基于深度学习的离场航空器滑行时间预测（英文）

作者：李楠^*; 焦庆宇; 朱新华; 王少聪

来源：Transactions of Nanjing University of Aeronautics & Astronautics, 2020, 37(02): 232-241.

DOI：10.16356/j.1005-1120.2020.02.006

• 航空运输
• 滑行时间
• 深度学习
• 场面运行
• 卷积神经网络

随着航班数量的不断增加,机场协同决策系统(Airport collaborative decision-making,A-CDM)的使用也越来越广泛。滑行时间预测的准确性对A-CDM计算离场航空器起飞排序队列和给出准确的撤轮挡时间具有重要的作用。本文提出一种基于时间-空间-环境数据的深度学习模型(Spatio-temporal-environment deep learning model,STEDL)来提高滑行时间预测的准确性。该模型由时间-流量变量(机场实际容量,场面航空器数量,时间段)、空间变量(滑行距离)、外部环境变量(天气,流控信息,跑道运行模式,机型)3部分组成。使用STEDL模型对香港机场离场航空器滑行时间进行预测验证。实验结果显示,STEDL模型预测准确率为95.4%,预测精度明显优于其他机器学习算法。

• 单位
  中国民航大学