基于遗传算法组合预测模型的空域流量预测系统构建

季节　王超学

摘 要： 航班总量的持续增长使得航班安全保障的压力不断加大。在空域资源有限、航空管制工作繁重的大型国际机场，航班动态信息的准确、可靠性将为制定有效地管制调配措施提供有力的依据。为了准确预测特定区域中某个航路点在某一时间段的航班流量，给管制人员提供参考，便于提前灵活、合理地制定管制策略，避免空域资源浪费，为各级决策部门制定发展战略与规划提供重要依据。基于不同航班流量信息源建立组合预测模型，通过遗传算法对组合模型的权重值进行优化，并根据西安管制区域构建出了空域流量预测系统的设计构架。

关键词： 空中交通； 航班动态； 流量预测； 组合预测； 遗传算法

中图分类号：TP302.1 文献标志码：A 文章编号：1006-8228（2014）03-27-03

0 引言

随着改革开放和国家经济的高速发展，中国民航迎来了空前的发展机遇[1]。根据民航总局2003年至2012年民航机场生产统计公报显示，我国民航发生了翻天覆地的变化。2003年，民航国内通航机场126个（不含香港和澳门），定期航班通航城市125个；2012年，我国境内民用航空机场共有183个，定期航班通航城市178个[2]。在民航业整体运营中起到关键作用的空管部门所掌握的数据、信息是否准确十分重要。空域流量预测系统是一套能够适应当前和今后空管自动化体系发展要求的信息处理系统。本文结合空域流量预测系统在西安管制区域内的实际应用，对如何准确预测特定区域中某个航路点在某一时间段的航班流量进行分析、探讨，为空管人员提前、灵活、合理地制定管制策略，避免空域资源浪费，以及为各级决策部门制定发展战略与规划提供重要依据。

1 空域流量预测系统开发、应用的必要性

空中交通管理是民用航空运输业安全的核心。高度的信息化管理为航空器安全起飞和着陆，使航空器之间保持安全的飞行间隔起到了不可忽视的保障作用。近年来，国家对西部经济的有力扶持促进了西安区域经济的快速发展，西安咸阳国际机场作为全国第八大国际机场，其航班年增长量排到了全国第四位。目前，西安管制区域受到了一些因素的限制，经常会出现在某一时间段内或空域内的航班过于集中和拥堵的现象。这些因素包括：周边管制区域限制，终端的排序要求，管制区内雷达覆盖及通讯设备使用效果欠佳，西安咸阳国际机场停机位数量、地面保障能力有限，以及区域内复杂天气的影响等，这些不利因素导致了飞行冲突频繁、管制调配难度增大、航班延误等问题。这不仅增加了空管的工作负荷，给航空公司带来了不必要的经济损失，同时也引起了旅客满意度下降等多种负面影响。因此，提高区域内空中交通管制工作容量和质量成为难题，科学地实行空中交通流量的监控和管理是解决问题的关键。

预测学运用观察、归纳、演绎、推理等分析方法，运用数学模型和试验方法，根据客观的历史资料、实际经验和教训，研究客观事物的发展趋势和规律，从而在技术上保证预测结果的可靠性和准确性。需求预测是预计未来在运输系统内或实施中可能会有多少交通量或客（货）运输量。预测的目的在于研究和掌握事物的发展规律，最终使人们对事物的未来发展有一个估计和推断[3]。要合理安排空域需要预测流量、制作预案。现行的航班统计与流量预测数据的生成采用人工手段、在数据处理能力、数据统计时效性、流量预测准确性等方面均有所欠缺。空域流量预测系统的开发，可使流量预测更准确地帮助空中交通管制员获得未来时段内的飞行流量变化、预先做好计划和预案、降低盲目飞行流量管理对航班正常率的影响、有准备地应对重大和突发事件，为管理部门制定更有效、合理的飞行计划提供参考数据，从而实现缓解空域流量拥堵、完善流量控制预案、提高管制工作安全运行能力的目的。

