进场航空器跑道占用时间预测.pdf

投稿网址:2023 年 第23 卷 第26 期2023,23(26):11437-08科 学 技 术 与 工 程Science Technology and EngineeringISSN 16711815CN 114688/T收稿日期:2023-02-05修订日期:2023-06-27基金项目:国家重点研发项目(2020YFB1600101);中国民航大学民航航班广域监视与安全管控技术重点实验室基金(202008)第一作者:李楠(1978),女,满族,辽宁抚顺人,硕士,副教授。研究方向:空中交通运行规划与仿真技术。E-mail:lily_。引用格式:李楠,傅饶.进场航空器跑道占用时间预测J.科学技术与工程,2023,23(26):11437-11444.Li Nan,Fu Rao.Runway occupation time prediction of approaching aircraftsJ.Science Technology and Engineering,2023,23(26):11437-11444.进场航空器跑道占用时间预测?李楠,傅饶(中国民航大学民航航班广域监视与安全管控技术重点实验室,天津 300300)摘 要 为了准确预估跑道占用时间(runway occupancy time,ROT),提出了一种将灰狼优化算法和随机森林算法结合的预测模型。首先基于 ADS-B 轨迹,根据纽瓦克自由国际机场的实际运行情况,提取出进场航空器的跑道占用时间;其次分析跑道出口选择、跑道出口角度、气象条件、跑道入口端速度、跑道出口端的速度、机型、航空公司对跑道占用时间的影响;最后利用灰狼算法实现随机森林参数优化(grey wolf optimization-random forests,GWO-RF),基于优化后的随机森林模型完成对进场航空器跑道占用时间的预测。实验结果表明,相比实验和文献中的其他方法,该方法对跑道占用时间的预测更为准确,预测值与实际误差值在 10 s 内的占 93.6%。研究结果可用于大型机场实际运行航班跑道占用时间预测。关键词 跑道占用时间;机器学习;随机森林;灰狼优化算法中图法分类号 V355;文献标志码 ARunway Occupation Time Prediction ofApproaching AircraftsLI Nan,FU Rao(Key Laboratory of Civil Aviation Flight Wide-area Surveillance and Safety Control Technology,Civil Aviation University of China,Tianjin 300300,China)Abstract A prediction model that combines grey wolf optimization(GWO)algorithm and random forest algorithm was proposed toaccurately estimate runway occupancy time.Firstly,based on the ADS-B trajectory and the actual operation of Newark Liberty Interna-tional Airport,the runway occupancy time of the incoming aircraft was extracted.Secondly,the effects of runway exit selection,runwayexit angle,weather conditions,entry speed,exit speed,aircraft type,and airline on the runway occupancy time were analyzed.Final-ly,the Grey Wolf algorithm was used to optimize the parameters of the random forest model,and the runway occupancy time of the in-coming aircraft was predicted based on the optimized random forest model.Experimental results show that compared with other methodsin experiments and literature,this method predicts runway occupancy time more accurately,with 93.6%of predicted values within 10seconds of actual error values.The research results can be used for predicting the runway occupancy time of actual operational flights atlarge airports.Keywords runway occupation time;machine learning;random forest;GWO 跑道吞吐量对于空域资源的利用至关重要。