廉冠,于嘉欣,張曉玥,郭雪松

(1.桂林電子科技大學(xué) 廣西智慧交通重點(diǎn)實(shí)驗(yàn)室,廣西 桂林 541010;2.桂林電子科技大學(xué) 南寧研究院,廣西 南寧 530000;3.桂林電子科技大學(xué) 建筑與交通工程學(xué)院,廣西 桂林 541010)

機(jī)場是由飛機(jī)、人和滑行環(huán)境等動靜態(tài)要素所構(gòu)成的有機(jī)整體,是民航系統(tǒng)最重要的基礎(chǔ)設(shè)施,同時(shí)也是國家綜合交通基礎(chǔ)設(shè)施的重要組成部分,因此機(jī)場場面交通流量的預(yù)測對精細(xì)化管制決策具有至關(guān)重要的意義。民航交通的研究應(yīng)用最早集中在空中交通領(lǐng)域,隨著我國國家綜合機(jī)場體系的完善,交通擁堵由空域轉(zhuǎn)移至機(jī)場,研究也開始聚焦于機(jī)場場面交通。

在機(jī)場場面交通運(yùn)行狀態(tài)研究方面,衡紅軍等[1]首次提出一種適應(yīng)機(jī)場交通特點(diǎn)的多一維元胞模型,模擬機(jī)場場面交通,達(dá)到預(yù)期效果。張亞平等[2]針對繁忙機(jī)場,提出了推出控制理論,有效地將飛機(jī)在滑行道等待時(shí)間轉(zhuǎn)化為停機(jī)位停留時(shí)間,以此減少燃油消耗。Mori[3]基于Nagel-Schreckenberg模型仿真機(jī)場地面的滑行情況,并對機(jī)場繁忙的狀態(tài)進(jìn)行驗(yàn)證。Kawagoe等[4]用蜂窩自動機(jī)仿真模擬東京國際機(jī)場的地面交通,仿真結(jié)果與實(shí)際數(shù)據(jù)對比發(fā)現(xiàn),結(jié)果具有較好的精度。早期的交通流預(yù)測方法多數(shù)以統(tǒng)計(jì)分析方法為基礎(chǔ),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(yù)測方法,不同學(xué)科相互交流融合,人工神經(jīng)網(wǎng)絡(luò)[6]、支持向量機(jī)[7-8]及數(shù)據(jù)融合、數(shù)據(jù)挖掘[9]和交通仿真等方法開始被廣泛應(yīng)用于交通預(yù)測。在民航交通領(lǐng)域,劉寧等[10]通過Elman神經(jīng)網(wǎng)絡(luò)算法對道路交通流量進(jìn)行預(yù)測,預(yù)測結(jié)果優(yōu)于歷史趨勢法與多元回歸模型。張波等[11]基于LSTM模型預(yù)測機(jī)場轄區(qū)內(nèi)路面交通擁堵狀況,結(jié)果優(yōu)于線性模型ARMA和VAR。Lian等[12]對比Softmax Regression模型、人工神經(jīng)網(wǎng)絡(luò)方法和基于蜂群智能算法的改進(jìn)支持向量回歸方法,對機(jī)場擁堵態(tài)勢進(jìn)行預(yù)測。大部分交通預(yù)測方法多為基于時(shí)間序列的預(yù)測模型,忽略了交通數(shù)據(jù)空間關(guān)系影響。

為較好預(yù)測機(jī)場場面交通流量,本文從時(shí)間和空間的維度構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)(CNN)和長短期記憶網(wǎng)絡(luò)(LSTM)的組合預(yù)測模型,在預(yù)測指標(biāo)的選擇與處理上,結(jié)合既有的推出控制策略,建立機(jī)場場面交通仿真模型得到航班位置-時(shí)間信息與預(yù)測指標(biāo),預(yù)測機(jī)場場面流量。選用河南鄭州機(jī)場歷史數(shù)據(jù)進(jìn)行試驗(yàn),結(jié)果表明CNN-LSTM預(yù)測模型對機(jī)場場面交通流量的預(yù)測結(jié)果較好,具有較高的精度和魯棒性。

1 基于機(jī)場運(yùn)行仿真的預(yù)測指標(biāo)

