機場場面交通流量預測方法研究

廉冠,于嘉欣,張曉玥,郭雪松

(1.桂林電子科技大學 廣西智慧交通重點實驗室,廣西 桂林 541010;2.桂林電子科技大學 南寧研究院,廣西 南寧 530000;3.桂林電子科技大學 建筑與交通工程學院,廣西 桂林 541010)

機場是由飛機、人和滑行環境等動靜態要素所構成的有機整體,是民航系統最重要的基礎設施,同時也是國家綜合交通基礎設施的重要組成部分,因此機場場面交通流量的預測對精細化管制決策具有至關重要的意義。民航交通的研究應用最早集中在空中交通領域,隨著我國國家綜合機場體系的完善,交通擁堵由空域轉移至機場,研究也開始聚焦于機場場面交通。

在機場場面交通運行狀態研究方面,衡紅軍等[1]首次提出一種適應機場交通特點的多一維元胞模型,模擬機場場面交通,達到預期效果。張亞平等[2]針對繁忙機場,提出了推出控制理論,有效地將飛機在滑行道等待時間轉化為停機位停留時間,以此減少燃油消耗。Mori[3]基于Nagel-Schreckenberg模型仿真機場地面的滑行情況,并對機場繁忙的狀態進行驗證。Kawagoe等[4]用蜂窩自動機仿真模擬東京國際機場的地面交通,仿真結果與實際數據對比發現,結果具有較好的精度。早期的交通流預測方法多數以統計分析方法為基礎,如回歸分析法[5]等,近年來為了尋找更廣泛、更適用的交通預測方法,不同學科相互交流融合,人工神經網絡[6]、支持向量機[7-8]及數據融合、數據挖掘[9]和交通仿真等方法開始被廣泛應用于交通預測。在民航交通領域,劉寧等[10]通過Elman神經網絡算法對道路交通流量進行預測,預測結果優于歷史趨勢法與多元回歸模型。張波等[11]基于LSTM模型預測機場轄區內路面交通擁堵狀況,結果優于線性模型ARMA和VAR。Lian等[12]對比Softmax Regression模型、人工神經網絡方法和基于蜂群智能算法的改進支持向量回歸方法,對機場擁堵態勢進行預測。大部分交通預測方法多為基于時間序列的預測模型,忽略了交通數據空間關系影響。

為較好預測機場場面交通流量,本文從時間和空間的維度構建了卷積神經網絡(CNN)和長短期記憶網絡(LSTM)的組合預測模型,在預測指標的選擇與處理上,結合既有的推出控制策略,建立機場場面交通仿真模型得到航班位置-時間信息與預測指標,預測機場場面流量。選用河南鄭州機場歷史數據進行試驗,結果表明CNN-LSTM預測模型對機場場面交通流量的預測結果較好,具有較高的精度和魯棒性。

1 基于機場運行仿真的預測指標

1.1 預測指標選取

為構建機場場面流量預測模型,首先選取場面流量影響因素作為預測指標。傳統交通流預測方法通常采用單一指標或較少指標(如速度、流量)進行預測,但機場場面交通系統是由跑道、滑行道和停機位多個子系統組成的大型交通系統,場面交通流量受多種因素影響,單一的預測指標無法反映機場場面交通的時空相關性。因此,需要綜合多方面選擇影響因素,構建基于多因素機場場面交通特征指標的流量預測方法。為更好地體現機場場面交通特征,本文從進場、離場兩個角度選取機場場面流量影響因子作為預測指標,見表1。

表1 機場場面交通流量預測指標

1.2 機場場面運行數值仿真

1.1節選取了對機場場面交通流量影響顯著的指標,由于機場可獲數據局限于撤輪擋時刻、擋輪擋時刻等里程碑節點時刻數據(表2),排隊長度和排隊等待時間無法直接統計, 且指標計算復雜。為使機場場面交通流量預測模型更準確,利用Matlab軟件對機場場面運行過程進行數值仿真,獲得機場場面離場航班滑行過程中的位置-時間信息與預測指標,為后續機場運行分析提供依據。

