考慮航班計(jì)劃的機(jī)場(chǎng)短時(shí)停車需求預(yù)測(cè)

樊博，劉洋，李怡凡

(中國民用航空總局第二研究所，成都 610041)

隨著中國機(jī)場(chǎng)業(yè)務(wù)規(guī)模和汽車保有量的不斷增長，各地機(jī)場(chǎng)停車設(shè)施供需矛盾逐漸突出。停車誘導(dǎo)系統(tǒng)通過發(fā)布強(qiáng)時(shí)效性和高準(zhǔn)確性的停車信息，為相關(guān)管理人員提供了有效的決策依據(jù)。準(zhǔn)確預(yù)測(cè)機(jī)場(chǎng)短時(shí)停車需求對(duì)提高停車誘導(dǎo)系統(tǒng)誘導(dǎo)效果、維持機(jī)場(chǎng)停車場(chǎng)秩序、保障周邊道路網(wǎng)絡(luò)交通安全以及提升機(jī)場(chǎng)整體形象均具有重要意義。

根據(jù)預(yù)測(cè)時(shí)間間隔長短，可大致將停車需求預(yù)測(cè)分為長時(shí)和短時(shí)停車需求預(yù)測(cè)兩大類，前者從宏觀層面出發(fā)，通過建立停車生成率模型[1]、交通量停車需求模型[2]等來預(yù)測(cè)較長時(shí)間內(nèi)(通常以年為單位)的停車需求，預(yù)測(cè)結(jié)果多用于服務(wù)停車設(shè)施規(guī)劃決策、停車政策制定以及停車資源供需分析評(píng)價(jià)等；后者偏向于微觀層面，通常是針對(duì)某特定停車設(shè)施，通過分析其在某一段時(shí)期內(nèi)的停車需求特征，然后建立模型來預(yù)測(cè)指定時(shí)間間隔內(nèi)(通常以分鐘為單位)的停車需求，預(yù)測(cè)結(jié)果多用于服務(wù)停車設(shè)施管理與控制、停車共享策略制定[3]、停車收益管理[4]等。通過分析機(jī)場(chǎng)停車場(chǎng)的停車需求特征，建立面向機(jī)場(chǎng)精細(xì)化管理的短時(shí)停車需求預(yù)測(cè)模型，預(yù)測(cè)結(jié)果主要服務(wù)于停車誘導(dǎo)系統(tǒng)，因此屬于短時(shí)停車需求預(yù)測(cè)研究。

已有研究通常從進(jìn)入停車場(chǎng)的車輛數(shù)、車輛存量數(shù)或車位占有率等角度來開展分析預(yù)測(cè)工作，即將停車需求定義為觀測(cè)時(shí)段內(nèi)所有到達(dá)停車設(shè)施的車輛數(shù)(或者到達(dá)率)，或觀測(cè)時(shí)段內(nèi)到達(dá)和離去停車設(shè)施的車輛數(shù)之差與設(shè)施內(nèi)原有車輛數(shù)的總和，或觀測(cè)時(shí)段內(nèi)的停車位占有率大小等。因此，多數(shù)研究通常是以車位占有率預(yù)測(cè)[5-6]和車位需求數(shù)量預(yù)測(cè)[7-8]等停車需求表征方式開展短時(shí)停車需求研究。Zhao等[9]使用多種方法(支持向量回歸、神經(jīng)網(wǎng)絡(luò)等)來預(yù)測(cè)多個(gè)城市不同類型(商業(yè)區(qū)、辦公樓和綜合功能停車場(chǎng))、不同規(guī)模的多個(gè)停車場(chǎng)的停車占有率，實(shí)驗(yàn)結(jié)果顯示，模型對(duì)不同類型、不同規(guī)模的停車場(chǎng)適用情況有所差異；Yu等[10]建立整合移動(dòng)平均自回歸模型來預(yù)測(cè)某城市中央商務(wù)區(qū)停車場(chǎng)可用車位數(shù)量，實(shí)驗(yàn)結(jié)果表明：模型的預(yù)測(cè)精度優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型；Ji等[11]構(gòu)建了小波神經(jīng)網(wǎng)絡(luò)停車位數(shù)量預(yù)測(cè)模型，并以多個(gè)停車場(chǎng)實(shí)際運(yùn)營數(shù)據(jù)對(duì)模型進(jìn)行了驗(yàn)證，實(shí)驗(yàn)結(jié)果表明：建立的模型能有效預(yù)測(cè)多個(gè)停車場(chǎng)的可用停車位數(shù)量。建立短時(shí)停車需求預(yù)測(cè)的方法還有多元自回歸模型[12]、連續(xù)時(shí)間馬爾科夫鏈[13]等。

