考慮天氣因素影響的離港航班滑出時間預測

夏正洪,王楚皓,方鵬越

(中國民用航空飛行學院空中交通管理學院,廣漢 618307)

滑出時間是指離港航班完成撤輪擋,由停機位推出滑行至跑道實施起飛的時間,它是衡量機場場面運行效能的關鍵性指標。目前,中國大多數機場在實際運行的過程中,常根據管制員的經驗使用估算的平均滑出時間來進行決策,導致場面擁堵、延誤等一系列問題。由于大型繁忙機場的跑滑系統結構復雜,受地面交通流影響較大,實際的滑出時間已經超過25 min,且具有很大的不確定性和動態變化性。因此,根據實際運行數據挖掘滑出時間變化規律,精確、高效地預測滑出時間,優化離港航班推出序列、提升機場運行效率、實現進離場與場面運行高效協同,打造智能化運行模式,符合建設智慧民航的宗旨。

現有滑出時間相關研究成果主要分為以下四個方面。

(1)滑出時間相關概念研究:趙嶷飛等[1]首次分析了起飛排隊及落地滑入航班數量同滑行時間的關系,提出了改進的暢通滑行時間概念,但是此方法未考慮由場面交通流所引起擁堵而導致的滑出時間增加的情況。針對上述情況,Zhang等[2]對進場隊列和起飛隊列等場面交通流關鍵因素進行了分析,建立了計量經濟回歸模型來預測暢通滑行時間。

(2)滑出時間的影響因素研究:錢婧婧[3]為了全面評價交通流所產生的影響,引入了降落航班,對地面交通流和空中交通流對滑出時間的相關程度進行驗證。隨著機場規模與運行模式的改變,影響因素的構建不再局限于航班數據,后有學者引入了滑行路徑、轉彎角度、轉彎個數[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、跑道運行模式等因素也會影響滑出時間的長短。Li等[5]將天氣因素和跑道構型以0-1開關變量的形式引入了滑出時間的預測,增加了影響因素的多樣性。

(3)滑出時間預測方法模型研究:最早的方法是基于統計的回歸分析方法,但是預測結果差強人意;為了提升研究精度,反向傳播(back propogation,BP)神經網絡、支持向量回歸(support vector regression,SVR)、K最近鄰(Knearest neighbor,KNN)、隨機森林等機器學習[6]陸續登場,預測結果的精度也得到了持續提升。

(4)滑出時間預測結果的應用研究:尹旻嘉[7]提出了基于預測滑出時間的場面優化策略,通過控制場面交通流進而減少場面沖突發生的概率。黃龍楊等[8]提出了基于滑出時間預測的航班推出優化策略,對比了滑出時間的預測對于場面運行效率的提升有著關鍵作用。

現有滑出時間研究還存在以下不足:①現有影響因素的分析未基于場面的運行態勢,未考慮推出時間前后時間閾值[9]的影響,故對滑出時間關鍵影響因素的定義不準確,導致預測結果與實際值仍有一定的偏差。②鮮有研究談及氣象對滑出時間的影響,現有研究的氣象數據未說明來源,預測結果的可信度有待進一步證實;同時,現有研究僅以0-1開關型變量來反映天氣對滑出時間的影響,未討論不同的氣象條件影響下滑出時間是否會發生變化。

因此,首先分析離港航班的場面運行態勢,厘清進離港航班滑行過程中的時空交疊關系,挖掘并重新定義離港航班滑出時間影響因素,梳理航班運行數據和氣象數據的分析方法;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間。然后,根據相關性分析結論構建了滑出時間的預測模型。針對BP神經網絡容易受初始閾值和權值影響,導致預測結果不穩定、精度不高的缺點,提出基于蝗蟲優化算法-反向傳播(grasshopper optimization algorithm-back propagation,GOA-BP)的離港航班滑出時間預測模型,以期獲得更高精度的滑出時間預測結果,為航班的推出控制策略的形成奠定基礎。

1 數據處理

1.1 數據來源

統計深圳寶安機場2019年5月26日—6月8日共計2周的航班運行數據和航空例行天氣報告,共計獲得航班運行數據12 645條,氣象數據672 條。航班運行數據由航班號、機型、注冊號、實際推出時刻、實際起飛時刻、實際落地時刻、實際上輪擋時刻、使用跑道、停機位號組成。氣象數據由溫度、露點溫度、風向、風速、重要天氣現象、水平能見度、云量、云底高組成,每半小時為1 條數據。