由于大型机场的跑道容量有限,经常出现空域资源紧张、协调及运行保障压力大的现象1。跑道占用时间的预测可以提高跑道使用效率,为管制员提供高效、准确的决策信息,实现航空器行为及时、合理的调整,从而保航空器运行的安全性。在此驱动下,准确的预测进场航空器的跑道占用时间,计算进场航空器之间合理的时间间隔,是进场管理系统(arrival management,AMAN)和机场协同决策系统(airport collaborative decision making system,ACDM)中有效利用进场时隙的重要前提。同时可以为机场运行效率的研究提供理论参考。国外学者对于跑道占用时间的预测展开了广泛的研究。Spencer 等2基于贝叶斯算法对美国 27个机场的进、离场航空器跑道占用时间及滑行距离进行预测,提出了不同航空器降落和起飞性能中存在巨大差异;Meijers 等3运用数据驱动的方法来探究跑道占用时间的影响因素,并重点研究了不同因素对跑道占用时间预测的影响;Meijers 等4使用递归神经网络模型预测每个可用跑道出口的使用概率和航空器使用该出口离开跑道时的跑道占用时间(runway occupancy time,ROT),并使用该模型确定可以最大降低 ROT 的跑道出口位置;Nguyen等5运用决策树、随机森林和梯度提升模型 3 种方投稿网址:法对跑道占用时间预测结果进行对比研究;Mirmo-hammadsadeghi 等6通过蒙特卡洛方法对每架飞机着陆的关键参数进行仿真,并采用了数据驱动方法建立预测模型;Stempfel 等7根据苏黎世机场收集的 3 年数据,基于梯度增强回归模型,对跑道占用时间预测的准确率进行分析,以此增加跑道容量;Friso等8结合神经网络、多层感知器(multilayer percep-tron,MLP)、Lasso 和回归树模型,建立了进场航空器跑道占用时间(arrival runway occupancy time,AR-OT)的预测模型,并使用戴高乐机场和维也纳机场的数据预测了异常的跑道占用时间。国内研究主要通过将跑道占用时间预测与跑道占用时间间隔相结合进行研究,而针对跑道占用时间的单独研究则较少。张定鹏9结合单跑道运行方式中航空器跑道占用时间间隔规定的特点,构建配对进近模式下航空器跑道占用时间间隔模型;金京等10采用函数拟合的方法,在特定气象条件下对跑道占用时间进行预测并由此推定起飞间隔标准;张兆宁等11建立航空器脱离跑道时间优化模型,得到航空器脱离跑道的最短时间和到达跑道穿越点的最早时刻,并进一步建立航空器滑行路径优化模型,提高跑道使用效率;刘涛12利用前馈型神经网络模型对跑道占用时间进行预测,基于跑道占用时间构建跑道容量模型,模拟评估不同飞机类型到达组合的跑道容量。在上述研究中,没有考虑跑道入口端速度、跑道出口端速度对跑道占用时间的影响,导致预测精度降低。因此,现增加跑道入口端速度和跑道出口端速度的分析,分析这些因素的作用,并使用改进的 GWO-RF 方法预测跑道占用时间,得到一个最佳的跑道占用时间预测模型。1 数据描述1.1 样本数据分析对 2020 年 12 月美国纽瓦克自由国际机场的进离场航班进行了统计分析,时间为 30 d,涵盖了 12月的所有工作日及节假日。这些数据的总数为343 110 条,原始数据信息包括时间戳、航班号、机型、经度、纬度、高度、地速和航向。航空器样本数据集如表 1 所示。1.2 跑道占用时间的定义与提取美国联邦航空管理局13将跑道占用时间定义为:航空器从跑道入口到脱离跑道所用时间;欧洲航空安全组织14将跑道占用时间定义为:航空器接地点到脱离跑道所用时间;中国民用航空局15将跑道占用时间定义为:航空器占用跑道,包括航空器起飞和着陆占用地面保护区的总时间。本文研究采用的数据是美国纽瓦克自由国际机场的数据,为了更加符合实际运行,现采用美国联邦航空管理局对跑道占用时间的定义。计算公式为ROT=tend-t0(1)式(1)中:ROT 为进场航空器跑道占用时间;t0为航空器飞至跑道入口端的时刻;tend为航空器落地后滑行脱离跑道的时刻。首先,进行数据整理。基于航空器编码,识别出第一组独立的飞行轨迹。然后通过识别此组飞行轨迹中时间间隔超过 10 min 的连续数据点,创建新的精细飞行轨迹。使得具有相同航空器编码的航班能够被分开,飞行轨迹被细分。