FTCA-Transformer：一种航班撤轮挡时刻预测方法

doi:10.7527/S1000-6893.2025.32357

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

FTCA-Transformer：一种航班撤轮挡时刻预测方法

赵永康¹^,², 刘左龙¹^,², 冯霞¹^,²^,³()

^1.中国民航大学计算机科学与技术学院，天津 300300
^2.民航智慧机场理论与系统重点实验室，天津 300300
^3.中国民航大学科技创新研究院，天津 300300

收稿日期:2025-06-03 修回日期:2025-09-04 接受日期:2025-10-11 出版日期:2025-10-31 发布日期:2025-10-30
通讯作者: 冯霞 E-mail:xfeng@cauc.edu.cn
基金资助:
国家自然科学基金民航联合基金重点项目(U2333206);天津市自然科学基金(25JCQNJC00250);中国民航大学民航信息技术应用创新开放基金资助(CAITAIT-202405)

FTCA-Transformer: A method for predicting flight off-block time

Yongkang ZHAO¹^,², Zuolong LIU¹^,², Xia FENG¹^,²^,³()

^1.College of Computer Science and Technology，Civil Aviation University of China，Tianjin 300300，China
^2.Key Laboratory of Civil Aviation Smart Airport Theory and System，Tianjin 300300，China
^3.Research Institute of Technological Innovation，Civil Aviation University of China，Tianjin 300300，China

Received:2025-06-03 Revised:2025-09-04 Accepted:2025-10-11 Online:2025-10-31 Published:2025-10-30
Contact: Xia FENG E-mail:xfeng@cauc.edu.cn
Supported by:
Key Project of Civil Aviation Joint Fund of National Natural Science Foundation of China(U2333206);Natural Science Foundation of Tianjin City(25JCQNJC00250);Open Funding from Provincial-Ministerial Research Institutions of Civil Aviation University of China(CAITAIT-202405)

摘要/Abstract

摘要：

对航班实际撤轮挡时刻（AOBT）的精准预测是优化机场运行效率、增强机场协同决策（A-CDM）系统性能的重要环节。针对AOBT预测面临的复杂作业时空依赖、时序变化吉布斯现象等挑战，提出了一种融入频率增强通道注意力的时间卷积网络（FTCA）与Transformer混合模型的航班撤轮挡时刻预测FTCA-Transformer方法。首先，将航班地面保障各里程碑事件数据编码为统一标准的时序数据，提取不同时间戳隐藏的时间季节性特征。其次，采用时间卷积网络（TCN）挖掘时间片段信息，通过Transformer中多头自注意力机制将时间点间的联系扩展到时间片段尺度，克服传统递归神经网络难以有效挖掘长时跨度下事件间长期依赖关系的问题。再次，引入基于离散余弦变换（DCT）的频率增强通道注意力机制，有效挖掘地面保障数据频域特征的同时避免传统频域变换带来的吉布斯现象。最后，在国内华北地区某大型枢纽机场真实地面保障运行数据上的实验结果表明：在单步预测下，FTCA-Transformer方法对比基线算法，实验结果的平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）分别降低了48.0%和53.5%和44.7%。消融实验验证了各子模块在模型中的积极作用。

关键词: 航空运输, 机场协同决策, 航班地面保障里程碑事件, 航班撤轮挡时刻预测, 时间卷积网络, 吉布斯现象, 频率增强通道注意力

Abstract:

Accurate prediction of the Actual Off-Block Time （AOBT） is a crucial component for optimizing airport operational efficiency and enhancing the performance of Airport Collaborative Decision-Making （A-CDM） systems. To address the challenges posed by complex spatiotemporal dependencies and Gibbs phenomena in time-series variations， this study proposes a hybrid prediction model-FTCA-Transformer-integrating a Frequency-enhanced Channel Attention mechanism with a Temporal Convolutional Network （TCN） and Transformer architecture. First， milestone events in ground handling operations are encoded into unified sequential data， enabling the extraction of hidden temporal and seasonal features across timestamps. Next， the TCN captures local temporal segment information， while the multi-head self-attention mechanism in the Transformer extends temporal correlations from individual points to segment-level dependencies， overcoming the limitations of recurrent neural networks in modeling long-range dependencies. Furthermore， a Frequency-enhanced Channel Attention mechanism based on Discrete Cosine Transform （DCT） is introduced to effectively exploit frequency-domain features of ground operation data while mitigating Gibbs phenomena associated with conventional frequency transforms. Finally， experimental results using real ground handling operation data from a major hub airport in North China demonstrate that， under single-step prediction， the proposed FTCA-Transformer outperforms baseline methods， reducing the Mean Absolute Error （MAE）， Mean Absolute Percentage Error （MAPE）， and Root Mean Square Error （RMSE） by 48.0%， 53.5% and 44.7%， respectively. Ablation studies further confirm the positive contributions of each module within the model.

