删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

中国空中廊道划设与时空拥堵识别及其航线流量影响

本站小编 Free考研考试/2021-12-29

董雅晴¹^,, 路紫²^,, 刘媛¹, 张秋娈²

1. 河北师范大学资源与环境科学学院,石家庄 050024

2. 河北师范大学旅游学院,石家庄 050024

The design of China's corridors-in-the-sky and the influence of air routes traffic on the identification of space-time congestion

DONGYaqing¹^,, LUZi²^,, LIUYuan¹, ZHANGQiuluan²

1. School of Resource and Environment Sciences, Hebei Normal University, Shijiazhuang 050024, China

2. School of Tourism, Hebei Normal University, Shijiazhuang 050024, China

通讯作者:通讯作者:路紫(1960-), 男, 北京人, 教授, 博士生导师, 中国地理学会会员(S110000512M), 主要从事区域开发与信息经济地理研究。E-mail: luzi1960@126.com
收稿日期:2017-08-3
修回日期:2018-06-1
网络出版日期:2018-10-20
版权声明:2018《地理学报》编辑部本文是开放获取期刊文献，在以下情况下可以自由使用：学术研究、学术交流、科研教学等，但不允许用于商业目的.
基金资助:

国家自然科学基金项目(41671121)

作者简介:
-->作者简介：董雅晴(1990-), 女, 河北邯郸人, 硕士, 主要从事区域开发研究。E-mail: dongyaq@126.com

展开

摘要
航空运输的迅速发展使空中交通流增加,空中廊道因能容纳高密度交通流而成为支持空域资源充分开发利用的一种新技术,空中廊道拥堵时段和拥堵区段的识别是廊道上车道分配和开合操作的基础。在回顾空中廊道与交通拥堵相关研究后,构建了由空中廊道划设、拥堵状态识别、航线流量影响组成的研究方法。依据高流量航线确定空中廊道位置、依据距离约束条件确定航线参与者,合并划设出全国14条空中廊道;进而通过时空数据计算、时空图编绘、网格频数筛选及划分阈值设定等步骤,遵照重叠次数及热格频数的指示规则,对拥堵时段和拥堵区段进行识别;并通过规模值和汇聚值两个指标分析高流量航线的拥堵影响。研究发现：拥堵时段呈现为全天多峰“波浪型”分散分布及高峰后端集聚的结构特征;拥堵区段整体呈现为不平衡覆盖和交汇节点集中分布的结构特征,其中高拥堵程度的空中廊道呈现为一个斜体“N”字型框架,框架上为小区段集中的不完全贯通;时空交互上,拥堵区段存在单一时段和多时段重叠两种类型,多个廊道的不同拥堵区段存有共同拥堵时段。高流量航线在空中廊道拥堵中起相对决定性作用,且在抵港和离港两个方向上的影响不均衡。空中交通拥堵识别可为中国未来空域资源时空动态评估和空中廊道建设提供依据。

关键词：空中廊道;拥堵识别;航线流量;时空图;中国
Abstract
The rapid development of air transport has increased air traffic flow. Corridors-in-the-sky have become a new technology to support the full development and utilization of airspace resources due to its high-density air traffic flow. The identification of congestion period and congestion segment is the foundation of lanes distribution and the operation of activation and deactivation in corridors-in-the-sky. This paper proposes a method which can design corridors-in-the-sky, and identify air congestion and the influence of air routes traffic flow. Based on heavy traffic air routes, locations of corridors-in-the-sky are determined, and the routes-attendees are determined based on distance constrain. Particularly, fourteen corridors-in-the-sky of China are designed. Through space-time data calculation, space-time map compilation, grid frequency filtering and threshold setting, a congestion period and congestion segment are identified in this paper according to the times of overlap and the frequency of the hottest grids. The influence of heavy traffic air routes is also analyzed through the two indexes of scale value and aggregation value. We have the following findings: the congestion period of corridors-in-the-sky presents the structural characteristics of the multi-peak "wavy" scattered distributions, and the later aggregated distribution of top peaks in the whole day. The congestion segment is presented as the structural features of unbalanced coverage and centralized distribution of crossings. The highly congested corridors-in-the-sky are presented as an italic "N" font frame, which is not fully integrated with centralized small segments. In a spatial and temporal interaction, there are two types of congestion segments, single-period and multi-period overlap, and there are some common congestion periods in different congestion segments of multiple corridors-in-the-sky. The heavy traffic air routes play a decisive role in the congestion of corridors-in-the-sky, and the influence of the two directions on arrival and departure is unbalanced. The congestion identification of air traffic is helpful for the dynamical evaluation of China's airspace resource, which can provide a basis for the distribution of corridors-in-the-sky in the future of China.

