航路交叉点动态规划研究

TBO运行是未来民航管制运行的主流方向，为缓解当前航路交叉点流量，减少拥堵的情况下，结合TBO运行背景，利用降维法搭建井字型构型，建立了航路交叉点模型，对单个航路交叉点和井字型构型交叉点的容量公式进行研究。结合民航某航路交叉点在高峰时间段进行仿真，结果表明井字型构型容量相较于单航路交叉点容量提高了35.4%。进而设置模型的目标函数，运用遗传算法对模型进行求解，得出井字型构型交叉点相比单个航路交叉点在航班延误成本方面降低了49%，在旅客平均延误时间上减少了52.7%。结果表明，对于大流量航路交叉点，通过变换井字型构型可以有效地疏导拥堵，对航路资源进行协同分配。     

基于优化AC-BiLSTM模型的机场终端区流量预测

将深度学习用于机场终端区流量预测研究。神经网络具有复杂的网络拓扑结构和较多的超参数，这使得超参数的选择很困难。以往神经网络模型的超参数通常是根据经验来调整的，因此，为了解决超参数搜索问题，引入粒子群算法(PSO)。针对基本粒子群算法(Basic PSO,BPSO)的缺点和不足，提出一种基于自适应惯性权重的混沌粒子群优化（AWCPSO）算法，该算法在基本PSO的基础上进行了改进和优化。具体方法是，使用一种新的动态自适应惯性权重在全局寻优和局部寻优之间取得平衡；进而将混沌思想和粒子群算法相结合，解决粒子群算法易陷入局部最优的问题。实验表明，AWCPSO算法用于AC-BiLSTM模型的超参数寻优时，既解决了BPSO算法的早熟收敛问题，又提高了流量预测的精度。