多机场终端区空中交通态势预测方法研究

《Aerospace》：Research on Air Traffic Situation Prediction Methods in Multi-Airport Terminal Areas

　　

多机场终端区空中交通态势的准确评估与预测对于提升预警能力、缓解飞行冲突以及减轻航路拥堵至关重要。为此，本研究提出了一种结合航路-飞行状态相互依赖网络（air route–flight state interdependent network）与最优训练样本在线模糊最小二乘支持向量机（Optimal Training Sample Online Fuzzy Least-Squares Support Vector Machine, OTSOF-LSSVM）的空中交通态势预测方法。首先建立相互依赖网络模型，然后采用层次分析法（Analytic Hierarchy Process, AHP）综合节点度（node degree）、加权聚类系数（weighted clustering coefficient）和节点强度（node strength）三个网络指标，生成综合空中交通态势值及其对应的演化时间序列。考虑到该序列的时变性和长周期特性，研究人员开发了一种基于OTSOF-LSSVM的预测方法，根据训练样本与预测时刻在时空上的邻近性选择训练样本，并在模型更新过程中引入分块矩阵运算以简化计算流程并提高算法效率。利用粤港澳大湾区多机场终端区的实际飞行数据验证了所提方法，结果表明，所提出的评估方法能有效表征当前的空中交通态势，且与若干现有预测技术相比，所提方法整体性能最优，平均绝对误差仅为0.0111。

### 论文解读：多机场终端区空中交通态势预测方法

#### 研究背景与问题

随着航空运输业的快速发展，多机场终端区内航班冲突与航路拥堵问题日益突出。空中交通态势（Air Traffic Situation）是综合反映空域运行状态（包括飞机位置、速度、航向、间隔、交通流特征及扇区拥挤程度）的定量指标，对提升预警能力、缓解冲突和减轻拥堵至关重要。然而，现有研究主要分为两类：基于空中交通管制员认知过程的方法（受人为因素影响大，主观性强）和基于飞行状态信息的复杂网络方法（多局限于单层网络拓扑分析，难以刻画多因素交叉耦合的复杂系统）。此外，传统机器学习方法（如经验风险最小化原则下的神经网络）易过拟合，且对实时预测效果不佳；支持向量机（SVM）虽具有强泛化能力，但计算量大，难以保证实时性。因此，亟需一种能有效表征多机场终端区空中交通态势并实现高精度实时预测的方法。

#### 开展的研究与结论

本研究发表于《Aerospace》，构建了一种航段-飞行状态相互依赖网络（air route–flight state interdependent network）模型，以反映多机场终端区的空中交通态势，并提出了最优训练样本在线模糊最小二乘支持向量机（OTSOF-LSSVM）预测方法。利用粤港澳大湾区（Guangdong–Hong Kong–Macao Greater Bay Area）多机场终端区2024年6月18日12:00至6月22日16:00的实际飞行数据（共6000步，采样间隔1分钟）进行验证。结果表明，所提评估方法能有效表征空中交通态势，且OTSOF-LSSVM在预测精度（平均绝对误差MAE为0.0111）和实时性（每步平均耗时1.17 ms）上均优于神经网络、随机森林（Random Forest）和在线最小二乘支持向量机（LSSVM）等对比方法，并在高斯噪声干扰下展现出强抗噪能力。该研究为空中交通管制员提供实时态势预测，支持提前冲突检测与拥堵管理，具有重要的工程应用价值。

#### 主要关键技术方法（不超过250字）

本研究构建了航段-飞行状态相互依赖网络模型，上层为飞行状态网络（节点为飞机，边为冲突关系），下层为航段网络（节点为航段，边为航段间的连接关系），通过层间耦合边连接。采用层次分析法（AHP）综合节点度、加权聚类系数和节点强度三个指标，生成综合态势值及其时间序列。基于混沌时间序列的相空间重构理论，提出OTSOF-LSSVM预测方法：通过滑动时间窗口选择时间邻近样本，通过欧氏距离选择空间邻近样本，构成最优训练样本子集；引入模糊隶属度增强抗干扰能力；利用分块矩阵运算和迭代更新算法降低计算复杂度，实现在线实时预测。样本数据来源于粤港澳大湾区多机场终端区（包含香港、广州、深圳等枢纽机场，共148个航段）的航空图及实际飞行流量数据。