Keywords：corridors-in-the-sky;congestion identification;air routes traffic flow;space-time map;China

-->0
PDF (5484KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNote Ris Bibtex 收藏本文-->
董雅晴, 路紫, 刘媛, 张秋娈. 中国空中廊道划设与时空拥堵识别及其航线流量影响[J]. 地理学报, 2018, 73(10): 2001-2013 https://doi.org/10.11821/dlxb201810013
DONG Yaqing, LU Zi, LIU Yuan, ZHANG Qiuluan. The design of China's corridors-in-the-sky and the influence of air routes traffic on the identification of space-time congestion[J]. Acta Geographica Sinica, 2018, 73(10): 2001-2013 https://doi.org/10.11821/dlxb201810013

1 引言

近年来,中国机场终端区和航路等各种空中交通单元均因交通需求增长快于运输能力增长而引发空域容量与航班量之间的矛盾并引发较为严重的航班延误^[1,2],需要探索新型空域资源利用方式和构建新的空域资源开发系统,其中,空中廊道（Corridors-in-the-sky）作为一种动态空域配置（Dynamic Airspace Configuration, DAC）的新技术受到高度关注^[3,4],被称为天空高速公路（Highway-in-the-sky）、动态多轨道航空线（Dynamic Multi-track Airways, DMA）、流动走廊或带（Flow Corridor or Ribbon）、超级扇区（Super Sector）^[5]等,其旨在将具有相似轨迹的航班按距离约束纳入廊道以为高密度航线保留较充裕的空域^[6]。
在空中廊道相关研究中,廊道划设和拥堵识别已成为基础议题。廊道划设又包括位置确定和航线参与者确定。就前者,Hoffman等^[5]、Yousefi等^[7]和Alipio等^[8]分别基于优先级排序和层次设置、速度矢量场和速度矢量聚类计算、航班延误和取消评估,经空中廊道的候选空域识别和空中廊道的有效性模拟,较完善地设计出依托负荷值高和航班量大的航空干线确定廊道位置的模式。就后者,Xue^[3]基于大量航班具有相似飞行轨迹的特征,依据大圆飞行轨迹距离、航班进入和退出垂直距离、5%额外飞行距离3个约束条件,提出了在较少额外飞行距离下纳入较多航线参与者的理念。可见,依据高流量航线确定空中廊道位置并通过距离约束条件纳入相关航线参与者即能完成空中廊道的划设。
拥堵识别多是针对机场终端区和航路空中交通单元开展的。****们曾从交通需求与交通容量^[2]、离港航班延误与取消^[9,10]和空域内流入率与流出率等方面定义了空中交通拥堵,并尝试界定拥堵标准以判定某个空中交通单元范围内的拥堵状态^[11],如Hoffman等^[12]基于航班延误和取消特征向量K-均值聚类方法、Bilimoria等^[13]基于航空器相对距离指标聚类方法进行了拥堵判别。总结以往拥堵识别研究,多是针对单个空中交通单元飞行冲突和时隙利用的计算尚缺乏对大区域的整体拥堵识别;多侧重地面等待、盘旋绕飞、速度调整、间隔控制的数学模拟尚缺乏依据实际数据的拥堵识别;多为技术方法的构建和局部区域与领域拥堵原因、特征的说明尚缺乏基于时空结合及其时空演变的拥堵识别。
随着“新一代航空运输体系（Next Generation Air Transportation System,NextGen）”和“同一天空”计划的推进^[14,15],单纯针对局部小区域进行拥堵识别已不能适应空中廊道发展需要^[16],而关于大区域较精准的空中廊道拥堵的测量,尚未见到有效识别方法的使用。但Xue^[3]提出的识别空中廊道开合的方法已被证实可从时间和空间两个维度进行空中廊道动态流量的有效显示,能被借鉴用于空中廊道航班量分配,进而通过拥堵阈值设定实现空中廊道上拥堵时段和拥堵区段的识别。
以下将构建空中廊道划设—拥堵状态识别—航线流量影响研究方法用以识别中国空中廊道拥堵时段和拥堵区段,揭示时间维度、空间维度及时空交互上的拥堵规律,评估航线流量的拥堵影响。这项研究将为中国实施航班拥堵和延误减缓策略,解决空域资源充分开发利用问题提供依据。