其次,运用数据识别将进场航空器的飞行轨迹与离场航空器的轨迹分离。通过反复实验,选择出两个合适的阈值将轨迹可视化。本文研究选择的阈值为当航空器到达跑道入口端的速度大于 100kt、航空器脱离跑道时的速度低于 20 kt 时,此飞行航迹被识别为着陆飞行。再次,对识别出的进场航空器轨迹以每秒为单位进行线性插值,补全航空器每秒的经度坐标、纬度坐标、速度、航向和高度信息。最后,根据跑道占用时间的定义,提取两个时间戳来计算跑道占用时间。这两个时间戳分别对应于航空器飞越跑道入口端的时间和其尾部脱离跑道的时间。第一个时间戳 t0的提取根据飞行轨迹表 1 原始数据Table 1 Raw data时间戳航班号机型经度/()纬度/()高度/ft地速/knot航向/()1606751997UAL2404B738-74.179 340.675 583.832570.31606752006JBU483A321-74.178 240.683 46.8325115.31606752005GJS4415CRJ7-74.179 440.678 070.1300202.51606752003UAL2069B752-74.173 440.697 310.132553.41606751981FFT2961A20N-74.174 140.692 550300213.81606752001UAL1235B739-74.176 140.683 1614.2300205.31606751992FDX835B763-74.18140.678 80325115.383411科 学 技 术 与 工 程Science Technology and Engineering2023,23(26)投稿网址:插值后到达跑道入口端的最近点确定,第二个时间戳 tend的提取根据航空器脱离跑道后距离跑道的最小垂直距离确定。因为记录航空器位置的 GPS 天线通常位于航空器的中心附近,因此当航空器的中心距离跑道边界的垂直距离 D 大于航空器垂直于跑道轴上的投影长度一半时,航空器被认定为脱离跑道。可使用式(2)计算垂直距离 D,计算示意图如图 1 所示。D=sin L2(2)式(2)中:为跑道出口的角度;L 为飞机的总长度;D 为提取出的航空器离开跑道后距离跑道边界的最小垂直距离。此时对应的轨迹点被识别,tend被提取。最后通过计算 tend和 t0之间的差值来计算跑道占用时间。跑道占用时间小于 20 s 的值通常对应于质量较差的飞行轨迹,其位置、速度和高度值不可靠,因此被忽略。总共从 343 110 条轨迹中提取出 2 069 架次进场航班的跑道占用时间测量值。对获取的数据进行去噪声处理后得到样本总体最大值、最小值、平均值、中位数和标准差,如表 2 所示。表2 中的第25 百分位数及第75 百分位数表明,纽瓦克机场进场航空器的跑道占用时间集中在44 63 s。图 2 为纽瓦克机场进场航空器跑道占用时间频率分布。由图 2 可知,纽瓦克机场进场航空器跑道占用时间呈现右偏态分布,其偏度和峰度分别位3.16、0.90。通过表 2 和图 2 可知,提取出的跑道占用时间准确性较高,符合美国联邦航空管理局的规定和实际运行情况。图 1 垂直距离 D 计算图例Fig.1 Illustration of the calculation of thevertical distance D表 2 航空器跑道占用时间统计分析Table 2 Statistical analysis of aircraft runwayoccupation time项目样本数量最小值/s最大值/s均值/s跑道占用时间2 0692014555项目标准差25 百分位数/s75 百分位数/s跑道占用时间16.774463图 2 纽瓦克机场进场航空器跑道占用时间分布Fig.2 Distribution of runway occupation time forapproaching aircraft at Newark Airport1.3 影响跑道占用时间的关键指标定义与分析1.3.1 机型性能图 3 显示了每个尾流类别(一般中型、超中型、一般重型和超重型)航空器 ROT 的累积分布。由图 3可知,不同尾流类别的航空器跑道占用时间分布不同,并且属于最大起飞重量(maximum takeoffweigh,MTOW)较高类别的航空器平均跑道占用时间较高。即使在每个尾流类别中,不同的航空器也具有不同的 ROT 分布。大型飞机不仅具有较大的最大起飞重量,而且因为其尾流间隔的要求具有较高的进近速度,这些因素均导致航空器的动量增大,从而得到较高的 ROT。如图 4 所示,图 4 显示了属于“中型”类别的 4 种常见航空器的 ROT 累积分布。在 B737 和 A320 系列中,最大机型(B738 和 A321)的跑道占用时间更高。由于 ROT 与飞机类型的依赖性,可以通过查看特定的飞机类型来分析其他因素对 ROT 的影响。