基于長短期記憶網絡與支持向量回歸的空中交通流量預測研究

王佳旭，那容菲，何雨霖，嚴子陽，強旭澤，鄭浩楠，張召悅

（中國民航大學，天津 300300）

隨著航空運輸需求的增長，空中交通流量不斷增大，空中交通擁擠現象日益嚴重，管制員工作負荷不斷加大，空中交通管理監控系統面臨著嚴峻的挑戰。因此，空中交通監控預測需要高精度、實時的空中交通流量管理。廣播式自動相關監視（ADS-B）技術的出現給傳統的基于雷達的監視技術帶來了巨大的變化。ADSB系統基于衛星定位和地面/空中數據鏈通信，為空中交通管理系統和航空公司提供更安全和高效的空中交通監視技術。ADS-B被認為是下一代空中交通監視系統的關鍵部分。

鐘翔關于天津濱海機場的流量分析，研究了各種流量的預測性；吳璇使用BP神經網絡飛行流量預測方法對航空運輸實行了短期的預測；黃海朝采用灰色關聯度分析非線性關聯度并將篩選后的結果利用雙向長短期記憶神經網絡對軌道交通客流量進行預測。在時間序列分析中，因為查找復雜結構和匹配對象之間的便利性，空中交通流量預測可以通過支持向量回歸（SVR）和長短期記憶網絡（LSTM）2種機器學習方法更好地預測航路流量。

1 系統構架及流量統計

1.1 基于ADS-B航空大數據平臺

由于空域中大量飛機的不間斷沖突，將會導致空中交通越發擁擠的情況，為保證空中交通的安全和高效，需要空中交通管理部門不斷學習，找到解決問題的方法。裝載ADS-B的空中交通管理系統能夠更加有效地解決空中交通擁擠的問題并能提供更安全的空中交通網絡。

地面監測中心包括3部分：存儲ADS-B數據的中央云服務器、用于挖掘數據的數據處理中心和用于描述所得信息的數據可視化裝置，一些基礎的飛行信息和飛機軌跡都呈現在顯示屏上[1]。此外，這些每天的輸入數據首先根據時間進行切片。之后，切片數據通過數據中心對數據進行分析和處理，實現不同時間粒度的交通流量統計。

1.2 ATM和ATFM的關鍵問題

空中交通管理（ATM）主要作用是充分利用已經存在的空域和航路，并且確保航班的安全和高效。因此ATM包括3部分：空中交通管制（ATC）、空域管理（ASM），以及空中交通流量管理（ATFM）。

空中交通流量統計和預測是基于航空大數據平臺的2個主要部分，由基于航空大數據平臺的ADSB提供的實時信息能夠成為1個精確的空中交通流量統計的數據來源，由此能夠獲得1個基于空中交通流量的統計數據的更精確的預測模型。因此，統計和預測情報可以為未來更智能的航班調度策略和ATM提供幫助。

1.3 基于ADS-B信息的空中交通流量統計

空中交通流量是指在一定時間內特定空域的飛機數量。航空大數據平臺收集的ADS-B信息可以提供更準確和全面的綜合信息，由于配備了ADS-B發射器的飛機會自動廣播ADS-B信息，使得有充足的數據來促進空中交通流量的統計。

ADS-B數據處理包括：①航空器呼號處理。當空中交通管理自動化處理ADS-B相關數據后，提取航空器呼號，為其分配合適的有關因子，確保大量航跡數據正確歸于同一航跡，并且根據有關因子處理多條航跡信息。②航空器位置信息處理。提取經處理過的ADS-B的經緯度和高度位置信息，確保航跡信息都屬于同一個航空器，能夠精確定位航空器的位置。③二次代碼處理。空管自動化系統對航空器的ADS-B二次代碼信息進行處理后，根據相關特點對提取出的二次代碼判斷是否有效。④告警信息處理[2]。當空中交通管理系統的ADS-B系統的信息收到告警處理時，應該對航空器中每個信息都進行相應的分析和處理，從而提取出有效的告警信息，通知空中交通管理有關部門。

2 空中交通流量預測方法

預測任務領域研究重要組成部分是時間序列。隨著機器學習的發展，神經網絡、支持向量機等一系列人工智能算法在時間序列預測領域得到了廣泛的應用。這些現代算法在探索具有隱藏特征的數據方面表現出卓越的性能。在本節中，分別提出了基于SVR和LSTM的2種預測模型，利用航空大數據平臺獲取的大量ADS-B數據訓練2種預測模型。

2.1 特征選擇

輸入數據在任何基于預測器的模型中都扮演著重要的角色。在機器學習和性能預測中的模型可由數據特征的選擇大致確定。根據相關工作，選取的特征主要包括日期和時間等時間序列特征。由于航路流量是一個時間序列，本研究考慮了與時間相關的基本特征及一些可能影響航路流量的因素。因此，可以形成1個包含這些特征的輸入向量x。首先定義2個向量，表示2種類型的特征，即時間向量t和影響向量p。

