(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111563857.0 (22)申请日 2021.12.20 (71)申请人 南京邮电大 学 地址 210003 江苏省南京市 鼓楼区新模范 马路66号 (72)发明人 夏天　戴华　王甦　鲍昱丞　 魏志强　杨庚　陈燕俐　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 代理人 张玉红 (51)Int.Cl. G06Q 10/04(2012.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06Q 10/06(2012.01)G06Q 50/30(2012.01) G06F 119/02(2020.01) (54)发明名称 一种面向民用航空机场 的航班跑道滑行时 间预测方法 (57)摘要 本发明是一种面向民用航空机场 的航班跑 道滑行时间预测方法， 首先： 获取机场历史航班 数据并对其进行预处理； 而后将 机场历史航班数 据拆分为进港和离港两大类， 统计各个航班进港 和离港的滑行时间并删除异常滑行时间数据； 构 建各个航班的关键特征数据， 将所有特征数据构 成样本数据集并将其划分为训练样本和测试样 本； 接着： 以训练样本为输入， 选取多种机器学习 方法进行训练得到多个航班跑道滑行时间预测 模型； 最后： 利用测试样本对各个预测模型的性 能进行评估， 选择预测效果最好且符合实际应用 需求的模型。 本发明分析了影 响民用航空机场航 班跑道滑行时间的各种因素， 精炼构建了关键特 征指标， 构造合适的预测模型， 有利于提高机场 航班运营效率。 权利要求书3页 说明书9页 附图2页 CN 114239970 A 2022.03.25 CN 114239970 A 1.一种面向民用航空机场的航班跑道滑行时间预测方法， 其特征在于： 所述航班跑道 滑行时间预测方法包括如下步骤： 步骤1： 获取机场历史航班数据并对其进行 预处理； 步骤2： 将机场历史航班数据拆分为进港和离港两大类， 统计各个航班进港和离港的滑 行时间并删除异常滑行时间数据； 步骤3： 构建各个航班的关键特征数据， 将所有特征数据构 成样本数据集并将其划分为 训练样本和 测试样本； 步骤4： 以训练样本为输入， 选取多种机器学习方法进行训练得到多个航班跑道滑行时 间预测模型； 步骤5： 利用测试样本对各个预测模型的性能进行评估， 选择预测效果最好且符合实际 应用需求的模型。 2.根据权利要求1所述一种面向民用航空机场的航班跑道滑行时间预测方法， 其特征 在于： 所述 步骤3中构建各个航班的关键特 征数据的过程包括如下步骤： 步骤3‑1： 计算航班进港和离 港的场面瞬时流 量； 步骤3‑2： 计算航班进港和离 港的场面累积流 量； 步骤3‑3： 计算航班离港的跑道口排队航空器数量； 步骤3‑4： 将各个航班对应的特 征数据数字化。 3.根据权利要求2所述一种面向民用航空机场的航班跑道滑行时间预测方法， 其特征 在于： 所述步骤3 ‑1中计算航班进港和离港的场面瞬时流量具体为： 定义D_SIFI为离港场面 瞬时流量， A_SIFI为进港场面瞬时流量， Ton为航班进港的落地时间， Tout为航班离港的推出 时间， 航班进港时场面瞬时流 量SIFIin计算公式如下： SIFIin＝D_SIFIin+A_SIFIin 其中D_SIFIin指在Ton之前推出， 在Ton之后起飞的航班数量， A_SIFIin指在Ton之前落地， 在Ton之后入位的航班数量； 航班离港时场面瞬时流 量D_SIFIout计算公式如下： SIFIout＝D_SIFIout+A_SIFIout 其中D_SIFIout指在Tout之前推出， 在Tout之后起飞的航班数量， A_SIFIout指在Tout之前落 地， 在Tout之后入位的航班数量。 