基于遺傳算法組合預測模型的空域流量預測系統構建

季節　王超學

摘 要： 航班總量的持續增長使得航班安全保障的壓力不斷加大。在空域資源有限、航空管制工作繁重的大型國際機場，航班動態信息的準確、可靠性將為制定有效地管制調配措施提供有力的依據。為了準確預測特定區域中某個航路點在某一時間段的航班流量，給管制人員提供參考，便于提前靈活、合理地制定管制策略，避免空域資源浪費，為各級決策部門制定發展戰略與規劃提供重要依據。基于不同航班流量信息源建立組合預測模型，通過遺傳算法對組合模型的權重值進行優化，并根據西安管制區域構建出了空域流量預測系統的設計構架。

關鍵詞： 空中交通； 航班動態； 流量預測； 組合預測； 遺傳算法

中圖分類號：TP302.1 文獻標志碼：A 文章編號：1006-8228（2014）03-27-03

0 引言

隨著改革開放和國家經濟的高速發展，中國民航迎來了空前的發展機遇[1]。根據民航總局2003年至2012年民航機場生產統計公報顯示，我國民航發生了翻天覆地的變化。2003年，民航國內通航機場126個（不含香港和澳門），定期航班通航城市125個；2012年，我國境內民用航空機場共有183個，定期航班通航城市178個[2]。在民航業整體運營中起到關鍵作用的空管部門所掌握的數據、信息是否準確十分重要。空域流量預測系統是一套能夠適應當前和今后空管自動化體系發展要求的信息處理系統。本文結合空域流量預測系統在西安管制區域內的實際應用，對如何準確預測特定區域中某個航路點在某一時間段的航班流量進行分析、探討，為空管人員提前、靈活、合理地制定管制策略，避免空域資源浪費，以及為各級決策部門制定發展戰略與規劃提供重要依據。

1 空域流量預測系統開發、應用的必要性

空中交通管理是民用航空運輸業安全的核心。高度的信息化管理為航空器安全起飛和著陸，使航空器之間保持安全的飛行間隔起到了不可忽視的保障作用。近年來，國家對西部經濟的有力扶持促進了西安區域經濟的快速發展，西安咸陽國際機場作為全國第八大國際機場，其航班年增長量排到了全國第四位。目前，西安管制區域受到了一些因素的限制，經常會出現在某一時間段內或空域內的航班過于集中和擁堵的現象。這些因素包括：周邊管制區域限制，終端的排序要求，管制區內雷達覆蓋及通訊設備使用效果欠佳，西安咸陽國際機場停機位數量、地面保障能力有限，以及區域內復雜天氣的影響等，這些不利因素導致了飛行沖突頻繁、管制調配難度增大、航班延誤等問題。這不僅增加了空管的工作負荷，給航空公司帶來了不必要的經濟損失，同時也引起了旅客滿意度下降等多種負面影響。因此，提高區域內空中交通管制工作容量和質量成為難題，科學地實行空中交通流量的監控和管理是解決問題的關鍵。

預測學運用觀察、歸納、演繹、推理等分析方法，運用數學模型和試驗方法，根據客觀的歷史資料、實際經驗和教訓，研究客觀事物的發展趨勢和規律，從而在技術上保證預測結果的可靠性和準確性。需求預測是預計未來在運輸系統內或實施中可能會有多少交通量或客（貨）運輸量。預測的目的在于研究和掌握事物的發展規律，最終使人們對事物的未來發展有一個估計和推斷[3]。要合理安排空域需要預測流量、制作預案。現行的航班統計與流量預測數據的生成采用人工手段、在數據處理能力、數據統計時效性、流量預測準確性等方面均有所欠缺。空域流量預測系統的開發，可使流量預測更準確地幫助空中交通管制員獲得未來時段內的飛行流量變化、預先做好計劃和預案、降低盲目飛行流量管理對航班正常率的影響、有準備地應對重大和突發事件，為管理部門制定更有效、合理的飛行計劃提供參考數據，從而實現緩解空域流量擁堵、完善流量控制預案、提高管制工作安全運行能力的目的。

