航班過站時間可預測性分析

文思敏

摘 要：航班的過站時間可以反映機場和航空公司的運行效率。過站時間的合理設置不僅能夠有效提高航班正點率和旅客滿意度，同時還能減輕航班延誤對航班計劃的影響，以及改善機場運行能力。因此對航班過站時間的預測非常必要，而想要準確的預測過站時間，首先需要對航班過站時間的可預測性進行分析。文章對白云機場和浦東機場的航班過站時間進行數據分析，比較分析了不同時間段以及不同機型下過站時間可預測性。發現一天內，繁忙時間段的過站時間可預測性較差。同時，相較于小機型，大機型的航班過站時間可預測性較差。

關鍵詞：航班過站時間；可預測性；研究分析

1 概述

隨著我國航班量的增長，航班運行效率低下的情況卻日益嚴重。如何評價航班的運行效率是對機場和航空公司進行有效管理以及減少延誤的基礎。在以往的研究中，延誤往往作為一個評價航班服務質量好壞的主要指標，減少延誤成為了提升航班運行效率的主要目標。近年來，FAA提出了把可預測性作為一個新的指標來評價航班運行狀況，并把提升可預測性作為“2025計劃”的目標[1]。歐洲空管局（EUROCONTROL）也將可預測性作為評價機場運行狀況的關鍵性指標[2]。

可預測性是指能夠定性或定量的正確預測一個系統狀態的程度。國際民航組織將航班運行可預測性定義為空域使用者和空中導航服務提供者能夠提供持續可靠的技術水平的能力。航班運行的可預測性對空域使用者以及整個民航業來說是必不可少的，因為他們是按照航班時刻表來執行和操作的，而航班時刻表的編排又依賴于航班可預測性的好壞[3]。

航班過站時間是指同一架飛機在到達某機場后，再離開該機場，在該機場所停留的時間。航班的過站時間可在一定程度上反映機場和航空公司的運行效率。對航班過站時間可預測性研究，可以對機場的運行效率進行評估。國內目前對過站時間的研究只關于航班延誤對過站時間的影響，以及對過站時間的估計[4-6]。而用過站時間的可預測性對機場的運行狀況及服務質量進行評價幾乎沒有。

文章對白云機場和浦東機場的航班過站時間進行數據分析，比較分析了不同時間段以及不同機型下過站時間可預測性。

2 研究現狀

國外對可預測性的研究較多，Gulding等人考慮起飛機場從推出到落地機場推入整個過程，利用美國和歐洲的OOOI數據進行對比，提到進場可預測性主要受離場可預測性的影響，通過對比運行時間分位數的不同來研究可預測性[7]。Liu等人通過分析來自SARDA的Human-in-the-loop仿真數據來研究機場運行的可預測性。利用仿真數據，從管制員、飛行員及運行商的角度對機場是否有SARDA進行可預測性的測量和比較[8]。

國內目前對可預測性研究主要在地面交通，黃中祥、王正武、況愛武運用狀態空間重構和GP算法對不同觀測尺度下高速公路交通流的短期行為特性進行了研究，結果表明小尺度下的交通流具有混沌特性，然后運用遞歸圖和Kolmogorov熵從定性和定量兩個方面對其可預測性進行了分析和比較[9]。黃阿瓊和關偉運用R/S分析法計算不同觀測尺度下的Hurst指數值，發現同一天內Hurst指數值隨觀測尺度的變大而增大，同一觀測尺度下，Hurst指數隨著樣本量的增加而降低[10]。姜桂艷等人提出了交通數據序列動態可預測性分析的思想，在設計了交通數據序列動態可預測性關聯數據特征指標的基礎上，基于BP神經網絡建立了交通數據序列動態可預測性分析方法[11]。