因此对影响因素的研究均采用 A320 飞机进行重点分析。图 3 不同尾流类别的 ROT 累积分布Fig.3 Cumulative distribution of ROT for differenttail flow categories934112023,23(26)李楠,等:进场航空器跑道占用时间预测投稿网址:图 4 4 种常见“中型”航空器的 ROT 累积分布Fig.4 Cumulative ROT distribution for fourcommon medium aircraft1.3.2 航空公司由于不同的航空公司拥有不同的机队,并且不同航空公司工作的飞行员接受不同的飞行员培训,遵循不同的操作程序,如使用不同的自动刹车设置等。因此,飞行员驾驶航空器着陆的方式有所不同。图5 为美国 3 家广泛使用 A320 航空器航空公司的ROT 分布。从图5 可知 ROT 分布有明显差异。图 5 不同航空公司的 A320 ROT 累积分布Fig.5 Cumulative distribution of A320 ROT by airline1.3.3 跑道出口选择与跑道出口角度跑道的关键参数包括跑道出口距跑道入口端的距离以及跑道出口与跑道轴线的夹角。其中跑道出口角度是滑行道中心线与跑道中心线组成的夹角,夹角范围为0 180。如图6 所示,最常用的出口角度为90(即直角出口)和 30(即快速脱离出口)。航空器在进入跑道出口安全转弯时,需要降低速度,随着出口角度的增大,速度降低率需增加。因而与直角出口相比,快速脱离道口可以使航空器以更高的速度离开跑道,减少跑道上的制动距离,降低跑道占用时间并增加跑道容量。图7 显示了高速30出口和60出口之间的 ROT 累积分布差异。基于这一逻辑,在影响跑道占用时间的因素时引入跑道出口角度这一变量。跑道出口的选择影响航空器从跑道入口沿跑道中心线到开始转弯从特定跑道出口滑出的直线距离。这个距离是航空器着陆前大幅度减速的距离,一般来说,跑道出口位置离跑道入口端距离越短跑道占用时间越短。如图 8 所示,ROT 随着跑道图 6 两种最流行的跑道出口角示例Fig.6 Examples of the two most popular runway exit angles图 7 不同出口角度的 ROT 累积分布Fig.7 Cumulative distribution of ROT for different exit angles图 8 跑道出口位置对 ROT 的影响Fig.8 Effect of runway exit location on ROT出口 距 跑 道 入 口 距 离 的 增 加 而 增 加,增 加 约0.24 s/m。因此航空器每次着陆选择的出口位置将对跑道占用时间产生很大影响,需要在跑道占用时间模型中引入跑道出口的选择。1.3.4 飞越跑道入口端及脱离跑道的速度对于进近的航空器,较高的进近速度通常会导致较高的着陆速度,并缩短从跑道入口到跑道出口端所需的时间。如图 9(a)所示,当航空器从同一跑04411科 学 技 术 与 工 程Science Technology and Engineering2023,23(26)投稿网址:图 9 跑道入口端速度对跑道占用时间的影响Fig.9 Effect of runway entrance end speed onrunway occupancy time道出口离开跑道时,跑道入口端速度每增加一节,跑道占用时间就会降低 0.19 s。但在航空器着陆过程中,同时需要考虑到更高的进近速度会迫使航空器不能较快减速而选择更远的跑道出口,从而增加跑道占用时间。如图 9(b)所示,当航空器从不同出口离开跑道时,跑道入口端的速度每增加一节,就会产生 0.12 s 的额外跑道占用时间。因此,如果具有不同进近速度的航空器是在同一出口离开跑道,则进近速度对 ROT 的影响成正比,反之则成反比。1.3.5 气象条件着陆期间的风向、风速可能会影响进场航空器的进近速度。例如,一般情况下,逆风增加航空器升力,航空器与气流的相对速度增大,跑道占用时间缩短。通过美国国家海洋和大气管理局(NationalOceanic and Atmospheric Administration,NOAA),获取到纽瓦克机场每小时的天气数据(温度、风、能见度、昼夜指示器、气压高度、降水类型和数量),并与tend和 t0相关联。2 基于灰狼算法优化的进场航空器跑道占用时间预测模型2.1 灰狼算法灰狼算法是由 Mirjalili 等16提出的一种智能优化算法。灰狼算法由狼群的社会等级来建模,分别为、和 4 种,层次结构如图 10 所示。图 10 灰狼等级制度Fig.10 Grey wolf hierarchy灰狼捕获猎物的过程可以用式(3)和式(4)表示。