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)場業(yè)務(wù)規(guī)模和汽車保有量的不斷增長，各地機(jī)場停車設(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)測機(jī)場短時停車需求對提高停車誘導(dǎo)系統(tǒng)誘導(dǎo)效果、維持機(jī)場停車場秩序、保障周邊道路網(wǎng)絡(luò)交通安全以及提升機(jī)場整體形象均具有重要意義。

根據(jù)預(yù)測時間間隔長短，可大致將停車需求預(yù)測分為長時和短時停車需求預(yù)測兩大類，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)測較長時間內(nèi)(通常以年為單位)的停車需求，預(yù)測結(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價等；后者偏向于微觀層面，通常是針對某特定停車設(shè)施，通過分析其在某一段時期內(nèi)的停車需求特征，然后建立模型來預(yù)測指定時間間隔內(nèi)(通常以分鐘為單位)的停車需求，預(yù)測結(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)場停車場的停車需求特征，建立面向機(jī)場精細(xì)化管理的短時停車需求預(yù)測模型，預(yù)測結(jié)果主要服務(wù)于停車誘導(dǎo)系統(tǒng)，因此屬于短時停車需求預(yù)測研究。

已有研究通常從進(jìn)入停車場的車輛數(shù)、車輛存量數(shù)或車位占有率等角度來開展分析預(yù)測工作，即將停車需求定義為觀測時段內(nèi)所有到達(dá)停車設(shè)施的車輛數(shù)(或者到達(dá)率)，或觀測時段內(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，或觀測時段內(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[5-6]和車位需求數(shù)量預(yù)測[7-8]等停車需求表征方式開展短時停車需求研究。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)測多個城市不同類型(商業(yè)區(qū)、辦公樓和綜合功能停車場)、不同規(guī)模的多個停車場的停車占有率，實驗結(jié)果顯示，模型對不同類型、不同規(guī)模的停車場適用情況有所差異；Yu等[10]建立整合移動平均自回歸模型來預(yù)測某城市中央商務(wù)區(qū)停車場可用車位數(shù)量，實驗結(jié)果表明：模型的預(yù)測精度優(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)測模型，并以多個停車場實際運營數(shù)據(jù)對模型進(jìn)行了驗證，實驗結(jié)果表明：建立的模型能有效預(yù)測多個停車場的可用停車位數(shù)量。建立短時停車需求預(yù)測的方法還有多元自回歸模型[12]、連續(xù)時間馬爾科夫鏈[13]等。

已有研究建立的預(yù)測模型大多能根據(jù)停車場內(nèi)車輛到達(dá)和離開動態(tài)特征或者明顯的停車需求時序變化規(guī)律，較好地完成短時停車需求預(yù)測任務(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，既有前人研究對象絕大多數(shù)以城市一般公共停車場(如商業(yè)區(qū)停車場、辦公樓停車場、體育館停車場、醫(yī)院停車場等)為主[5,7,14]，較少關(guān)注機(jī)場停車場的停車需求特征，更缺乏考慮航班計劃的機(jī)場停車需求研究；若將已有研究模型直接應(yīng)用于機(jī)場短時停車需求預(yù)測，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)測結(jié)果不準(zhǔn)確，甚至與理想預(yù)測效果之間存在較大偏差。

綜上，為準(zhǔn)確有效地預(yù)測機(jī)場短時停車需求，進(jìn)一步提升停車誘導(dǎo)系統(tǒng)對優(yōu)化管理機(jī)場停車資源的能力，在分析機(jī)場短時停車需求特征的基礎(chǔ)上，同時考慮機(jī)場航班計劃和實時氣象對短時停車需求的影響，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)場短時停車需求模型，并通過對比其他常用短時停車需求模型的預(yù)測結(jié)果，進(jìn)一步評價模型的預(yù)測能力以及確認(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T2航站樓兩側(cè)P6、P7兩個停車場為研究實例對象，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)研究時間范圍內(nèi)的航班計劃以及氣象信息等。

對于停車數(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編號、車牌號碼、車輛類型、車輛進(jìn)出場時間、進(jìn)出口編號及停車費用等，由于設(shè)備問題、系統(tǒng)誤差或人工操作失誤等，數(shù)據(jù)中存在部分錯誤或無效的數(shù)據(jù)記錄，為避免這類數(shù)據(jù)對后續(xù)建模造成影響，對該類數(shù)據(jù)采取刪除處理。