2 基于遺傳算法的流量組合預測模型研究

組合預測方法是基于一個基本假設，即只用一種方法不能夠精確地描述出預測過程和預測結果，多個方法的組合可以彼此彌補各自模型存在的不足，可以說，組合預測法同時聚集了多種單個預測方法的優點，其預測效果明顯地優于單個預測方法。在利用組合模型預測流量的時候，首先，以誤差方差之和最小為目標建模；其次，要根據不同預測方法的特點進行綜合分析建模；最后，應用適合的優化算法確定預測模型各參數的權重，以保證預測結果的精確性[4]。組合算法的關鍵是如何準確地確定各種預測方法的加權系數，最優的加權系數可以充分利用各單項預測方法的優點使組合預測效果達到最佳[5]。

遺傳算法（Genetic Algorithm）是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，它是由美國Michigan大學J.Holland教授于1975年首先提出來的。GA是一種通過模擬自然進化過程搜索最優解的方法，它具有大規模并行隨機搜索能力，尋優能力強，收斂速度快，適合解決復雜的全局優化問題， 在解決空中交通管理問題中也有成功的應用[6-7]。

本文以西安地區空域AR03扇區2012年8月份30天的航班流量為樣本數據（包括航班時刻表、PLN報文、管制經驗信息數據），應用遺傳算法，按照組合預測算法的思路，對流量組合預測模型的權重值進行優化，其參數設置如表1所示。

表1 遺傳算法參數值的設置

[參數名稱＼&參數值＼&交叉算法＼&單點交叉＼&群體規模＼&100＼&變量個數＼&3＼&適應度函數＼&＼&最大迭代次數＼&500＼&各個體生存概率＼&＼&交叉概率＼&0.3＼&變異概率＼&0.25＼&]

表1模型中航班時刻表、PLN報和管制員工作經驗權重應用遺傳算法分別評估為0.203、0.286、0.511。表2列出了該扇區某月30天流量的實際值以及分別用根據航班時刻表預測、PLN報文預測和管制員經驗信息預測所得出的預測值。以當月1日為例：（0.203×679+0.286×698+0.511×692）≈690，即組合預測表明，在這一天該機場將會有690架飛機進、離場。表2中各縮寫的意義為：SLZ-實際流量值；LYZ-流量預測值；WC%-流量誤差百分比（[LYZ-SLZ]/SLZ*100%）。

表2 各種預測方法的預測結果的比較

[時間＼&SLZ＼&航班時刻表預測＼&PLN報文預測＼&管制經驗信息預測＼&組合預測＼&LYZ＼&WC%＼&LYZ＼&WC%＼&LYZ＼&WC%＼&LYZ＼&WC%＼&0801＼&687＼&679＼&1.164＼&698＼&1.161＼&692＼&0.728＼&690＼&0.364＼&0802＼&677＼&670＼&1.034＼&685＼&1.182＼&685＼&1.182＼&681＼&0.548＼&0803＼&709＼&703＼&0.846＼&717＼&1.128＼&702＼&0.987＼&705＼&0.518＼&0804＼&685＼&680＼&0.730＼&693＼&1.168＼&690＼&0.730＼&688＼&0.401＼&0805＼&638＼&631＼&1.097＼&643＼&0.784＼&641＼&0.47＼&639＼&0.086＼&0806＼&616＼&610＼&0.974＼&623＼&1.136＼&621＼&0.812＼&618＼&0.367＼&0807＼&670＼&678＼&1.194＼&676＼&0.896＼&667＼&0.448＼&672＼&0.294＼&0808＼&672＼&680＼&1.190＼&679＼&1.042＼&673＼&0.149＼&676＼&0.628＼&0809＼&694＼&691＼&0.432＼&706＼&1.729＼&696＼&0.288＼&697＼&0.374＼&0810＼&678＼&665＼&1.917＼&689＼&1.622＼&671＼&1.032＼&673＼&0.747＼&0811＼&682＼&673＼&1.320＼&697＼&2.199＼&676＼&0.88＼&679＼&0.381＼&0812＼&671＼&662＼&1.341＼&683＼&1.788＼&678＼&1.043＼&674＼&0.512＼&0813＼&635＼&624＼&1.732＼&643＼&1.260＼&630＼&0.787＼&631＼&0.643＼&0814＼&675＼&662＼&1.926＼&681＼&0.889＼&679＼&0.593＼&675＼&0.067＼&0815＼&685＼&673＼&1.752＼&695＼&1.460＼&692＼&1.022＼&687＼&0.318＼&0816＼&678＼&689＼&1.622＼&695＼&2.507＼&686＼&1.18＼&689＼&1.575＼&0817＼&698＼&686＼&1.719＼&708＼&1.433＼&690＼&1.146＼&693＼&0.787＼&0818＼&686＼&681＼&0.729＼&693＼&1.020＼&689＼&0.437＼&688＼&0.222＼&0819＼&675＼&663＼&1.778＼&686＼&1.630＼&679＼&0.593＼&676＼&0.125＼&0820＼&624＼&633＼&1.442＼&629＼&0.801＼&628＼&0.641＼&630＼&0.903＼&0821＼&679＼&670＼&1.325＼&685＼&0.884＼&672＼&1.031＼&674＼&0.727＼&0822＼&689＼&681＼&1.161＼&697＼&1.161＼&684＼&0.726＼&686＼&0.468＼&0823＼&694＼&680＼&2.017＼&703＼&1.297＼&699＼&0.720＼&694＼&0.054＼&0824＼&699＼&690＼&1.288＼&706＼&1.001＼&704＼&0.715＼&700＼&0.201＼&0825＼&706＼&693＼&1.841＼&713＼&0.992＼&701＼&0.708＼&701＼&0.688＼&0826＼&674＼&667＼&1.039＼&679＼&0.742＼&678＼&0.593＼&675＼&0.157＼&0827＼&679＼&670＼&1.325＼&681＼&0.295＼&678＼&0.147＼&676＼&0.395＼&0828＼&688＼&678＼&1.453＼&695＼&1.017＼&692＼&0.581＼&689＼&0.088＼&0829＼&699＼&690＼&1.288＼&705＼&0.858＼&695＼&0.572＼&696＼&0.487＼&0830＼&686＼&681＼&0.729＼&692＼&0.875＼&689＼&0.437＼&687＼&0.193＼&平均誤差＼&1.324＼&1.243＼&0.733＼&0.458＼&]