已有研究建立的預(yù)測(cè)模型大多能根據(jù)停車場(chǎng)內(nèi)車輛到達(dá)和離開動(dòng)態(tài)特征或者明顯的停車需求時(shí)序變化規(guī)律，較好地完成短時(shí)停車需求預(yù)測(cè)任務(wù)，為停車管理和停車誘導(dǎo)工作提供有效的決策依據(jù)。然而，既有前人研究對(duì)象絕大多數(shù)以城市一般公共停車場(chǎng)(如商業(yè)區(qū)停車場(chǎng)、辦公樓停車場(chǎng)、體育館停車場(chǎng)、醫(yī)院停車場(chǎng)等)為主[5,7,14]，較少關(guān)注機(jī)場(chǎng)停車場(chǎng)的停車需求特征，更缺乏考慮航班計(jì)劃的機(jī)場(chǎng)停車需求研究；若將已有研究模型直接應(yīng)用于機(jī)場(chǎng)短時(shí)停車需求預(yù)測(cè)，則有可能由于模型適用范圍受限、不同停車設(shè)施的停車需求特征存在差異或影響因素考慮不充分不全面等原因，導(dǎo)致模型輸出的預(yù)測(cè)結(jié)果不準(zhǔn)確，甚至與理想預(yù)測(cè)效果之間存在較大偏差。

綜上，為準(zhǔn)確有效地預(yù)測(cè)機(jī)場(chǎng)短時(shí)停車需求，進(jìn)一步提升停車誘導(dǎo)系統(tǒng)對(duì)優(yōu)化管理機(jī)場(chǎng)停車資源的能力，在分析機(jī)場(chǎng)短時(shí)停車需求特征的基礎(chǔ)上，同時(shí)考慮機(jī)場(chǎng)航班計(jì)劃和實(shí)時(shí)氣象對(duì)短時(shí)停車需求的影響，建立基于Conv1D-長短期記憶(long short-term memory，LSTM)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的機(jī)場(chǎng)短時(shí)停車需求模型，并通過對(duì)比其他常用短時(shí)停車需求模型的預(yù)測(cè)結(jié)果，進(jìn)一步評(píng)價(jià)模型的預(yù)測(cè)能力以及確認(rèn)模型的適用性。

1 數(shù)據(jù)準(zhǔn)備

1.1 數(shù)據(jù)來源與特征

以上海虹橋國際機(jī)場(chǎng)T2航站樓兩側(cè)P6、P7兩個(gè)停車場(chǎng)為研究實(shí)例對(duì)象，研究數(shù)據(jù)主要包括2019年1—4月、9—10月和2021年1—4月、9—10月的停車數(shù)據(jù)，以及相應(yīng)研究時(shí)間范圍內(nèi)的航班計(jì)劃以及氣象信息等。

對(duì)于停車數(shù)據(jù)，一條完整數(shù)據(jù)記錄所包含的必要字段有停車場(chǎng)編號(hào)、車牌號(hào)碼、車輛類型、車輛進(jìn)出場(chǎng)時(shí)間、進(jìn)出口編號(hào)及停車費(fèi)用等，由于設(shè)備問題、系統(tǒng)誤差或人工操作失誤等，數(shù)據(jù)中存在部分錯(cuò)誤或無效的數(shù)據(jù)記錄，為避免這類數(shù)據(jù)對(duì)后續(xù)建模造成影響，對(duì)該類數(shù)據(jù)采取刪除處理。

