随着我国民航机场向多跑道、多航站楼、多滑行道的趋势发展,机场布局、机场场面交通愈加复杂,对场面活动引导与控制提出了更高的要求。精确的机场场面航空器轨迹预测,能够帮助解决航空器滑行冲突、滑行等待时间长的问题,不仅是场面活动动态路由规划的基础,还是推进高级场面活动引导与控制系统发展的重要功能。本文提出了基于注意力机制的PSO-LSTM轨迹预测算法,能够实现机场场面航空器的中长期精确预测。提高了管制人员对机场管控的效率,保证了机场场面的运行安全。本文首先利用C#语言完成对1165892条数据的报文解析工作。对北京首都机场部分时段的ADS-B数据进行数据预处理,采用改进的数据插值方法处理缺失数据,将WGS-84坐标系下的经纬度转换为UTM坐标数据。其次采用隐马尔可夫、卡尔曼滤波的传统轨迹预测算法和LSTM、RNN、GRU的深度学习算法对场面航空器轨迹进行预测。在此基础上,提出了基于注意力机制的PSO-LSTM轨迹预测算法。将PSO算法融入LSTM,通过改进粒子个体的速度更新公式和位置更新公式,利用PSO算法优化LSTM模型中隐藏层单元数、学习率参数,确定场面轨迹预测模型的最佳参数。同时引入注意力机制来提高神经网络处理信息的能力,分别采用Tanh、Softsign和Sigmoid三种激活函数进行对比验证。针对上述所有算法,利用历史轨迹数据,对未来不同长度时间的轨迹进行预测,使用平均绝对误差和均方误差对预测效果进行统一评估。实验表明,改进后的算法进一步提升了模型预测的准确度,实现了机场场面航空器轨迹的中长期预测。最后设计开发了机场场面轨迹预测系统,作为机场场面安全运行辅助工具。