1.2 場面運行態勢分析

該機場是典型的H型機場,基于航班的場面運行態勢分析,得到進離港航班場面滑行過程的時空交疊關系[10-12]如圖1、圖2所示。設置參考航班i,離港航班d,進港航班a,以及參考航班i推出時間前后的時間閾值λ(±15 min)。根據實際撤輪擋時間(actual off-block time,AOBT)、實際起飛時間(actual take-off time,ATOT)、實際著陸時間(actual landing time,ALDT)和實際上輪擋時間(actual in-block time,AIBT)將進離港航班分為八類。

圖1 離港航班的滑行過程時空交疊圖

圖2 進離港航班的滑行過程時空交疊圖

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

AOBTd1

(1)

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

AOBTd2ATOTi

(2)

(3)離港航班d3的推出時間和起飛時間均處于參考航班i的滑行過程中,即

AOBTi

(3)

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

AOBTiATOTi

(4)

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

ALDTa1

(5)

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

ALDTa2ATOTi

(6)

(7)進港航班a3的落地時間和上輪擋時間均處于參考航班i的滑行過程中,即

AOBTi

(7)

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

AOBTiATOTi

(8)

1.3 滑出時間影響因素

離港航班的場面運行會受到時間和空間等不確定因素的影響。在分析其影響因素時,不僅要考慮機場場面運行實況,如交通流、滑行距離等,還應考慮天氣因素、流控等因素的影響。因此,對滑出時間影響的特征量進行定義和量化分析。

(1)同時段推出航班數量x1。若航班d的推出時間在參考航班i推出時間正負閾值范圍內,則d為i的同時段推出航班。因此,同時段推出航班數量x1可表示為

x1=d2+d3

(9)

(2)同時段起飛航班數量x2。在參考航班i的起飛離港過程中,若離港航班d的場面運行將對i產生影響,則d為i的同時段起飛航班。因此,同時段起飛航班數量x2可表示為

x2=d1+d2+d3+d4

(10)

(3)同時段落地航班數量x3。在參考航班i的起飛離港過程中,若航班a的場面運行與i有時空交疊,則a為i的同時段落地航班。因此,同時段落地航班數量x3可表示為

x3=a1+a2+a3+a4

(11)

(4)離港隊列x4。離港航班跑道外等待時間受離港隊列影響,隊列越長則跑道外等待時間越長。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,即為處于離港隊列的航班。因此,離港隊列x4可表示為

x4=d1+d3

(12)

(5)進港隊列x5。進港隊列描述的是未來一段時間內的進港航班數量。進港航班有較高的優先級,會增加離港航班在滑行過程中的等待時間。由圖2可知,在參考航班i滑行過程中,已完場落地的航班a,即為處于進港隊列的航班。因此,進港隊列x5可表示為

x5=a3+a4

(13)

(6)30 min平均滑出時間x6。計算與參考航班i推出時間在相同的30 min時間段內所有航班d的實際滑出時間的均值。因此,30 min平均滑出時間x6可表示為

(14)

式(14)中:Td表示離港航班d的實際滑出時間。

(7)滑行距離x7。滑行距離與滑出時間呈正比例關系,滑行距離越長相對應的滑出時間也會越長。根據機場圖可得出航班d的標準滑行路徑,通過測量路徑長度并按比例計算即可得到其滑行距離。

(8)天氣因素x8。根據民用機場最低起降標準可知,航班起飛和降落時都將參考能見度、跑道視程及云底高的限制值。由此可見,天氣是影響機場運行安全的重要因素,惡劣天氣如雷暴、暴雨等都將對離港航班的滑行過程產生影響。如風向、風速的改變或超出起飛標準將導致更換使用跑道的方向,會導致機場地面交通流的變化和混亂;雷暴天氣可能導致低能見度或者流量控制的出現,機場道面積水、積冰都可能導致滑行速度的變化;這些天氣因素都將導致滑出時間產生較大差異。

1.4 數據處理

1.4.1 航班運行數據處理

(1)刪除重復或不完整的數據。

(2)篩選出滑出時間60 min以內的航班數據。

(3)計算同時段推出航班數量x1、同時段起飛航班數量x2、同時段落地航班數量x3、離港隊列x4、進港隊列x5。

(4)計算30 min平均滑出時間x6。

(5)根據機場圖,做出滑行路線,計算滑行距離x7。

經過數據處理最終得到5 952 條離港航班數據,以及5 952 架航班所對應的x1、x2、x3、x4、x5、x6、x7。

1.4.2 氣象數據處理

(1)刪除航空例行天氣報告(meteorological terminal aviation routine weather report,METAR)報文中無關氣象數據。