Key words: air transportation, airport collaborative decision-making, milestones in flight ground support, prediction of flight off-block time, time convolutional network, Gibbs phenomenon, frequency enhanced channel attention

中图分类号:

V351.11

赵永康, 刘左龙, 冯霞. FTCA-Transformer：一种航班撤轮挡时刻预测方法[J]. 航空学报, 2026, 47(5): 332357.

Yongkang ZHAO, Zuolong LIU, Xia FENG. FTCA-Transformer: A method for predicting flight off-block time[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(5): 332357.

图/表 23

图 1

图 2

图 3

图 4

图 5

图 6

图 7

图 8

表1

表2

图 9

图 10

图 11

表3

图 12

表4

图 13

图 14

图 15

表5

表6

图 16

表7

参考文献 26

[1]	中国民用航空局. 2024年全国民用运输机场生产统计公报［EB/OL］. 民航资源网. （2025-03-14）［2025-06-03］..
	Civil Aviation Administration of China. 2024 national civil transport airport production statistics bulletin ［EB/OL］. CARNOC. （2025-03-14）［2025-06-03］. （in Chinese）.
[2]	中国民用航空局. 2023年民航行业发展统计公报［EB/OL］. 民航资源网. （2024-05-31）［2025-06-03］. .
	Civil Aviation Administration of China. 2023 statistical bulletin on the development of the civil aviation industry［EB/OL］.CARNOC.（2024-05-31）［2025-05-12］. （in Chinese）.
[3]	中国民用航空局. 机场协同决策系统技术规范［EB/OL］.民航资源网. （2022-02-18）［2025-05-12］ .
	Civil Aviation Administration of China. Technical specifications for airport collaborative decision making systems［EB/OL］. CARNOC.（2022-02-18）［2025-05-12］. （in Chinese）.
[4]	IP W H， WAN D， CHO V. Aircraft ground service scheduling problems and their genetic algorithm with hybrid assignment and sequence encoding scheme［J］. IEEE Systems Journal， 2013， 7（4）： 649-657.
[5]	冯霞，任子云. 基于遗传算法的加油车和摆渡车协同调度研究［J］. 交通运输系统工程与信息， 2016， 16（2）： 155-163.
	FENG X， REN Z Y. Research on Collaborative scheduling of fuelling vehicle and ferry vehicles based on genetic algorithm ［J］. Journal of Transportation Systems Engineering and Information Technology， 2016， 16（02）： 155-163. （in Chinese）.
[6]	姜伟华，张文静，袁琪，等. 基于时间窗的机场地面保障车辆动态调度［J］. 科学技术与工程， 2024， 24（3）： 1283-1291.
	JIANG W H， ZHANG W J， YUAN Q， et al. Dynamic scheduling of airport ground support vehicles based on time window ［J］. Science， Technology and Engineering， 2024， 24（3）： 1283-1291 （in Chinese）.
[7]	WU C L， CAVES R E. Modelling of aircraft rotation in a multiple airport environment［J］. Transportation Research Part E： Logistics and Transportation Review （S1366-5545）， 2002， 38（3-4）： 265-277.
[8]	WU C L. Monitoring aircraft turnaround operations-framework development， application and implications for airline operations［J］. Transportation Planning and Technology （S0308-1060）， 2008， 31（2）： 215-228.
[9]	MAKHLOOF M A A， WAHEED M E， BADAWI E R， et al. Real-time aircraft turnaround operations manager［J］. Production Planning & Control （S0953-7287）， 2014， 25（1）： 2-25.
[10]	邢志伟，于瑞文，李彪，等. 航班地面保障过程决策支持体系建模［J］. 系统仿真学报， 2024， 36（11）： 2552-2565.
	XING Z W， YU R W， LI B， et al. Modeling for decision support of flight ground support process ［J］. Journal of System Simulation， 2024， 36 （11）： 2552-2565 （in Chinese）.
[11]	YANG Z， CHEN Y， HU J， et al. Departure delay prediction and analysis based on node sequence data of ground support services for transit flights［J］. Transportation Research Part C： Emerging Technologies， 2023， 153： 104217.
[12]	SOCHA V， SPAK M， MATOWICKI M， et al.Predictability of flight arrival times using bidirectional long short-term memory recurrent neural network［J］. Aerospace， 2024， 11（12）： 991.