4.根据权利要求2所述一种面向民用航空机场的航班跑道滑行时间预测方法， 其特征 在于： 所述步骤3 ‑2计算航班进港和离港的场面累积流量具体为： 定义D_SCFI代表离港场面 累积流量， A_SCFI代表进港场面累积流量， Ton和Tin分别为航班进港的落地时间和到达停机 位时间， Tout和Toff分别为航班离港的推出时间和起飞时间， 航班进港时场面累积流 量SCFIin计算过程如下： D_SCFIin＝FTout1+BTout1 A_SIFIin＝FTin1+BTin1 SCFIin＝D_SCFIin+A_SCFIin 其中FTout1指在Ton之前推出且在Ton之后起飞的航班数量， BTout1指在Ton之后且在Tin之前 推出航班数量， FTin1指在Ton之前落地且在Ton之后入位的航班数量， BTin1指在Ton之后且在Tin权　利　要　求　书 1/3 页 2 CN 114239970 A 2之前落地的航班数量， 航班离港时场面累积流 量计算过程如下： D_SCFIout＝FTout2+BTout2 A_SIFIout＝FTin2+BTin2 SCFIout＝D_SCFIout+A_SCFIout 其中FTout2指在Tout之前推出且在Tout之后起飞 的航班数量， BTout2指在Tout之后且在Toff 之前推出航班数量， FTin2指在Tout之前落地且在Tout之后入位的航班数量， BTin2指在Tout之后 且在Toff之前落地的航班数量。 5.根据权利要求2所述一种面向民用航空机场的航班跑道滑行时间预测方法， 其特征 在于： 所述步骤3 ‑3计算航班离港的跑道口排队航空器数量中的跑道口排队航空器数量分 为跑道离港航空器数量和跑道进港航空器数量， 具体为： 定义D_AQLI代表跑道离港航空器 数量， A_AQ LI代表跑道进港航空器数量， Tout和Toff分别为航班离港的推出时间和起飞时间， 航班离港时跑道口排队航空器数量AQ LI计算公式如下： AQLI＝D_AQLI+A_AQLI 其中D_AQLI指在Tout之前或之后推出， 在Tout和Toff之间起飞的航班数量， A_AQLI指在 Tout之后， Toff之前落地的航班数量。 6.根据权利要求2所述一种面向民用航空机场的航班跑道滑行时间预测方法， 其特征 在于： 所述 步骤3‑4中将各个航班对应的特 征数据数字化的具体过程 为： 步骤3‑4‑1： 对天气进行划分： 主要包括对滑行时间几乎没有影响、 对滑行时间有一定 影响、 对滑行时间有很大影响三类， 以自然数1至 3表示； 步骤3‑4‑2： 对时段进行划分： 每日6 ‑9点为航班进出港高峰期， 9点之后进出港航班量 逐渐达到平衡， 按自然 小时划最佳， 以自然数0 至23表示； 步骤3‑4‑3： 停机位、 航空公司、 跑道和机型进行数字化： 不同的停机位、 航空公司、 跑道 和机型分别以不同的数字表示。 7.根据权利要求1所述一种面向民用航空机场的航班跑道滑行时间预测方法， 其特征 在于： 所述步骤4中选取多种机器学习方法进行训练得到多个航班跑道滑行时间预测模型 的具体过程如下： 步骤4‑1： 选取M1、 M2、 M3......Mn共N类机器学习模型； 步骤4‑2： 以训练数据集为输入对这N类机器学习方法进行训练， 得到多个航班跑道滑 行时间预测模型。 8.根据权利要求1所述一种面向民用航空机场的航班跑道滑行时间预测方法， 其特征 在于： 所述步骤5中利用测试样本对各个预测模型的性能进 行评估， 选择预测效果最好且符 合实际应用需求的模型的具体过程如下： 步骤5‑1： 采用均方误差对各个预测模型进行评估， 计算均方误差的具体公式如下： 其中n为样本数据的个数， yi为航班真实 的滑行时间， 为该模型预测的航班跑道滑行 时间；权　利　要　求　书 2/3 页 3 CN 114239970 A 3