1.1 預(yù)測指標(biāo)選取

為構(gòu)建機(jī)場場面流量預(yù)測模型,首先選取場面流量影響因素作為預(yù)測指標(biāo)。傳統(tǒng)交通流預(yù)測方法通常采用單一指標(biāo)或較少指標(biāo)(如速度、流量)進(jìn)行預(yù)測,但機(jī)場場面交通系統(tǒng)是由跑道、滑行道和停機(jī)位多個(gè)子系統(tǒng)組成的大型交通系統(tǒng),場面交通流量受多種因素影響,單一的預(yù)測指標(biāo)無法反映機(jī)場場面交通的時(shí)空相關(guān)性。因此,需要綜合多方面選擇影響因素,構(gòu)建基于多因素機(jī)場場面交通特征指標(biāo)的流量預(yù)測方法。為更好地體現(xiàn)機(jī)場場面交通特征,本文從進(jìn)場、離場兩個(gè)角度選取機(jī)場場面流量影響因子作為預(yù)測指標(biāo),見表1。

表1 機(jī)場場面交通流量預(yù)測指標(biāo)

1.2 機(jī)場場面運(yùn)行數(shù)值仿真

1.1節(jié)選取了對機(jī)場場面交通流量影響顯著的指標(biāo),由于機(jī)場可獲數(shù)據(jù)局限于撤輪擋時(shí)刻、擋輪擋時(shí)刻等里程碑節(jié)點(diǎn)時(shí)刻數(shù)據(jù)(表2),排隊(duì)長度和排隊(duì)等待時(shí)間無法直接統(tǒng)計(jì), 且指標(biāo)計(jì)算復(fù)雜。為使機(jī)場場面交通流量預(yù)測模型更準(zhǔn)確,利用Matlab軟件對機(jī)場場面運(yùn)行過程進(jìn)行數(shù)值仿真,獲得機(jī)場場面離場航班滑行過程中的位置-時(shí)間信息與預(yù)測指標(biāo),為后續(xù)機(jī)場運(yùn)行分析提供依據(jù)。

表2 進(jìn)場和離場航班原始數(shù)據(jù)

首先將機(jī)場場面結(jié)構(gòu)建模為網(wǎng)絡(luò)結(jié)構(gòu)圖,定義起點(diǎn)為停機(jī)位節(jié)點(diǎn),終點(diǎn)為跑道端節(jié)點(diǎn),賦予邊距離權(quán)值;離場航班滑行至跑道的過程建模為排隊(duì)系統(tǒng),航班滑行至跑道端的過程視為M/M/1排隊(duì)系統(tǒng)的輸入過程。已有的經(jīng)驗(yàn)數(shù)據(jù)表明,飛機(jī)滑行至跑道端的分布服從一定參數(shù)的泊松分布,到達(dá)方式為單個(gè)到達(dá),跑道服務(wù)時(shí)間服從負(fù)指數(shù)分布,排隊(duì)規(guī)則為先到先服務(wù)原則(FCFS)。每個(gè)統(tǒng)計(jì)周期的到達(dá)航班頻率不同,參數(shù)也不相同,使用Little公式直接計(jì)算排隊(duì)參數(shù)誤差較大,因此選擇對統(tǒng)計(jì)周期內(nèi)每一架航班的排隊(duì)情況進(jìn)行數(shù)值仿真。參考推出控制策略,假定最優(yōu)的推出控制數(shù)量,參考《中華人民共和國飛行基本規(guī)則》,對模型做出以下假設(shè):