D=C Pp(t)-P(t)(3)P(t+1)=Pp(t)-AD(4)式中:D 为灰狼与猎物之间的距离;t 为当前进化代数;A 和 C 为系数向量;Pp为猎物所处的位置向量;P 为灰狼的位置向量。A 和 C 的计算公式为A=2a n1-a(5)C=2 n2(6)式中:n1、n2为0,1 的随机向量;a 为收敛因子。灰狼逐渐接近猎物并更新其位置,狼更新位置和最终位置为P1=X-A1DP2=X-A2DP3=X-A3D(7)P(t+1)=P1+P2+P33(8)式中:D、D、D为、狼与猎物的距离;A1、A2、A3为、的系数向量;P1、P2、P3为对应狼群的位置向量;X、X、X为对应猎物的位置向量;P(t+1)为 t+1 时刻 狼的位置向量。2.2 随机森林算法随机森林模型是一个组合分类模型,由多个决策树集成,具体构建过程如下。(1)使用 Bootstrap 抽样从样本数量为 N 的原始数据集中有放回的随机抽取 N 个,作为决策树数据来训练模型。144112023,23(26)李楠,等:进场航空器跑道占用时间预测投稿网址:(2)重复步骤(1)m 次,得到 m 个新的训练集,每个训练集的大小为 N。(3)构建 CART 决策树,根据基尼系数 Gini 选择节点特征。选择基尼系数最低的阈值作为最佳分割阈值,构建决策树 h(X)。(4)训练 m 个样本数据集获得 m 棵决策树,令决策树分类序列为 h1(X),h2(X),hm(X)。(5)将每棵树对该样本的预测结果进行统计,使用投票法选出最终结果,公式为H(X)=arg maxymi=1Ihi(X)=y()(9)式(9)中:y为输出变量;I()为示性函数;hi为第 i棵决策树。2.3 GWO 优化随机森林(1)设置狼群数量、最大迭代次数、树的个数(记为 n)及最小叶子节点(记为 l)取值范围。(2)建立随机灰狼种群,每个灰狼都有一个由n 和 l 组成的个体位置向量。(3)给定初始参数 n 和 l,使用随机森林训练样本数据,并将个体的适应度表示为训练集的识别准确率。(4)计算每只灰狼的适应度值,根据适应度值将灰狼分为、和 4 个等级,并更新每个个体在灰狼群体中的位置。(5)若迭代次数超出最大迭代次数,寻优结束,得到最优参数 n 和 l;否则跳转至(4)继续进行参数寻优,得到最优的随机森林分类模型。算法流程图如图 11 所示。图 11 GWO-RF 模型流程图Fig.11 GWO-RF model flow chart2.4 模型试验结果与分析对跑道出口选择、跑道出口角度、气象条件、跑道入口端速度、跑道出口端的速度、机型、航空公司7 个变量建立机器学习模型,对进场航空器跑道占用时间进行建模。2.4.1 寻优过程分析在提取跑道占用时间后,使用 GWO 寻找 RF 最佳参数。GWO 的初始化设置和 RF 参数取值范围如表 3 所示。RF 参数寻优适应度曲线如图 12 所示,可以看出:经过 3 次迭代后,适应度函数大幅度下降保持在0.195;经过 8 次迭代后,最佳适应度保持在 0.194。相比人工随机选择参数相比,GWO 可以增加寻优的效率和准确率。经过寻优,得到最佳树的个数取值为 49、最小叶子节点取值为 2。表 3 航空器跑道占用时间统计分析Table 3 Statistical analysis of aircraftrunway occupation time狼群数量 最大迭代次数优化参数取值范围1040树个数、最小叶子节点数 1,50、1,20图 12 GWO-RF 参数寻优适应度曲线Fig.12 GWO-RF parameter finding adaptation curve利用上述随机森林模型研究 ROT,该过程类似于数据分析中的曲线拟合过程,为了论证预测结果的准确性,选择平均绝对误差(mean absolute error,MAE)、均 方 根 误 差(root mean squared errors,RMSE)作为评价指标,其中 MAE 为 4.020 7、RMSE为4.443 7。并使用回归分析来估计模型的鲁棒性,选择 R2参数进行真实值和预测值之间的回归分析。图 13 显示了优化后的 RF 模型 ROT 预测回归图,对实际值和预测值进行回归分析,可以看出随机森林模型完成了预测分析,且没有出现过拟合情况。2.4.2 影响跑道占用时间的因素分析通过随机森林回归算法确定影响跑道占用时间的因素。通过查看每个树的每个节点对降低数据集总方差的贡献程度,可以确定每个因素在 ROT估计中的重要性排名,并对影响因素进行了排序。图 14 给出了影响跑道占用时间因素的排名。