對于航班計劃，由于從機(jī)場出發(fā)和到達(dá)機(jī)場的旅客都可能使用機(jī)場停車設(shè)施，因此需要同時考慮到離機(jī)場的所有國內(nèi)和國際計劃航班，航班計劃信息主要包括航班號、飛機(jī)型號、計劃起飛/到達(dá)機(jī)場及時間等。對于氣象信息，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，尤其是惡劣天氣對航空運輸系統(tǒng)的平穩(wěn)運行影響更為嚴(yán)重[15]；同時考慮到天氣情況對旅客選擇何種交通方式到離機(jī)場也有所影響，因此提取虹橋機(jī)場氣象監(jiān)測站采集的信息，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)、航班計劃和氣象信息按照指定的時間間隔匹配在同一時間間隔內(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的時間間隔為一個周期[5,9-11]，考慮到到離機(jī)場航班的密集程度以及氣象信息半小時一次的更新發(fā)布頻率，若研究時間間隔過短則會對觀測相應(yīng)周期內(nèi)機(jī)場到離航班和氣象情況帶來影響，因此以15 min的時間間隔作為一個研究周期，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)，離港旅客會提前到達(dá)機(jī)場候機(jī)，以及到港旅客從飛機(jī)落地到通往停車場駕車離開機(jī)場也需要一定的時間，因此將為各研究周期(15 min)匹配其相應(yīng)時段1 h內(nèi)的到離航班計劃；氣象信息同理，考慮到氣象信息發(fā)布頻率實際情況，將為各研究周期匹配其相應(yīng)時段半小時內(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P7兩個停車場的停車數(shù)據(jù)，統(tǒng)計t時刻與t+1時刻進(jìn)場車輛數(shù)的關(guān)系，結(jié)果如圖1所示。圖1表明兩個停車場在t時刻與t+1時刻的進(jìn)場車輛數(shù)均分別接近于線性關(guān)系，并且綜合考慮兩個停車場下的進(jìn)場車輛時，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時刻與t+1時刻進(jìn)場車輛數(shù)

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

結(jié)合圖2、圖3可知，在研究時間所處航季內(nèi)，虹橋機(jī)場停車場每日進(jìn)出場車輛變化曲線與每日到離機(jī)場的航班計劃時間規(guī)律相似，即與一般城市公共停車場不同，機(jī)場停車場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)場停車場的服務(wù)對象以到離機(jī)場的旅客為主，而旅客前往或離開機(jī)的場時間又與航班計劃存在一定的關(guān)聯(lián)，因此機(jī)場停車場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＼噲龅能囕v數(shù)周變化曲線

圖3 研究航季內(nèi)虹橋機(jī)場每周到離港航班計劃

2.2 變量構(gòu)建

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

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

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)場的短時停車需求預(yù)測模型。

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，一般使用梯度下降法最小化損失函數(shù)對網(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，使用卷積核對輸入數(shù)據(jù)進(jìn)行卷積處理，當(dāng)數(shù)據(jù)傳入池化層時，對傳入而來的特征圖采取壓縮即池化處理，通過一系列點積計算后更新特征圖，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)測值。

圖5 Conv1D-LSTM模型結(jié)構(gòu)

3.2 預(yù)測結(jié)果評價指標(biāo)

選擇平均絕對誤差(mean absolute error，MAE)和均方根誤差(root mean square error，RMSE)作為模型評價指標(biāo)，其計算公式分別為

(7)

(8)

4 實例分析與討論

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%用于測試；選取2019年3月25日—3月31日一周作為驗證集，分別使用AR模型、CNN、LSTM和Conv1D-LSTM神經(jīng)網(wǎng)絡(luò)模型對虹橋機(jī)場P6與P7停車場停車需求進(jìn)行預(yù)測。

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

對于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)置對模型預(yù)測能力十分重要，需根據(jù)實際情況來設(shè)計合適的網(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，評價函數(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，使用驗證集數(shù)據(jù)進(jìn)行實驗，圖6為預(yù)測結(jié)果，表3為根據(jù)模型預(yù)測結(jié)果計算的誤差。預(yù)測結(jié)果表明，所構(gòu)建的Conv1D-LSTM能有效預(yù)測機(jī)場停車場停車需求，并且預(yù)測效果優(yōu)于其他模型。

圖6 不同模型預(yù)測結(jié)果

根據(jù)表3給出的模型誤差，對比分析模型預(yù)測效果。首先，神經(jīng)網(wǎng)絡(luò)模型預(yù)測效果均優(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，即僅考慮了歷史停車需求特征對未來停車需求的影響，而神經(jīng)網(wǎng)絡(luò)模型不僅算法相對更復(fù)雜、適用性更強(qiáng)，而且模型還考慮了航班計劃和氣象信息對停車需求的影響；其次，從MAE和RMSE誤差結(jié)果上來看，構(gòu)建的CNN預(yù)測模型優(yōu)于LSTM預(yù)測模型，更適用于本文實例短時停車需求預(yù)測；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，在為期一周的驗證集上，平均絕對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)場停車場短時停車需求短時預(yù)測。

表3 不同模型誤差對比

5 結(jié)論

準(zhǔn)確地停車需求預(yù)測結(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)建了短時機(jī)場停車場短時停車需求預(yù)測模型，得到如下結(jié)論。

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

(2)與其他預(yù)測模型相比，所構(gòu)建的Conv1D-LSTM模型預(yù)測效果更好，誤差更低，平均絕對誤差和均方根誤差分別為12.057 輛、14.237 輛，能應(yīng)用于機(jī)場停車場短時停車需求預(yù)測。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。