航班过站时间可预测性分析

文思敏

摘 要：航班的过站时间可以反映机场和航空公司的运行效率。过站时间的合理设置不仅能够有效提高航班正点率和旅客满意度，同时还能减轻航班延误对航班计划的影响，以及改善机场运行能力。因此对航班过站时间的预测非常必要，而想要准确的预测过站时间，首先需要对航班过站时间的可预测性进行分析。文章对白云机场和浦东机场的航班过站时间进行数据分析，比较分析了不同时间段以及不同机型下过站时间可预测性。发现一天内，繁忙时间段的过站时间可预测性较差。同时，相较于小机型，大机型的航班过站时间可预测性较差。

关键词：航班过站时间；可预测性；研究分析

1 概述

随着我国航班量的增长，航班运行效率低下的情况却日益严重。如何评价航班的运行效率是对机场和航空公司进行有效管理以及减少延误的基础。在以往的研究中，延误往往作为一个评价航班服务质量好坏的主要指标，减少延误成为了提升航班运行效率的主要目标。近年来，FAA提出了把可预测性作为一个新的指标来评价航班运行状况，并把提升可预测性作为“2025计划”的目标[1]。欧洲空管局（EUROCONTROL）也将可预测性作为评价机场运行状况的关键性指标[2]。

可预测性是指能够定性或定量的正确预测一个系统状态的程度。国际民航组织将航班运行可预测性定义为空域使用者和空中导航服务提供者能够提供持续可靠的技术水平的能力。航班运行的可预测性对空域使用者以及整个民航业来说是必不可少的，因为他们是按照航班时刻表来执行和操作的，而航班时刻表的编排又依赖于航班可预测性的好坏[3]。

航班过站时间是指同一架飞机在到达某机场后，再离开该机场，在该机场所停留的时间。航班的过站时间可在一定程度上反映机场和航空公司的运行效率。对航班过站时间可预测性研究，可以对机场的运行效率进行评估。国内目前对过站时间的研究只关于航班延误对过站时间的影响，以及对过站时间的估计[4-6]。而用过站时间的可预测性对机场的运行状况及服务质量进行评价几乎没有。

文章对白云机场和浦东机场的航班过站时间进行数据分析，比较分析了不同时间段以及不同机型下过站时间可预测性。

2 研究现状

国外对可预测性的研究较多，Gulding等人考虑起飞机场从推出到落地机场推入整个过程，利用美国和欧洲的OOOI数据进行对比，提到进场可预测性主要受离场可预测性的影响，通过对比运行时间分位数的不同来研究可预测性[7]。Liu等人通过分析来自SARDA的Human-in-the-loop仿真数据来研究机场运行的可预测性。利用仿真数据，从管制员、飞行员及运行商的角度对机场是否有SARDA进行可预测性的测量和比较[8]。

国内目前对可预测性研究主要在地面交通，黄中祥、王正武、况爱武运用状态空间重构和GP算法对不同观测尺度下高速公路交通流的短期行为特性进行了研究，结果表明小尺度下的交通流具有混沌特性，然后运用递归图和Kolmogorov熵从定性和定量两个方面对其可预测性进行了分析和比较[9]。黄阿琼和关伟运用R/S分析法计算不同观测尺度下的Hurst指数值，发现同一天内Hurst指数值随观测尺度的变大而增大，同一观测尺度下，Hurst指数随着样本量的增加而降低[10]。姜桂艳等人提出了交通数据序列动态可预测性分析的思想，在设计了交通数据序列动态可预测性关联数据特征指标的基础上，基于BP神经网络建立了交通数据序列动态可预测性分析方法[11]。

3 过站时间定义及影响因素分析

3.1 过站时间定義

航班的运行主要包括以下几个环节：起飞机场滑出、航路飞行、滑入目的机场、过站、再次滑出前往下一个目的机场。根据以上流程，可以的得到航班过站流程如图1所示。

由图1描述可知，航班运行时有以下几个关键时间节点：（1）EOBT/AOBT：预计/实际撤轮挡时间；（2）ETOT/ATOT：预计/实际起飞时间；（3）ELDT/ALDT：预计/实际降落时间；（4）EIBT/AIBT：预计/实际挡轮挡时间。

由此可以得到航班过站时间的计算，可以直接由以下公式得出：

ATTT=ATOT-ALDT （1）

ETTT=ETOT-ELDT （2）

其中，ATTT-实际过站时间，ATOT-实际起飞时间，ALDT-实际击落时间，ETTT-预计过站时间，ETOT-预计起飞时间，ELDT-实际起飞时间。

根据以上所述，对浦东机场和白云机场2014年一年的过站航班进行计算，得到过站时间统计图如图2、图3所示。其中横坐标表示过站时间，纵坐标表示航班数量。

图2 2014年浦东机场过站时间分布图

图3 2014年白云机场过站时间分布图

由图2、图3可知广州机场与白云机场的过站时间分布具有相似性，其中白云机场的过站时间分布相较于浦东机场更加稳定。

3.2 影响因素分析

影响航班过站时间的因素众多，通过经验分析，主要有以下几种：

（1）计划过站时间。在正常的执行航班的情况下，飞机的实际过站时间和预计过站时间几乎无偏差，但是在有了其他因素的影响下，实际过站时间才会与预计过站时间发生差异。发生延误时，如果实际的过站时间小于预计的过站时间，那么延误能够被吸收，而当实际得过站时间大于预计的过站时间时，延误的情况就会更加严重。