2 基于遗传算法的流量组合预测模型研究

组合预测方法是基于一个基本假设，即只用一种方法不能够精确地描述出预测过程和预测结果，多个方法的组合可以彼此弥补各自模型存在的不足，可以说，组合预测法同时聚集了多种单个预测方法的优点，其预测效果明显地优于单个预测方法。在利用组合模型预测流量的时候，首先，以误差方差之和最小为目标建模；其次，要根据不同预测方法的特点进行综合分析建模；最后，应用适合的优化算法确定预测模型各参数的权重，以保证预测结果的精确性[4]。组合算法的关键是如何准确地确定各种预测方法的加权系数，最优的加权系数可以充分利用各单项预测方法的优点使组合预测效果达到最佳[5]。

遗传算法（Genetic Algorithm）是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学J.Holland教授于1975年首先提出来的。GA是一种通过模拟自然进化过程搜索最优解的方法，它具有大规模并行随机搜索能力，寻优能力强，收敛速度快，适合解决复杂的全局优化问题， 在解决空中交通管理问题中也有成功的应用[6-7]。

本文以西安地区空域AR03扇区2012年8月份30天的航班流量为样本数据（包括航班时刻表、PLN报文、管制经验信息数据），应用遗传算法，按照组合预测算法的思路，对流量组合预测模型的权重值进行优化，其参数设置如表1所示。

表1 遗传算法参数值的设置

[参数名称＼&参数值＼&交叉算法＼&单点交叉＼&群体规模＼&100＼&变量个数＼&3＼&适应度函数＼&＼&最大迭代次数＼&500＼&各个体生存概率＼&＼&交叉概率＼&0.3＼&变异概率＼&0.25＼&]

表1模型中航班时刻表、PLN报和管制员工作经验权重应用遗传算法分别评估为0.203、0.286、0.511。表2列出了该扇区某月30天流量的实际值以及分别用根据航班时刻表预测、PLN报文预测和管制员经验信息预测所得出的预测值。以当月1日为例：（0.203×679+0.286×698+0.511×692）≈690，即组合预测表明，在这一天该机场将会有690架飞机进、离场。表2中各缩写的意义为：SLZ-实际流量值；LYZ-流量预测值；WC%-流量误差百分比（[LYZ-SLZ]/SLZ*100%）。

表2 各种预测方法的预测结果的比较

[时间＼&SLZ＼&航班时刻表预测＼&PLN报文预测＼&管制经验信息预测＼&组合预测＼&LYZ＼&WC%＼&LYZ＼&WC%＼&LYZ＼&WC%＼&LYZ＼&WC%＼&0801＼&687＼&679＼&1.164＼&698＼&1.161＼&692＼&0.728＼&690＼&0.364＼&0802＼&677＼&670＼&1.034＼&685＼&1.182＼&685＼&1.182＼&681＼&0.548＼&0803＼&709＼&703＼&0.846＼&717＼&1.128＼&702＼&0.987＼&705＼&0.518＼&0804＼&685＼&680＼&0.730＼&693＼&1.168＼&690＼&0.730＼&688＼&0.401＼&0805＼&638＼&631＼&1.097＼&643＼&0.784＼&641＼&0.47＼&639＼&0.086＼&0806＼&616＼&610＼&0.974＼&623＼&1.136＼&621＼&0.812＼&618＼&0.367＼&0807＼&670＼&678＼&1.194＼&676＼&0.896＼&667＼&0.448＼&672＼&0.294＼&0808＼&672＼&680＼&1.190＼&679＼&1.042＼&673＼&0.149＼&676＼&0.628＼&0809＼&694＼&691＼&0.432＼&706＼&1.729＼&696＼&0.288＼&697＼&0.374＼&0810＼&678＼&665＼&1.917＼&689＼&1.622＼&671＼&1.032＼&673＼&0.747＼&0811＼&682＼&673＼&1.320＼&697＼&2.199＼&676＼&0.88＼&679＼&0.381＼&0812＼&671＼&662＼&1.341＼&683＼&1.788＼&678＼&1.043＼&674＼&0.512＼&0813＼&635＼&624＼&1.732＼&643＼&1.260＼&630＼&0.787＼&631＼&0.643＼&0814＼&675＼&662＼&1.926＼&681＼&0.889＼&679＼&0.593＼&675＼&0.067＼&0815＼&685＼&673＼&1.752＼&695＼&1.460＼&692＼&1.022＼&687＼&0.318＼&0816＼&678＼&689＼&1.622＼&695＼&2.507＼&686＼&1.18＼&689＼&1.575＼&0817＼&698＼&686＼&1.719＼&708＼&1.433＼&690＼&1.146＼&693＼&0.787＼&0818＼&686＼&681＼&0.729＼&693＼&1.020＼&689＼&0.437＼&688＼&0.222＼&0819＼&675＼&663＼&1.778＼&686＼&1.630＼&679＼&0.593＼&676＼&0.125＼&0820＼&624＼&633＼&1.442＼&629＼&0.801＼&628＼&0.641＼&630＼&0.903＼&0821＼&679＼&670＼&1.325＼&685＼&0.884＼&672＼&1.031＼&674＼&0.727＼&0822＼&689＼&681＼&1.161＼&697＼&1.161＼&684＼&0.726＼&686＼&0.468＼&0823＼&694＼&680＼&2.017＼&703＼&1.297＼&699＼&0.720＼&694＼&0.054＼&0824＼&699＼&690＼&1.288＼&706＼&1.001＼&704＼&0.715＼&700＼&0.201＼&0825＼&706＼&693＼&1.841＼&713＼&0.992＼&701＼&0.708＼&701＼&0.688＼&0826＼&674＼&667＼&1.039＼&679＼&0.742＼&678＼&0.593＼&675＼&0.157＼&0827＼&679＼&670＼&1.325＼&681＼&0.295＼&678＼&0.147＼&676＼&0.395＼&0828＼&688＼&678＼&1.453＼&695＼&1.017＼&692＼&0.581＼&689＼&0.088＼&0829＼&699＼&690＼&1.288＼&705＼&0.858＼&695＼&0.572＼&696＼&0.487＼&0830＼&686＼&681＼&0.729＼&692＼&0.875＼&689＼&0.437＼&687＼&0.193＼&平均误差＼&1.324＼&1.243＼&0.733＼&0.458＼&]

