终端区作为航路与机场的过渡性区域,进场航线聚集,呈现出高复杂性和高密度性的特点。随着空中交通流量的快速增加,传统的粗放运行管理模式已无法把握终端区交通流时空规律和动态特征。采用机器学习的方法对终端区运行数据进行技术研究有助于深度认知交通流组织模式,实现针对性、精细化的科学管制决策。本文以终端区历史雷达轨迹数据为基础,在进场交通流识别、态势分析、管制参考路径提取方面进行深入研究。首先通过重采样方法对轨迹数据进行预处理,消除原始数据冗余性,基于修正欧式距离和航向、速度变化因子建立轨迹相似度模型,随后引入自然最近邻方法获取轨迹点对间密度信息,自适应实现高斯核函数降噪处理,对进场飞行轨迹进行谱聚类分析,快速、精确提取出不同方向的进场交通流;其次定义能够反应航空器运行特征的进场交通流属性,对不同交通流属性之间的数值关系和变化规律进行研究,发掘自由态、平稳态、拥堵态三种态势的管制运行特性,引入模糊聚类提出单个交通流的态势识别方法,并结合聚类结果探索态势演化规律,实现交通态势的客观判别,为终端区运行策略制定和时空分布调配优化提供支撑;最后对进场交通流属性降维分析,提取出独立特征因子,以此为输入构建支持向量机态势快速判别模型,采用先验知识和模糊聚类获取的样本集进行训练和验证,通过交叉验证和网格搜索建立特征因子输入与交通态势等级输出的映射关系,实现最优参数训练和交通流态势的快速预判。依据判别结果提取各交通流不同态势下轨迹数据,分析不同态势下的进场飞行轨迹表现形式,从空间运行特征挖掘管制员指令偏好,获取自由态、平稳态、拥堵态的管制参考轨迹。本文的研究成果从数据分析角度为管制员提供决策支持,便于高效实施空中交通流量管理策略,提高空管运行效能,为未来终端区科学管制提供参考方法。