在24411科 学 技 术 与 工 程Science Technology and Engineering2023,23(26)投稿网址:图 13 跑道占用时间真实值预测值回归图Fig.13 Regression plot of predicted true values ofrunway occupancy time图 14 ROT 影响因素重要性排名Fig.14 Ranking the importance of ROT impact factors该排名中可以看出,航空器用于滑出跑道的出口选择占主导地位,占变化量的25.95%;跑道出口端速度和跑道入口端速度对跑道占用时间均有显著影响,占变化量的17.28%和16.39%;天气因素、机型、跑道入口角度对跑道占用时间的影响接近,占变化量的12.61%、9.96%和 9.35%;最后,航空公司因素对跑道占用时间的影响较小,占变化量的8.46%。2.4.3 模型准确度对比提取得到的 100 个预测值与实际值进行了比较,图 15 显示了与实际值相比预测值的准确性。由图 15 可知,预测值和实际值基本重合,表明模型的拟合效果很好。模型的准确性可以用 5 s、7 s 和 10 s 这 3个指标及误差图来评价。准确率定义为在一定范围内的模型预测时间与实际跑道占用时间的差值数量与总样本数量之比。例如,5 s 的准确率是指实际时间与模型预测时间不超过 5 s 的样本数占实际样本总数的百分比。表 4 显示了预测值和准确值之间的误差,对比结果显示优化后的随机森林模型对纽瓦克机场进场航空器跑道占用时间的预测结果与实际结果在 7 s 的准确性平均达到 88.08%,已经超过现有研究的准确性。44 63 s 为航空器跑道占用时间的第 25 百分位数至第 75 百分位数,但还存在航空器在进场时受空中交通管制、极端恶劣天气影响、机场拥堵等不常见原因导致跑道占用时间过长或过短的现象,总体跑道占用时间为 20 145 s,在此情况下再引入 10 s 作为评价指标,10 s的误差占比不大符合实际运行效果,模型 10 s 的准确性达到 93.59%。这表明使用 GWO-RF 算法的进场航空器跑道占用时间预测模型更合适。图 15 不同模型预测准确率对比Fig.15 Comparison of prediction accuracy of different models表 4 模型预测准确率对比Table 4 Comparison of model prediction accuracy方法准确率/%5 s7 s10 s随机森林58.1275.7685.76GWO-RF67.9688.0893.593 结论(1)通过对跑道占用时间的分析,可以发现跑道出口的选择对 ROT 的影响最大,跑道出口端速度、跑道入口端的速度、气象情况、机型、跑道出口角度、航空公司等因素也对跑道占用时间具有不同程度的影响。(2)通过 GWO 实现了随机森林参数的高效寻优,提升了随机森林参数的优化效率,使得 ROT 预测模型具有良好的准确性和鲁棒性。(3)在未来跑道占用时间的预测工作中,可以考虑将跑道因素、特殊天气因素引入进行建模,以进一步提高跑道占用时间的准确性,为管制员提供更加高效、准确的决策信息。参考文献1 徐川,朱新平,瞿菁菁,等.大型机场场面交通拥堵状态等级预测J.科学技术与工程,2022,22(35):15825-15831.344112023,23(26)李楠,等:进场航空器跑道占用时间预测投稿网址:Xu Chuan,Zhu Xinping,Qu Jingjing,et al.Prediction of rrafficcongestion status level at large airport fieldsJ.Science Technolo-gy and Engineering,2022,22(35):15825-15831.2 Spencer T L,Trani A A.Predictive models of departure and arrivaloccupancy time and take off distanceJ.Air Traffic Control Quar-terly,2018,27(2):81-95.3 Meijers N P,Hansman R J.A data-driven approach to understand-ing runway occupancy time C/AIAA Aviation 2019 Forum.Re-ston:AIAA,2019:3045-30554 Meijers N P.Data-driven predictive analytics of runway occupancytime for improved capacity at airportsD.Cambridge:Massachu-setts Institute of Technology,2019.5 Nguyen A D,Pham D T,Lilith N,et al.Model generalization inarrival runway occupancy time prediction by feature equivalencesJ.arXiv