基于快速存取记录器驱动的机器学习的空中交通噪声预测方法

《Aerospace》：Air Traffic Noise Prediction Method Based on Machine Learning Driven by Quick Access Recorder Zhixing Tang, Yijie Fan, Xuanting Chen, Xinyan Shi, Zhaolun Niu, Yuming Zhong, Meng Jia and Xiaowei Tang

　　

准确预测空中交通噪声对于推进高密度终端区域的环保可持续运营至关重要。传统的噪声预测模型通常由于实际飞行轨迹与标称飞行轨迹之间的差异而表现出显著局限性。为了克服这一挑战，本研究引入了一个概率框架，该框架集成真实空中交通流数据以生成逼真的飞行轨迹分布。所提出的方法在机器学习架构中提取关键运行特征，包括轨迹分布概率和基本轨迹运行特征。此外，研究人员开发了一个专门的针对聚类航线的空中交通噪声预测模型，该模型明确纳入了交通流模式，从而能够在实际空中交通运行下高保真地模拟噪声传播。该框架使用来自长沙黄花国际机场终端区域的QAR（Quick Access Recorder）数据集进行了验证。实验结果表明，该模型在预测空中交通噪声分布及其影响方面具有高预测精度，同时兼具计算效率和实际适用性。研究结果表明，所提出的方法成功解决了从发散的真实世界飞行轨迹中预测空中交通噪声的挑战，为支持降噪策略和可持续航空规划举措提供了一种稳健的方法。

**论文解读：基于QAR数据与机器学习的空中交通噪声预测方法**

**研究背景与问题**
随着航空运输需求的持续增长，机场周边航空噪声已成为日益严重的环境与公共健康问题。世界卫生组织已将运输噪声的健康证据纳入政策导向建议，强调需要基于人群暴露量的定量评估而非定性描述。现有研究表明，航空噪声不仅与心血管风险相关，其事件特征和运行变异性（如夜间航班数量）对睡眠质量和死亡率有显著影响。在终端区，噪声暴露不仅取决于机型与距离，更受空中交通流与运行变异性的驱动。然而，传统噪声预测模型（如基于ECAC Doc.29和AEDT的方法）依赖标称程序轨迹和固定运行剖面，而实际飞行轨迹因空中交通管制指令、天气、航司运营策略及推力管理等因素发生偏离，导致预测存在偏差。因此，亟需一种能够反映真实交通流统计特征的概率框架，以提升终端区空中交通噪声预测的准确性和实用性。

**主要技术方法**
本研究采用的技术方法包括：
1. **三维轨迹聚类**：基于QAR（Quick Access Recorder）数据集，首先通过航向角将轨迹分类至不同走廊入口方向，再利用Fast-DTW（Fast Dynamic Time Warping）算法计算轨迹与标称程序间的相似度，并筛选高相似度轨迹。随后对同一走廊内的三维轨迹进行归一化，采用层次凝聚聚类（平均连接准则）生成代表性聚类轨迹，并计算其发生概率。
2. **飞行状态参数预测**：针对聚类轨迹缺失的飞行参数，构建基于随机森林（Random Forest）和XGBoost的集成回归模型。输入特征包括段距离、飞机质量、机型、发动机类型及走廊类别，输出目标为段平均地速、倾斜角、爬升角及推力设置（通过N₁温度校正并线性映射至NPD（Noise-Power-Distance）推力域）。
3. **噪声计算**：采用ECAC Doc.29框架，结合NPD查表与操作/几何修正（速度修正、侧向衰减、安装效应等），计算单事件声暴露级（SEL）。累积噪声通过概率加权求和，得到昼夜等效声级（L_dn）。

**研究结果**
**3.1 轨迹聚类结果**
利用长沙黄花国际机场单日QAR数据，通过方向分类和Fast-DTW匹配，将轨迹初步归入五个走廊入口方向（OVT、LLC、OPO、APE、PUK）。进一步对三维轨迹进行归一化与层次聚类，得到代表性聚类轨迹及其发生概率。聚类结果经合理性检验，最大爬升角为11.181°，平均爬升角3.501°，最大倾斜角22.681°，符合飞行程序要求。不同方向聚类数量各异，概率分布如表1所示。

**3.2 飞行状态参数预测结果**
使用80%数据训练、20%数据测试的随机森林（200棵树，最大深度5）与XGBoost（200棵树，最大深度5，学习率0.1）集成模型（等权重平均），预测地速、爬升角、倾斜角和推力。结果显示，地速、爬升角和推力预测精度较高，倾斜角预测精度较低。但倾斜角仅用于发动机安装修正项，对最终噪声指标影响可忽略，因此模型整体适用于轨迹参数预测。

**3.3 轨迹噪声估计结果**
以A320机型为例，导入相应NPD插值表，计算单事件SEL，再结合昼夜航班分布与聚类轨迹概率，得到各方向噪声等值线图。对比聚类轨迹与实际轨迹的噪声影响，在APE和PUK方向上，≥55 dB、60 dB、65 dB、70 dB、75 dB五个阈值区域面积差异均不超过1 km2，且聚类轨迹与标称轨迹相比，噪声影响范围更广，验证了方法的必要性与合理性。在单噪声敏感点处，聚类轨迹与实际轨迹的噪声变化趋势基本一致，表明聚类轨迹能有效替代实际轨迹，同时大幅降低计算复杂度。

**讨论与结论**
研究提出的运行知识驱动框架建立了从“交通流→轨迹模式→运行状态→声学贡献”的连贯映射。与逐事件基线相比，该框架在保持噪声等值线空间形态和典型受体时空变化趋势一致性的同时，显著降低了大规模轨迹集的计算负担。具体结论如下：(a) 概率代表性轨迹保留了主导运行模式及其使用频率，减弱了少量非典型轨迹的不成比例影响，在常规预测和快速场景筛选中兼顾物理真实性与计算可行性；(b) 轨迹发生概率为累积声学影响提供了原则性加权机制，确保频繁模式主导总暴露，而低频模式按比例贡献；段级参数补全为标准化噪声引擎提供了所需运行状态，减少了对固定剖面假设的依赖；(c) 从工程角度，该框架在效率与准确性间取得良好平衡，支持替代路线结构和运营策略的比较评估。
讨论部分指出，该框架虽基于观测轨迹和标准化噪声计算而具有内在可转移性，但其性能可能因跑道配置、航路网络复杂度、地形约束及程序设计差异而变化。在极端气象和运行条件（如强侧风、对流天气、低能见度运行及频繁跑道配置变更）下，轨迹离散性和推力/飞行状态模式可能呈现非平稳特征，需进一步探索天气条件分层的聚类与概率建模、域自适应状态预测模型及不确定性量化，以提高跨机场部署和极端天气应用场景的鲁棒性。