基于长短期记忆网络的民航流量预测方法

王子位

（中国民用航空西南地区空中交通管理局贵州分局，贵阳 550012）

随着国家民用航空运输事业的快速发展，民航流量也在迅速增长，很多机场出现了民航拥挤的情况，造成了大量航班的延误。民航流量的准确预测可为空中交通管理部门提供控制决策依据，有效缓解民航运输的压力。当前交通流量预测方法主要有4类：基于飞行计划的预测方法，如轨迹预测法；基于数理统计的预测方法，如回归分析法；非线性预测方法，如小波分析法；智能预测方法，如灰色系统法。2006年，机器学习界掀起了深度学习的研究热潮，并广泛应用于图像识别、语音识别等领域。然而，在民航流量预测领域尚未出现相关的应用成果。因此，本文基于深度学习模型–长短期记忆网络（Long Short Term Memory networks，LSTM），提出高精度的民航流量预测方法，以提高预测的精度。

1 民航流量预测模型

LSTM为循环神经网络（Recurrent Neural Networks，RNN）的改型。RNN具有循环的网络结构，将信息按照分层次序在网络中进行传递，网络模块的隐含层输出依赖于其记忆的历史时刻的信息。然而，RNN的训练存在梯度爆炸与消失的问题，且RNN难以保持信息长时间的记忆。LSTM为RNN的扩展，可保持信息的长期记忆并避免长期依赖问题。LSTM的循环神经网络模块具有与RNN不同的结构，存在四个相互影响的神经网络层，网络模块示意图如图1所示。

图1 LSTM网络结构图

LSTM网络具有遗忘门、输入门、更新门和输出门四种门结构。

a）遗忘门层：该门读取上一层的输出ht-1与当前时刻的输入xt-1，并赋值给当前更新层细胞的状态Ct-1；

b）输入门层：该门通过sigmoid函数决定输入值，并通过tanh函数创建新的候选值向量加入到更新层细胞状态Ct中；

c）更新门层：该层更新旧细胞状态，将Ct-1更新为Ct；

d）输出门层：该层基于细胞的状态进行输出。首先运行sigmoid层来确定细胞状态的输出部分。接着，把细胞状态代入tanh函数并将它与sigmoid门的输出相乘，从而确定输出的部分。

针对建立的LSTM网络，基于民航流量数据x1，x2，…，xn，采用按时间展开的反向误差传播算法（BPTT）进行训练。首先，将LSTM网络按照时间顺序展开为深层网络。然后，采用误差反向传播算法，依据预定义的损失函数迭代修正网络中的权重参数，使得预测流量与实际流量的误差最小化。训练完毕后，LSTM网络模型即可将t时刻之前的流量数据x1，x2，…，xt-1作为输入，对t时刻的流量进行预测得到

2 实验仿真与结果分析

本文采用乌鲁木齐地窝堡国际机场的流量数据，对所提方法进行了性能验证，并与典型的灰色系统GM（1，1）、一元线性回归预测方法进行了对比。主要性能指标为平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）。验证结果如表一所示。

表1 MAPE对比

由表1可知，一元线性回归的MAPE平均为6.49%，GM（1，1）为3.75%，而DBN为1.76%。相比其他两种方法，所提方法可提高预测精度至少50%以上。这是由于GM（1，1）与一元线性回归都为浅层学习方法，对流量变化趋势的感知精度有限。而所提方法基于深度学习模型–LSTM，可建立深层次的网络结构，利用其可长期记忆流量数据的历史信息的优势，对民航流量进行准确预测。因此，相比现有方法，所提方法可大幅改善流量预测精度。

3 结束语

民航流量预测对提高航班运营效率有非常重要的作用，本文提出了高精度的空中流量预测方法，基于长短期记忆网络模型对民航流量进行了准确预测。实验结果表明，所提方法在预测精度方面，相比现有方法有较大幅度的改善。

[1] 傅子涛.民航空管系统设备管理信息化建设需求研究[J].数字通信世界，2014（11）：34-37.

[2] 王超，朱明，赵元棣.基于改进加权一阶局域法的民航流量预测模型[J].西南交通大学学报，2018，53（1）：206-213.

[3] 王宁，王莉莉.基于协同决策技术的民航流量系统的设计[J].科技创新导报，2015（23）：59-60.