(1)飛機(jī)在跑道排隊(duì)起飛過程服從負(fù)指數(shù)分布,互相獨(dú)立。

(2)不考慮機(jī)場內(nèi)中轉(zhuǎn)航班運(yùn)行的影響以及各航班機(jī)型的影響,假設(shè)飛機(jī)機(jī)型相同。

(3)模型中的滑行速度默認(rèn)為平均滑行速度10節(jié)/h,即5.14 m/s。

(4)設(shè)置滑行道上的排隊(duì)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(jī)位推出的航班應(yīng)用推出控制策略,若滑行道系統(tǒng)中的航班超過15架次便不再推出。賦值第一架離場飛機(jī)進(jìn)入跑道端時(shí)刻為t1,此時(shí)系統(tǒng)的排隊(duì)等待時(shí)間和排隊(duì)長都為0(第一架離場飛機(jī)無須等待和排隊(duì)),計(jì)算每個(gè)統(tǒng)計(jì)周期離場航班的排隊(duì)長度與滑行時(shí)間。最后,定義位置變量,獲取航班節(jié)點(diǎn)時(shí)刻信息,應(yīng)用時(shí)間插值公式進(jìn)行航班位置時(shí)序掃描,得到離場航班實(shí)時(shí)滑行位置節(jié)點(diǎn)-時(shí)間信息與預(yù)測指標(biāo)數(shù)值仿真結(jié)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(jī)場場面交通流量預(yù)測模型

通過搭建機(jī)場運(yùn)行數(shù)值仿真得到機(jī)場場面交通流量影響因子的數(shù)據(jù)矩陣。場面流量預(yù)測重點(diǎn)在于交通數(shù)據(jù)時(shí)空特征的提取,現(xiàn)有的交通流量預(yù)測方法集中于時(shí)間序列預(yù)測,對復(fù)雜交通系統(tǒng)的空間相關(guān)性分析不足,導(dǎo)致預(yù)測性能不佳。結(jié)合卷積神經(jīng)網(wǎng)絡(luò)與長短期記憶網(wǎng)絡(luò)進(jìn)行交通流量預(yù)測,其網(wǎng)絡(luò)結(jié)構(gòu)見圖2。

圖2 CNN-LSTM網(wǎng)絡(luò)結(jié)構(gòu)

組合預(yù)測模型中的卷積神經(jīng)網(wǎng)絡(luò)層是一種深度前饋神經(jīng)網(wǎng)絡(luò),其主要特征包含局部感知野、權(quán)重共享和多層結(jié)構(gòu)等。經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)一般由卷積層、池化層和全連接層等構(gòu)成,輸入的預(yù)測指標(biāo)通過卷積層和池化層中的特征轉(zhuǎn)換和提取進(jìn)行處理,機(jī)場交通數(shù)據(jù)之間的時(shí)空相關(guān)性可以被卷積層提取出來,彌補(bǔ)LSTM時(shí)序預(yù)測的不足。機(jī)場的特征輸入是一維數(shù)據(jù),因此為提取機(jī)場場面航班數(shù)據(jù)的空間特征,模型選取32個(gè)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(shí)又可以保留相應(yīng)的特征。模型的卷積層與平均池化層的計(jì)算公式分別為:

(1)

(2)

模型中的長短期記憶網(wǎng)絡(luò)層是基于循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的創(chuàng)新,在RNN隱藏層各神經(jīng)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(jié)構(gòu)見圖3。

圖3 LSTM記憶單元結(jié)構(gòu)

LSTM記憶單元結(jié)構(gòu)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(shù),其輸出區(qū)間為(0,1);tanh為激活函數(shù);⊙為向量元素乘積。

LSTM的記憶功能可以獲取數(shù)據(jù)的時(shí)序變化信息,因此模型中的LSTM層用來提取機(jī)場航班數(shù)據(jù)的時(shí)間特征。設(shè)置模型中CNN層神經(jīng)元數(shù)為32,LSTM網(wǎng)絡(luò)層神經(jīng)元數(shù)為50,同時(shí)設(shè)置Dropout層為0.25,避免過擬合現(xiàn)象。模型的參數(shù)設(shè)置見表3,訓(xùn)練流程見圖4。

圖4 CNN-LSTM模型訓(xùn)練流程

表3 CNN-LSTM預(yù)測模型參數(shù)設(shè)置

3 試驗(yàn)分析

3.1 數(shù)據(jù)來源及處理

為評估CNN-LSTM預(yù)測模型的性能,選用表2所示河南鄭州機(jī)場的進(jìn)離場航班數(shù)據(jù)進(jìn)行試驗(yàn)分析,選取2016年4月1日—7月1日的航班數(shù)據(jù)作為訓(xùn)練集,以8月1日的數(shù)據(jù)作為測試樣本。依據(jù)機(jī)場實(shí)際運(yùn)行數(shù)據(jù)仿真模擬,得到預(yù)測模型輸入指標(biāo),使用max-min歸一化方法對數(shù)據(jù)進(jìn)行預(yù)處理操作,將數(shù)據(jù)變化范圍限制在[0,1]區(qū)間內(nèi),預(yù)測之后進(jìn)行反歸一化,有效地減少迭代時(shí)間,提高結(jié)果精度:

