论文标题：A Short-Term Traffic Flow Prediction Method for Airport Group Route Waypoints Based on the Spatiotemporal Features of Traffic Flow

论文链接：https://doi.org/10.3390/aerospace11040248

期刊名：Aerospace

期刊主页：https://www.mdpi.com/journal/aerospace

近年来，伴随我国世界级机场群建设步伐的不断加快，航空运输需求持续攀升，机场群航路网络的结构布局和运行模式日趋复杂。航路点之间的交通流呈现出强耦合与明显的时空相关性，局部拥堵、容量–流量失衡等问题时有发生，给空域运行安全和效率带来挑战。如何在短时间内精准预测机场群关键航路点的交通流变化趋势，成为提升空域运行保障能力和优化流量管理的重要课题。南京航空航天大学田文教授及其团队在Aerospace期刊发表了文章，提出了一种融合图卷积与自注意力长短期记忆网络的新型短时交通流预测方法，该项研究对于机场群航路交通流量预测具有重要意义。

航路点网络拓补图

研究过程与结果

作者在文中提出了一种基于交通流时空特征的的航路点短期流量预测方法，研究首先选取我国华中南地区典型繁忙扇区作为研究对象，基于ADS-B实测数据构建了该区域的航路点网络拓扑结构。在这一网络中，每个航路点既与空间上的邻近节点存在联系，也与功能相似的远距离节点存在潜在关联。为了全面刻画航路点运行状态，作者在传统交通流量特征的基础上，引入了能够反映节点在网络整体效率中重要性的网络效率损失率指标，用以捕捉航路点在空间结构中的关键作用。

在模型设计方面，作者构建了融合图卷积网络（GCN）与自注意力长短期记忆网络（SALSTM）的预测框架—GC-SALSTM。GCN模块能够提取航路点网络中的空间依赖关系，自注意力机制则提升了LSTM在处理时间序列时对关键时刻的关注度，从而更准确地捕捉交通流的动态变化趋势。为了验证该方法的有效性，作者基于不同特征组分别进行了模型训练与对比实验，并选取了8个关键航路点作为重点观测对象。

实验过程中，作者对比了GC-SALSTM与HA、ARIMA、SVR、LSTM、GCN-LSTM等多种预测模型的性能。结果显示，引入网络效率损失率后，8个关键航路点的预测均方根误差（RMSE）平均降幅超过10%，其中SJG、MAMSI、VQ、QP等核心节点的精度提升最为明显。与多种基准模型相比，GC-SALSTM的RMSE分别降低了11.78%、5.55%、0.29%、2.53%和1.09%，在总体预测性能上表现最佳。进一步分析发现，该方法能够有效识别出繁忙时段的潜在拥堵节点，并对交通流的周期性规律和突发波动进行精准刻画，为空管部门在流量受限区域进行时隙分配和航路资源优化提供了更可靠的预测支持。

15个航路点流量预测值与真实值对比

研究总结

本文针对机场群航路点短时交通流预测问题，提出了一种融合图卷积网络与自注意力长短期记忆网络（GC-SALSTM）的预测方法，并系统评估了模型在不同特征输入条件下的预测性能与稳定性。研究基于华中南地区典型繁忙扇区的ADS-B实测数据，综合考虑了交通流量特征与网络效率损失率特征，分析了不同特征组合对预测精度的影响。结果表明，在预测关键航路点未来1小时交通流量时，引入网络效率损失率特征可显著降低预测误差，8个关键节点的RMSE降幅均超过10%，其中SJG、MAMSI、VQ、QP等核心节点的提升尤为明显。与HA、ARIMA、SVR、LSTM、GCN-LSTM等基准模型对比，GC-SALSTM在RMSE指标上的整体表现最佳，证明其在捕捉航路网络空间依赖关系和时序动态变化方面具有优势。进一步分析发现，该方法在繁忙时段及突发交通波动情境下预测精度依然保持稳定，表明其对机场群空域流量管理和拥堵预警具有较高应用价值，为流量受限区域的资源分配与运行优化提供了有力的技术支撑。

Aerospace期刊介绍

主编：Konstantinos Kontis, University of Glasgow, Scotland, UK

Aerospace期刊致力于发表航空航天科学、工程和技术相关的创新研究，涵盖飞行器设计、推进系统、飞行控制、先进材料、空间科学、航空电子、无人机系统（UAS）、城市空中交通（UAM）、可持续航空、航空安全以及前沿技术等。鼓励跨学科研究，推动航空航天科技发展，欢迎实验、仿真与理论研究的原创成果及综述。

2024 Impact Factor: 2.2

2024 CiteScore: 4.0

Time to First Decision: 20.9 Days

Time to Publication: 2.5 Days