基于Logistic模型的空中交通流量中長期預(yù)測研究

陳艷彥 陳子辰 張兆寧

摘? 要：空中交通流量的中長期預(yù)測是空管和機(jī)場進(jìn)行規(guī)劃、決策時(shí)的重要依據(jù)。在對空中交通流量進(jìn)行中長期預(yù)測時(shí)，考慮到空域容量和管制員負(fù)荷等限制因素，流量雖然會(huì)隨著經(jīng)濟(jì)發(fā)展不斷增加，但是不會(huì)無限制的增長。由于這一增長特性與Logistic模型相吻合，因此文章根據(jù)空中交通流量發(fā)展趨勢建立Logistic預(yù)測模型。通過采集到的某一管制區(qū)2009-2019歷史數(shù)據(jù)，利用預(yù)測模型，由2009-2017年數(shù)據(jù)預(yù)測2018、2019年空中交通流量來驗(yàn)證模型的適用性，結(jié)果顯示模型的預(yù)測精度較高，可用于中長期空中交通流量的預(yù)測。接著運(yùn)用Logistic模型預(yù)測了該管制區(qū)2020-2025年的流量，從預(yù)測結(jié)果來看，該管制區(qū)的空中交通流量的增長量將逐年降低。

關(guān)鍵詞：空中交通流量;流量預(yù)測;Logistic模型

中圖分類號(hào)：V355 文獻(xiàn)標(biāo)志碼：A? ? ? ? ?文章編號(hào)：2095-2945（2020）27-0027-03

Abstract： The medium- and long-term forecasting of air traffic flow is an important basis for air traffic control and airport planning and decision-making. In the medium- and long-term forecasting of air traffic flow， considering the constraints of airspace capacity and controller load， the flow will continue to increase with economic development， but it will not increase without limit. Because this growth characteristic is consistent with the Logistic model， this paper establishes a Logistic prediction model according to the development trend of air traffic flow. By collecting the historical data of 2009-2019 in a certain control area， and using the data of 2013-2017， the air traffic flow of 2018 and 2019 is predicted by the prediction model so as to verify the applicability of the model. The results show that the prediction accuracy of the model is high and available for medium- and long-term forecasting of air traffic flow. Then we use the Logistic model to predict the flow of the control area from 2020 to 2025. As is seen from the prediction results， the growth of air traffic flow in the control area will decrease year by year.

Keywords： air traffic flow; traffic flow forecasting; logistic model

引言

合理的空域規(guī)劃可以有效解決空域擁堵問題，其中，空中交通流量預(yù)測能夠?yàn)榭沼蛞?guī)劃提供輔助決策信息，對決策的準(zhǔn)確性有導(dǎo)向性作用。國內(nèi)外針對流量預(yù)測的研究早已起步。2001年Grubb和Mason[1]使用改進(jìn)的Holt-Winters分解法對英國航空旅客運(yùn)輸量進(jìn)行了長期預(yù)測;2002年Alexandre Bayen[2]等人通過研究國家空中交通管理模型對流量進(jìn)行了預(yù)測;2003年Matthew[3]等人提出了一種評估協(xié)同流量管理的建模方法;2007年Blinova[4]分析了人工神經(jīng)網(wǎng)絡(luò)法預(yù)測俄羅斯旅客流量的適用性;2014年Emrah和Sultan[5]運(yùn)用平滑預(yù)測方法，分別對總旅客流量，總貨物流量，總飛行流量和商業(yè)飛行流量四個(gè)空中交通指標(biāo)進(jìn)行預(yù)測;2017年[6]Nicholas和Vadim建立深度學(xué)習(xí)模型捕獲非線性的時(shí)空效應(yīng)，對交通流量進(jìn)行短期預(yù)測。

國內(nèi)對空中交通流量的中長期預(yù)測研究較多，2007年趙玉環(huán)[7]建立了基于時(shí)間序列的灰色預(yù)測模型;2008年趙玉環(huán)和郭爽[7]將空中交通流量分為確定成份和隨機(jī)成份來進(jìn)行預(yù)測;2009年姜靜逸[8]等人建立了趨勢外推法與多元回歸法的組合預(yù)測模型，預(yù)測結(jié)果較傳統(tǒng)方法有更高的準(zhǔn)確性;2009年張明[9]提出基于雙重力模型和人工神經(jīng)網(wǎng)絡(luò)的空中交通流量組合預(yù)測模型;2015年陳丹[10]等人考慮周期性波動(dòng)因素，建立中長期空中交通流量預(yù)測模型;2019年Lin[11]提出了一種基于端到端的深度學(xué)習(xí)模型對空中交通流量進(jìn)行短期預(yù)測，模型借助神經(jīng)網(wǎng)絡(luò)在時(shí)空相關(guān)性上的突出能力，預(yù)測性能優(yōu)于現(xiàn)有方法。

以上研究中，在對空中交通流量進(jìn)行中長期預(yù)測時(shí)，更多的考慮了隨機(jī)因素，而未考慮空域等因素的限制。我國現(xiàn)有空域并未對民用航空完全開放，民航所能夠使用的空域十分有限，同時(shí)考慮管制員負(fù)荷等因素，空域流量不會(huì)無限制的增加。這一特點(diǎn)與生物種群數(shù)量的增長特點(diǎn)相似，因此，本文采用常用于生物種群研究的Logistic預(yù)測模型，對空中交通流量進(jìn)行中長期預(yù)測。