從表2可知，組合預測方法的預測誤差為0.458%，分別根據航班時刻表、PLN報文、管制員工作經驗信息進行流量預測的預測誤差分別1.324%，1.243%，0.733%。可見組合預測值與實際流量值間的誤差最小，更接近實際航班流量。

圖1給出了四種預測算法的誤差比較，其中，組合預測誤差曲線總體上在其他三種算法誤差曲線下方，這也從側面說明通過組合預測方法的預測結果精度明顯優于其他預測方法。（圖1中：SCH為基于航班時刻表預測結果；FPL主要為基于PLN報文預測結果；EXP為基于管制員經驗數據預測結果；COM為3種數據源組合預測結果。）

圖2是組合預測值與實際值比較，從圖2中可以看出，組合預測流量曲線幾乎與實際流量曲線相重疊，由此可看出組合預測流量與實際流量相當接近。

圖1 四種預測算法誤差的比較

圖2 未考慮隨機因素時組合預測值與實際值比較

3 空域流量預測系統的基本構架

空域流量預測系統的構建不僅需要有效結合上述組合預測的模型算法，還應明確預測的對象、內容和目標。通過對西安區域管制工作進行需求調研和分析，其基本流量預測需求應滿足如下功能。

⑴ 系統可以預測指定空域單元在未來某一時段內的航班流量，并且，預測過程中要考慮隨機因素的影響，盡可能提高預測的實時性和精確度。

⑵ 系統的流量預測結果可以多種方式顯示輸出，比如柱狀圖、點圖、曲線圖和列表等。

⑶ 系統的相關查詢指標應用顏色、標記等方式醒目標識功能，為用戶提供便捷的使用界面，便于用戶對預測結果進行分析、對比和統計。例如，當空域的航班流量超過空域服務容量時需要發出紅色告警。

⑷ 系統可以進行歷史數據查詢，查看選定空域（航線、扇區、終端區）、機場航班流量的分布與發展趨勢，并可實現根據查詢條件對航班信息進行篩選、排序等功能。

⑸ 系統提供數據信息維護功能。操作人員可通過人機界面對相關航班流量信息進行查詢、修改、保存、刪除等操作。

據此，設計空域流量預測系統功能模塊結構如圖3所示。其模塊功能簡述如下。

⑴ 參數管理塊，該模塊用于執行流量預測前對預測參數的檢驗、修正、保存等功能，完成預測前的初始化工作。

⑵ 流量預測模塊，即系統的核心模塊。該模塊完成進港、離港、飛越、全部四種條件下的流量預測功能。

⑶ 報告點查詢模塊，該模塊根據用查詢設定的報告查詢條件和時間段，可查詢出選定報告點相關聯的所有航班詳細信息，為管制人員提供航路報告點的航班流量信息，為制定流量管理策略提供參考依據。

