大型繁忙机场场面布局复杂,场面进离港航空器数量叠加造成机场长期处于高负荷运转状态,使得航空器由于滑行时间过长而导致的延误时有发生。同时,集成了空管、机场、航空公司三方数据的机场协同管理系统（A-CDM）的广泛使用为研究机场场面运行效率及预测航空器关键时间节点提供了数据基础。作为评价场面运行效率的关键指标之一,滑行时间预测的准确性不仅为优化航班推出时刻,提高离场时隙的使用效率具有重要作用,还可以为航空公司准确计算油量、航空器减少地面排放提供理论参考。基于以上原因,本文建立深度学习模型预测不确定性条件下的离场航空器滑行时间,具体过程如下:首先,对研究所需的数据进行预处理及分析影响滑行时间的因素。根据本研究所使用的多源异构数据进行融合处理,利用数据标准化算法消除不同数据量纲的差异来提高数据质量。为解决数据不平衡导致的模型鲁棒性降低的问题,使用数据重采样技术平衡各类别数据的数量。同时,对影响航空器滑行时间的因素及影响程度进行分析,根据因素的数据特征进一步将其分为静态确定因素（机型,跑道运行模式,滑行距离等）及动态不确定因素（机场场面流量、天气）。其次,对动态不确定性因素（机场场面流量）进行预测。根据数据的时-空属性,利用滑动时间窗法将数据进行平滑处理,保证了后续预测的连续性及稳定性。建立长短期记忆网络-深度神经网络（D-LSTM）联合模型,预测机场场面实际流量。使用D-LSTM模型对香港机场场面流量进行预测验证。结果显示,与其他机器学习模型相比,D-LSTM模型预测的准确率为88.0%,可有效地捕捉场面流量的趋势性及周期性特征。最后,建立深度学习模型预测离场航空器滑行时间。根据现阶段航空器滑行时间的定义及统计方法分别建立两个模型以预测离场航空器滑行时间,分别为:基于历史统计数据（未对动态不确定因素进行预测）的航空器滑行时间预测Wide-Deep模型;以及将机场场面流量变为不确定因素下的动态Wide-Deep模型。结果显示,以上两种深度学习模型预测精度均明显优于其他机器学习算法,可用于大型机场多种运行条件下离场航空器滑行时间预测。