2 研究方法

2.1 空中廊道划设

依据前文,以区域内某个方向上的高流量航线为基础确定空中廊道位置,并以这些高流量航线命名该空中廊道,将这些空中廊道由最初选择的高流量航线位置按照大圆飞行轨迹向两端延伸,至最后一个有航线加入空中廊道的机场,即完成空中廊道划设。在此高流量航线界定为航班数量大、密度高、航线距离

\geq

600 km的干线航线^[17]。航线参与者界定为加入空中廊道的航线,可基于额外飞行距离比值（空中廊道上飞行距离超出空中廊道划设前飞行距离与划设前飞行距离相比）

\leq

5%约束计算获得,在Xue^[18]研究基础上通过增加变量对该比值进行更精准化计算,公式如下：

d_{ex tr a} = \frac{(d_{1} + d_{2} + d) - D}{D} \times 100 %

（1）
式中：

d_{extra}

表示额外飞行距离比值;

d_{1}

和

d_{2}

表示航班垂直进入和退出空中廊道的大圆飞行轨迹距离;

d

表示空中廊道上大圆飞行轨迹距离;

D

表示空中廊道划设前大圆飞行轨迹距离;

d_{1}

、

d_{2}

、

d

、

D

计算方法一致,以

D

为例计算公式如下^[19]：

D = R ? \arccos D

（2）

\cos D = \cos (90^{°} - φ_{1}) ? \cos (90^{°} - φ_{2}) + \sin (90^{°} - φ_{1}) ? \sin (90^{°} - φ_{2}) ? \cos (λ_{1} - λ_{2})

（3）
式中：R为地球半径;

(φ_{1}, λ_{1})

、

(φ_{2}, λ_{2})

为大圆飞行轨迹两个端点的坐标,即航班进入和退出空中廊道垂直点（或机场端点）的坐标,垂直点坐标根据航班垂直进入和退出规则来确定^[18]。

2.2 空中廊道拥堵识别

空中廊道拥堵时段和拥堵区段识别需通过时空数据计算、时空图编绘、网格频数筛选及划分阈值设定等步骤实现。
（1）用航班时刻数据计算得到航班进入和退出时空数据。根据计划飞行平均速度、

d_{1}

和

d_{2}

、

d

对应航班时刻数据计算得到航班进入和退出空中廊道的时间数据;将空中廊道两端中高流量机场一端延伸的坐标定义为原点,计算航班进入和退出空中廊道的垂直点与原点间的大圆飞行轨迹距离得到空间数据。
（2）运用ArcGIS 10.2渔网操作方法编绘时空图。以北京—成都空中廊道CA1425次航班为例,17:00在737海里（nmi）坐标处（北京）进入空中廊道,20:00在1584 nmi坐标处（成都）退出空中廊道,将航班时空数据表示为“斜率为速度直线”的飞行轨迹;然后将其飞行轨迹的时间和空间数据按照经典安全距离要求的两倍进行分割,形成时间为2 min距离为10 nmi的网格;再后将飞行轨迹与网格叠加并对网格进行标识、相同项删除、航班轨迹频数统计,根据网格频数设置网格像素值（高值由热色表示、低值由冷色表示）;最后以网格频数作为空中廊道拥堵识别的判定指标,频数