3 過站時間定義及影響因素分析

3.1 過站時間定義

航班的運行主要包括以下幾個環節：起飛機場滑出、航路飛行、滑入目的機場、過站、再次滑出前往下一個目的機場。根據以上流程，可以的得到航班過站流程如圖1所示。

由圖1描述可知，航班運行時有以下幾個關鍵時間節點：（1）EOBT/AOBT：預計/實際撤輪擋時間；（2）ETOT/ATOT：預計/實際起飛時間；（3）ELDT/ALDT：預計/實際降落時間；（4）EIBT/AIBT：預計/實際擋輪擋時間。

由此可以得到航班過站時間的計算，可以直接由以下公式得出：

ATTT=ATOT-ALDT （1）

ETTT=ETOT-ELDT （2）

其中，ATTT-實際過站時間，ATOT-實際起飛時間，ALDT-實際擊落時間，ETTT-預計過站時間，ETOT-預計起飛時間，ELDT-實際起飛時間。

根據以上所述，對浦東機場和白云機場2014年一年的過站航班進行計算，得到過站時間統計圖如圖2、圖3所示。其中橫坐標表示過站時間，縱坐標表示航班數量。

圖2 2014年浦東機場過站時間分布圖

圖3 2014年白云機場過站時間分布圖

由圖2、圖3可知廣州機場與白云機場的過站時間分布具有相似性，其中白云機場的過站時間分布相較于浦東機場更加穩定。

3.2 影響因素分析

影響航班過站時間的因素眾多，通過經驗分析，主要有以下幾種：

（1）計劃過站時間。在正常的執行航班的情況下，飛機的實際過站時間和預計過站時間幾乎無偏差，但是在有了其他因素的影響下，實際過站時間才會與預計過站時間發生差異。發生延誤時，如果實際的過站時間小于預計的過站時間，那么延誤能夠被吸收，而當實際得過站時間大于預計的過站時間時，延誤的情況就會更加嚴重。

（2）飛機類型。由于飛機的機型不同，速度不同，旅客數量不同，飛機過站時間也會受到相應的影響。一般來說，機型越大，過站時間也越大。

（3）機場起降架次。機場的大小也會對航班過站時間造成影響，在繁忙機場，相較于一般機場，由于飛機起降架次較多，必會造成一定延誤，從而對航班過站時間造成一定影響。

（4）航班到達時間段。在不同的時間段，實際的過站時間也會有所不同。如果航班的到達時間是在機場相對繁忙的時間段，實際的過站時間相對于在其他時間段，也會有所偏長。

4 可預測性分析

為了量化過站時間的分布情況，一般使用方差、標準差、平均絕對偏差、四分位差等作為指標，對可預測性進行量化分析[1]。文章選用標準差作為評價過站時間可預測性的方法。

標準差定義是總體各單位標準值與其平均數離差平方的算術平均數的平方根。它反映組內個體間的離散程度。標準差是用于描述時間序列變化波動性的統計變量，也是用來評價可預測性好壞的常見方法。對于一組時間序列x1，x2，x3，…，xn，平均值為u，其標準差計算公式為：

（3）

由上文可知，影響航班過站時間的因素眾多，根據上述影響因素，文章將分析航班到達時間段不同和機型不同對可預測性的影響。

4.1 不同時間段過站時間可預測性比較

航班到達時間段是影響的過站時間大小的重要因素，若航班到達的時間是在機場相對繁忙的時間段，實際過站時間可能相對于其他時間段就會偏長。文章接下來比較分析不同時間段對過站時間可預測性的影響。

首先將一天24h，以2h為間隔，共劃分為12個時間段，分別是00：00～01：59，02：00～03：59，04：00～05：59，06：00～07：59，08：00～09：59，10：00～11：59，12：00～13：59，14：00～15：59，16：00～17：59，18：00～19：59，20：00～21：59，22：00～24：59。為了比較不同時間段下機場繁忙程度對過站時間可預測性的影響，對不同時間段下的機場起降架次進行統計，計算各時間段起降架次所占機場一天總起降架次比例，最后與各時間段過站時間可預測性值相比較，得到圖4和圖5。

