夏正洪,王楚皓,方鵬越

(中國民用航空飛行學(xué)院空中交通管理學(xué)院,廣漢 618307)

滑出時(shí)間是指離港航班完成撤輪擋,由停機(jī)位推出滑行至跑道實(shí)施起飛的時(shí)間,它是衡量機(jī)場(chǎng)場(chǎng)面運(yùn)行效能的關(guān)鍵性指標(biāo)。目前,中國大多數(shù)機(jī)場(chǎng)在實(shí)際運(yùn)行的過程中,常根據(jù)管制員的經(jīng)驗(yàn)使用估算的平均滑出時(shí)間來進(jìn)行決策,導(dǎo)致場(chǎng)面擁堵、延誤等一系列問題。由于大型繁忙機(jī)場(chǎng)的跑滑系統(tǒng)結(jié)構(gòu)復(fù)雜,受地面交通流影響較大,實(shí)際的滑出時(shí)間已經(jīng)超過25 min,且具有很大的不確定性和動(dòng)態(tài)變化性。因此,根據(jù)實(shí)際運(yùn)行數(shù)據(jù)挖掘滑出時(shí)間變化規(guī)律,精確、高效地預(yù)測(cè)滑出時(shí)間,優(yōu)化離港航班推出序列、提升機(jī)場(chǎng)運(yùn)行效率、實(shí)現(xiàn)進(jìn)離場(chǎng)與場(chǎng)面運(yùn)行高效協(xié)同,打造智能化運(yùn)行模式,符合建設(shè)智慧民航的宗旨。

現(xiàn)有滑出時(shí)間相關(guān)研究成果主要分為以下四個(gè)方面。

(1)滑出時(shí)間相關(guān)概念研究:趙嶷飛等[1]首次分析了起飛排隊(duì)及落地滑入航班數(shù)量同滑行時(shí)間的關(guān)系,提出了改進(jìn)的暢通滑行時(shí)間概念,但是此方法未考慮由場(chǎng)面交通流所引起擁堵而導(dǎo)致的滑出時(shí)間增加的情況。針對(duì)上述情況,Zhang等[2]對(duì)進(jìn)場(chǎng)隊(duì)列和起飛隊(duì)列等場(chǎng)面交通流關(guān)鍵因素進(jìn)行了分析,建立了計(jì)量經(jīng)濟(jì)回歸模型來預(yù)測(cè)暢通滑行時(shí)間。

(2)滑出時(shí)間的影響因素研究:錢婧婧[3]為了全面評(píng)價(jià)交通流所產(chǎn)生的影響,引入了降落航班,對(duì)地面交通流和空中交通流對(duì)滑出時(shí)間的相關(guān)程度進(jìn)行驗(yàn)證。隨著機(jī)場(chǎng)規(guī)模與運(yùn)行模式的改變,影響因素的構(gòu)建不再局限于航班數(shù)據(jù),后有學(xué)者引入了滑行路徑、轉(zhuǎn)彎角度、轉(zhuǎn)彎個(gè)數(shù)[4]等一系列可量化因素。除了上述可量化的影響因素外,還有天氣、流控、跑道運(yùn)行模式等因素也會(huì)影響滑出時(shí)間的長(zhǎng)短。Li等[5]將天氣因素和跑道構(gòu)型以0-1開關(guān)變量的形式引入了滑出時(shí)間的預(yù)測(cè),增加了影響因素的多樣性。

(3)滑出時(shí)間預(yù)測(cè)方法模型研究:最早的方法是基于統(tǒng)計(jì)的回歸分析方法,但是預(yù)測(cè)結(jié)果差強(qiáng)人意;為了提升研究精度,反向傳播(back propogation,BP)神經(jīng)網(wǎng)絡(luò)、支持向量回歸(support vector regression,SVR)、K最近鄰(Knearest neighbor,KNN)、隨機(jī)森林等機(jī)器學(xué)習(xí)[6]陸續(xù)登場(chǎng),預(yù)測(cè)結(jié)果的精度也得到了持續(xù)提升。

(4)滑出時(shí)間預(yù)測(cè)結(jié)果的應(yīng)用研究:尹旻嘉[7]提出了基于預(yù)測(cè)滑出時(shí)間的場(chǎng)面優(yōu)化策略,通過控制場(chǎng)面交通流進(jìn)而減少場(chǎng)面沖突發(fā)生的概率。黃龍楊等[8]提出了基于滑出時(shí)間預(yù)測(cè)的航班推出優(yōu)化策略,對(duì)比了滑出時(shí)間的預(yù)測(cè)對(duì)于場(chǎng)面運(yùn)行效率的提升有著關(guān)鍵作用。