[13]	李国，王伟倩，曹卫东. 基于混合模型的多类型机场航班过站时间预测［J］. 计算机工程与设计， 2025， 46（2）： 633-641.
	LI G， WANG W Q， CAO W D. Prediction of flights turnaround time for multiple types of airports based on hybrid model［J］. Computer Engineering and Design， 2025， 46（2）： 633-641 （in Chinese）.
[14]	丁建立，刘虎，曹卫东. 航班过站时间预测不确定性量化模型［J/OL］. 北京航空航天大学学报，（2024-12-25）［2025-06-03］. .
	DING J L， LIU H， CAO W D. Quantitative model of uncertainty for prediction of flight transit time［J/OL］. Journal of Beijing University of Aeronautics and Astronautics，（2024-12-25）［2025-06-03］. （in Chinese）.
[15]	徐涛，赵晨旭，卢敏. 基于因子分析的航班撤轮挡时刻预测方法［J］. 计算机工程与设计， 2017， 38（11）： 3011-3017.
	XU T， ZHAO C X， LU M. Flight off-block time prediction based on factor analysis［J］. Computer Engineering and Design， 2017， 38 （11）： 3011-3017 （in Chinese）.
[16]	徐涛，丁杨，卢敏. 基于级联BP神经网络的航班撤轮挡时刻预测［J］. 计算机应用与软件， 2019， 36（06）： 226-232.
	XU T， DING Y， LU M. Flight off-block time prediction based on cascaded bp neural network［J］. Computer Applications and Software， 2019， 36（6）： 226-232 （in Chinese）.
[17]	LIAN G， ZHANG Y， DESAI J， et al. Predicting taxi‐out time at congested airports with optimization-based support vector regression methods［J］. Mathematical Problems in Engineering， 2018， 2018（1）： 7509508.
[18]	YIN J， HU Y， MA Y， et al. Machine learning techniques for taxi-out time prediction with a macroscopic network topology［C］∥2018 IEEE/AIAA 37th Digital Avionics Systems Conference （DASC）. Piscataway：IEEE Press， 2018.
[19]	LUO Q， CHEN Y， CHEN L， et al. Research on situation awareness of airport operation based on Petri nets［J］. IEEE Access， 2019， 7： 25438-25451.
[20]	ZHOU H Y， ZHANG S H， PENG J Q， et al. Informer： beyond efficient transformer for long sequence time-series forecasting［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2021， 35（12）： 11106-11115.
[21]	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］∥31st Conference on Neural Information Processing Systems. Sam Diego：NeuraIPS， 2017： 1-11.
[22]	ZHOU T， MA Z， WEN Q， et al. FEDformer： Frequency enhanced decomposed transformer for long-term series forecasting［C］∥International Conference on Machine Learning. New York： PMLR， 2022.
[23]	WU H， HU T， LIU Y， et al. TimesNet： Temporal 2d-variation modeling for general time series analysis［DB/OL］. arXiv preprint： 2010.02186； 2022.
[24]	梁宏涛，刘硕，杜军威，等. 深度学习应用于时序预测研究综述［J］. 计算机科学与探索， 2023， 17（6）： 1285-1300.
	LIANG H T， LIU S， DU J W， et al. Review of deep learning applied to time series prediction［J］. Journal of Frontiers of Computer Science and Technology， 2023， 17（6）： 1285-1300 （in Chinese）.
[25]	YU P， PING M， MA J， et al. Method to enhance time series rolling fault prediction by deep fast Fourier convolution［J］. Measurement， 2024， 228： 114177.
[26]	JIANG M， ZENG P， WANG K， et al. FECAM： Frequency enhanced channel attention mechanism for time series forecasting［J］. Advanced Engineering Informatics， 2023， 58： 102158.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

节点	时刻
航班计划日期	2023-10-21 00：00：00
航班实际上轮挡时间	2023-10-21 9：33：00
航班实际靠桥时间	2023-10-21 9：32：00
航班实际开客舱门时间	2023-10-21 9：33：00
卸机实际开始时间	2023-10-21 9：36：00
卸机实际结束时间	2023-10-21 9：40：00
加油车实际结束时间	2023-10-21 10：06：00
餐食实际开始时间	2023-10-21 9：42：00
餐食实际结束时间	2023-10-21 9：53：00
行李装载实际开始时间	2023-10-21 10：26：00
行李装载实际结束时间	2023-10-21 10：43：00
航班实际关客舱门时间	2023-10-21 10：50：00
航班实际撤桥时间	2023-10-21 10：51：00
航班实际撤轮挡时间	2023-10-21 10：54：00