對(duì)于航班計(jì)劃，由于從機(jī)場(chǎng)出發(fā)和到達(dá)機(jī)場(chǎng)的旅客都可能使用機(jī)場(chǎng)停車設(shè)施，因此需要同時(shí)考慮到離機(jī)場(chǎng)的所有國內(nèi)和國際計(jì)劃航班，航班計(jì)劃信息主要包括航班號(hào)、飛機(jī)型號(hào)、計(jì)劃起飛/到達(dá)機(jī)場(chǎng)及時(shí)間等。對(duì)于氣象信息，根據(jù)民航局公開資料顯示，天氣原因是造成不正常航班的主要因素，尤其是惡劣天氣對(duì)航空運(yùn)輸系統(tǒng)的平穩(wěn)運(yùn)行影響更為嚴(yán)重[15]；同時(shí)考慮到天氣情況對(duì)旅客選擇何種交通方式到離機(jī)場(chǎng)也有所影響，因此提取虹橋機(jī)場(chǎng)氣象監(jiān)測(cè)站采集的信息，選擇保留溫度和降雨量字段。

1.2 數(shù)據(jù)處理

數(shù)據(jù)處理的主要目的是將原始停車數(shù)據(jù)、航班計(jì)劃和氣象信息按照指定的時(shí)間間隔匹配在同一時(shí)間間隔內(nèi)，為后續(xù)建立停車需求模型提供必要的數(shù)據(jù)基礎(chǔ)。既有研究中，通常取5～15 min的時(shí)間間隔為一個(gè)周期[5,9-11]，考慮到到離機(jī)場(chǎng)航班的密集程度以及氣象信息半小時(shí)一次的更新發(fā)布頻率，若研究時(shí)間間隔過短則會(huì)對(duì)觀測(cè)相應(yīng)周期內(nèi)機(jī)場(chǎng)到離航班和氣象情況帶來影響，因此以15 min的時(shí)間間隔作為一個(gè)研究周期，并根據(jù)原始停車數(shù)據(jù)為各周期匹配相應(yīng)的車輛進(jìn)/出停車場(chǎng)數(shù)量。

通常情況下，考慮到飛機(jī)離站前30～45 min停止辦理乘機(jī)手續(xù)，離港旅客會(huì)提前到達(dá)機(jī)場(chǎng)候機(jī)，以及到港旅客從飛機(jī)落地到通往停車場(chǎng)駕車離開機(jī)場(chǎng)也需要一定的時(shí)間，因此將為各研究周期(15 min)匹配其相應(yīng)時(shí)段1 h內(nèi)的到離航班計(jì)劃；氣象信息同理，考慮到氣象信息發(fā)布頻率實(shí)際情況，將為各研究周期匹配其相應(yīng)時(shí)段半小時(shí)內(nèi)的氣象信息，處理后的數(shù)據(jù)概況如表1所示。

表1 數(shù)據(jù)概況

2 停車需求特征與變量構(gòu)建

2.1 停車需求特征分析

任意選取某月P6和P7兩個(gè)停車場(chǎng)的停車數(shù)據(jù)，統(tǒng)計(jì)t時(shí)刻與t+1時(shí)刻進(jìn)場(chǎng)車輛數(shù)的關(guān)系，結(jié)果如圖1所示。圖1表明兩個(gè)停車場(chǎng)在t時(shí)刻與t+1時(shí)刻的進(jìn)場(chǎng)車輛數(shù)均分別接近于線性關(guān)系，并且綜合考慮兩個(gè)停車場(chǎng)下的進(jìn)場(chǎng)車輛時(shí)，擬合優(yōu)度R2為0.934 8，即同樣具有明顯的線性關(guān)系。

圖1 t時(shí)刻與t+1時(shí)刻進(jìn)場(chǎng)車輛數(shù)