現(xiàn)有滑出時(shí)間研究還存在以下不足:①現(xiàn)有影響因素的分析未基于場(chǎng)面的運(yùn)行態(tài)勢(shì),未考慮推出時(shí)間前后時(shí)間閾值[9]的影響,故對(duì)滑出時(shí)間關(guān)鍵影響因素的定義不準(zhǔn)確,導(dǎo)致預(yù)測(cè)結(jié)果與實(shí)際值仍有一定的偏差。②鮮有研究談及氣象對(duì)滑出時(shí)間的影響,現(xiàn)有研究的氣象數(shù)據(jù)未說明來源,預(yù)測(cè)結(jié)果的可信度有待進(jìn)一步證實(shí);同時(shí),現(xiàn)有研究?jī)H以0-1開關(guān)型變量來反映天氣對(duì)滑出時(shí)間的影響,未討論不同的氣象條件影響下滑出時(shí)間是否會(huì)發(fā)生變化。

因此,首先分析離港航班的場(chǎng)面運(yùn)行態(tài)勢(shì),厘清進(jìn)離港航班滑行過程中的時(shí)空交疊關(guān)系,挖掘并重新定義離港航班滑出時(shí)間影響因素,梳理航班運(yùn)行數(shù)據(jù)和氣象數(shù)據(jù)的分析方法;基于K均值(K-means)聚類算法分析不同天氣條件下的平均滑出時(shí)間。然后,根據(jù)相關(guān)性分析結(jié)論構(gòu)建了滑出時(shí)間的預(yù)測(cè)模型。針對(duì)BP神經(jīng)網(wǎng)絡(luò)容易受初始閾值和權(quán)值影響,導(dǎo)致預(yù)測(cè)結(jié)果不穩(wěn)定、精度不高的缺點(diǎn),提出基于蝗蟲優(yōu)化算法-反向傳播(grasshopper optimization algorithm-back propagation,GOA-BP)的離港航班滑出時(shí)間預(yù)測(cè)模型,以期獲得更高精度的滑出時(shí)間預(yù)測(cè)結(jié)果,為航班的推出控制策略的形成奠定基礎(chǔ)。

1 數(shù)據(jù)處理

1.1 數(shù)據(jù)來源

統(tǒng)計(jì)深圳寶安機(jī)場(chǎng)2019年5月26日—6月8日共計(jì)2周的航班運(yùn)行數(shù)據(jù)和航空例行天氣報(bào)告,共計(jì)獲得航班運(yùn)行數(shù)據(jù)12 645條,氣象數(shù)據(jù)672 條。航班運(yùn)行數(shù)據(jù)由航班號(hào)、機(jī)型、注冊(cè)號(hào)、實(shí)際推出時(shí)刻、實(shí)際起飛時(shí)刻、實(shí)際落地時(shí)刻、實(shí)際上輪擋時(shí)刻、使用跑道、停機(jī)位號(hào)組成。氣象數(shù)據(jù)由溫度、露點(diǎn)溫度、風(fēng)向、風(fēng)速、重要天氣現(xiàn)象、水平能見度、云量、云底高組成,每半小時(shí)為1 條數(shù)據(jù)。

1.2 場(chǎng)面運(yùn)行態(tài)勢(shì)分析

該機(jī)場(chǎng)是典型的H型機(jī)場(chǎng),基于航班的場(chǎng)面運(yùn)行態(tài)勢(shì)分析,得到進(jìn)離港航班場(chǎng)面滑行過程的時(shí)空交疊關(guān)系[10-12]如圖1、圖2所示。設(shè)置參考航班i,離港航班d,進(jìn)港航班a,以及參考航班i推出時(shí)間前后的時(shí)間閾值λ(±15 min)。根據(jù)實(shí)際撤輪擋時(shí)間(actual off-block time,AOBT)、實(shí)際起飛時(shí)間(actual take-off time,ATOT)、實(shí)際著陸時(shí)間(actual landing time,ALDT)和實(shí)際上輪擋時(shí)間(actual in-block time,AIBT)將進(jìn)離港航班分為八類。

