陈艳彦 陈子辰 张兆宁

摘  要：空中交通流量的中长期预测是空管和机场进行规划、决策时的重要依据。在对空中交通流量进行中长期预测时，考虑到空域容量和管制员负荷等限制因素，流量虽然会随着经济发展不断增加，但是不会无限制的增长。由于这一增长特性与Logistic模型相吻合，因此文章根据空中交通流量发展趋势建立Logistic预测模型。通过采集到的某一管制区2009-2019历史数据，利用预测模型，由2009-2017年数据预测2018、2019年空中交通流量来验证模型的适用性，结果显示模型的预测精度较高，可用于中长期空中交通流量的预测。接着运用Logistic模型预测了该管制区2020-2025年的流量，从预测结果来看，该管制区的空中交通流量的增长量将逐年降低。

关键词：空中交通流量;流量预测;Logistic模型

中图分类号：V355 文献标志码：A         文章编号：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

合理的空域规划可以有效解决空域拥堵问题，其中，空中交通流量预测能够为空域规划提供辅助决策信息，对决策的准确性有导向性作用。国内外针对流量预测的研究早已起步。2001年Grubb和Mason[1]使用改进的Holt-Winters分解法对英国航空旅客运输量进行了长期预测;2002年Alexandre Bayen[2]等人通過研究国家空中交通管理模型对流量进行了预测;2003年Matthew[3]等人提出了一种评估协同流量管理的建模方法;2007年Blinova[4]分析了人工神经网络法预测俄罗斯旅客流量的适用性;2014年Emrah和Sultan[5]运用平滑预测方法，分别对总旅客流量，总货物流量，总飞行流量和商业飞行流量四个空中交通指标进行预测;2017年[6]Nicholas和Vadim建立深度学习模型捕获非线性的时空效应，对交通流量进行短期预测。

国内对空中交通流量的中长期预测研究较多，2007年赵玉环[7]建立了基于时间序列的灰色预测模型;2008年赵玉环和郭爽[7]将空中交通流量分为确定成份和随机成份来进行预测;2009年姜静逸[8]等人建立了趋势外推法与多元回归法的组合预测模型，预测结果较传统方法有更高的准确性;2009年张明[9]提出基于双重力模型和人工神经网络的空中交通流量组合预测模型;2015年陈丹[10]等人考虑周期性波动因素，建立中长期空中交通流量预测模型;2019年Lin[11]提出了一种基于端到端的深度学习模型对空中交通流量进行短期预测，模型借助神经网络在时空相关性上的突出能力，预测性能优于现有方法。

以上研究中，在对空中交通流量进行中长期预测时，更多的考虑了随机因素，而未考虑空域等因素的限制。我国现有空域并未对民用航空完全开放，民航所能够使用的空域十分有限，同时考虑管制员负荷等因素，空域流量不会无限制的增加。这一特点与生物种群数量的增长特点相似，因此，本文采用常用于生物种群研究的Logistic预测模型，对空中交通流量进行中长期预测。

1 Logistic预测模型

Logistic预测模型是一种经典的基于时间序列的趋势外推模型，最初用于研究生物种群发展规律，它假定种群的增长取决于两个因素：种群的现有规模和环境（生存空间、光照、水、食物等），其中环境是限制性因素，在有限的环境（如有限的生存空间）之中，随着种群密度的上升，对有限空间资源的竞争必将加剧，从而影响种群的生殖率和存活率，以至降低种群的实际增长率，最后种群停止增长，有时甚至下降。因此种群不可能无限增长，而是存在增长极限，即环境容纳量（Carrying Capacity）K值。

与此类似，空中交通流量的增长也呈这种规律，即：在民航发展初期或机场、航路刚开始投入运行时，交通流量增长速度较慢;到了正常运行阶段，随经济发展流量迅速增长，再往后由于空域容量和管制员负荷的限制，流量趋于某一极限，增长缓慢或停止增长。因此可以用Logistic函数来建立预测模型。

2 管制区中长期流量预测

2.1 预测及预测精度验证

在使用模型对空中交通流量进行预测前，需要对模型的预测精度进行验证，因此我们以某管制区2009-2017年航班流量统计值为例，使用Logistic预测模型，对2018年与2019年的航班流量进行预测。

通过表2可以看出，Logistic预测模型能够较好地拟合2009年-2017年的空中交通流量统计值，平均拟合精度不低于98%;对2018年与2019年空中交通流量进行预测的预测结果分别为56.5万架次和61.6万架次，预测精度达到99.4%与99%。因此可以认为Logistic预测模型适用于空中交通流量的预测。

2.2 流量预测

将Logistic预测模型应用于该管制区未来6年的流量预测中，预测结果如图2所示。从图中可以看出，未来6年的流量仍在持续增长，但有平缓的趋势。特别地，2020年由于疫情影响，预测数据准确度将会有所下降，属于特例情况。

3 结束语

空中交通流量的增长与生物种群发展规律具有相似性。将Logistic预测模型应用于空中交通流量的预测中，通过算例分析，模型对历史数据的拟合度较高，预测结果也能满足精度要求，验证了该模型在流量预测方面的适用性。

参考文献：

[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]趙玉环，郭爽.考虑随机因素的空中交通流量预测模型研究[J].中国民航大学学报，2008（04）：59-61.

[8]姜静逸，韩松臣，王玉婷.新型组合预测模型在空中交通流量预测的应用[J].中国民航大学学报，2009，27（05）：4-8.

[9]张明，韩松臣，黄林源.基于双重力模型和人工神经网络的空中交通流量组合预测[J].西南交通大学学报，2009，44（05）：764-770.

[10]陈丹，胡明华，张洪海，等.考虑周期性波动因素的中长期空中交通流量预测[J].西南交通大学学报，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.逻辑斯蒂曲线的几个推广模型与应用[J].运筹与管理，2003，12（3）：85-88.