从表2可知，组合预测方法的预测误差为0.458%，分别根据航班时刻表、PLN报文、管制员工作经验信息进行流量预测的预测误差分别1.324%，1.243%，0.733%。可见组合预测值与实际流量值间的误差最小，更接近实际航班流量。

图1给出了四种预测算法的误差比较，其中，组合预测误差曲线总体上在其他三种算法误差曲线下方，这也从侧面说明通过组合预测方法的预测结果精度明显优于其他预测方法。（图1中：SCH为基于航班时刻表预测结果；FPL主要为基于PLN报文预测结果；EXP为基于管制员经验数据预测结果；COM为3种数据源组合预测结果。）

图2是组合预测值与实际值比较，从图2中可以看出，组合预测流量曲线几乎与实际流量曲线相重叠，由此可看出组合预测流量与实际流量相当接近。

图1 四种预测算法误差的比较

图2 未考虑随机因素时组合预测值与实际值比较

3 空域流量预测系统的基本构架

空域流量预测系统的构建不仅需要有效结合上述组合预测的模型算法，还应明确预测的对象、内容和目标。通过对西安区域管制工作进行需求调研和分析，其基本流量预测需求应满足如下功能。

⑴ 系统可以预测指定空域单元在未来某一时段内的航班流量，并且，预测过程中要考虑随机因素的影响，尽可能提高预测的实时性和精确度。

⑵ 系统的流量预测结果可以多种方式显示输出，比如柱状图、点图、曲线图和列表等。

⑶ 系统的相关查询指标应用颜色、标记等方式醒目标识功能，为用户提供便捷的使用界面，便于用户对预测结果进行分析、对比和统计。例如，当空域的航班流量超过空域服务容量时需要发出红色告警。

⑷ 系统可以进行历史数据查询，查看选定空域（航线、扇区、终端区）、机场航班流量的分布与发展趋势，并可实现根据查询条件对航班信息进行筛选、排序等功能。

⑸ 系统提供数据信息维护功能。操作人员可通过人机界面对相关航班流量信息进行查询、修改、保存、删除等操作。

据此，设计空域流量预测系统功能模块结构如图3所示。其模块功能简述如下。

⑴ 参数管理块，该模块用于执行流量预测前对预测参数的检验、修正、保存等功能，完成预测前的初始化工作。

⑵ 流量预测模块，即系统的核心模块。该模块完成进港、离港、飞越、全部四种条件下的流量预测功能。

⑶ 报告点查询模块，该模块根据用查询设定的报告查询条件和时间段，可查询出选定报告点相关联的所有航班详细信息，为管制人员提供航路报告点的航班流量信息，为制定流量管理策略提供参考依据。