>

1时出现拥堵,频数越大识别拥堵程度越高^[3]。
（3）以空中廊道上热格（频数最高的网格）和次高频数网格代表航班量峰值。当热格数量不足且分布分散时拥堵时段和拥堵区段退化成点,这时拥堵识别变动过于频繁而无法作为空域结构的界定标志^{[16, 20]},故以热格和次高频数网格共同构成拥堵时段和拥堵区段的识别依据。阈值下界和上界的确定需参考有关航班时刻^[21]及机场空间服务距离^[22],并考虑所选热格和次高频数网格分布的代表性与普遍性意义,当时间阈值和空间阈值同时满足时即可识别拥堵时段和拥堵区段范围。

2.3 航线流量影响

关于航线流量对空中廊道拥堵的影响,将主要分析高流量航线与其余航线的差异,用规模值表示某一时段内通过某区段的某航线流量在全部航线总流量中的占比,航线流量在时空图中表现为航班飞行轨迹数量,其计算公式如下：

SD = \frac{q_{m} [(t_{1}, t_{2}), (d_{1}, d_{2})]}{\overset{n}{\sum_{i = 1}} q_{i} [(t_{1}, t_{2}), (d_{1}, d_{2})]}

（4）
式中：

SD

表示规模值;

q_{m}

表示

m

航线在

(t_{1}, t_{2})

时段内通过

(d_{1}, d_{2})

区段的抵离航班量;

n

表示全部航线该时段和该区段内的抵离航班量。

SD

值增大表示从规模上某航线在空中廊道拥堵中作用增强。
用汇聚值表示某航线在热格内的抵离航班量与全部航线该热格内抵离航班总量（流量峰值点航班量）的比值,峰值在时空图中表现为热格频数,代表航班轨迹交叉点数量。汇聚值是航线网络复杂性的基础量度指标,用于表征空中廊道拥堵态势的集中性特征^[2],其计算公式如下：

AD = \frac{q_{m} [(2 t, 2 t + 2), (10 d, 10 d + 10)]}{\max q [(2 t, 2 t + 2), (10 d, 10 d + 10)]}, (t = 0,1, 2, \dots; d = 0,1, 2, \dots)

（5）
式中：

AD

表示汇聚值;

\max q

表示空中廊道上热格

(2 t, 2 t + 2), (10 d, 10 d + 10)

内的全部航线抵离航班轨迹交叉点总数量（即热格频数）;

q_{m}

表示该热格内

m

航线抵离航班轨迹交叉点数量。

AD

值增大表示从汇聚上某航线在空中廊道拥堵中作用增强。

3 研究资料与处理

3.1 廊道划设

参照Xue^[3]关于美国廊道研究的经验,考虑代表性与普遍性要求,以《从统计看民航2015》、中国民用航空局“2016年民航行业发展统计公报”数据分别作为高流量航线和高流量机场的排名依据。又从飞常准（http://www.variflight.com）和FlightAware（http://zh.flightaware.com）中统计2017年5月8日全部客运航班的计划飞行数据,将共享航班删除,并将直飞航线与经停航线合并,将经停机场的航线分解,如航线J-K-L分解为J-K和K-L两个航段,按两条航线处理^[23,24];其中上海虹桥、浦东两机场只在计算额外飞行距离比值时分开处理,在航线流量统计和后续分析中合并处理。通过百度地图拾取中国机场坐标、航班进入和退出垂直点坐标,按5%额外飞行距离约束将北京—广州并入北京—深圳、广州—杭州并入上海—广州、北京—西安并入北京—成都、北京—昆明并入北京—重庆、深圳—成都并入广州—成都,最终划设出全国14条空中廊道,共包括170条航线参与者,航线参与者额外飞行距离比值及空间位置如图1和图2所示。

显示原图|下载原图ZIP|生成PPT
图1中国空中廊道及航线参与者额外飞行距离比值注：上海虹桥机场记为上海,上海浦东机场记为上海*,北京首都机场记为北京,北京南苑机场记为北京*。
-->Fig. 1China's corridors-in-the-sky and extra flight distance percentage of routes-attendees
-->

显示原图|下载原图ZIP|生成PPT
图2中国空中廊道及航线参与者空间位置
-->Fig. 2Spatial position of China's corridors-in-the-sky and routes-attendees
-->

3.2 时空数据计算及时空图编绘

依据飞常准和FlightAware中统计的170条航线参与者日内全部航班起降时间和飞行速度信息,计算得到2066个航班进入和退出空中廊道的时间数据。再从百度地图中拾取14条空中廊道两端延伸后的原点坐标数据：北京—上海（40.24

