考虑到机场之间的临近和客流量庞大这两个因素,首都机场群被认为是国内运营比较复杂的机场群,随着空中交通流量的增加,终端区航空器的运行模式也日益复杂,因而需要对机场群交通流模式进行研究从而掌握机场群的运行状态与空域动态复杂度。另外协同管理决策需要进行精细化的流量管理,因此必须要考虑诸如天气等不确定性因素,然后对动态容量进行预测研究,从而更好地为流量管理服务。为了实现上述目标,本文进行了基于交通流模式的机场群容量预测研究。首先,对轨迹数据、气象数据、进离场需求数据和容量数据进行处理。具体如下,对轨迹数据进行处理,筛选出首都机场群各个机场的进离场数据;对气象数据进行处理,筛选出各个机场所研究时间段的特征数据;通过班期时刻表获取各个机场的进离场需求数据;通过对历史高峰数据进行评估得到历史基准容量数据。其次,根据交通流空间和时间模式的定义,指出要提炼和识别交通流模式,就要掌握各轨迹类别在时间和空间上的分布特点,因此需要先对轨迹进行聚类。介绍现有聚类算法,分析它们在适用文中具体问题时存在的劣势,进而提出改进算法解决问题,并通过基于密度的聚类对比实验验证聚类算法结果的合理性。之后识别出机场交通流模式,在此基础上,根据机场群交通流模式的定义运用实例对机场群交通流模式进行识别。第三,为了后续进行容量的预测,交通流模式作为其中一个影响因素势要先进行预测研究,因此建立了基于门控循环神经网络（GRU）的机场群交通流模式预测模型。建立机场群交通流模式预测模型,用仿真实验检验改进后的效果,从而选择出适用于机场群交通流模式预测的最佳模型。最后,根据容量的定义,并对历史基准容量进行统计计算。在考虑机场群交通流模式、天气因素、历史容量因素的基础上对机场群容量进行预测。根据要研究的具体问题建立基于GRU的容量预测模型,为了验证该算法的性能,建立了长短期记忆网络（LSTM）模型作为对比模型,进行仿真实验后得出适用于本研究的最佳容量预测模型,通过实例对容量与流量走势进行分析研究,还讨论了天气特征加入容量模型和不加入容量模型对结果的影响。仿真结果显示,该模型精度可达90%以上,其预测结果可以为机场群实时容量评估系统、实时流量管理系统等提供数据支持。