⑷ 视图模块，该模块完成流量预测结果的图形显示，主要包括四种图形：时刻-架次图、时刻-航班图、时刻-点图、时刻曲线图，时间轴和图形以柱状、离散点状、曲线三种表现形式绘制。

[流量预测逻辑功能层次图][参数管理][流量预测][报告点查询][视图模块][预测时间间隔＼&飞行区域及航路点＼&预测日期及时间段＼&航班时间类型预测＼&][进港流量预测＼&离港流量预测＼&飞越流量预测＼&全部飞行状态预测＼&][时刻架次视图＼&时刻航班视图＼&时刻点视图＼&时刻曲线图＼&][查询条件编辑＼&条件节点编辑＼&报告点查询＼&]

图3 系统功能模块结构图

空域流量预测系统可以根据流量管理的需要，选择预测时段及空域信息（包括扇区范围、航线、航路点与报告点位置）。之后对所选时段的航班信息包括航班时刻表、PLN报文、管制经验数据的数据库进行调取（其中数据信息可以进行人工录入或修正），启动基于遗传算法的流量组合预测程序，对航班信息优化预测，选择输出结果的信息类型如T-N（时刻-架次）、T-P（时刻-航班）。流量预测系统工作流程如图4所示。

[流量预测开始] [选定预测区域、时间] [航班信息数据库][基于遗传算法的组合预测程序][选择输出信息类型（T-N、T-P）][预测结果输出] [航线、航路点、

扇区数据库][航班时刻表][PLN报文][管制经验信息]

图4 流量预测系统工作流程

流量预测系统部分预测功能简述如下。

⑴ 航班执行状态预测：根据设定的预测项目（即航班执行状态中进港、离港、飞越、全部四种状态之一），预测出所有满足执行状态条件的航班流量。

⑵ 航班时间类型预测：根据航班的活动状态（起飞、落地、飞越）设定时间类型，即每种航班活动状态对应的实际、预计、计划、延时四种航班时刻为流量预测的分类尺度，预测出所有满足时间类型条件要求的航班流量。

⑶ 流量预测结果查询：对先前的流量预测结果进行查询，根据输入的查询条件（可以是单位航班号、起飞站、落地站、机型等信息）和查询日期选项（指当天或当前显示）对预测结果进行模糊查询，并将查找结果显示在列表区域中。

⑷ 流量预测历史结果回放：将保存的历史流量预测数据读取出来进行反序列化后，转换成系统可识别的流量预测结果数据，并以图形形式显示到绘图区域。此功能用于管制人员对历史预测场景进行重现，为其对历史流量预测数据进查询、分析提供便利。

4 结束语

空域流量预测系统的开发是对西安空域的航班流量数据进行预测处理所展开的有益尝试与探索。该系统的应用不仅能够减轻空中交通管制员的工作量和工作强度，对保障航班正常性和飞行安全，提高空管服务质量也将起到积极地促进作用。目前，该系统的各部分可拓展功能仍在进一步完善之中，相信在不久的将来，它将在空管一体化的整体构架中发挥更加重要的作用。

参考文献：

[1] 殷允楠.空中交通流量统计预测技术研究[D].南京航空航天大学硕士

学位论文，2010.

[2] 中国民用航空局.2003-2012民航机场生产统计公报.http：//

www.caac.gov.cn.

[3] 张兆宁，王莉莉.空中交通流量管理方法与方法[M].科学出版社，

2008.

[4] 崔丹.基于遗传算法的咸阳机场流量组合预测方法研究[J].空中交通

管理.2011.9：11-13

[5] 李敏强，寇纪淞，林丹等.遗传算法的基本理论与应用[M].科学出版社，

2003.

[6] Daniel Delahaye， Jean-Marc Alliot， Marc Schoenauer， Jean-Loup

Farges. Genetic algorithms for air traffic assignment[R]. ECAI 94 11th European Conference on Artificial Intelligence，1994.

[7] 郭爽.空中交通流量的长期预测方法研究[D].中国民航大学硕士学位

论文，2008.