基于机器学习的离港航空器滑出时间预测

作者：陈宽明; 王楚皓; 夏正洪

来源：科学技术与工程, 2023, 23(28): 12333-12339.

• 机器学习
• 滑出时间
• 支持向量机(SVM)
• BP神经网络
• 随机森林(RF)

准确地预测航空器的滑出时间对于提升机场场面运行安全和效率至关重要。基于机场场面运行态势分析，获得进/离港航空器滑行的时空分布特征，从而准确定义同时段离港航空器数量、进港航空器数量、起飞队列长度。基于影响因素进行相关性结论分析，构建了基于机器学习的航空器滑出时间预测模型，并使用中南某枢纽机场2周的实际运行数据对模型进行了验证。结果表明：滑出时间影响因素相关性大小排序为：起飞队列长度、同时段起飞航空器数量、30 min平均滑出时间、同时段落地航空器数量、起飞使用跑道、滑出距离。机器学习方法能实现对航空器滑出时间的有效预测，分类器的优劣排序为支持向量机(support vector machine, SVM)、BP(back propagation)神经网络、随机森林(random forest, RF)。引入弱相关的影响因素后，滑出时间预测精度会有一定程度的降低。

• 单位
  中国民用航空飞行学院