⑷ 視圖模塊，該模塊完成流量預測結果的圖形顯示，主要包括四種圖形：時刻-架次圖、時刻-航班圖、時刻-點圖、時刻曲線圖，時間軸和圖形以柱狀、離散點狀、曲線三種表現形式繪制。

[流量預測邏輯功能層次圖][參數管理][流量預測][報告點查詢][視圖模塊][預測時間間隔＼&飛行區域及航路點＼&預測日期及時間段＼&航班時間類型預測＼&][進港流量預測＼&離港流量預測＼&飛越流量預測＼&全部飛行狀態預測＼&][時刻架次視圖＼&時刻航班視圖＼&時刻點視圖＼&時刻曲線圖＼&][查詢條件編輯＼&條件節點編輯＼&報告點查詢＼&]

圖3 系統功能模塊結構圖

空域流量預測系統可以根據流量管理的需要，選擇預測時段及空域信息（包括扇區范圍、航線、航路點與報告點位置）。之后對所選時段的航班信息包括航班時刻表、PLN報文、管制經驗數據的數據庫進行調取（其中數據信息可以進行人工錄入或修正），啟動基于遺傳算法的流量組合預測程序，對航班信息優化預測，選擇輸出結果的信息類型如T-N（時刻-架次）、T-P（時刻-航班）。流量預測系統工作流程如圖4所示。

[流量預測開始] [選定預測區域、時間] [航班信息數據庫][基于遺傳算法的組合預測程序][選擇輸出信息類型（T-N、T-P）][預測結果輸出] [航線、航路點、

扇區數據庫][航班時刻表][PLN報文][管制經驗信息]

圖4 流量預測系統工作流程

流量預測系統部分預測功能簡述如下。

⑴ 航班執行狀態預測：根據設定的預測項目（即航班執行狀態中進港、離港、飛越、全部四種狀態之一），預測出所有滿足執行狀態條件的航班流量。

⑵ 航班時間類型預測：根據航班的活動狀態（起飛、落地、飛越）設定時間類型，即每種航班活動狀態對應的實際、預計、計劃、延時四種航班時刻為流量預測的分類尺度，預測出所有滿足時間類型條件要求的航班流量。

⑶ 流量預測結果查詢：對先前的流量預測結果進行查詢，根據輸入的查詢條件（可以是單位航班號、起飛站、落地站、機型等信息）和查詢日期選項（指當天或當前顯示）對預測結果進行模糊查詢，并將查找結果顯示在列表區域中。

⑷ 流量預測歷史結果回放：將保存的歷史流量預測數據讀取出來進行反序列化后，轉換成系統可識別的流量預測結果數據，并以圖形形式顯示到繪圖區域。此功能用于管制人員對歷史預測場景進行重現，為其對歷史流量預測數據進查詢、分析提供便利。

4 結束語

空域流量預測系統的開發是對西安空域的航班流量數據進行預測處理所展開的有益嘗試與探索。該系統的應用不僅能夠減輕空中交通管制員的工作量和工作強度，對保障航班正常性和飛行安全，提高空管服務質量也將起到積極地促進作用。目前，該系統的各部分可拓展功能仍在進一步完善之中，相信在不久的將來，它將在空管一體化的整體構架中發揮更加重要的作用。

參考文獻：

[1] 殷允楠.空中交通流量統計預測技術研究[D].南京航空航天大學碩士

學位論文，2010.

[2] 中國民用航空局.2003-2012民航機場生產統計公報.http：//

www.caac.gov.cn.

[3] 張兆寧，王莉莉.空中交通流量管理方法與方法[M].科學出版社，

2008.

[4] 崔丹.基于遺傳算法的咸陽機場流量組合預測方法研究[J].空中交通

管理.2011.9：11-13

[5] 李敏強，寇紀淞，林丹等.遺傳算法的基本理論與應用[M].科學出版社，

2003.

[6] Daniel Delahaye， Jean-Marc Alliot， Marc Schoenauer， Jean-Loup

Farges. Genetic algorithms for air traffic assignment[R]. ECAI 94 11th European Conference on Artificial Intelligence，1994.

[7] 郭爽.空中交通流量的長期預測方法研究[D].中國民航大學碩士學位

論文，2008.