°

N,116.52

°

E）、上海—深圳（31.50

°

N,121.64

°

E）、北京—成都（46.83

°

N,125.36

°

E）、上海—广州（31.50

°

N,121.68

°

E）、北京—深圳（49.61

°

N,118.76

°

E）、上海—成都（31.17

°

N,112.02

°

E）、上海—厦门（31.35

°

N,121.42

°

E）、广州—成都（22.63

°

N,114.16

°

E）、上海—重庆（31.22

°

N,122.01

°

E）、北京—杭州（40.25

°

N,116.54

°

E）、上海—青岛（29.67

°

N,121.59

°

E）、北京—重庆（46.83

°

N,125.36

°

E）、上海—西安（31.00

°

N,121.95

°

E）、广州—重庆（22.60

°

N,114.06

°

E）,依此计算得到2066个航班进入和退出空中廊道的空间数据,即航班进入和退出位置至原点位置的大圆飞行轨迹距离。应用时空数据绘制出空中廊道时空图,并统计得出热格、网格的频数和数量（图3）。

显示原图|下载原图ZIP|生成PPT
图3中国空中廊道时空图及热格和网格的频数/数量
-->Fig. 3Space-time map of China's corridors-in-the-sky and frequency/number of the hottest grids and grids
-->

3.3 拥堵识别设定

由图3可见,除热格频数最低的3和4部分热格数量较多外,其余的及热格频数为5、6和8的热格数量均较少,因此选取热格和次高频数网格。借鉴以往研究经验并对比14条空中廊道上已确定的热格和次高频数网格分布,设定时间阈值下限为15 min上限为60 min^{[21, 25]},设定空间阈值下限为30 nmi上限为120 nmi^[22],最终得出全国空中廊道拥堵时段和拥堵区段覆盖范围（图4,表1）。

显示原图|下载原图ZIP|生成PPT
图4中国空中廊道拥堵时段和拥堵区段覆盖范围
-->Fig. 4Coverage distribution of congestion periods and congestion segments in China's corridors-in-the-sky
-->

Tab. 1
表1
表1中国空中廊道拥堵时段和拥堵区段覆盖范围属性
Tab. 1Coverage characteristics of congestion periods and congestion segments in China's corridors-in-the-sky

空中廊道	识别	时段	区段(nmi)	空中廊道	识别	时段	区段(nmi)
A	4	21:18-21:38	390(距日照67)- 510(距盐城65)	H	1	11:00-20:56	10(深圳)- 725(成都)
	3	16:48-17:12	310(距天津232)- 390(距日照67)	I	2	17:04-18:02	110(距虹桥75)- 280(距虹桥245)
	2	12:48-14:08	270(距天津192)- 570(距南通35)	I	1	8:38-9:08	190(距虹桥155)- 350(距虹桥315)
	1	8:26-10:06	220(距天津142)- 410(距日照91)	J	1	17:52-22:04	60(距北京50)- 640(距杭州11)
B	1	8:36-9:14	290(距衢州84)- 410(距武夷山115)	K	2	21:48-22:40	190(距南通43)- 350(距南通203)
C	1	22:24-23:28	980(距太原10)- 1140(距太原159)	K	1	11:08-11:44	1130(距赤峰370)- 1210(满洲里)
D	2	21:10-21:56	120(距杭州21)- 360(距武夷山63)	L	1	21:26-21:58	1200(距长治245)- 1360(距重庆11)
D	1	17:04-18:16	360(距武夷山63)- 500(距武夷山203)	M	3	21:08-22:50	160(距常州37)- 660(距阜阳324)
E	1	20:00-20:28	1450(距井冈山75)- 1590(广州)		2	11:48-13:04	380(距阜阳44)- 600(距阜阳264)
F	2	17:04-23:04	80(距虹桥45)- 890(距南充73)		1	6:42-10:38	10(浦东)- 690(距阜阳354)
F	1	7:50-14:22	80(距虹桥45)- 940(距成都7)	N	2	17:04-20:38	90(距广州27)- 580(重庆)
G	2	18:06-23:46	50(距虹桥40)- 440(厦门)		1	7:54-12:38	90(距广州27)- 520(距广州457)
G	1	6:54-14:36	10(虹桥)-440(厦门)		1	7:54-12:38	90(距广州27)- 520(距广州457)