圖1 離港航班的滑行過程時(shí)空交疊圖

圖2 進(jìn)離港航班的滑行過程時(shí)空交疊圖

(1)離港航班d1的推出時(shí)間早于參考航班i的推出時(shí)間,且d1的起飛時(shí)間早于i的起飛時(shí)間,即

AOBTd1

(1)

(2)離港航班d2的推出時(shí)間早于參考航班i的推出時(shí)間,且d2的起飛時(shí)間晚于i的起飛時(shí)間,即

AOBTd2ATOTi

(2)

(3)離港航班d3的推出時(shí)間和起飛時(shí)間均處于參考航班i的滑行過程中,即

AOBTi

(3)

(4)離港航班d4的推出時(shí)間處于參考航班i的滑行過程中,且d4的起飛時(shí)間晚于i的起飛時(shí)間,即

AOBTiATOTi

(4)

(5)進(jìn)港航班a1的落地時(shí)間早于參考航班i的推出時(shí)間,且a1的上輪擋時(shí)間處于i的滑行過程中,即

ALDTa1

(5)

(6)進(jìn)港航班a2的落地時(shí)間早于參考航班i的推出時(shí)間,且a2的上輪擋時(shí)間晚于i的起飛時(shí)間,即

ALDTa2ATOTi

(6)

(7)進(jìn)港航班a3的落地時(shí)間和上輪擋時(shí)間均處于參考航班i的滑行過程中,即

AOBTi

(7)

(8)進(jìn)港航班a4的落地時(shí)間處于參考航班i的滑行過程中,且a4的上輪擋時(shí)間晚于i的起飛時(shí)間,即

AOBTiATOTi

(8)

1.3 滑出時(shí)間影響因素

離港航班的場(chǎng)面運(yùn)行會(huì)受到時(shí)間和空間等不確定因素的影響。在分析其影響因素時(shí),不僅要考慮機(jī)場(chǎng)場(chǎng)面運(yùn)行實(shí)況,如交通流、滑行距離等,還應(yīng)考慮天氣因素、流控等因素的影響。因此,對(duì)滑出時(shí)間影響的特征量進(jìn)行定義和量化分析。

(1)同時(shí)段推出航班數(shù)量x1。若航班d的推出時(shí)間在參考航班i推出時(shí)間正負(fù)閾值范圍內(nèi),則d為i的同時(shí)段推出航班。因此,同時(shí)段推出航班數(shù)量x1可表示為

x1=d2+d3

(9)

(2)同時(shí)段起飛航班數(shù)量x2。在參考航班i的起飛離港過程中,若離港航班d的場(chǎng)面運(yùn)行將對(duì)i產(chǎn)生影響,則d為i的同時(shí)段起飛航班。因此,同時(shí)段起飛航班數(shù)量x2可表示為

x2=d1+d2+d3+d4

(10)

(3)同時(shí)段落地航班數(shù)量x3。在參考航班i的起飛離港過程中,若航班a的場(chǎng)面運(yùn)行與i有時(shí)空交疊,則a為i的同時(shí)段落地航班。因此,同時(shí)段落地航班數(shù)量x3可表示為

x3=a1+a2+a3+a4

(11)

(4)離港隊(duì)列x4。離港航班跑道外等待時(shí)間受離港隊(duì)列影響,隊(duì)列越長(zhǎng)則跑道外等待時(shí)間越長(zhǎng)。由圖1可知,在參考航班i的滑行過程中已完成起飛的航班d,即為處于離港隊(duì)列的航班。因此,離港隊(duì)列x4可表示為

x4=d1+d3

(12)

(5)進(jìn)港隊(duì)列x5。進(jìn)港隊(duì)列描述的是未來一段時(shí)間內(nèi)的進(jìn)港航班數(shù)量。進(jìn)港航班有較高的優(yōu)先級(jí),會(huì)增加離港航班在滑行過程中的等待時(shí)間。由圖2可知,在參考航班i滑行過程中,已完場(chǎng)落地的航班a,即為處于進(jìn)港隊(duì)列的航班。因此,進(jìn)港隊(duì)列x5可表示為

x5=a3+a4

(13)

(6)30 min平均滑出時(shí)間x6。計(jì)算與參考航班i推出時(shí)間在相同的30 min時(shí)間段內(nèi)所有航班d的實(shí)際滑出時(shí)間的均值。因此,30 min平均滑出時(shí)間x6可表示為

(14)