(2)將《民用航空機場運行最低標準制定與實施準則》與歷史能見度值進行比對,篩查是否有低能見度起飛的航班。

(3)根據《飛行機組操作手冊》和歷史風向、風速、離港跑道,篩查是否發生順風超標導致臨時更換跑道的情況。

(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、強雷暴雨y7和無影響y8共計8個特征。

(5)將8個天氣特征與30 min平均滑出時間進行映射,形成天氣特征劃分方案。

(6)對30 min平均滑出時間(x6)進行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平均滑出時間再取均值,篩選出與聚類結果A、B、C最為相近的組合。

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

經過篩查未出現低能見度起飛及臨時更換跑道而導致滑出時間大幅變化的情況。因此,劃分出基于METAR報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(強雷暴雨y7)為3。最終得到5 952架航班所對應的天氣因素量化指標x8。

2 模型構建

2.1 相關性分析

運用SPSS軟件對數據處理后的8個影響因素進行相關性分析,如表1所示。根據《統計學》[13]的基本理論和皮爾遜相關性系數可知,滑出時間與同時段起飛航班數量x2、同時段落地航班數量x3、離港隊列x4、進港隊列x5、30 min平均滑出時間x6、天氣因素x8呈中度相關(0.5≤|r|<0.8)。同時段推出航班數量x1、滑行距離x7與滑出時間呈弱相關(r<0.3)。

表1 相關性分析表

2.2 基于BP的滑出時間預測模型

BP神經網絡是一種信號正向傳播,誤差逆向傳播的多層前饋神經網絡。正向傳播時,信號由輸入層輸入,經多個隱含層處理后,從輸出層輸出;逆向傳播時,則是將輸出逐層反傳,誤差分攤給各層所有單元,從而獲取誤差信號,根據誤差信號再調整網絡的權值,使預測逼近期望。BP神經網絡具有較強的非線性映射能力、泛化能力和容錯能力。根據相關性分析結論可知,同時段推出航班數量和滑行距離對滑出時間的影響較小[14],故在模型構建時不予考慮。因此,選取x2、x3、x4、x5、x6、x8共6個中度相關影響因素作為模型的輸入,滑出時間作為模型的輸出,構建基于BP神經網絡的滑出時間預測模型如圖4所示。

圖4 基于BP神經網絡的預測模型

首先,從樣本數據中隨機選取5 752 組數據作為訓練集,剩余200 組數據作為測試集。輸入神經元個數為中度相關影響因素個數,隱藏神經元選擇預測性能最優的個數,輸出神經元個數為1。為消除量級的影響,將數據集進行歸一化處理。設置訓練次數10 000、學習速率0.01,將訓練集數據進行訓練,直至網絡收斂,保存穩定的網絡參數。最后,使用穩定后的網絡對測試集數據所對應的滑出時間進行預測,將預測結果與真實數據進行對比,并對模型進行評估分析。

2.3 基于GOA-BP的滑出時間預測模型

2.3.1 蝗蟲優化算法

蝗蟲優化算法是受蝗蟲群體覓食行為模式啟發的一種智能優化算法[15]。蝗蟲群體包括幼蟲和成蟲。幼蟲有著飛行速度緩慢、移動范圍小的特點,負責開發特定的局部區域。成蟲的飛行速度和活動范圍都有明顯增加,負責全局的搜索。其算法流程如下:①設置算法初始參數;②計算蝗蟲個體的適應度值,對適應度值進行排序;③記錄、保存適應度值最優的蝗蟲位置;④判斷是否達到迭代次數,若達到迭代次數則當前位置就是最優解,算法結束,輸出最優解和適應度值。若未達到繼續執行⑤;⑤更新系數c;⑥更新蝗蟲位置和適應度值;⑦判斷是否優于歷史最佳適應度,如果是執行⑧,否則輸出最優解和適應度值。⑧更新迭代次數,返回④。

2.3.2 GOA-BP模型

在初始的BP神經網絡預測中,常使用隨機初始化的方法來設置權值和閾值,預測結果具有很大的不確定性和隨機性,且容易使預測結果陷入局部最優。因此,采用GOA優化算法獲取神經網絡的最優權值和和閾值,從而得到基于GOA-BP的滑出時間預測模型[16],算法流程如圖5所示。步驟如下。