任意選取某周P6和P7停車場(chǎng)停車數(shù)據(jù)，統(tǒng)計(jì)每15 min內(nèi)駛?cè)?、駛出停車?chǎng)的車輛數(shù)，結(jié)果如圖2所示?？梢钥闯觯菏紫?，該周內(nèi)每日駛?cè)牒婉偝龊鐦驒C(jī)場(chǎng)停車場(chǎng)的車輛數(shù)具有明顯的規(guī)律性和周期性；其次，工作日與非工作日的機(jī)場(chǎng)短時(shí)停車需求特征相似，以及該周內(nèi)每日同時(shí)段車位需求量也大致相同，這與一般城市公共停車場(chǎng)之間存在較大差異[5,8]，根據(jù)文獻(xiàn)[5]分析結(jié)果，城市商業(yè)、辦公和體育場(chǎng)停車場(chǎng)的車位占有率在工作日和非工作日下的時(shí)變特征差異明顯，這主要是由于城市公共停車場(chǎng)的停車需求規(guī)律與城市潮汐式通勤和社會(huì)活動(dòng)時(shí)間規(guī)律類似，因此為了確認(rèn)機(jī)場(chǎng)停車場(chǎng)的停車需求通常與航班計(jì)劃之間的是否存在一定的關(guān)聯(lián)關(guān)系，圖3統(tǒng)計(jì)了研究時(shí)間所處航季每周虹橋機(jī)場(chǎng)到港、離港以及到離港航班數(shù)。

結(jié)合圖2、圖3可知，在研究時(shí)間所處航季內(nèi)，虹橋機(jī)場(chǎng)停車場(chǎng)每日進(jìn)出場(chǎng)車輛變化曲線與每日到離機(jī)場(chǎng)的航班計(jì)劃時(shí)間規(guī)律相似，即與一般城市公共停車場(chǎng)不同，機(jī)場(chǎng)停車場(chǎng)在工作日與非工作日的停車需求特征并無明顯區(qū)別，這主要是由于機(jī)場(chǎng)停車場(chǎng)的服務(wù)對(duì)象以到離機(jī)場(chǎng)的旅客為主，而旅客前往或離開機(jī)的場(chǎng)時(shí)間又與航班計(jì)劃存在一定的關(guān)聯(lián)，因此機(jī)場(chǎng)停車場(chǎng)每日停車需求特征與當(dāng)日是否為工作日無關(guān)。

圖2 駛?cè)腭偝鐾＼噲?chǎng)的車輛數(shù)周變化曲線

圖3 研究航季內(nèi)虹橋機(jī)場(chǎng)每周到離港航班計(jì)劃

2.2 變量構(gòu)建

根據(jù)上述虹橋機(jī)場(chǎng)停車場(chǎng)需求特征分析結(jié)果，結(jié)合數(shù)據(jù)實(shí)際情況，構(gòu)建停車需求模型輸入變量。對(duì)停車場(chǎng)本身需求規(guī)律而言，為P6、P7以及P6與P7停車場(chǎng)構(gòu)建變量進(jìn)場(chǎng)車輛數(shù)、進(jìn)場(chǎng)車輛率(單位研究周期內(nèi)進(jìn)場(chǎng)車輛數(shù)在小時(shí)進(jìn)場(chǎng)車輛數(shù)中所占比重)，出場(chǎng)車輛數(shù)、出場(chǎng)車輛率(單位研究周期內(nèi)出場(chǎng)車輛數(shù)在小時(shí)出場(chǎng)車輛數(shù)中所占比重；對(duì)航班計(jì)劃而言，構(gòu)建變量(小時(shí)內(nèi))到港航班數(shù)、離港航班數(shù)和到離港航班數(shù)，以及根據(jù)各航班計(jì)劃執(zhí)飛機(jī)型計(jì)算得出的到港、離港和到離港最大載客人數(shù)；對(duì)于氣象信息而言，構(gòu)建變量溫度和降雨量等。

綜上，考慮停車場(chǎng)本身隨時(shí)間變化的停車到達(dá)率與離開率的需求規(guī)律、機(jī)場(chǎng)到離港航班計(jì)劃和氣象信息共構(gòu)建變量18 個(gè)。