式(14)中:Td表示離港航班d的實(shí)際滑出時(shí)間。

(7)滑行距離x7?；芯嚯x與滑出時(shí)間呈正比例關(guān)系,滑行距離越長(zhǎng)相對(duì)應(yīng)的滑出時(shí)間也會(huì)越長(zhǎng)。根據(jù)機(jī)場(chǎng)圖可得出航班d的標(biāo)準(zhǔn)滑行路徑,通過測(cè)量路徑長(zhǎng)度并按比例計(jì)算即可得到其滑行距離。

(8)天氣因素x8。根據(jù)民用機(jī)場(chǎng)最低起降標(biāo)準(zhǔn)可知,航班起飛和降落時(shí)都將參考能見度、跑道視程及云底高的限制值。由此可見,天氣是影響機(jī)場(chǎng)運(yùn)行安全的重要因素,惡劣天氣如雷暴、暴雨等都將對(duì)離港航班的滑行過程產(chǎn)生影響。如風(fēng)向、風(fēng)速的改變或超出起飛標(biāo)準(zhǔn)將導(dǎo)致更換使用跑道的方向,會(huì)導(dǎo)致機(jī)場(chǎng)地面交通流的變化和混亂;雷暴天氣可能導(dǎo)致低能見度或者流量控制的出現(xiàn),機(jī)場(chǎng)道面積水、積冰都可能導(dǎo)致滑行速度的變化;這些天氣因素都將導(dǎo)致滑出時(shí)間產(chǎn)生較大差異。

1.4 數(shù)據(jù)處理

1.4.1 航班運(yùn)行數(shù)據(jù)處理

(1)刪除重復(fù)或不完整的數(shù)據(jù)。

(2)篩選出滑出時(shí)間60 min以內(nèi)的航班數(shù)據(jù)。

(3)計(jì)算同時(shí)段推出航班數(shù)量x1、同時(shí)段起飛航班數(shù)量x2、同時(shí)段落地航班數(shù)量x3、離港隊(duì)列x4、進(jìn)港隊(duì)列x5。

(4)計(jì)算30 min平均滑出時(shí)間x6。

(5)根據(jù)機(jī)場(chǎng)圖,做出滑行路線,計(jì)算滑行距離x7。

經(jīng)過數(shù)據(jù)處理最終得到5 952 條離港航班數(shù)據(jù),以及5 952 架航班所對(duì)應(yīng)的x1、x2、x3、x4、x5、x6、x7。

1.4.2 氣象數(shù)據(jù)處理

(1)刪除航空例行天氣報(bào)告(meteorological terminal aviation routine weather report,METAR)報(bào)文中無關(guān)氣象數(shù)據(jù)。

(2)將《民用航空機(jī)場(chǎng)運(yùn)行最低標(biāo)準(zhǔn)制定與實(shí)施準(zhǔn)則》與歷史能見度值進(jìn)行比對(duì),篩查是否有低能見度起飛的航班。

(3)根據(jù)《飛行機(jī)組操作手冊(cè)》和歷史風(fēng)向、風(fēng)速、離港跑道,篩查是否發(fā)生順風(fēng)超標(biāo)導(dǎo)致臨時(shí)更換跑道的情況。

(4)篩選并保留輕度雨y1、雨y2、輕度雨輕霧y3、雨輕霧y4、弱雷暴雨y5、雷暴雨y6、強(qiáng)雷暴雨y7和無影響y8共計(jì)8個(gè)特征。

(5)將8個(gè)天氣特征與30 min平均滑出時(shí)間進(jìn)行映射,形成天氣特征劃分方案。

(6)對(duì)30 min平均滑出時(shí)間(x6)進(jìn)行K-means聚類,分成A、B、C三類,如圖3所示。其中,A類≤972 s,聚類中心(802,802)、9721 419 s,聚類中心(1 708,1 708)。

圖3 基于K-means的平均滑出時(shí)間聚類圖

(7)將不同組合的天氣劃分方案下的30 min平均滑出時(shí)間再取均值,篩選出與聚類結(jié)果A、B、C最為相近的組合。

(8)將平均滑出時(shí)間小于等于972 s且不受天氣影響的航班,用數(shù)值1表示;平均滑出時(shí)間在972～1 419 s區(qū)間內(nèi)且受y1、y2、y3、y4、y5、y6影響的航班,用數(shù)值2表示;平均滑出時(shí)間大于1 419 s受y7影響的航班,用數(shù)值3表示。