表2 進場和離場航班原始數據

首先將機場場面結構建模為網絡結構圖,定義起點為停機位節點,終點為跑道端節點,賦予邊距離權值;離場航班滑行至跑道的過程建模為排隊系統,航班滑行至跑道端的過程視為M/M/1排隊系統的輸入過程。已有的經驗數據表明,飛機滑行至跑道端的分布服從一定參數的泊松分布,到達方式為單個到達,跑道服務時間服從負指數分布,排隊規則為先到先服務原則(FCFS)。每個統計周期的到達航班頻率不同,參數也不相同,使用Little公式直接計算排隊參數誤差較大,因此選擇對統計周期內每一架航班的排隊情況進行數值仿真。參考推出控制策略,假定最優的推出控制數量,參考《中華人民共和國飛行基本規則》,對模型做出以下假設:

(1)飛機在跑道排隊起飛過程服從負指數分布,互相獨立。

(2)不考慮機場內中轉航班運行的影響以及各航班機型的影響,假設飛機機型相同。

(3)模型中的滑行速度默認為平均滑行速度10節/h,即5.14 m/s。

(4)設置滑行道上的排隊閾值N為15架次。

首先, 用Floyd算法將推出航班分配最短路徑作為離場滑行路徑。其次,對從停機位推出的航班應用推出控制策略,若滑行道系統中的航班超過15架次便不再推出。賦值第一架離場飛機進入跑道端時刻為t1,此時系統的排隊等待時間和排隊長都為0(第一架離場飛機無須等待和排隊),計算每個統計周期離場航班的排隊長度與滑行時間。最后,定義位置變量,獲取航班節點時刻信息,應用時間插值公式進行航班位置時序掃描,得到離場航班實時滑行位置節點-時間信息與預測指標數值仿真結果。仿真流程示意圖見圖1。

圖1 仿真流程示意圖

2 基于CNN-LSTM的機場場面交通流量預測模型

通過搭建機場運行數值仿真得到機場場面交通流量影響因子的數據矩陣。場面流量預測重點在于交通數據時空特征的提取,現有的交通流量預測方法集中于時間序列預測,對復雜交通系統的空間相關性分析不足,導致預測性能不佳。結合卷積神經網絡與長短期記憶網絡進行交通流量預測,其網絡結構見圖2。

圖2 CNN-LSTM網絡結構

組合預測模型中的卷積神經網絡層是一種深度前饋神經網絡,其主要特征包含局部感知野、權重共享和多層結構等。經典的卷積神經網絡一般由卷積層、池化層和全連接層等構成,輸入的預測指標通過卷積層和池化層中的特征轉換和提取進行處理,機場交通數據之間的時空相關性可以被卷積層提取出來,彌補LSTM時序預測的不足。機場的特征輸入是一維數據,因此為提取機場場面航班數據的空間特征,模型選取32個10×1大小的卷積核,在卷積層之后加了平均池化層用來降維,可以減少卷積核的尺寸,同時又可以保留相應的特征。模型的卷積層與平均池化層的計算公式分別為:

(1)

(2)

模型中的長短期記憶網絡層是基于循環神經網絡(RNN)的創新,在RNN隱藏層各神經單元中增加LSTM記憶模塊,處理了簡單RNN的梯度消失或爆炸的問題,其結構見圖3。

圖3 LSTM記憶單元結構

LSTM記憶單元結構主要包括輸入門、遺忘門和輸出門。各層的方程如下:

it=σ(Wixt+Uiht-i+bi)

(3)

ot=σ(Woxt+Uoht-i+bo)

(4)

ft=σ(Wfxt+Ufht-i+bf)

(5)

(6)

(7)

ht=ot⊙tanh(ct)

(8)