如圖4、圖5所示，其中左縱坐標軸表示標準差值，右縱坐標軸表示起降架次比例值。從圖4、圖5中可發現，總體趨勢上，過站時間的標準差值與機場各時間段的流量呈正相關關系，在機場繁忙時間段，起降架次數量多，過站時間的標準差較大，可預測性較差，反之，在機場的閑暇時間段，起降架次數量少，過站時間標準差較小，可預測性較好。白云機場6：00-7：59時間段起降架次增加而標準差值減少，可能是2：00-6：00時間段航班量較少，起到了一定緩解作用。

4.2 不同機型過站時間可預測性比較

當飛機機型不同時，座位數不同，對航班過站時間也會造成影響，一般來說飛機較大，過站時間較長，較小的飛機過站時間較短。文章接下來分析不同機型對過站時間可預測性的影響。

根據對白云機場及浦東機場的過站航班的統計，可知主要機型有以下幾種：A319、A320、A321、A332、A333、A346、B733、B738、B777、B744。以100座為間隔，將過站航班機型分類如表1所示：

根據分類機型，計算各類機型的過站時間標準差，得到過站時間標準差值與飛機座位數關系，如圖6所示：

從圖6中可以看出，隨著機型的改變，過站時間的平均值發生了顯著變化，隨著飛機座位數的增多，航班的平均過站時間也相應的變長。同時，過站時間的標準差值也隨著飛機座位數的增多而呈上升趨勢。即機型越大，飛機座位數越多，過站時間的可預測性越差。

5 結束語

文章利用標準差值對白云機場和浦東機場的過站時間進行分析，得到以下結論：航班過站時間的可預測性大小與機場各時間段的繁忙程度有關，當機場處于繁忙時間，流量增加，起降架次較多，航班過站時間可預測性較差，反之，當機場處于空閑時間段，流量減少，起降架次減小。過站時間可預測性大小也與機型相關，對機型越大，飛機座位數越多，可預測性越差，機型越小，飛機座位數越少，可預測性越好。對于航班過站時間可預測性的研究是預測過站時間的前提，綜合現有的預測方法對過站時間的可預測性進行驗證是論文下一步的研究方向。

參考文獻

[1]Hao L， Hansen M. Flight time predictability： concepts， metrics and impact on Scheduled Block Time[C].Proceedings of 92nd Annual Meeting of the Transportation Research Board Carrier Cost Structure： Evidence from US Airlines， 2013， Washington， DC.

[2]Eurocontrol. Measuring Airport Airside and Nearby Airspace Performance. Performance Review Unit， 15th December 2009.

[3]ICAO 9883， Manual on Global Performance ofthe Air Navigation System， Montreal，2008.

[4]丁建立，趙鍵濤，曹衛東.基于貝葉斯網的航班過站時間動態估計[J].南京航空航天大學學報，2015，47（4）：517-524.

[5]曹衛東，林翔宇.基于貝葉斯網絡的機場過站時間分析[J].航空計算機技術，2010，40（5）：5-9.

[6]戚彥龍.航班延誤分級和過站時間研究[D].南京航空航天大學，2014.

[7]Gulding J， Knorr D， Rose M， et al. US/Europe comparison of ATM-related operational performance[C].Proceeding of 8th USA/Europe Air Traffic Management Research and Development Seminar， 2009， Napa， California.

[8]Liu Y， Hansen M， Wan Z. Predictability in airport surface operation management[C]. Proceedings of 2013 Aviation Technology， Integration， and Operations Conference， August 12-14，2013，Los Angeles， CA.

[9]黃中祥， 王正武， 況愛武.短期交通流可預測性分析與比較[J].土木工程學報，2004，37（2）：101-104.

[10]黃阿瓊，關偉.不同時間尺度下短期交通流的可預測性[J].系統工程，2010（5）：75.

[11]姜桂艷，常安德，牛世峰，等.基于BP神經網絡的交通數據序列動態可預測性分析方法[J].北京工業大學學報，2011（7）：1019.