1 Logistic預(yù)測模型

Logistic預(yù)測模型是一種經(jīng)典的基于時(shí)間序列的趨勢外推模型，最初用于研究生物種群發(fā)展規(guī)律，它假定種群的增長取決于兩個(gè)因素：種群的現(xiàn)有規(guī)模和環(huán)境（生存空間、光照、水、食物等），其中環(huán)境是限制性因素，在有限的環(huán)境（如有限的生存空間）之中，隨著種群密度的上升，對有限空間資源的競爭必將加劇，從而影響種群的生殖率和存活率，以至降低種群的實(shí)際增長率，最后種群停止增長，有時(shí)甚至下降。因此種群不可能無限增長，而是存在增長極限，即環(huán)境容納量（Carrying Capacity）K值。

與此類似，空中交通流量的增長也呈這種規(guī)律，即：在民航發(fā)展初期或機(jī)場、航路剛開始投入運(yùn)行時(shí)，交通流量增長速度較慢;到了正常運(yùn)行階段，隨經(jīng)濟(jì)發(fā)展流量迅速增長，再往后由于空域容量和管制員負(fù)荷的限制，流量趨于某一極限，增長緩慢或停止增長。因此可以用Logistic函數(shù)來建立預(yù)測模型。

2 管制區(qū)中長期流量預(yù)測

2.1 預(yù)測及預(yù)測精度驗(yàn)證

在使用模型對空中交通流量進(jìn)行預(yù)測前，需要對模型的預(yù)測精度進(jìn)行驗(yàn)證，因此我們以某管制區(qū)2009-2017年航班流量統(tǒng)計(jì)值為例，使用Logistic預(yù)測模型，對2018年與2019年的航班流量進(jìn)行預(yù)測。

通過表2可以看出，Logistic預(yù)測模型能夠較好地?cái)M合2009年-2017年的空中交通流量統(tǒng)計(jì)值，平均擬合精度不低于98%;對2018年與2019年空中交通流量進(jìn)行預(yù)測的預(yù)測結(jié)果分別為56.5萬架次和61.6萬架次，預(yù)測精度達(dá)到99.4%與99%。因此可以認(rèn)為Logistic預(yù)測模型適用于空中交通流量的預(yù)測。

2.2 流量預(yù)測

將Logistic預(yù)測模型應(yīng)用于該管制區(qū)未來6年的流量預(yù)測中，預(yù)測結(jié)果如圖2所示。從圖中可以看出，未來6年的流量仍在持續(xù)增長，但有平緩的趨勢。特別地，2020年由于疫情影響，預(yù)測數(shù)據(jù)準(zhǔn)確度將會(huì)有所下降，屬于特例情況。

3 結(jié)束語

空中交通流量的增長與生物種群發(fā)展規(guī)律具有相似性。將Logistic預(yù)測模型應(yīng)用于空中交通流量的預(yù)測中，通過算例分析，模型對歷史數(shù)據(jù)的擬合度較高，預(yù)測結(jié)果也能滿足精度要求，驗(yàn)證了該模型在流量預(yù)測方面的適用性。

參考文獻(xiàn)：

[1]Howard Grubb，Alexina Mason.Long lead-time Forecating of UK Air Passengers by Holt-Winters Methods with Damped Trend[J].International Journal of Forecasting，2001，17：71-82.

[2]Alexandre Bayen，Pascal Grieder，Clair Tomlin.A Control Theoretic Predictive Model For Sector-Based Air Traffic Flow[J].AIAA GNC Conference，2002.

[3]Matthew E.Berge.Airline Schedule Recovery in Collaborative Flow Management with Airport and Airspace Capacity Constraints[J].US/Europe Air Traffic Management R&D Seminar，Budapest， June，23-27，2003.

[4]Blinova T O.Analysis of Possibility of Using Neural Network to Forecast Passenger Traffic Flows in Russia[J].Aviation，2007，11（1）：28-35.

[5]Emrah nder， Sultan Kuzu. Forecasting air traffic volumes using smoothing techniques[J]. Journal of Aeronautics and Space Technologies， 2014，7（1）：1-21.

[6]Nicholas G.Polson， Vadim O.Sokolov. Deep learning for short-term traffic flow prediction[J]. Transportation Research Part C： Emerging Technologies， 2017，79：1-17.

[7]趙玉環(huán)，郭爽.考慮隨機(jī)因素的空中交通流量預(yù)測模型研究[J].中國民航大學(xué)學(xué)報(bào)，2008（04）：59-61.

[8]姜靜逸，韓松臣，王玉婷.新型組合預(yù)測模型在空中交通流量預(yù)測的應(yīng)用[J].中國民航大學(xué)學(xué)報(bào)，2009，27（05）：4-8.

[9]張明，韓松臣，黃林源.基于雙重力模型和人工神經(jīng)網(wǎng)絡(luò)的空中交通流量組合預(yù)測[J].西南交通大學(xué)學(xué)報(bào)，2009，44（05）：764-770.

[10]陳丹，胡明華，張洪海，等.考慮周期性波動(dòng)因素的中長期空中交通流量預(yù)測[J].西南交通大學(xué)學(xué)報(bào)，2015，50（03）：562-568.

[11]YiLin， JianweiZhang， HongLiu. Deep learning based short-term air traffic flow prediction considering temporal-spatial correlation[J]. Aerospace Science and Technology， 2019，93：1-9.

[12]程毛林.邏輯斯蒂曲線的幾個(gè)推廣模型與應(yīng)用[J].運(yùn)籌與管理，2003，12（3）：85-88.