模型类型	R²	Z_RMSE	Z_MAE	Z_MAPE
SVM	0.986 7	0.395 5	0.274 5	1.785 3
随机森林	0.986 7	0.395 3	0.300 4	1.862 5
XGB	0.985 3	0.415 8	0.297 0	1.849 6
LSTM	0.989 6	0.359 8	0.255 9	1.726 9
单步Transformer	0.990 8	0.319 4	0.227 9	1.658 3
多步Transformer	0.985 8	0.409 7	0.288 2	1.838 1
单步FTCA-Transformer	0.997 4	0.176 5	0.118 5	0.770 9
多步FTCA-Transformer	0.993 6	0.275 3	0.227 9	1.438 0

模型类型	R²	Z_RMSE	Z_MAE	Z_MAPE
Transformer	0.990 8	0.319 4	0.227 9	1.658 3
FTCA-Transformer-no-DCT	0.996 4	0.207 5	0.144 6	0.945 7
FTCA-Transformer-no-TCN	0.995 0	0.242 6	0.189 6	1.351 0
FTCA-Transformer	0.997 4	0.176 5	0.118 5	0.770 9

时段类型	R²	Z_RMSE	Z_MAE	Z_MAPE
高峰时段	0.992 9	0.112 3	0.070 7	0.403 7
低谷时段	0.951 4	0.203 7	0.165 2	1.944 3

保障团队	航司类型
中国南方航空（南航）团队	中国南方航空（CZ）
	厦门航空（MF）
	河北航空（NS）
	重庆航空（OQ）
	江西航空（RY）
中国东方航空（东航）团队	中国东方航空（MU）
	中国联合航空（KN）
	上海航空（FM）
北京空港航空地面服务有限公司（BCS）	中国国际航空（CA）
	湖南航空（A6）
	文莱皇家航空（BI）
	春秋航空（9C）
	中国邮政航空（CF）
	亚洲航空（D7）
	东海航空（DZ）
	阿提哈德航空（EY）
	多彩贵州航空（GY）
	海南航空（H9）
	吉祥航空（HO）
	香港航空（HX）
	首都航空（JD）
	马来西亚航空（MH）
	青岛航空（QW）
	俄罗斯S7航空（S7）
	俄罗斯国际航空（SU）
	沙特阿拉伯航空（SV）

FTCA-Transformer：一种航班撤轮挡时刻预测方法

FTCA-Transformer: A method for predicting flight off-block time

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 23

参考文献 26

相关文章 7

编辑推荐

Metrics

本文评价

保障团队名称	R²	Z_RMSE	Z_MAE	Z_MAPE
南航团队	0.996 8	0.182 2	0.131 4	0.888 0
东航团队	0.997 9	0.161 7	0.124 3	0.799 3
BCS	0.990 5	0.366 4	0.256 5	1.762 8

[1]	赵长啸, 方玉麟, 汪克念. 基于BiTCN的无人机指挥控制链路DoS攻击检测方法[J]. 航空学报, 2026, 47(1): 332048-332048.
[2]	陈丹, 汤程, 谢宇, 马园园, 徐天枢. 面向城市低空物流配送的无人机实时航迹双层规划[J]. 航空学报, 2025, 46(16): 331621-331621.
[3]	王兴隆, 王友杰. 面向城市低空的多机型eVTOL安全间隔评估[J]. 航空学报, 2025, 46(1): 330604-330604.
[4]	吴子轩, 张宁, 高凯烨, 彭锐. 基于风险偏好调整的随机森林算法的航班航程油量预测[J]. 航空学报, 2022, 43(2): 224933-224933.
[5]	王兴隆, 石宗北, 陈仔燕. 空中交通网络模体识别及子图结构韧性评估[J]. 航空学报, 2021, 42(7): 324715-324715.
[6]	李思平, 周耀明. 全球疫情下的中国内地航空网络对外连通性[J]. 航空学报, 2021, 42(6): 324569-324569.
[7]	张帅, 夏明, 钟伯文. 民用飞机气动布局发展演变及其技术影响因素[J]. 航空学报, 2016, 37(1): 30-44.