e-prints,2022:arXiv2201:11654-11662.6 Mirmohammadsadeghi N,Trani A.Enhancements to the runway ex-it design interactive model using a hybrid simulation approach forestimating runway occupancy times at airportsC/AIAA Scitech2020 Forum.Reston:AIAA,2020:1403-1413.7 Stempfel G,Visscher I D,Ellejmi M,et al.Applying machinelearning modeling to enhance runway throughput at a big europeanairportJ.IOP Conference Series:Materials Science and Engi-neering,2021,1024(1):12106-12114.8 Friso H F,Richard C,Visser H G,et al.Predicting abnormal run-way occupancy times and observing related precursorsJ.Journalof Aerospace Computing,Information,and Communication,2018,15(1):10-21.9 张定鹏.配对进近飞机对跑道占用时间间隔评估模型J.河南科技,2016,16(11):111-112.Zhang Dingpeng.The evaluation model of the time interval of therunway occupancy of the pair into the near planeJ.Journal ofHenan Science and Technology,2016,16(11):111-112.10 金京,吴涛.着陆航空器跑道占用时间统计模型研究J.电子元器件与信息技术,2019,3(10):98-101.Jin Jing,Wu Tao.Statistical model study of landing aircraft run-way occupancying timeJ.Electronic Component and InformationTechnology,2019,3(10):98-101.11 张兆宁,王彤.远端绕行滑行道的机场滑行路径优化J.科学技术与工程,2019,19(10):241-248.Zhang Zhaoning,Wang Tong.Taxing path optimization of airportat the aircraft end-around taxiwayJ.Science Technology andEngineering,2019,19(10):241-248.12 刘涛.基于跑道占用时间预测的进场跑道容量评估研究D.德阳:中国民用航空飞行学院,2022.Liu Tao.Research on runway capacity assessment based on runwayoccupancy time predictionD.Deyang:Chinese Masters ThesesFull-text Database,2022.13 Federal Aviation Administration.Aeronautical information manual:ICAO-8126S.Washington:Federal Aviation Administration,2012.14 Eurocontrol.Enhancing airside capacity:edition 2.0M.Brus-sels:Eurocontrol,2003.15 中国民用航空局.民用航空空中交通管理规则:CCAR-93S.北京:中国民用航空局,2017.Civil Aviation Administration of China.Air traffic managementrules of civil aviation:CCAR-93S.Beijing:Civil Aviation Ad-ministration of China,2017.16 Mirjalili S,Mirjalili S M,Lewis A D.Grey wolf optimizerJ.Advances in Engineering Software,2014,69:46-61.44411科 学 技 术 与 工 程Science Technology and Engineering2023,23(26)