新窗口打开

4 结果与分析

由图4和表1可见,基于热格频数描述的整条空中廊道时空拥堵状态呈现明显差异,其拥堵程度依次为北京—成都,上海—深圳、上海—广州、北京—深圳,北京—上海、上海—重庆、北京—重庆,上海—成都、广州—成都、北京—杭州、上海—青岛、上海—西安、广州—重庆,上海—厦门,热格频数越高热格数量越少,时空拥堵呈现为高强度小范围集中分布的特征。

4.1 拥堵时段与拥堵区段分析

4.1.1 拥堵时段识别汇总图4和表1中拥堵时段分布,结合热格频数反映的拥堵程度,形成拥堵时段分布图（图5）。由图可见,时间上呈现出全天多峰“波浪型”分散分布及高峰后端集聚的结构特征。由时段重叠次数（7~6、5~4、3~2、1~0）描述的拥堵时段表现为4种拥堵程度差异,分别存在于：8:38-9:08、20:00-20:28、21:18-21:48,7:54-8:26、9:14-10:38、11:08-12:38、12:48-14:08、17:12-17:52、18:16-20:00、20:38-20:56、21:10-21:26、22:04-22:40,6:54-7:50、10:38-11:00、16:48-17:04、23:04-23:28,0:00-6:42、14:36-16:48、23:28-24:00。再结合热格频数（8、6、5、4、3）描述4种拥堵程度内部最严重拥堵时段,各自存在于：8:38-9:08、21:18-21:48、22:04-22:40、23:04-23:28、14:36-16:48。可见,流量峰值较多,最严重拥堵时段存在于上午和晚间,主峰后置;4种拥堵程度内部晚间的最严重拥堵时段十分接近,时段内时长较短、时段间隔较小;随4种拥堵程度逐步增加,日内拥堵时段数量先扩大后缩小,也体现了晚间最严重拥堵时段集中分布的特征。这种拥堵时段在程度、分布、数量、间隔上的差异反映了时间异质性^[26]。

显示原图|下载原图ZIP|生成PPT
图5中国空中廊道拥堵时段分布
-->Fig. 5Congestion periods distribution of China's corridors-in-the-sky
-->

4.1.2 拥堵区段识别汇总图4和表1中拥堵区段分布,依据热格频数形成拥堵区段分布图（图6）。由图可见,空间上呈现出不平衡覆盖和趋近空中廊道交汇节点（机场终端区）集中分布的结构特征,前者具体表现为小区段覆盖的不完全贯通,如上海—深圳、成都—北京、北京—深圳、北京—重庆4条空中廊道拥堵区段范围占比

\leq

17%,这种小区段分布显著体现在高拥堵程度的空中廊道上,其大致呈现为以北京与成渝机场群、北京与广深机场群、上海与广深机场群构成的一个斜体“N”字型框架。后者表现为趋近空中廊道交汇节点的分布,其交汇节点次数在上海、成都/重庆、广州/深圳均有明显表现,其中上海交汇节点次数最高达到8次,趋近交汇节点分布最为显著。这种趋近于机场终端区的空间拥堵,说明交汇节点次数高的机场终端区更有可能成为中国空中廊道网络上的拥堵瓶颈。

显示原图|下载原图ZIP|生成PPT
图6中国空中廊道拥堵区段分布
-->Fig. 6Congestion segments distribution of China's corridors-in-the-sky
-->

4.1.3 拥堵时段和拥堵区段时空交互识别汇总图4和表1中空中廊道拥堵区段分布,并结合拥堵时段重叠次数,形成基于时段重叠的拥堵区段分布图（图7）。由图可知,时空交互下拥堵的内部分异更加复杂。

显示原图|下载原图ZIP|生成PPT
图7基于时段重叠的中国空中廊道拥堵区段分布
-->Fig. 7Congestion segments distribution of China's corridors-in-the-sky based on periods overlap description
-->

