測性能見表2。表2的橫向標題是飛機到達預測模型，縱向標題是流量校正模型。

與表1相比，表2中的結(jié)果顯示，在流量校正階段之后，預測準確率顯著優(yōu)于沒有流量校正階段的方法。使用DT模型進行飛機到達預測和KNN模型進行流量校正的組合表現(xiàn)最佳。

3.3" 集成學習模型在空中交通流量預測中的性能評估

為了改善預測結(jié)果，在預測階段將 SVM、KNN、DT和NN模型結(jié)合為一種集成學習策略。從表3的結(jié)果可以看出，與表2和表1相比，預測精度得到了提升。通過使用更優(yōu)的機器學習模型或集成模型，在提出的框架中可以進一步提高空中交通流量預測的性能。

4" 結(jié)束語

在本文中，提出了一種基于空域態(tài)勢和機器學習算法的終端區(qū)流量預測框架。該框架分為2個主要階段，分別承擔粗略預測和精度校正的任務。第一階段中，模型通過學習歷史數(shù)據(jù)的規(guī)律，初步預測到達終端區(qū)的航班流量，為后續(xù)校正提供基礎。在第二階段，設計了一種基于機器學習模型的校正策略，不僅考慮到初步預測結(jié)果，還整合了額外的時間維度和實時交通特征信息，從而對第一階段的預測結(jié)果進行調(diào)整和優(yōu)化。

該方法使用從成都終端區(qū)收集的真實ADS-B數(shù)據(jù)進行了驗證。實驗結(jié)果表明，所提出的框架能夠為終端區(qū)空中交通流量預測提供高度準確的結(jié)果。在實驗中，平均絕對誤差（MAE）僅為每15 min0.35架次，均方根誤差（RMSE）為每15 min0.67架次，而最大絕對誤差（MAXAE）僅為每15 min2架次。通過這一框架，終端區(qū)交通流量預測的精度得到了顯著提升，證明了其在實際航空交通管理中的應用潛力。

參考文獻：

[1] 王飛，魏林琳.基于復雜網(wǎng)絡的空中交通流量短期預測[J].南京航空航天大學學報，2024，56（4）：741-749.

[2] 王佳旭，那容菲，何雨霖，等.基于長短期記憶網(wǎng)絡與支持向量回歸的空中交通流量預測研究[J].科技創(chuàng)新與應用，2022，12（31）：54-57.

[3] 王興隆，石宗北，賀敏.基于相似日PSO-SVM的機場流量預測[J].計算機仿真，2022，39（7）：86-90，123.

[4] 李楠，樊瑞，傅饒.機場終端區(qū)交通流模式識別研究[J].武漢理工大學學報，2021，43（5）：34-40.