1.一种基于场面交通态势特征预测的航班额外滑行时间估算方法，其特征在于，包括：对无扰滑出时间进行计算；对机场航班数据进行预处理，构建复杂多跑道场面交通态势特征以及航班基础信息特征；构建基于预测的交通态势特征；构建基于预测的交通态势和航班基础信息数据集；构建NOA-XGBOOST组合模型；验证NOA-XGBOOST组合模型的准确性；其中所述构建复杂多跑道场面交通态势特征以及航班基础信息特征包括：所述复杂多跑道场面交通态势特征包括离港流量、进港流量、离港流量占比、连廊离港流量和连廊进港流量；所述航班基础信息特征包括航空公司、飞机类型、受限状态、时间；所述航空公司特征包括国内航司和国外航司；所述飞机类型特征包括C类航班、D类航班、E类航班和F类航班；所述受限状态特征包括受限航班和非受限航班；所述时间特征包括小时；所述构建基于预测的交通态势特征包括：运用ACDM系统中的计算时间点CTOT、COBT、CLDT和CIBT值进行场面交通态势特征的预测，这些值通常在飞机起飞前30分钟或1小时内确定；所述构建基于预测的交通态势和航班基础信息数据集的方法包括：根据构建的基于预测的交通态势特征以及航班基础信息特征，从原始进离港数据中选取相关数据，对原始数据进行预处理，运用预处理之后的数据进行计算，得到基于预测的交通态势和航班基础信息数据集；所述构建NOA-XGBOOST组合模型的方法包括：构建NOA模型、构建XGBOOST模型和构建NOA-XGBOOST组合模型；其中所述构建NOA模型包括觅食和储存策略以及缓存搜索和恢复策略两个阶段，每个阶段都包含全局搜索和局部开发；在觅食和储存策略阶段的全局搜索阶段，位置的更新公式为：式中： 为当前代第i个胡桃夹子的新位置； 为当前代第i个胡桃夹子的第j个位置；U j 和L j 是向量，包括优化问题中第j维的上界和下界；γ是根据levy行产生的随机数； 是目前得到的第j维最优解；A、C和B是从种群中随机选择的三个不同的指标，以便于探索高质量的食物来源；τ 1 ,τ 2 ,r,r 1 为[0,1]范围内的随机实数； 是当前种群在第t次迭代中所有解的第j维均值；μ是基于正态分布(τ 4 )，levy-flight(τ 5 )，随机在0到1(τ 3 )之间生成的数；在觅食和储存策略阶段的局部开发阶段，位置的更新公式为：式中：λ是根据levy飞行生成的一个数字，τ 3 是0到1之间的一个随机数；l是NOA开发行为从1到0线性递减的因子；在缓存搜索和恢复策略的全局搜索阶段，其位置更新公式为：式中： 为当前迭代t中第i个胡桃钳当前位置/缓存的第一个参考点；r 1 ,r 2 ,τ 3 ,τ 4 ,τ 5 ,τ 6 是0到1之间的随机数，C是从总体中随机选择的解的索引；在缓存搜索和恢复策略的局部开发阶段，其位置更新公式为：式中： 是第i个胡桃夹子在迭代t时当前缓存的第一个参考点， 是第i个胡桃夹子在迭代t时当前缓存的第二个参考点；以上所有更新的过程中都要进行调整，即：所述构建XGBOOST模型包括：初始化基学习器，即式中 是第i个样本的初始估算，y i 是实际值，n是样本数；在每一轮迭代m中，计算残差 即真实值和当前值之间的差异：式中， 为第m-1轮迭代时第i个样本的估算值；训练基学习器h m (x)拟合残差 更新基学习器：式中，η是学习率，控制每个基学习器对最终模型的贡献；将新的基学习器加入到模型中，更新模型的估算：式中，M是总迭代次数；所构建的NOA-XGBOOST组合模型包括：将NOA模型的目标函数设置为估算结果的RMSE值，将寻优变量设置为XGBOOST的超参数，将优化得到的超参数值输入到XGBOOST模型中进行估算，最终得到额外滑出时间估算值。
2.如权利要求1所述的航班额外滑行时间估算方法，其特征在于，所述无扰滑出时间计算包括：将航班进行分组，运用皮尔逊相关系数筛选进离港流量指标，建立线性回归模型进行计算。
3.如权利要求1所述的航班额外滑行时间估算方法，其特征在于，执行NOA-XGBOOST组合模型步骤包括：步骤1：将数据集80％的数据作为训练样本，20％的数据作为测试样本；步骤2：设置XGBOOST超参数的寻优范围，并将NOA的目标函数设置为RMSE值；步骤3：在训练集上初始化NOA和XGBOOST模型参数，运用NOA算法迭代更新，得到最优XGBOOST超参数；步骤4：在测试集上使用训练好的模型以及最优超参数进行估算，得到额外滑出时间估算值。