（1）依据多拥堵区段分布的描述,多个廊道的不同拥堵区段存有共同拥堵时段,重叠次数最高的7个拥堵区段均在上午的8:38-9:08时段和晚间的21:26-21:38时段,时段内时长较短（12~22 min）。总体上随区段重叠次数增加拥堵时段内的时长逐渐缩小,即从1次重叠增加到7次重叠时,时段内时长由132 min缩短到12 min,其中最长时长（14:36-16:48）发生在1次重叠的拥堵区段内,最短时长（21:26-21:38）发生在7次重叠的拥堵区段内。共同拥堵时段空间分布不均匀,以上海为交汇节点的空中廊道出现共同拥堵时段的次数最多,这种某一方向上和连接某一机场终端区的空中廊道共同拥堵时段的出现对航班时刻资源优化、机场基础设施规模扩大提出严峻挑战。
（2）依据时段重叠的描述,空中廊道拥堵区段存在单一时段和多时段重叠两种类型,日内拥堵时段时长均与拥堵区段范围呈正相关。8条单一时段下的拥堵区段较短的（80~240 nmi）有6条,拥堵时长为28~64 min;较长的（580~715 nmi）有2条,拥堵时长为4 h 12 min~9 h 56 min。6条多时段重叠（次数分别为3和2）下的拥堵区段较短的（20~90 nmi）有2条,拥堵时长为20~100 min;较长的（220~810 nmi）有4条,拥堵时长为3 h 34 min~7 h 42 min。其中单一时段下时长较短、区段较短的特征集中体现在斜体“N”字型框架上,可见前述小区段分布特征在时空交互下表现更加显著。

4.2 航线流量影响分析

下面选取中国4条高拥堵程度的空中廊道（上海—深圳、北京—成都、上海—广州、北京—深圳）,用以分析不同航线流量对空中廊道拥堵时段和拥堵区段的影响。同图3和图4绘制方法一致,生成空中廊道拥堵覆盖及全部航线抵离航班轨迹叠加图（图8）。

显示原图|下载原图ZIP|生成PPT
图8空中廊道拥堵覆盖及全部航线抵离航班轨迹叠加
-->Fig. 8Congestion cover and trajectories overlap of all arrival and departure flights of corridors-in-the-sky
-->

计算规模值和汇聚值得到图9,由图9分析：① 用识别出的5个拥堵时段和拥堵区段计算规模值可见,高流量航线在拥堵中起相对决定性作用,4条空中廊道上高流量航线的规模值均显著高于其余航线,其中上海—深圳空中廊道上上海—深圳航线的规模值

>

50%;用确定的5个拥堵时段和拥堵区段内8个热格计算汇聚值可见,高流量航线在拥堵中也起相对决定性作用,4条空中廊道上的5个拥堵时段和拥堵区段中高流量航线的汇聚值也均显著高于其余航线,其中上海—深圳、上海—广州、北京—深圳3条空中廊道上的上海—深圳、上海—广州、北京—深圳航线的汇聚值

\geq

50%。总之,无论是拥堵时段和拥堵区段内航班轨迹数量在全部航线航班轨迹数量的占比,还是热格内航班轨迹交叉点数量在全部航线航班轨迹交叉点数量的占比,高流量航线都显著高于其余航线。即使在空中廊道纳入较多航线参与者与航班量以及流量出现时空波动时,高流量航线在空中廊道拥堵中的影响依然显著。高流量航线拥堵程度及拥堵范围与位置受规模值和汇聚值共同影响。② 以规模值衡量,高流量航线抵港和离港两个方向在拥堵中的作用并不均衡,4条空中廊道的5个拥堵时段和拥堵区段中,高流量航线抵港和离港的航班量均有差异,其中上海—深圳、北京—成都、上海—广州空中廊道的差异最大,拥堵时段和拥堵区段中抵港和离港航班量的不均衡比值达到2/3。分析其原因,可能是由航班速度和航班时刻不同引起航班量在空中廊道上的动态演变造成的。

显示原图|下载原图ZIP|生成PPT
图9空中廊道航线规模值和汇聚值
-->Fig. 9Air routes' scale value and aggregation value of corridors-in-the-sky
-->