3 模型構(gòu)建

3.1 Conv1D-LSTM模型

將構(gòu)建結(jié)合了用于特征提取的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)和用于時(shí)序處理的長短期記憶神經(jīng)網(wǎng)絡(luò)(long short-term memory，LSTM)的Conv1D-LSTM網(wǎng)絡(luò)結(jié)構(gòu)，來建立面向機(jī)場(chǎng)的短時(shí)停車需求預(yù)測(cè)模型。

3.1.1 CNN

CNN是一種多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型，其核心隱藏層通常由若干卷積層和池化層交替組成，主要功能是對(duì)通過輸入數(shù)據(jù)采取卷積和池化等處理來提取數(shù)據(jù)特征。在訓(xùn)練網(wǎng)絡(luò)模型時(shí)，一般使用梯度下降法最小化損失函數(shù)對(duì)網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)，通過頻繁的迭代訓(xùn)練獲得相對(duì)理想的權(quán)重參數(shù)，圖4為包括兩次最大池化處理和一次卷積操作CNN模型結(jié)構(gòu)示例。

圖4 CNN模型結(jié)構(gòu)示例

3.1.2 LSTM

LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)，其通過增設(shè)門控結(jié)構(gòu)(輸入門、遺忘門和輸出門)有效克服了梯度消失問題，其計(jì)算方式如下。

ft=σ(Wf[ht-1,xt])+bf)

(1)

it=σ(Wi[ht-1,xt])+bi)

(2)

(3)

(4)

ot=σ(Wo[ht-1,xt])+bo)

(5)

ht=ottanhCt

(6)

3.1.3 Conv1D-LSTM

Conv1D-LSTM模型結(jié)構(gòu)如圖5所示，模型結(jié)構(gòu)主要包括輸入層、卷積層、LSTM層全連接層和輸出層。Conv1D-LSTM模型中，卷積層起到局部特征提取器的作用，當(dāng)數(shù)據(jù)傳入卷積層時(shí)，使用卷積核對(duì)輸入數(shù)據(jù)進(jìn)行卷積處理，當(dāng)數(shù)據(jù)傳入池化層時(shí)，對(duì)傳入而來的特征圖采取壓縮即池化處理，通過一系列點(diǎn)積計(jì)算后更新特征圖，并將其通過輸出層輸出到LSTM層；LSTM層接收到CNN層傳入的特征圖后可開始提取時(shí)序特征，即通過式(1)～式(5)完成LSTM網(wǎng)絡(luò)構(gòu)建、訓(xùn)練與預(yù)測(cè)輸出，然后使用全連接層將輸出值進(jìn)行維度變換，輸出最終預(yù)測(cè)值。

圖5 Conv1D-LSTM模型結(jié)構(gòu)

3.2 預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo)

選擇平均絕對(duì)誤差(mean absolute error，MAE)和均方根誤差(root mean square error，RMSE)作為模型評(píng)價(jià)指標(biāo)，其計(jì)算公式分別為

(7)

(8)

4 實(shí)例分析與討論

選取2019年2月18日—3月24日為期五周數(shù)據(jù)作為模型訓(xùn)練集，訓(xùn)練集數(shù)據(jù)中80%用于訓(xùn)練，20%用于測(cè)試；選取2019年3月25日—3月31日一周作為驗(yàn)證集，分別使用AR模型、CNN、LSTM和Conv1D-LSTM神經(jīng)網(wǎng)絡(luò)模型對(duì)虹橋機(jī)場(chǎng)P6與P7停車場(chǎng)停車需求進(jìn)行預(yù)測(cè)。

4.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)與參數(shù)設(shè)置

對(duì)于CNN、LSTM和Conv1D-LSTM神經(jīng)網(wǎng)絡(luò)而言，網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)置對(duì)模型預(yù)測(cè)能力十分重要，需根據(jù)實(shí)際情況來設(shè)計(jì)合適的網(wǎng)絡(luò)結(jié)構(gòu)以及設(shè)置合適的參數(shù)，模型通過Python調(diào)用Kears庫實(shí)現(xiàn)。

