一种用于机场地面上实时滑行时间估算的自适应元建模方法

《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》：Adaptive metamodeling approach for real-time taxiing time estimation on airport surface

机场表面实时滑行时间预测的Kriging元建模方法研究。提出基于Kriging框架的自适应算法，通过动态采样与超参数优化提升预测精度与计算效率，在北京首都国际机场的实测数据验证中，RMSE达1.59分钟，MAPE仅4.53%，显著优于传统方法。研究突破静态平均与黑箱模型的局限，实现动态复杂场景的实时预测与决策支持。

　　

苏婉音|王青|杨宏宇|华盛顿·约托·奥奇昂

中国四川大学计算机科学学院

摘要

替代模型通过利用分析和易于处理的数学结构，在复杂场景中实现高效的近似和实时决策。尽管这些方法在实时优化、交通控制和道路交通流量预测方面已被证明是有效的，但它们尚未应用于机场地面操作的实时滑行时间估计。本文提出了一种名为克里金（Kriging）的元建模框架，旨在实时预测滑行时间，同时兼顾模型的粒度、复杂性和准确性。为了解决计算挑战，我们引入了两种算法：（1）自适应采样和填充策略；（2）克里金框架内的自适应超参数选择算法。这些方法显著提高了模型的计算速度，而不会影响其准确性。所提出的自适应克里金模型使用北京首都国际机场（PEK）的高保真模拟进行了测试，并与当前的运营方法和基于人工智能的替代方案进行了比较。结果表明，所提出的方法在性能上明显优于现有的滑行时间估计方法，均方根误差（RMSE）为1.59分钟，平均绝对误差（MAE）为0.72分钟，平均绝对百分比误差（MAPE）为4.53%，并且在±1分钟、±3分钟和±5分钟范围内的预测准确率分别为69.35%、91.86%和96.91%。这项工作的潜在影响在于能够适应不同的交通流特性，并实现实时更新，为未来的自动化空中交通管理系统提供更可靠的滑行时间预测和路线优化决策。

引言

机场是空中交通管理（ATM）系统中的瓶颈。根据国际航空运输协会（IATA）的数据，2024年全球空中交通量达到了历史新高，比2023年增长了10.9%，比2019年疫情前的水平增长了3.8%（Airbus, 2024）。这一增长趋势预计将持续下去，预计到2030年总乘客数量将超过120亿（ACI, 2025）。需求的激增将直接导致整个空中交通网络出现大规模拥堵和局部延误。为了应对这一增长的需求，SESAR（欧洲单一天空空中交通管理研究）和NextGen（下一代空中运输系统）引入了新的运营概念、程序和决策支持工具，以提高机场效率。其中，机场协同决策（A-CDM）已得到广泛实施——覆盖了欧洲30多个主要机场和中国40个民用机场——其目标是提高飞机运行的可预测性并优化现有机场资源的利用（CAAC, 2023, Eurocontrol, 2017）。A-CDM的一个关键组成部分是可变滑行时间估计，它在提高进近和起飞时间预测的准确性方面起着关键作用（Eurocontrol, 2017）。它还显著影响登机口分配、跑道排序和地面移动规划。不准确的估计会导致严重的运营效率低下：高估可能导致在跑道入口附近排队、燃油消耗增加以及登机口使用效率低下，而低估则可能导致错过分配的跑道时段——从而导致延误和机场吞吐量减少。尽管非常重要，但大多数机场仍然依赖于静态平均值、管制员经验或从历史统计数据中得出的固定值。这些方法无法反映大型和枢纽机场运营的动态和复杂性。由于地面网络结构的复杂性、飞机之间的非线性相互作用（包括排队效应）、不同的滑行速度以及在严格实时约束下的计算效率要求，实时滑行时间预测尤其具有挑战性。此外，实时交通控制措施的影响进一步增加了准确预测的难度。

