基于Logistic模型的空中交通流量中長期預測研究

陳艷彥 陳子辰 張兆寧

摘? 要：空中交通流量的中長期預測是空管和機場進行規劃、決策時的重要依據。在對空中交通流量進行中長期預測時，考慮到空域容量和管制員負荷等限制因素，流量雖然會隨著經濟發展不斷增加，但是不會無限制的增長。由于這一增長特性與Logistic模型相吻合，因此文章根據空中交通流量發展趨勢建立Logistic預測模型。通過采集到的某一管制區2009-2019歷史數據，利用預測模型，由2009-2017年數據預測2018、2019年空中交通流量來驗證模型的適用性，結果顯示模型的預測精度較高，可用于中長期空中交通流量的預測。接著運用Logistic模型預測了該管制區2020-2025年的流量，從預測結果來看，該管制區的空中交通流量的增長量將逐年降低。

關鍵詞：空中交通流量;流量預測;Logistic模型

中圖分類號：V355 文獻標志碼：A? ? ? ? ?文章編號：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

合理的空域規劃可以有效解決空域擁堵問題，其中，空中交通流量預測能夠為空域規劃提供輔助決策信息，對決策的準確性有導向性作用。國內外針對流量預測的研究早已起步。2001年Grubb和Mason[1]使用改進的Holt-Winters分解法對英國航空旅客運輸量進行了長期預測;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行了預測;2003年Matthew[3]等人提出了一種評估協同流量管理的建模方法;2007年Blinova[4]分析了人工神經網絡法預測俄羅斯旅客流量的適用性;2014年Emrah和Sultan[5]運用平滑預測方法，分別對總旅客流量，總貨物流量，總飛行流量和商業飛行流量四個空中交通指標進行預測;2017年[6]Nicholas和Vadim建立深度學習模型捕獲非線性的時空效應，對交通流量進行短期預測。

國內對空中交通流量的中長期預測研究較多，2007年趙玉環[7]建立了基于時間序列的灰色預測模型;2008年趙玉環和郭爽[7]將空中交通流量分為確定成份和隨機成份來進行預測;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測模型，預測結果較傳統方法有更高的準確性;2009年張明[9]提出基于雙重力模型和人工神經網絡的空中交通流量組合預測模型;2015年陳丹[10]等人考慮周期性波動因素，建立中長期空中交通流量預測模型;2019年Lin[11]提出了一種基于端到端的深度學習模型對空中交通流量進行短期預測，模型借助神經網絡在時空相關性上的突出能力，預測性能優于現有方法。

以上研究中，在對空中交通流量進行中長期預測時，更多的考慮了隨機因素，而未考慮空域等因素的限制。我國現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，同時考慮管制員負荷等因素，空域流量不會無限制的增加。這一特點與生物種群數量的增長特點相似，因此，本文采用常用于生物種群研究的Logistic預測模型，對空中交通流量進行中長期預測。

1 Logistic預測模型

Logistic預測模型是一種經典的基于時間序列的趨勢外推模型，最初用于研究生物種群發展規律，它假定種群的增長取決于兩個因素：種群的現有規模和環境（生存空間、光照、水、食物等），其中環境是限制性因素，在有限的環境（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，以至降低種群的實際增長率，最后種群停止增長，有時甚至下降。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律，即：在民航發展初期或機場、航路剛開始投入運行時，交通流量增長速度較慢;到了正常運行階段，隨經濟發展流量迅速增長，再往后由于空域容量和管制員負荷的限制，流量趨于某一極限，增長緩慢或停止增長。因此可以用Logistic函數來建立預測模型。

2 管制區中長期流量預測

2.1 預測及預測精度驗證

在使用模型對空中交通流量進行預測前，需要對模型的預測精度進行驗證，因此我們以某管制區2009-2017年航班流量統計值為例，使用Logistic預測模型，對2018年與2019年的航班流量進行預測。

通過表2可以看出，Logistic預測模型能夠較好地擬合2009年-2017年的空中交通流量統計值，平均擬合精度不低于98%;對2018年與2019年空中交通流量進行預測的預測結果分別為56.5萬架次和61.6萬架次，預測精度達到99.4%與99%。因此可以認為Logistic預測模型適用于空中交通流量的預測。

2.2 流量預測

將Logistic預測模型應用于該管制區未來6年的流量預測中，預測結果如圖2所示。從圖中可以看出，未來6年的流量仍在持續增長，但有平緩的趨勢。特別地，2020年由于疫情影響，預測數據準確度將會有所下降，屬于特例情況。

3 結束語

空中交通流量的增長與生物種群發展規律具有相似性。將Logistic預測模型應用于空中交通流量的預測中，通過算例分析，模型對歷史數據的擬合度較高，預測結果也能滿足精度要求，驗證了該模型在流量預測方面的適用性。

參考文獻：

[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，郭爽.考慮隨機因素的空中交通流量預測模型研究[J].中國民航大學學報，2008（04）：59-61.

[8]姜靜逸，韓松臣，王玉婷.新型組合預測模型在空中交通流量預測的應用[J].中國民航大學學報，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網絡的空中交通流量組合預測[J].西南交通大學學報，2009，44（05）：764-770.

[10]陳丹，胡明華，張洪海，等.考慮周期性波動因素的中長期空中交通流量預測[J].西南交通大學學報，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推廣模型與應用[J].運籌與管理，2003，12（3）：85-88.