式中:σ()為Logistic函數,其輸出區間為(0,1);tanh為激活函數;⊙為向量元素乘積。

LSTM的記憶功能可以獲取數據的時序變化信息,因此模型中的LSTM層用來提取機場航班數據的時間特征。設置模型中CNN層神經元數為32,LSTM網絡層神經元數為50,同時設置Dropout層為0.25,避免過擬合現象。模型的參數設置見表3,訓練流程見圖4。

圖4 CNN-LSTM模型訓練流程

表3 CNN-LSTM預測模型參數設置

3 試驗分析

3.1 數據來源及處理

為評估CNN-LSTM預測模型的性能,選用表2所示河南鄭州機場的進離場航班數據進行試驗分析,選取2016年4月1日—7月1日的航班數據作為訓練集,以8月1日的數據作為測試樣本。依據機場實際運行數據仿真模擬,得到預測模型輸入指標,使用max-min歸一化方法對數據進行預處理操作,將數據變化范圍限制在[0,1]區間內,預測之后進行反歸一化,有效地減少迭代時間,提高結果精度:

(9)

式中:X′為歸一化后的值;X為原始值;Xmax、Xmin為訓練樣本的最大值、最小值。

3.2 誤差評價指標

為了體現CNN-LSTM預測模型的預測性能,選取平均絕對誤差(Mean Absolute Error,MAE)、均方根誤差(Root Mean Square Error,RMSE)作為模型的評估指標,定量分析模型預測效果:

(10)

(11)

3.3 試驗結果與分析

本文搭建的CNN-LSTM組合網絡機場態勢預測模型,使用CNN網絡層提取機場場面流量預測指標的空間相關性,搭建LSTM網絡層提取指標間的時間特征。以24 h的航班流量數據作為測試樣本,設定時間間隔為1 h,得到最終預測結果。用典型交通流時序預測模型LSTM神經網絡與Elman神經網絡進行比較,結果見表4。

表4 模型評估參數對比

評估參數的對比結果表明,CNN-LSTM模型的預測性能要優于其他預測模型。與LSTM模型相比,CNN-LSTM模型的MAE和RMSE值分別降低了0.378 9和0.373 8,證明通過卷積層提取機場航班數據時空特征后的LSTM模型,預測精度變高,有效提升了模型的學習能力和學習效率。與Elman模型相比,CNN-LSTM模型的MAE值降低了0.452 6,RMSE值降低了0.423 3,說明加入空間特征提取后的長短期記憶網絡預測模型精度優于局部記憶單元和反饋鏈接的遞歸神經網絡Elman模型。預測模型結果對比見圖5。預測模型的預測結果同實際值的曲線趨勢走向基本一致,說明機場場面流量預測指標的選取對預測結果是有效可行的。CNN-LSTM神經網絡機場流量預測模型對比評估指標MAE、RMSE有很好的預測精準度,與現有預測模型對比,預測模型性能明顯提升,可以準確地預測機場場面交通流量。

圖5 預測模型結果對比

此外,將模型訓練數據集分別設定為20%、40%、60%、80%和100%,表示不同的可用數據量,即20%和40%表示缺少航班大部分數據,60%表示良好的航班數據集,80%或更多表示適當的航班運行數據集,由圖6可知,不同的數據可用量下,CNN-LSTM預測模型的魯棒性優于對比模型。

圖6 不同可用數據下預測模型的魯棒性

4 結論

本文對機場場面交通的數值仿真,解決了機場場面交通可獲數據類型的局限性,從時間和空間維度構建了CNN和LSTM的組合交通流量預測模型,預測機場場面流量。機場場面運行中飛機的流量可以較為準確的評估機場在某個時刻的交通狀況,減少離場飛機在滑行過程中產生的等待,降低航班延誤所造成的時間和成本損失。試驗驗證結果表明,本文提出的預測方法有效地預測了機場場面流量,為機場場面交通態勢研究奠定了基礎。