經(jīng)過篩查未出現(xiàn)低能見度起飛及臨時(shí)更換跑道而導(dǎo)致滑出時(shí)間大幅變化的情況。因此,劃分出基于METAR報(bào)文的天氣因素量化方案:A(無影響y8)為1、B(輕度雨y1、雨y2、輕度雨輕霧y3、雨輕霧y4、弱雷暴雨y5、雷暴雨y6)為2、C(強(qiáng)雷暴雨y7)為3。最終得到5 952架航班所對(duì)應(yīng)的天氣因素量化指標(biāo)x8。

2 模型構(gòu)建

2.1 相關(guān)性分析

運(yùn)用SPSS軟件對(duì)數(shù)據(jù)處理后的8個(gè)影響因素進(jìn)行相關(guān)性分析,如表1所示。根據(jù)《統(tǒng)計(jì)學(xué)》[13]的基本理論和皮爾遜相關(guān)性系數(shù)可知,滑出時(shí)間與同時(shí)段起飛航班數(shù)量x2、同時(shí)段落地航班數(shù)量x3、離港隊(duì)列x4、進(jìn)港隊(duì)列x5、30 min平均滑出時(shí)間x6、天氣因素x8呈中度相關(guān)(0.5≤|r|<0.8)。同時(shí)段推出航班數(shù)量x1、滑行距離x7與滑出時(shí)間呈弱相關(guān)(r<0.3)。

表1 相關(guān)性分析表

2.2 基于BP的滑出時(shí)間預(yù)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)是一種信號(hào)正向傳播,誤差逆向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)。正向傳播時(shí),信號(hào)由輸入層輸入,經(jīng)多個(gè)隱含層處理后,從輸出層輸出;逆向傳播時(shí),則是將輸出逐層反傳,誤差分?jǐn)偨o各層所有單元,從而獲取誤差信號(hào),根據(jù)誤差信號(hào)再調(diào)整網(wǎng)絡(luò)的權(quán)值,使預(yù)測(cè)逼近期望。BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的非線性映射能力、泛化能力和容錯(cuò)能力。根據(jù)相關(guān)性分析結(jié)論可知,同時(shí)段推出航班數(shù)量和滑行距離對(duì)滑出時(shí)間的影響較小[14],故在模型構(gòu)建時(shí)不予考慮。因此,選取x2、x3、x4、x5、x6、x8共6個(gè)中度相關(guān)影響因素作為模型的輸入,滑出時(shí)間作為模型的輸出,構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的滑出時(shí)間預(yù)測(cè)模型如圖4所示。

圖4 基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型

首先,從樣本數(shù)據(jù)中隨機(jī)選取5 752 組數(shù)據(jù)作為訓(xùn)練集,剩余200 組數(shù)據(jù)作為測(cè)試集。輸入神經(jīng)元個(gè)數(shù)為中度相關(guān)影響因素個(gè)數(shù),隱藏神經(jīng)元選擇預(yù)測(cè)性能最優(yōu)的個(gè)數(shù),輸出神經(jīng)元個(gè)數(shù)為1。為消除量級(jí)的影響,將數(shù)據(jù)集進(jìn)行歸一化處理。設(shè)置訓(xùn)練次數(shù)10 000、學(xué)習(xí)速率0.01,將訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練,直至網(wǎng)絡(luò)收斂,保存穩(wěn)定的網(wǎng)絡(luò)參數(shù)。最后,使用穩(wěn)定后的網(wǎng)絡(luò)對(duì)測(cè)試集數(shù)據(jù)所對(duì)應(yīng)的滑出時(shí)間進(jìn)行預(yù)測(cè),將預(yù)測(cè)結(jié)果與真實(shí)數(shù)據(jù)進(jìn)行對(duì)比,并對(duì)模型進(jìn)行評(píng)估分析。

