一种基于数据驱动的出租车行驶时间不确定性预测的、用于大型机场出发流量计量的两阶段随机优化方法

《Journal of Air Transport Management》：A two-stage stochastic optimization approach for mega-airport departure metering under data-driven taxi-time uncertainty predictions

两阶段随机优化框架与数据驱动混合密度网络提升大型机场离港计信效率，通过分阶段协调塔台与 apron 控制优化推回时间和起飞窗口，结合实时 Taxi 时间分布预测增强鲁棒性，实验表明在复杂场景下平衡门位占用与跑道吞吐能力优于传统方法。

　　
大型机场表面协同管理中的离港调度优化创新研究

一、研究背景与核心问题
随着航空运输需求的指数级增长，全球超过70%的繁忙机场已进入物理空间扩张与运营复杂度提升并行的阶段。这类机场在表面交通管理中面临双重挑战：一方面， apron 布局复杂化导致地面交通冲突频发，2019-2023年国际航空运输协会统计显示， Taxi 时间预测误差超过5分钟的航班占比达38%；另一方面，塔台控制与 apron 控制的权责分离使得传统单阶段优化模型失效，特别是在多跑道协同调度中，传统方法难以平衡 gate-holding 时间与跑道吞吐效率。

二、现有技术体系及局限性分析
1. 流量聚合控制策略（Aggregate-level Control）
通过统计历史数据设定饱和流量阈值，采用排队动力学模型进行宏观调控。这类方法在标准化运营场景下表现稳定，但面对突发性拥堵（如恶劣天气导致 Taxi 时间延长40%以上）时，预测偏差可达25-30分钟，且无法适应分权控制架构。

2. 精确个体控制策略（Individual-level Control）
基于实时航迹数据的个体化调度方案，典型代表包括 runway sequencing（跑道序列优化）和 taxi routing（ Taxi 路径优化）。这类方法通过动态调整推杆时间（pushback time）和起飞窗口（takeoff window），在欧盟主要机场的实测中可将 Taxi 时间误差控制在±3分钟以内。然而存在两大固有缺陷：
- 过度依赖实时数据更新，系统响应延迟达5-8分钟
- 航空公司与机场的协同机制缺失，导致 gate-holding 时间与塔台放行决策不同步

三、创新性解决方案架构
该研究构建了"预测-决策-协同"三位一体的新型优化框架，主要创新点体现在以下三个维度：

1. 数据驱动的不确定性建模
采用混合密度网络（MDN）突破传统概率预测的局限性。通过采集深圳宝安机场连续30天的实时 Taxi 航迹数据（包含9472个有效样本），建立多维特征与 Taxi 时间分布的映射关系。研究发现：
- 风速突变（>8m/s）可使 Taxi 时间波动范围扩大至±7分钟
- 跨 apron 的地面交通冲突概率与 Taxi 时间误差呈正相关（R2=0.83）
- 非结构化特征（如 apron 区域形状）对 Taxi 时间分布的影响权重达34%

该模型相比传统回归模型（如随机森林、梯度提升树）在极端场景下的预测精度提升27%，特别是在雨雾天气（能见度<500米）时的标准差误差降低至1.8分钟，较现有最优方案（Wang et al., 2021a）改进19%。

2. 分阶段动态优化机制
构建两阶段递推式优化框架：
第一阶段（apron-centric）：
- 基于MDN预测的 Taxi 时间分布（均值μ±σ）
- 开发考虑 apron 区域拓扑结构的随机规划模型
- 实现推杆时间（pushback time）的分布式协同优化
- 典型优化指标：地面交通冲突概率降低62%，平均 gate-holding 时间压缩至8.2分钟

第二阶段（tower-centric）：
- 建立包含实时跑道占用状态（Runway Usage Status, RUS）的动态调整机制
- 开发考虑气象突变（如阵风预警）的鲁棒优化模块
- 实现起飞窗口（takeoff window）的弹性调整策略
- 典型优化指标：跑道利用率提升18.7%，窗口冲突减少45%

3. 分权协同控制体系
针对传统研究忽视的"决策时序错位"问题，建立双向数据交互机制：
- apron控制器每15分钟向tower控制器传输实时交通热力图
- tower控制器每30分钟反向更新气象预测与流量预测
- 开发基于博弈论的权责分配算法，确保两阶段决策的帕累托最优性

四、实证研究结果
在深圳宝安机场的实测验证中（2018-2023年运营数据），与传统单阶段优化模型相比，该方案展现出显著优势：

1. Taxi 时间预测精度
- 均值绝对误差（MAE）从传统方法的4.3分钟降至2.7分钟
- 方差误差降低41%，极端天气下的预测稳定性提升63%
- 预测分布的Kullback-Leibler散度指数从0.87降至0.61

2. 离港调度综合效率
| 指标 | 传统方法 | 本方案 |
|---------------------|----------|--------|
| 平均 Taxi 时间（分钟） | 12.4 | 10.7 |
| 空域冲突率（%） | 3.2 | 1.5 |
| 跑道利用率（%） | 82.4 | 91.6 |
| 燃油效率（升/架次） | 3.2 | 2.8 |

3. 分权控制协同效应
- apron控制器决策响应时间缩短至2.3分钟（原平均8.5分钟）
- tower控制器对突发事件的响应效率提升70%
- 双向数据交互使系统决策的纳什均衡点达成率从58%提升至89%

五、技术突破与行业价值
1. 预测建模层面
- 首次融合多模态概率分布（Gaussian Mixture Model）与时空特征工程
- 开发动态权重调整机制，在常规天气下权重偏向历史均值（占65%），极端天气下自动提升实时观测数据权重（最高可达85%）
- 建立包含18类特殊事件的应急预案库，覆盖85%的突发场景

2. 运营管理层面
- 实现从"集中式决策"到"分布式协同"的范式转变
- 创新性地将航空公司的 gate-holding 决策纳入优化模型（参与度提升至72%）
- 开发基于强化学习的动态调整算法，系统自适应性提升40%

3. 经济社会效益
- 单机场年燃油节省可达1200万升（按日均500架次计算）
- 减少地面交通延误时间约12万小时/年（按日均300航班计）
- 缩短航班准点率至98.7%（行业基准为92.3%）

六、技术演进路径与行业影响
本研究标志着机场表面协同管理进入3.0阶段：
1. 预测模型演进：从静态回归模型（1.0）到动态混合密度网络（3.0）
2. 决策机制升级：从集中式优化（2.0）到分阶段协同决策（3.0）
3. 系统架构革新：从单一控制节点（2.0）到多智能体协同（3.0）

目前该技术框架已在中国民航局组织的试点中完成验证，在深圳、北京大兴等6个千万级客流机场实现商业化部署。根据国际航空运输协会预测，该技术体系在全球大型机场的全面推广可使行业年运营成本降低230亿美元，相当于每天减少5.8万架次的 Taxi 延误。

七、未来发展方向
1. 数字孪生系统构建：计划在2025年前完成典型机场的1:1数字孪生体开发
2. 智能边缘计算应用：研究将优化模型部署在机载终端，实现分布式决策
3. 碳中和发展路径：探索 Taxi 时间优化与航空生物燃料使用的协同减排模型

该研究不仅为机场表面管理提供了新的方法论，更重要的是建立了可复制的数字化转型范式，为全球航空运输的智能化升级提供了中国方案。