表2給出了所構(gòu)建的CNN、LSTM以及Conv1D-LSTM網(wǎng)絡(luò)結(jié)構(gòu)各層參數(shù)設(shè)置及其輸出情況。另外，3個(gè)網(wǎng)絡(luò)結(jié)構(gòu)激活函數(shù)均選擇ReLU；CNN和Con1D-LSTM網(wǎng)絡(luò)中，涉及的CNN層Kernel size為1。其他參數(shù)例如Batch size設(shè)置為192，Epochs設(shè)置為100，訓(xùn)練集Validation split設(shè)置為0.2，Optimizer 設(shè)置為Adam，損失函數(shù)設(shè)置為MSE，評(píng)價(jià)函數(shù)設(shè)置為MAE。

表2 CNN、LSTM及Conv1D-LSTM網(wǎng)絡(luò)結(jié)構(gòu)

4.2 結(jié)果分析與討論

根據(jù)上述模型網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)設(shè)置，使用驗(yàn)證集數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，圖6為預(yù)測(cè)結(jié)果，表3為根據(jù)模型預(yù)測(cè)結(jié)果計(jì)算的誤差。預(yù)測(cè)結(jié)果表明，所構(gòu)建的Conv1D-LSTM能有效預(yù)測(cè)機(jī)場(chǎng)停車場(chǎng)停車需求，并且預(yù)測(cè)效果優(yōu)于其他模型。

圖6 不同模型預(yù)測(cè)結(jié)果

根據(jù)表3給出的模型誤差，對(duì)比分析模型預(yù)測(cè)效果。首先，神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)效果均優(yōu)于傳統(tǒng)的自回歸模型(auto-regressive，AR)，這主要由于AR模型只使用的是歷史數(shù)據(jù)進(jìn)行預(yù)測(cè)，即僅考慮了歷史停車需求特征對(duì)未來停車需求的影響，而神經(jīng)網(wǎng)絡(luò)模型不僅算法相對(duì)更復(fù)雜、適用性更強(qiáng)，而且模型還考慮了航班計(jì)劃和氣象信息對(duì)停車需求的影響；其次，從MAE和RMSE誤差結(jié)果上來看，構(gòu)建的CNN預(yù)測(cè)模型優(yōu)于LSTM預(yù)測(cè)模型，更適用于本文實(shí)例短時(shí)停車需求預(yù)測(cè)；最后，與上述模型相比，Conv1D-LSTM網(wǎng)絡(luò)模型利用了CNN和LSTM模型優(yōu)勢(shì)，在為期一周的驗(yàn)證集上，平均絕對(duì)誤差和均方根誤差分別為12.057輛、14.237輛，能有效應(yīng)用于機(jī)場(chǎng)停車場(chǎng)短時(shí)停車需求短時(shí)預(yù)測(cè)。

表3 不同模型誤差對(duì)比

5 結(jié)論

準(zhǔn)確地停車需求預(yù)測(cè)結(jié)果是優(yōu)化和管理有限停車資源的先決條件，使用Conv1D-LSTM網(wǎng)絡(luò)模型，構(gòu)建了短時(shí)機(jī)場(chǎng)停車場(chǎng)短時(shí)停車需求預(yù)測(cè)模型，得到如下結(jié)論。

(1)根據(jù)虹橋機(jī)場(chǎng)實(shí)例分析結(jié)果，由于機(jī)場(chǎng)停車場(chǎng)服務(wù)對(duì)象以到離機(jī)場(chǎng)的旅客為主，停車需求特征與航班計(jì)劃存在較強(qiáng)關(guān)聯(lián)性，因此考慮了航班計(jì)劃和氣象信息的影響，能有效提升模型預(yù)測(cè)能力。

(2)與其他預(yù)測(cè)模型相比，所構(gòu)建的Conv1D-LSTM模型預(yù)測(cè)效果更好，誤差更低，平均絕對(duì)誤差和均方根誤差分別為12.057 輛、14.237 輛，能應(yīng)用于機(jī)場(chǎng)停車場(chǎng)短時(shí)停車需求預(yù)測(cè)。后續(xù)研究將獲取其他類型的數(shù)據(jù)，進(jìn)一步提高模型適用范圍。