（2）飞机类型。由于飞机的机型不同，速度不同，旅客数量不同，飞机过站时间也会受到相应的影响。一般来说，机型越大，过站时间也越大。

（3）机场起降架次。机场的大小也会对航班过站时间造成影响，在繁忙机场，相较于一般机场，由于飞机起降架次较多，必会造成一定延误，从而对航班过站时间造成一定影响。

（4）航班到达时间段。在不同的时间段，实际的过站时间也会有所不同。如果航班的到达时间是在机场相对繁忙的时间段，实际的过站时间相对于在其他时间段，也会有所偏长。

4 可预测性分析

为了量化过站时间的分布情况，一般使用方差、标准差、平均绝对偏差、四分位差等作为指标，对可预测性进行量化分析[1]。文章选用标准差作为评价过站时间可预测性的方法。

标准差定义是总体各单位标准值与其平均数离差平方的算术平均数的平方根。它反映组内个体间的离散程度。标准差是用于描述时间序列变化波动性的统计变量，也是用来评价可预测性好坏的常见方法。对于一组时间序列x1，x2，x3，…，xn，平均值为u，其标准差计算公式为：

（3）

由上文可知，影响航班过站时间的因素众多，根据上述影响因素，文章将分析航班到达时间段不同和机型不同对可预测性的影响。

4.1 不同时间段过站时间可预测性比较

航班到达时间段是影响的过站时间大小的重要因素，若航班到达的时间是在机场相对繁忙的时间段，实际过站时间可能相对于其他时间段就会偏长。文章接下来比较分析不同时间段对过站时间可预测性的影响。

首先将一天24h，以2h为间隔，共划分为12个时间段，分别是00：00～01：59，02：00～03：59，04：00～05：59，06：00～07：59，08：00～09：59，10：00～11：59，12：00～13：59，14：00～15：59，16：00～17：59，18：00～19：59，20：00～21：59，22：00～24：59。为了比较不同时间段下机场繁忙程度对过站时间可预测性的影响，对不同时间段下的机场起降架次进行统计，计算各时間段起降架次所占机场一天总起降架次比例，最后与各时间段过站时间可预测性值相比较，得到图4和图5。

如图4、图5所示，其中左纵坐标轴表示标准差值，右纵坐标轴表示起降架次比例值。从图4、图5中可发现，总体趋势上，过站时间的标准差值与机场各时间段的流量呈正相关关系，在机场繁忙时间段，起降架次数量多，过站时间的标准差较大，可预测性较差，反之，在机场的闲暇时间段，起降架次数量少，过站时间标准差较小，可预测性较好。白云机场6：00-7：59时间段起降架次增加而标准差值减少，可能是2：00-6：00时间段航班量较少，起到了一定缓解作用。

4.2 不同机型过站时间可预测性比较

当飞机机型不同时，座位数不同，对航班过站时间也会造成影响，一般来说飞机较大，过站时间较长，较小的飞机过站时间较短。文章接下来分析不同机型对过站时间可预测性的影响。

根据对白云机场及浦东机场的过站航班的统计，可知主要机型有以下几种：A319、A320、A321、A332、A333、A346、B733、B738、B777、B744。以100座为间隔，将过站航班机型分类如表1所示：

根据分类机型，计算各类机型的过站时间标准差，得到过站时间标准差值与飞机座位数关系，如图6所示：

从图6中可以看出，随着机型的改变，过站时间的平均值发生了显著变化，随着飞机座位数的增多，航班的平均过站时间也相应的变长。同时，过站时间的标准差值也随着飞机座位数的增多而呈上升趋势。即机型越大，飞机座位数越多，过站时间的可预测性越差。

5 结束语

文章利用标准差值对白云机场和浦东机场的过站时间进行分析，得到以下结论：航班过站时间的可预测性大小与机场各时间段的繁忙程度有关，当机场处于繁忙时间，流量增加，起降架次较多，航班过站时间可预测性较差，反之，当机场处于空闲时间段，流量减少，起降架次减小。过站时间可预测性大小也与机型相关，对机型越大，飞机座位数越多，可预测性越差，机型越小，飞机座位数越少，可预测性越好。对于航班过站时间可预测性的研究是预测过站时间的前提，综合现有的预测方法对过站时间的可预测性进行验证是论文下一步的研究方向。

参考文献

[1]Hao L， Hansen M. Flight time predictability： concepts， metrics and impact on Scheduled Block Time[C].Proceedings of 92nd Annual Meeting of the Transportation Research Board Carrier Cost Structure： Evidence from US Airlines， 2013， Washington， DC.

[2]Eurocontrol. Measuring Airport Airside and Nearby Airspace Performance. Performance Review Unit， 15th December 2009.

[3]ICAO 9883， Manual on Global Performance ofthe Air Navigation System， Montreal，2008.

[4]丁建立，赵键涛，曹卫东.基于贝叶斯网的航班过站时间动态估计[J].南京航空航天大学学报，2015，47（4）：517-524.

[5]曹卫东，林翔宇.基于贝叶斯网络的机场过站时间分析[J].航空计算机技术，2010，40（5）：5-9.

[6]戚彦龙.航班延误分级和过站时间研究[D].南京航空航天大学，2014.

[7]Gulding J， Knorr D， Rose M， et al. US/Europe comparison of ATM-related operational performance[C].Proceeding of 8th USA/Europe Air Traffic Management Research and Development Seminar， 2009， Napa， California.

[8]Liu Y， Hansen M， Wan Z. Predictability in airport surface operation management[C]. Proceedings of 2013 Aviation Technology， Integration， and Operations Conference， August 12-14，2013，Los Angeles， CA.

[9]黄中祥， 王正武， 况爱武.短期交通流可预测性分析与比较[J].土木工程学报，2004，37（2）：101-104.

[10]黄阿琼，关伟.不同时间尺度下短期交通流的可预测性[J].系统工程，2010（5）：75.

[11]姜桂艳，常安德，牛世峰，等.基于BP神经网络的交通数据序列动态可预测性分析方法[J].北京工业大学学报，2011（7）：1019.