民航运输业的发展对空中交通管理提出了更精细化的需求,在对流天气下容量与流量的平衡工作是保障航班正点率和减少航班延误的重要保证。对流天气的非合作性与时变性以及空中交通流量管理相对滞后性的矛盾加剧了对流天气下航班运行以及管制的复杂度。传统对流天气下容量预测方法以其精度低、跳变现象严重而不能支持精细化管理的要求,数据存储能力和民航数据质量的提高以及机器学习理论的飞速发展为对流天气下的空域容量预测提供了新方法。本文在国内外研究成果的基础上,结合我国对流天气下管制运行特点,综合考虑空域、交通与气象特征进而量化对流天气对于空域运行的影响,并采用机器学习方法建立空域容量预测模型。本文首先结合对流天气特征,针对对流天气下的终端区空域和区域空域的管制特征进行分析,详细讨论了天气覆盖机场区域、终端区走廊以及管制边界时对于管制工作的影响。结合反映飞行员绕飞偏好的天气避让区产品,采用天气危险指数、可用流容比、扫描法指数、航路可用率以及天气影响交通指数全面量化对流天气对于空域的影响程度,考虑到天气样本更新频率与空域容量预测时间粒度的不同步性,进行了基于预测粒度的天气特征融合;在空域历史运行数据的基础上,采用基于分位数的高峰小时识别方法建立了空域容量预测数据集,并进行了基于信息增益的特征选择以及主成分分析的特征降维;采用线性回归、支持向量回归、K近邻回归以及随机森林回归在空域容量预测数据集上进行了预测实验。最后以广州终端区起降容量为例对提出的对流天气下空域容量预测方法进行了验证与分析,与传统采用的流量加权解析模型相比,结果表明非参数机器学习模型,尤其是K近邻模型具有优秀的容量预测精度与稳定性。