2.3 基于GOA-BP的滑出時(shí)間預(yù)測(cè)模型

2.3.1 蝗蟲優(yōu)化算法

蝗蟲優(yōu)化算法是受蝗蟲群體覓食行為模式啟發(fā)的一種智能優(yōu)化算法[15]?；认x群體包括幼蟲和成蟲。幼蟲有著飛行速度緩慢、移動(dòng)范圍小的特點(diǎn),負(fù)責(zé)開發(fā)特定的局部區(qū)域。成蟲的飛行速度和活動(dòng)范圍都有明顯增加,負(fù)責(zé)全局的搜索。其算法流程如下:①設(shè)置算法初始參數(shù);②計(jì)算蝗蟲個(gè)體的適應(yīng)度值,對(duì)適應(yīng)度值進(jìn)行排序;③記錄、保存適應(yīng)度值最優(yōu)的蝗蟲位置;④判斷是否達(dá)到迭代次數(shù),若達(dá)到迭代次數(shù)則當(dāng)前位置就是最優(yōu)解,算法結(jié)束,輸出最優(yōu)解和適應(yīng)度值。若未達(dá)到繼續(xù)執(zhí)行⑤;⑤更新系數(shù)c;⑥更新蝗蟲位置和適應(yīng)度值;⑦判斷是否優(yōu)于歷史最佳適應(yīng)度,如果是執(zhí)行⑧,否則輸出最優(yōu)解和適應(yīng)度值。⑧更新迭代次數(shù),返回④。

2.3.2 GOA-BP模型

在初始的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)中,常使用隨機(jī)初始化的方法來設(shè)置權(quán)值和閾值,預(yù)測(cè)結(jié)果具有很大的不確定性和隨機(jī)性,且容易使預(yù)測(cè)結(jié)果陷入局部最優(yōu)。因此,采用GOA優(yōu)化算法獲取神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和和閾值,從而得到基于GOA-BP的滑出時(shí)間預(yù)測(cè)模型[16],算法流程如圖5所示。步驟如下。

圖5 基于GOA-BP的滑出時(shí)間預(yù)測(cè)流程圖

(1)將整理后的離港航班滑出時(shí)間預(yù)測(cè)影響因素的樣本數(shù)據(jù)導(dǎo)入MATLAB軟件中。

(2)設(shè)置模型的初始參數(shù):網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)6、隱含層節(jié)點(diǎn)數(shù)10、輸出層節(jié)點(diǎn)數(shù)1、上邊界bu為2、下邊界bl為-2、參數(shù)c的取值范圍[0.000 04,1]。

(3)打亂數(shù)據(jù)集,隨機(jī)選出5 752 組數(shù)據(jù)作為訓(xùn)練集,剩下的200 組數(shù)據(jù)作為測(cè)試集。

(4)對(duì)數(shù)據(jù)進(jìn)行歸一化處理,消除數(shù)量級(jí)的影響,提高收斂速度。

(5)構(gòu)建GOA-BP神經(jīng)網(wǎng)絡(luò),對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練。

(6)將輸出的結(jié)果進(jìn)行反歸一化處理,選取最優(yōu)值作為滑出時(shí)間的預(yù)測(cè)結(jié)果。

3 模型評(píng)估

為了評(píng)價(jià)地空交通流(x2、x3、x4、x5、x6)和天氣因素(x8)對(duì)滑出時(shí)間的影響,以平均絕對(duì)誤差(mean absolute error,MAE)、均方根誤差(root mean square error,RMSE)、平均絕對(duì)百分比誤差(mean absolute percentage error,MAPE)和準(zhǔn)確率四個(gè)方面來評(píng)判所構(gòu)建的模型的有效性。

3.1 天氣因素對(duì)滑出時(shí)間的影響

讀取處理好的地空交通流和天氣因素?cái)?shù)據(jù),利用MATLAB軟件編寫B(tài)P神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)代碼,所得離港航班滑出時(shí)間預(yù)測(cè)結(jié)果如表2和圖6所示。

表2 基于BP神經(jīng)網(wǎng)絡(luò)的滑出時(shí)間預(yù)測(cè)結(jié)果對(duì)比分析

圖6 基于BP神經(jīng)網(wǎng)絡(luò)的滑出時(shí)間預(yù)測(cè)結(jié)果對(duì)比圖

可見,BP神經(jīng)網(wǎng)絡(luò)模型可有效地應(yīng)用于離港航班滑出時(shí)間的預(yù)測(cè)。在引入天氣因素后的各項(xiàng)評(píng)價(jià)指標(biāo)均有不同程度的優(yōu)化,預(yù)測(cè)結(jié)果前后對(duì)比明顯,MAE減少了7.03 s,RMSE減少了6.32 s,MAPE提升了1.5%,誤差在±3 min和±5 min的預(yù)測(cè)準(zhǔn)確率分別提升了5.5%和2.5%。根據(jù)METAR報(bào)文可知,B類天氣(輕度雨、雨、輕度雨輕霧、雨輕霧、弱雷暴雨、雷暴雨)下的平均滑出時(shí)間1 133 s,C類天氣(強(qiáng)雷暴雨)下的平均滑出時(shí)間1 705 s。受影響的總平均滑出時(shí)間為1 203 s,均已遠(yuǎn)超正常的離港平均滑出時(shí)間900 s,從而反映了天氣因素是影響滑出時(shí)間的重要因素之一。