式中：t1、t2、t3分別表示當天的時點、星期的當天、月份的當天；p1、p2、p3分別表示節日指數、季節指數和平均流量。

因此，輸入向量x可以表示為

式中：f為航路內航班號；r為航路；t、p分別為時間向量和影響向量。

2.2 基于SVR的流量預測

SVR是SVM的擴展，其可以引入回歸問題的有效解決方案。SVR將一個非線性問題轉化為高維空間中的線性問題，并通過核函數，計算出高維空間的復雜特征。對于一對（x，y），傳統回歸模型通常通過計算預測f（x）和真實值y之間的差來計算損失，只有當其相同時，損失才為零[3]。相反，SVR假設可以容忍一個閾值Q作為其之間的最大差異。SVR問題可以表示為

式中：ω為超平面的法向量；C表示一個影響模型復雜度和泛化能力的正則化常數。

通過確定算法對ω以外的樣本數據的懲罰，lQQinsensitive的損失函數表示為

因此，只有當f（x）和y的差值的絕對值大于Q時，才計算損失。這相當于構造一個寬度以2Q為中心的波段f（x）。如果樣本在此范圍內，回歸結果為正確的。

2.3 基于LSTM的流量預測

LSTM由循環神經網絡演化而來，其適用于時間序列中間隔時間和延遲時間較長的事件的處理和預測。優點之一是避免了傳統遞歸神經網絡的梯度消失問題。LSTM在自然語言處理、目標識別和聲音檢測等領域顯示出巨大的成效。此外，LSTM中還存在一種獨特的結構，稱為門控神經元。該結構可以捕獲短期和長期記憶，使得LSTM適用于時間序列預測任務[4]。LSTM網絡的輸出可以通過以下函數來計算

式中：x（t）為模型在t時刻的輸入；W和b分別為權矩陣和偏差向量。it、ft、ct、ot表示4個不同的門，即輸入門、遺忘門、候選門和輸出門。ht表示RNN隱藏層狀態h=[h1，h2，…，ht]。

基于LSTM的模型體系結構包括3層：LSTM層、全連通層和輸出層。LSTM層的作用是捕獲不同時間空中交通狀態之間的時間相關性。輸出層以一定的概率使神經元失活，提高了網絡的泛化能力。全連接層用于將輸出形狀重塑為預期的形式，主動功能是整流線性單元（RELU）功能。這是一個關于時間序列的回歸問題，因此，本研究通過計算均方根誤差（RMSE）和平均絕對誤差（MAE）來比較真實的統計流數據y和預測值具體指標的定義如下

上述指標的值越小，表示所提議的預測模型的性能越好。

3 實驗結果與分析

3.1 預測方式

提出的2個預測器（基于SVR和基于LSTM）的數據集是由2020年10月25日至2020年11月1日的240條線路的每小時分離流量信息產生的。由于存在異常數據情況，任何遠遠超過歷史平均值（超過1 000）的交通流量將被視為無效值，并由該時段內的歷史平均值代替。預測器的輸入是一些選定的特征，如下所示：①一天中的小時、每小時內的15 min。以15 min為單位，每15 min一統計。②該日是否為法定假日的歷史平均交通流量。

參數懲罰C決定了權重向量的大小，來自RBF的參數伽馬決定了每個支持向量對應的RBF的寬度。向量的數量影響訓練和預測的速度。進一步影響訓練速度和預測器的準確性之間的權衡，為了獲得合適的參數組合，采用了網格搜索法，通過計算RMSE得分來選擇最佳組合[5]。

3.2 分析

當處理大量航路交通流數據時，SVR預測器比基于LSTM的預測器花費更多的時間。2種預測模型的結果分別如圖1和圖2所示。2種預測器的均方根誤差（RMSE）分別為3.59和2.56，基于LSTM的預測器的均方根誤差（RMSE）越小，預測器的性能越好。LSTM預測器犧牲時間來提高精度，基于LSTM的模型在緩解異常因素造成的大殘差值方面表現出了較好的性能[6]。

圖1 利用基于SVR的預測器預測交通流量和相應的殘差

圖2 利用基于LSTM的預測器預測交通流量和相應的殘差

其中，基于SVR的預測模型在1 h內不同區間的預測量分別為61.8%、25.34%、11.23%和2.84%。基于LSTM的模型分別占75.36%、13.45%、8.54%和2.34%。殘差分布表明，基于LSTM的模型對交通流誤差有較好的控制。

殘差分布表明，基于LSTM的模型對交通流誤差有較好的控制，并且具有較好的預測精度。SVR模型和LSTM模型都能很好地捕捉非線性特征與交通流之間的內在關系。LSTM算法得益于獨特的門結構，可以自然地捕獲長期和短期的時間相關性。因此，該算法在時間序列預測任務中表現出了良好的性能。

4 結論

根據上述實驗可以得到，LSTM模型預測方法擁有更快、更準確的預測結果，并且空中交通航路點流量預測模型對航路點分時段流量和總流量預測的精度均符合預期，且對總流量的預測精度更高。另外，研究還發現航路點流量時間序列曲線的趨勢性越明顯，預測曲線的擬合度越高；時間序列曲線的波動幅度越大，預測曲線擬合度越差，這說明航路點流量時間序列趨勢的明顯性直接影響模型的預測精準度。