近年来,伴随着社会经济的飞速发展,航班数量与旅客流量均大幅度的增长,航班的高密度运行给枢纽机场带来了巨大的运行压力,当前机场地面交通滋生了一系列交通问题,大数据环境下的机场实时态势感知系统关键技术的研究成为机场地面交通研究发展的新趋势。如何在满足机场基础条件限制的情况下,以机场地面交通流运行状态辨认和识别为目标进行航空器运行拥挤状况的度量,从而及时进行调整管理,缓解机场交通运行压力,优化机场交通复杂状态,有效提高机场容量及运营效率。论文依托国家自然科学基金项目,以时空演化理论为基础,对机场地面航空器慢化概率进行了研究。从航空器速度、流量、密度、里程碑节点时距、航空器到达时距五个方面分析机场地面交通流运行特性,并结合滞留度、饱和度、最大交通量指标对机场交通状态进行判定,以航空器到达时距为间接度量指标,利用自组织神经网络法对机场地面交通流运行状态进行识别,得出各类状态之间的划分阈值。采用数据挖掘技术(Data Mining,DM)对机场运行指标及相关基础数据进行处理分析,得出机场运行参数的统计分布特性,获得了机场各运行指标之间的关联关系,进而归纳分析出机场航空器地面交通流的随机演化机理。基于经典的时空演化理念,考虑航空器到达时距分布对机场运行的宏观影响和微观影响,研究分析航空器到达时距分布、加减速状态、机型、交通环境、安全尾流间隔、前后机速度差、飞行员自身反应和管制员指令等影响因素,构建基于航空器到达时距的慢化概率模型及其改进模型。以国内某枢纽机场为例,通过假定机场相关参数及条件对慢化概率模型公式进行仿真设计,然后利用Matlab软件中的模糊逻辑工具箱(Fuzzy Logic)对改进模型进行仿真运行,得出并分析仿真结果,评估模型的有效性。研究结果可为机场运营管理部门深入分析航空器地面交通流运行规律提供理论支持,为辨识和预测机场地面交通流运行状态奠定基础。