随着民航的快速发展,增长的飞行流量和紧张的空域资源之间的矛盾日益突显,扇区结构需要经常改变以适应不断增长的交通流量需求。在此过程中,需要对扇区容量进行持续评估,辅助扇区规划与日常流量管理。本文针对扇区容量需要随扇区结构改变而经常更新,且对于扇区规划阶段,管制员工作负荷不能科学确定的情况,提出了基于海量航迹数据的K-means聚类和神经网络算法模型评估管制扇区容量的新技术。技术方面,本文首先分析了扇区结构与运行特征,并根据扇区结构和运行特征,基于ADSB航迹提取扇区复杂性相关指标;然后,使用逐步回归模型对指标进行筛选;其次,使用Kmeans算法模型,结合扇区复杂性关键指标,对扇区进行聚类;最后,采用BP神经网络算法模型,对扇区容量进行评估。实证方面,本文采用中南管制区域部分扇区对提出的评估方法进行实证研究。实证结果表明,评估的扇区容量准确率符合期望,验证了方法的有效性和可行性。本文的评估技术可以适应扇区因运行环境变化需要经常评估容量的需求,且解决了管制员工作负荷不便获取时,扇区容量评估的问题。本文最后对论文的成果进行了总结,并针对机器学习在扇区容量评估领域的进一步应用进行了展望。