圖5 基于GOA-BP的滑出時間預測流程圖

(1)將整理后的離港航班滑出時間預測影響因素的樣本數據導入MATLAB軟件中。

(2)設置模型的初始參數:網絡輸入層節點數6、隱含層節點數10、輸出層節點數1、上邊界bu為2、下邊界bl為-2、參數c的取值范圍[0.000 04,1]。

(3)打亂數據集,隨機選出5 752 組數據作為訓練集,剩下的200 組數據作為測試集。

(4)對數據進行歸一化處理,消除數量級的影響,提高收斂速度。

(5)構建GOA-BP神經網絡,對數據進行訓練。

(6)將輸出的結果進行反歸一化處理,選取最優值作為滑出時間的預測結果。

3 模型評估

為了評價地空交通流(x2、x3、x4、x5、x6)和天氣因素(x8)對滑出時間的影響,以平均絕對誤差(mean absolute error,MAE)、均方根誤差(root mean square error,RMSE)、平均絕對百分比誤差(mean absolute percentage error,MAPE)和準確率四個方面來評判所構建的模型的有效性。

3.1 天氣因素對滑出時間的影響

讀取處理好的地空交通流和天氣因素數據,利用MATLAB軟件編寫BP神經網絡模型預測代碼,所得離港航班滑出時間預測結果如表2和圖6所示。

表2 基于BP神經網絡的滑出時間預測結果對比分析

圖6 基于BP神經網絡的滑出時間預測結果對比圖

可見,BP神經網絡模型可有效地應用于離港航班滑出時間的預測。在引入天氣因素后的各項評價指標均有不同程度的優化,預測結果前后對比明顯,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的預測準確率分別提升了5.5%和2.5%。根據METAR報文可知,B類天氣(輕度雨、雨、輕度雨輕霧、雨輕霧、弱雷暴雨、雷暴雨)下的平均滑出時間1 133 s,C類天氣(強雷暴雨)下的平均滑出時間1 705 s。受影響的總平均滑出時間為1 203 s,均已遠超正常的離港平均滑出時間900 s,從而反映了天氣因素是影響滑出時間的重要因素之一。

3.2 基于GOA-BP模型的預測結果分析

雖然BP神經網絡模型在滑出時間的研究中有著較為突出的表現,但是也存在輸出結果不穩定、易陷入局部最優、準確率低等缺點,因此使用GOA優化算法獲取BP神經網絡的初始權值和閾值,構建了基于GOA-BP的滑出時間預測模型,所得結果如表3和圖7所示。

表3 基于BP和GOA-BP的滑出時間預測結果對比

圖7 基于GOA-BP的滑出時間預測結果圖

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的預測準確率分別提升了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訓練所需時間成本較BP更高,即在不考慮所需訓練時間的前提下,GOA-BP模型在滑出時間預測精度方面有更為優異的表現。

在模型預測過程中,模型容量需要匹配數據復雜度,否則會出現過擬合和欠擬合的情況。過擬合表現為訓練誤差遠小于泛化誤差。欠擬合表現為訓練誤差和泛化誤差都較大。以R2作為衡量擬合情況指標,GOA-BP與BP的擬合度均未超過0.9,擬合度較差,故可認為GOA-BP與BP神經網絡模型存在欠擬合的情況。究其原因是數據復雜度較高,樣本中包括時間和天氣這些差異性較大的數據,模型難以擬合。

4 結論

(1)基于機場的METAR報文對影響滑出時間的天氣類別進行劃分,基于K-means聚類方法將滑出時間與所劃分的天氣類別進行對應,使用三值型變量來量化天氣因素對滑出時間的影響,根據相關性分析結果和滑出時間預測結果可知天氣因素是滑出時間的重要影響因素之一。

(2)基于場面運行態勢分析,厘清了進離港航班在滑行過程中的時空交疊關系;相比于已有研究成果,本文所提的同時段推出、滑行的進離港航班數量、進離港隊列的概念以及所得的樣本數據更加精準,相關性分析結果更加客觀。

(3)針對BP神經網絡預測模型輸出結果不太理想的情況,采用蝗蟲智能優化算法獲取BP神經網絡的初始閾值和權值,構建了基于GOA-BP的滑出時間預測模型,以深圳寶安機場的實際運行數據驗證了優化后模型預測精度有明顯提升。