(9)

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

3.2 誤差評價(jià)指標(biāo)

為了體現(xiàn)CNN-LSTM預(yù)測模型的預(yù)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(biāo),定量分析模型預(yù)測效果:

(10)

(11)

3.3 試驗(yàn)結(jié)果與分析

本文搭建的CNN-LSTM組合網(wǎng)絡(luò)機(jī)場態(tài)勢預(yù)測模型,使用CNN網(wǎng)絡(luò)層提取機(jī)場場面流量預(yù)測指標(biāo)的空間相關(guān)性,搭建LSTM網(wǎng)絡(luò)層提取指標(biāo)間的時(shí)間特征。以24 h的航班流量數(shù)據(jù)作為測試樣本,設(shè)定時(shí)間間隔為1 h,得到最終預(yù)測結(jié)果。用典型交通流時(shí)序預(yù)測模型LSTM神經(jīng)網(wǎng)絡(luò)與Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行比較,結(jié)果見表4。

表4 模型評估參數(shù)對比

評估參數(shù)的對比結(jié)果表明,CNN-LSTM模型的預(yù)測性能要優(yōu)于其他預(yù)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(jī)場航班數(shù)據(jù)時(shí)空特征后的LSTM模型,預(yù)測精度變高,有效提升了模型的學(xué)習(xí)能力和學(xué)習(xí)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(wǎng)絡(luò)預(yù)測模型精度優(yōu)于局部記憶單元和反饋鏈接的遞歸神經(jīng)網(wǎng)絡(luò)Elman模型。預(yù)測模型結(jié)果對比見圖5。預(yù)測模型的預(yù)測結(jié)果同實(shí)際值的曲線趨勢走向基本一致,說明機(jī)場場面流量預(yù)測指標(biāo)的選取對預(yù)測結(jié)果是有效可行的。CNN-LSTM神經(jīng)網(wǎng)絡(luò)機(jī)場流量預(yù)測模型對比評估指標(biāo)MAE、RMSE有很好的預(yù)測精準(zhǔn)度,與現(xiàn)有預(yù)測模型對比,預(yù)測模型性能明顯提升,可以準(zhǔn)確地預(yù)測機(jī)場場面交通流量。

圖5 預(yù)測模型結(jié)果對比

此外,將模型訓(xùn)練數(shù)據(jù)集分別設(shè)定為20%、40%、60%、80%和100%,表示不同的可用數(shù)據(jù)量,即20%和40%表示缺少航班大部分?jǐn)?shù)據(jù),60%表示良好的航班數(shù)據(jù)集,80%或更多表示適當(dāng)?shù)暮桨噙\(yùn)行數(shù)據(jù)集,由圖6可知,不同的數(shù)據(jù)可用量下,CNN-LSTM預(yù)測模型的魯棒性優(yōu)于對比模型。

圖6 不同可用數(shù)據(jù)下預(yù)測模型的魯棒性

4 結(jié)論

本文對機(jī)場場面交通的數(shù)值仿真,解決了機(jī)場場面交通可獲數(shù)據(jù)類型的局限性,從時(shí)間和空間維度構(gòu)建了CNN和LSTM的組合交通流量預(yù)測模型,預(yù)測機(jī)場場面流量。機(jī)場場面運(yùn)行中飛機(jī)的流量可以較為準(zhǔn)確的評估機(jī)場在某個(gè)時(shí)刻的交通狀況,減少離場飛機(jī)在滑行過程中產(chǎn)生的等待,降低航班延誤所造成的時(shí)間和成本損失。試驗(yàn)驗(yàn)證結(jié)果表明,本文提出的預(yù)測方法有效地預(yù)測了機(jī)場場面流量,為機(jī)場場面交通態(tài)勢研究奠定了基礎(chǔ)。