#### 研究结果

**2. Model Construction**
- **2.1 Construction of the Interdependent Network**: 构建了由上层飞行状态网络（飞机为节点，冲突关系为边，水平距离<20 km且垂直间隔<300 m定义为潜在冲突，边权重由公式(1)根据距离计算）和下层航段网络（航段为节点，共享航路点则连接，为无权重无向图）组成的相互依赖网络，层间耦合边权重考虑飞机在航段上的飞行距离比例和冲突系数K（公式(2)）。该模型将安全间隔标准转化为可计算数学指标，贯穿网络构建与冲突演化模拟。
- **2.2 Construction of the Interdependent Network in Greater Bay Area**: 选取粤港澳大湾区多机场终端区（148个航段，2024年6月19日14:00数据，167架飞机）构建实际场景相互依赖网络模型，利用加权邻接矩阵（(148+167)×(148+167)）描述飞机冲突、航段连接及层间耦合关系，并可视化展示。

**3. Air Traffic Situation Analysis Based on the Interdependent Network**
- 采用节点度、加权聚类系数和节点强度三个网络指标，通过AHP（权重分别为0.625、0.258、0.117）综合得到整体态势值（公式(3)），并对节点强度进行双曲正切（tanh）归一化。利用14:00-15:00的态势图构建模型，计算各时刻态势值（表1，范围7.5-7.65），并选取低态势（14:16，136架飞机，29对冲突）、正常态势（14:40，206架飞机，46对冲突）和高态势（14:47，308架飞机，92对冲突）三个典型时刻进行可视化对比（图5），验证了评估方法与实际空域运行状态的高度一致性。进一步利用6000步时间序列（图6）计算最大Lyapunov指数为0.74，确认空中交通态势演化具有混沌特性，可预测。

**4. Theoretical Basis for Situation Prediction**
- **4.1 Phase-Space Reconstruction Theory**: 根据Takens嵌入定理，对混沌时间序列进行相空间重构，得到学习样本和预测样本，建立映射f。
- **4.2 Prediction Principle of Least-Squares-Support Vector Machine (LSSVM)**: LSSVM引入最小二乘损失函数，将二次规划问题转化为线性方程组求解，降低计算复杂度。基于结构风险最小化原则，推导出回归预测模型f（公式(12)）。

**5. Establishment of OTSOF-LSSVM Prediction**
- **5.1 Selection of the Optimal Sample Subset**: 通过滑动时间窗口选择时间邻近的k₁个样本，通过欧氏距离选择空间邻近的k₂个样本，引入模糊隶属度（基于ε-不敏感模型，公式(13)）描述样本与预测样本的相关性。
- **5.2 OTSOF-LSSVM**: 将模糊隶属度引入LSSVM目标函数（公式(14)），提高抗奇异值干扰能力。通过分块矩阵运算和迭代更新（利用Lemma和Corollary 1）将求逆矩阵的时间复杂度从O(k³)降至O(k²)，显著提升计算效率。

**6. Prediction Process**
- 建立OTSOF-LSSVM预测模型流程：样本更新→相空间重构→生成最优样本集→在线训练→输出单步预测→重复。具体步骤包括滑动时间窗口、计算欧氏距离、确定模糊隶属度、迭代求解参数。

**7. Experimental and Simulation Analysis**
- 采用6000步时间序列预测后续100步，对比神经网络（W0）、随机森林（W1）、在线LSSVM（W2）和OTSOF-LSSVM（W3）。结果显示，OTSOF-LSSVM的MAE、RMSE、MAPE和R²四项指标均最优（表2）。五组消融实验（S0-S4，表3）证明，时间样本选择、距离样本选择及模糊化模块均显著降低预测误差，MAE降低43.7%后进一步降低24.5%。实时性方面，OTSOF-LSSVM每步平均耗时1.17 ms，远低于1秒的更新要求（表4）。抗噪实验（表5）表明，在σ=0.05高斯噪声下，OTSOF-LSSVM的MAE仅增长92%，而神经网络增长314%，验证了其强抗噪能力。

**8. Conclusions**
- 讨论部分总结了所提模型在三个决策场景中的应用价值：前端管制员的短期战术实时决策（实时感知突变点，提前进行速度调整、航向修改等操作）；流量管理者的中长期战略决策（预测扇区拥堵趋势，制定地面延误、航路改航等策略）；复杂噪声环境下的抗干扰决策支持（区分真实突变与数据噪声，避免误判）。研究结论翻译：本文提出了一种基于OTSOF-LSSVM的相互依赖网络态势预测方法，通过相空间重构后的最优样本集进行在线训练，使预测模型同时满足精度和实时性要求。仿真结果表明，该模型对整体空中交通态势具有高预测精度。空中交通管制员可根据预测结果提前预防和应对复杂态势，结合当前空域实际状况，提前开展飞机冲突化解工作，从而减少事故征候和飞行冲突的发生。未来工作将探索开发基于该预测方法的软件程序和空管决策支持工具，封装网络构建、态势评估和在线预测等功能模块，为多机场终端区管制员提供实时态势预测结果，辅助提前冲突检测与拥堵管理。