王子位

（中國(guó)民用航空西南地區(qū)空中交通管理局貴州分局，貴陽(yáng) 550012）

隨著國(guó)家民用航空運(yùn)輸事業(yè)的快速發(fā)展，民航流量也在迅速增長(zhǎng)，很多機(jī)場(chǎng)出現(xiàn)了民航擁擠的情況，造成了大量航班的延誤。民航流量的準(zhǔn)確預(yù)測(cè)可為空中交通管理部門提供控制決策依據(jù)，有效緩解民航運(yùn)輸?shù)膲毫?。?dāng)前交通流量預(yù)測(cè)方法主要有4類：基于飛行計(jì)劃的預(yù)測(cè)方法，如軌跡預(yù)測(cè)法；基于數(shù)理統(tǒng)計(jì)的預(yù)測(cè)方法，如回歸分析法；非線性預(yù)測(cè)方法，如小波分析法；智能預(yù)測(cè)方法，如灰色系統(tǒng)法。2006年，機(jī)器學(xué)習(xí)界掀起了深度學(xué)習(xí)的研究熱潮，并廣泛應(yīng)用于圖像識(shí)別、語(yǔ)音識(shí)別等領(lǐng)域。然而，在民航流量預(yù)測(cè)領(lǐng)域尚未出現(xiàn)相關(guān)的應(yīng)用成果。因此，本文基于深度學(xué)習(xí)模型–長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short Term Memory networks，LSTM），提出高精度的民航流量預(yù)測(cè)方法，以提高預(yù)測(cè)的精度。

1 民航流量預(yù)測(cè)模型

LSTM為循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）的改型。RNN具有循環(huán)的網(wǎng)絡(luò)結(jié)構(gòu)，將信息按照分層次序在網(wǎng)絡(luò)中進(jìn)行傳遞，網(wǎng)絡(luò)模塊的隱含層輸出依賴于其記憶的歷史時(shí)刻的信息。然而，RNN的訓(xùn)練存在梯度爆炸與消失的問(wèn)題，且RNN難以保持信息長(zhǎng)時(shí)間的記憶。LSTM為RNN的擴(kuò)展，可保持信息的長(zhǎng)期記憶并避免長(zhǎng)期依賴問(wèn)題。LSTM的循環(huán)神經(jīng)網(wǎng)絡(luò)模塊具有與RNN不同的結(jié)構(gòu)，存在四個(gè)相互影響的神經(jīng)網(wǎng)絡(luò)層，網(wǎng)絡(luò)模塊示意圖如圖1所示。

圖1 LSTM網(wǎng)絡(luò)結(jié)構(gòu)圖

LSTM網(wǎng)絡(luò)具有遺忘門、輸入門、更新門和輸出門四種門結(jié)構(gòu)。

a）遺忘門層：該門讀取上一層的輸出ht-1與當(dāng)前時(shí)刻的輸入xt-1，并賦值給當(dāng)前更新層細(xì)胞的狀態(tài)Ct-1；

b）輸入門層：該門通過(guò)sigmoid函數(shù)決定輸入值，并通過(guò)tanh函數(shù)創(chuàng)建新的候選值向量加入到更新層細(xì)胞狀態(tài)Ct中；

c）更新門層：該層更新舊細(xì)胞狀態(tài)，將Ct-1更新為Ct；

d）輸出門層：該層基于細(xì)胞的狀態(tài)進(jìn)行輸出。首先運(yùn)行sigmoid層來(lái)確定細(xì)胞狀態(tài)的輸出部分。接著，把細(xì)胞狀態(tài)代入tanh函數(shù)并將它與sigmoid門的輸出相乘，從而確定輸出的部分。

針對(duì)建立的LSTM網(wǎng)絡(luò)，基于民航流量數(shù)據(jù)x1，x2，…，xn，采用按時(shí)間展開(kāi)的反向誤差傳播算法（BPTT）進(jìn)行訓(xùn)練。首先，將LSTM網(wǎng)絡(luò)按照時(shí)間順序展開(kāi)為深層網(wǎng)絡(luò)。然后，采用誤差反向傳播算法，依據(jù)預(yù)定義的損失函數(shù)迭代修正網(wǎng)絡(luò)中的權(quán)重參數(shù)，使得預(yù)測(cè)流量與實(shí)際流量的誤差最小化。訓(xùn)練完畢后，LSTM網(wǎng)絡(luò)模型即可將t時(shí)刻之前的流量數(shù)據(jù)x1，x2，…，xt-1作為輸入，對(duì)t時(shí)刻的流量進(jìn)行預(yù)測(cè)得到

2 實(shí)驗(yàn)仿真與結(jié)果分析

本文采用烏魯木齊地窩堡國(guó)際機(jī)場(chǎng)的流量數(shù)據(jù)，對(duì)所提方法進(jìn)行了性能驗(yàn)證，并與典型的灰色系統(tǒng)GM（1，1）、一元線性回歸預(yù)測(cè)方法進(jìn)行了對(duì)比。主要性能指標(biāo)為平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）。驗(yàn)證結(jié)果如表一所示。

表1 MAPE對(duì)比

由表1可知，一元線性回歸的MAPE平均為6.49%，GM（1，1）為3.75%，而DBN為1.76%。相比其他兩種方法，所提方法可提高預(yù)測(cè)精度至少50%以上。這是由于GM（1，1）與一元線性回歸都為淺層學(xué)習(xí)方法，對(duì)流量變化趨勢(shì)的感知精度有限。而所提方法基于深度學(xué)習(xí)模型–LSTM，可建立深層次的網(wǎng)絡(luò)結(jié)構(gòu)，利用其可長(zhǎng)期記憶流量數(shù)據(jù)的歷史信息的優(yōu)勢(shì)，對(duì)民航流量進(jìn)行準(zhǔn)確預(yù)測(cè)。因此，相比現(xiàn)有方法，所提方法可大幅改善流量預(yù)測(cè)精度。

3 結(jié)束語(yǔ)

民航流量預(yù)測(cè)對(duì)提高航班運(yùn)營(yíng)效率有非常重要的作用，本文提出了高精度的空中流量預(yù)測(cè)方法，基于長(zhǎng)短期記憶網(wǎng)絡(luò)模型對(duì)民航流量進(jìn)行了準(zhǔn)確預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，所提方法在預(yù)測(cè)精度方面，相比現(xiàn)有方法有較大幅度的改善。

[1] 傅子濤.民航空管系統(tǒng)設(shè)備管理信息化建設(shè)需求研究[J].數(shù)字通信世界，2014（11）：34-37.

[2] 王超，朱明，趙元棣.基于改進(jìn)加權(quán)一階局域法的民航流量預(yù)測(cè)模型[J].西南交通大學(xué)學(xué)報(bào)，2018，53（1）：206-213.

[3] 王寧，王莉莉.基于協(xié)同決策技術(shù)的民航流量系統(tǒng)的設(shè)計(jì)[J].科技創(chuàng)新導(dǎo)報(bào)，2015（23）：59-60.