3.2 基于GOA-BP模型的預(yù)測(cè)結(jié)果分析

雖然BP神經(jīng)網(wǎng)絡(luò)模型在滑出時(shí)間的研究中有著較為突出的表現(xiàn),但是也存在輸出結(jié)果不穩(wěn)定、易陷入局部最優(yōu)、準(zhǔn)確率低等缺點(diǎn),因此使用GOA優(yōu)化算法獲取BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,構(gòu)建了基于GOA-BP的滑出時(shí)間預(yù)測(cè)模型,所得結(jié)果如表3和圖7所示。

表3 基于BP和GOA-BP的滑出時(shí)間預(yù)測(cè)結(jié)果對(duì)比

圖7 基于GOA-BP的滑出時(shí)間預(yù)測(cè)結(jié)果圖

在引入天氣因素后,GOA-BP相較于BP,MAE減少了11.40 s,RMSE減少了12.62 s,MAPE提升了0.37%,誤差在±3 min和±5 min的預(yù)測(cè)準(zhǔn)確率分別提升了2.5%和1.5%。但是,GOA-BP模型中蝗蟲位置需要不斷更新,且個(gè)體位置更新受到種群中其他蝗蟲位置信息的影響。因此,GOA-BP訓(xùn)練所需時(shí)間成本較BP更高,即在不考慮所需訓(xùn)練時(shí)間的前提下,GOA-BP模型在滑出時(shí)間預(yù)測(cè)精度方面有更為優(yōu)異的表現(xiàn)。

在模型預(yù)測(cè)過程中,模型容量需要匹配數(shù)據(jù)復(fù)雜度,否則會(huì)出現(xiàn)過擬合和欠擬合的情況。過擬合表現(xiàn)為訓(xùn)練誤差遠(yuǎn)小于泛化誤差。欠擬合表現(xiàn)為訓(xùn)練誤差和泛化誤差都較大。以R2作為衡量擬合情況指標(biāo),GOA-BP與BP的擬合度均未超過0.9,擬合度較差,故可認(rèn)為GOA-BP與BP神經(jīng)網(wǎng)絡(luò)模型存在欠擬合的情況。究其原因是數(shù)據(jù)復(fù)雜度較高,樣本中包括時(shí)間和天氣這些差異性較大的數(shù)據(jù),模型難以擬合。

4 結(jié)論

(1)基于機(jī)場(chǎng)的METAR報(bào)文對(duì)影響滑出時(shí)間的天氣類別進(jìn)行劃分,基于K-means聚類方法將滑出時(shí)間與所劃分的天氣類別進(jìn)行對(duì)應(yīng),使用三值型變量來量化天氣因素對(duì)滑出時(shí)間的影響,根據(jù)相關(guān)性分析結(jié)果和滑出時(shí)間預(yù)測(cè)結(jié)果可知天氣因素是滑出時(shí)間的重要影響因素之一。

(2)基于場(chǎng)面運(yùn)行態(tài)勢(shì)分析,厘清了進(jìn)離港航班在滑行過程中的時(shí)空交疊關(guān)系;相比于已有研究成果,本文所提的同時(shí)段推出、滑行的進(jìn)離港航班數(shù)量、進(jìn)離港隊(duì)列的概念以及所得的樣本數(shù)據(jù)更加精準(zhǔn),相關(guān)性分析結(jié)果更加客觀。

(3)針對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型輸出結(jié)果不太理想的情況,采用蝗蟲智能優(yōu)化算法獲取BP神經(jīng)網(wǎng)絡(luò)的初始閾值和權(quán)值,構(gòu)建了基于GOA-BP的滑出時(shí)間預(yù)測(cè)模型,以深圳寶安機(jī)場(chǎng)的實(shí)際運(yùn)行數(shù)據(jù)驗(yàn)證了優(yōu)化后模型預(yù)測(cè)精度有明顯提升。