由上能看出,从静态航线最大容量和动态流量拥堵识别两个方面评测,依托负荷值高和航班量大的某个方向上的干线航线确定空中廊道位置的模式是合理的。

5 结论与展望

5.1 结论

① 中国空中廊道拥堵时段呈现为全天多峰“波浪型”分散分布及高峰后端集聚的结构特征,流量峰值在上午和晚间均有分布,4种拥堵程度内部最严重拥堵时段分别存在于8:38-9:08、21:18-21:48,22:04-22:40,23:04-23:28,14:36-16:48,形成拥堵时段的短时长、小间隔、晚间集聚特征。这种特征将成为机场航班时刻资源优化调整的重要参考依据。② 拥堵区段整体呈现出不平衡覆盖和趋近于空中廊道交汇节点（机场终端区）集中分布的结构特征。高拥堵程度的空中廊道呈现为一个斜体“N”字型框架,即以北京与成渝机场群、广深机场群和上海与广深机场群构成,框架上为小区段覆盖的不完全贯通;高交汇节点次数在上海机场终端区最为显著。其拥堵区段特征与中国干线客运航线密度分布基本是一致的,其交汇节点特征指示出中国航线网络及空中廊道网络上存在的拥堵瓶颈。③ 时空交互下,多个空中廊道的不同拥堵区段存有共同拥堵时段,重叠次数最高的存在于上午8:38-9:08时段和晚间21:26-21:38时段,且拥堵时段时长与区段重叠次数成反比;时空交互下的拥堵区段表现为单一时段和多时段重叠的差异,且日内两种类型的拥堵区段范围与拥堵时段时长呈正比。④ 以规模值和汇聚值表征,总体上高流量航线在整条空中廊道拥堵识别中起相对决定性作用,在空中廊道纳入较多航线参与者且航线内航班量较大以及流量动态波动的情况下,其作用依然显著。拥堵识别中高流量航线在抵离港两个方向上的作用是不均衡的。⑤ 所构建的由空中廊道划设、拥堵状态识别、航线流量影响组成的研究方法,能较清晰地识别中国空中廊道拥堵时段和拥堵区段,有助于解决空域资源充分开发利用中航班量时空分布与容量均衡匹配问题。基于拥堵时段和拥堵区段识别实施的流量动态管理,将成为缓解航班延误和空中交通阻塞的一项关键技术。

5.2 展望

目前,由单位时间内空中交通流量增多引起的空域资源利用率问题仍是导致我国航班延误的主要原因之一。关于空域资源充分开发利用研究,在对象上提出了空域动态重构和空域灵活使用的命题^{[1, 15]},在方法上提出了时空一体化的命题^[14,15],以实现未充分利用空域的容量释放和合理配置。本文依据高流量航线划设空中廊道,依据时空图生成航班飞行轨迹,较精确地描述了航班实时占用空域的时空位置和空域内动态航班的数量,识别了不同时段、区段内空域拥堵状态,体现了动态构建的灵活性和时空多维度需求。这项研究展现出地理学范式下对空域资源动态灵活配置的积极探索。
未来,地理学关于空域资源充分开发利用研究的发展方向应是深入探讨机场终端区与空中廊道不同空中交通单元的相互作用。以往研究较多关注机场终端区拥堵^[16],其中以抵离港航班数量、航班密度等为指标的时刻资源研究曾揭示出日内存在的时间异质性和明显的峰区特征^[21]。也有研究基于延迟事件计数指出国家空中交通网络中的最拥堵区域,并在机场终端区交通单元拥堵研究中提出与航线拥堵存有一定共性和差异性^[27]。但鉴于机场终端区和空中廊道两者状态的不一致,精准刻画流量峰值间的关系、清晰揭示其存在的内在机制可能将依赖于更多的案例研究,特别是依赖于高拥堵程度的空中廊道框架上航班量趋近于空中廊道交汇节点的分布规律,兼顾空中廊道拥堵时段和拥堵区段向机场终端区的转移过程来完成。
The authors have declared that no competing interests exist.

中国空中廊道划设与时空拥堵识别及其航线流量影响

本站小编 Free考研考试/2021-12-29

The design of China's corridors-in-the-sky and the influence of air routes traffic on the identification of space-time congestion

1 引言