4D航迹预测是未来的发展趋势,可在未来的空中交通中的自动化系统中发挥重要作用。同时,它还是冲突探测与解脱、航班排序、间隔管理等的基础,被视为解决全世界空中交通管制问题的有效解决方案。在本文中,一种创新的4D航迹预测混合模型被提出,经由应用主流数据分析和机器学习手段处理终端机动区(Terminal Maneuvering Area,TMA)中短期尺度的4D航迹预测问题。所提出的模型由两部分组成:基于聚类的数据预处理模型和基于集成学习思想的多细胞神经网络(Multi-Cells Neural Network,MCNN)预测模型。预处理部分首先将对航迹原始数据进行清理,过滤和重采样。为了削减航迹矢量的变量维度,引入并使用主成分分析。随后,降维后得到的航迹矩阵经由聚类算法,被聚类成多个航迹簇。在预测模型中,使用嵌套交叉验证,针对每一个聚类簇,分别训练不同的MCNN模型,获得不同聚类簇对应的预测预计到达时间(Estimated Time of Arrival,ETA)的子模型。最终,引入并使用决策树对应的分类算法,将新航班分类到不同的聚类簇,并输入到已经训练完毕的预测模型,得到ETA。为了具体评估MCNN模型,提出了多元线性回归(Multiple Linear Regression,MLR)作为对比,并将K-means与DBSCAN算法作为预处理步骤中的聚类模型互相对比。仿真实验所使用的数据为北京首都国际机场的实际4D航迹数据,具体位于终端机动区区域之内。结果阐明:基于DBSCAN算法的预处理模型和多细胞神经网络的混合模型为最佳模型,在航迹聚类短时4D航迹预测任务中,平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Squared Error,RMSE)均为最低,可以进行精确的4D航迹预测。