已经有许多关于滑行时间预测的研究，包括排队模型（Pujet等人，1999年）、统计回归（Ravizza等人，2014年）、模糊逻辑系统（Chen等人，2017年）和基于人工智能的方法（Balakrishna等人，2008年；Herrema等人，2018年）。这些方法存在以下缺点：1）特征识别差异很大，特征数量从5到42不等，且没有标准化的特征选择过程（Wang等人，2021b）。此外，由于硬件和软件的限制，一些关键特征无法实时获取，而其他特征只能在操作结束后才能获得，这限制了它们在实时应用中的实用性（Lee等人，2016年；Wang等人，2021b）。2）与道路交通不同，空中交通运营表现出强烈的季节性和时间变化性，这增加了某些基于人工智能的模型的数据需求，例如神经网络可能需要多达一百万个训练样本（Herrema等人，2018年）。此外，尽管这些方法可以实现高预测准确性，但它们的黑箱性质和有限的可解释性阻碍了在安全关键的空中交通管理环境中的接受和实际应用。

为了解决这些挑战，本研究提出了一种基于克里金（Kriging）的替代建模方法来进行滑行时间预测，该方法具有几个显著的优势，直接缓解了上述限制。首先，克里金模型需要的输入变量相对较少，避免了复杂的特征工程需求，从而提高了其在实时数据有限环境中的适用性。其次，克里金非常适合样本量较小的场景，因为它即使从稀疏数据集中也能提供准确的预测。鉴于空中交通运营的固有季节性和时间变化性，这一特性尤其有价值。第三，克里金通过明确建模空间和时间相关结构，提供了一个可解释的框架，便于领域专家进行分析和验证。这种透明度增强了信心，并支持其在安全关键的空中交通管理环境中的部署。此外，与仅依赖观测数据的纯经验或数据驱动模型不同，克里金采用了一个空间随机过程，能够在输入空间中的未观测点进行推断和预测。这种推断能力在数据演变或不完整的环境中增强了模型的鲁棒性和适应性。

本文的其余部分组织如下。第2节全面回顾了有关滑行时间估计和克里金模型应用的相关文献。第3节介绍了克里金模型的详细构建和训练过程。第4节使用PEK的实证数据描述了一个案例研究。还进行了全面的验证过程和敏感性分析，以评估所提出克里金模型的有效性和鲁棒性。最后，第5节总结了这项研究的结论，并指出了实施所提出概念和方法的途径。同时，还指出了未来工作的注意事项和指导原则。

章节摘录

文献综述

以往的研究提出了多种估计滑行时间的方法，这些方法可以分为基于模型和无模型的方法。基于模型的方法涉及为实际系统或过程构建数学或仿真模型，并用它们进行分析、推断或预测。这些模型通常基于对问题的物理、统计或数学原理的理解。另一方面，无模型方法则利用

总体框架

滑行时间预测方法遵循因果原则，即飞机在时间沿路径p>的滑行时间不仅由静态信息（如飞机特性（例如到达/离开）和路径特性（例如长度、弧线类型、转弯次数）决定，还受到同一地面网络上所有飞机运动的动态信息的影响。为了高效地

北京首都国际机场概述

基于自适应克里金模型的滑行时间预测框架通过在北京首都国际机场（IATA：PEK；ICAO：ZBAA）的案例研究中得到实施和验证。PEK是世界上第二繁忙的机场，也是亚洲最大的机场，运营着250多条国内和国际航线。机场地面网络如图3所示，包括三条跑道（36L/18R、36R/18L和01/19），这些跑道同时用于到达和离开的航班。

结论与未来研究

本文提出了一种基于克里金的新型元建模方法，用于解决复杂机场地面网络中实时滑行时间预测的挑战。通过利用克里金的插值能力，所提出的框架有效地捕捉了滑行时间与路径离开率之间的复杂关系，实现了高预测准确性和计算效率。两种自适应算法——采样和填充策略以及自适应超参数选择

CRediT作者贡献声明

苏婉音：撰写——审阅与编辑，撰写——初稿，监督，方法论，形式分析，数据管理。王青：撰写——初稿，验证，软件，形式分析，数据管理。杨宏宇：监督，调查，资金获取，形式分析。华盛顿·约托·奥奇昂：撰写——审阅与编辑，监督，方法论，概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。