基于二次分解集成的机场流量短期预测

中国民航大学学报 ›› 2024, Vol. 42 ›› Issue (6): 52-60.

基于二次分解集成的机场流量短期预测

王

飞 1 ，韩翔宇 2

1. 中国民航大学空中交通管理学院，天津 300300；2. 内蒙古自治区民航机场集团有限责任公司，呼和浩特 010050

收稿日期:2023-09-14 修回日期:2023-11-22 出版日期:2025-04-08 发布日期:2025-04-08
作者简介:王飞（1982— ），男，安徽凤阳人，副教授，博士，研究方向为空中交通管理
基金资助:
天津市应用基础研究多元投入基金重点项目（21JCZDJC00840）；中央高校基本科研业务费专项（3122019129）

Short-term forecast of airport flow based on twice decomposition integration

WANG Fei 1 , HAN Xiangyu2

1. College of Air Traffic Management, CAUC, Tianjin 300300, China; 2. Inner Mongolia Autonomous Region Civil

Airport Group Co., Ltd., Hohhot 010050, China

Received:2023-09-14 Revised:2023-11-22 Online:2025-04-08 Published:2025-04-08

摘要/Abstract

摘要：

为实现准确的机场流量短期预测，本文建立了基于二次分解方法的分解集成预测模型。首先，应用局部加

权回归周期趋势分解（STL， seasonal and trend decomposition procedure based on Loess）算法将原始时间序

列分解为趋势项、季节项和余项 3 个分量，并计算其样本熵。其次，应用遗传算法（GA，genetic algorithm）优化

变分模态分解（VMD，variational mode decomposition）参数，对熵值较大的分量进行二次分解。再次，使用极

端梯度提升（XGBoost， extreme gradient boosting）对二次分解后的所有分量进行预测，采用加和集成得到

最终的预测值。最后，采集国内典型机场实际运行数据进行实例分析。针对北京首都国际机场 60 min 进

场、离场流量时序，本文模型预测的均等系数（EC，equal coefficient）值分别为 0.970 3、0.995 9，相比其他常

用模型均有所提高。此外，对于上海浦东、上海虹桥、广州白云 3 个大型国际机场，本文模型在 60 min、

30 min 统计尺度下进场和离场流量预测的 EC 值均在 0.970 0 以上，15 min 统计尺度下预测的 EC 值均在

0.950 0 以上。结果表明，本文建立的二次分解集成预测模型具有良好的准确性和普适性，用于机场流量短

期预测是可行和有效的。

关键词:

航空运输, 空中交通流量管理, 机场流量短期预测, 分解集成预测, 二次分解

Abstract:

In order to achieve accurate short-term forecast of airport flow, a decomposition integration forecast model based on

twice decomposition method is established in this paper. Firstly, the seasonal and trend decomposition procedure

based on Loess (STL) algorithm is applied to decompose the original time series into three components, including

trend term, seasonal term and residual term, and their sample entropy are calculated. Secondly, genetic algorithm

(GA) is applied to optimize the parameters of variational mode decomposition (VMD), and the components with

larger entropy values are subjected to twice decomposition. Thirdly, extreme gradient boosting (XGBoost) is applied

to predict all components after twice decomposition, and the final predicted value is obtained by adding and integrating. Finally, the actual operation data of domestic typical airports are collected for case analysis. For the 60 min

arrival and departure flow time series of Beijing Capital International Airport, the equal coefficient (EC) values predicted in this paper are 0.970 3 and 0.995 9 respectively, which has an improvement compared to other common

models. In addition, for the three large international airports of Shanghai Pudong, Shanghai Hongqiao, and

Guangzhou Baiyun, the EC values predicted by the proposed model are all above 0.970 0 for arrival and departure

flow at 60 min and 30 min scales, and the predicted EC values at the 15 min scale are all above 0.950 0. The results

indicate that the twice decomposition integration forecast model established in this paper has good accuracy and universality, and is feasible and effective for short-term forecast of airport flow.

Key words:

air transport, air traffic flow management, short-term forecast of airport flow, decomposition integration forecast;

twice decomposition

中图分类号:

V355.1

王飞, 韩翔宇.

基于二次分解集成的机场流量短期预测

[J]. 中国民航大学学报, 2024, 42(6): 52-60.

WANG Fei , HAN Xiangyu.

Short-term forecast of airport flow based on twice decomposition integration

[J]. Journal of Civil Aviation University of China, 2024, 42(6): 52-60.

参考文献 21

[1]	张兆宁, 郭爽．首都机场飞行流量的灰色区间预测[J]．中国民航
	大学学报, 2007, 25(6): 1-4．
[2]	吴丹. 乌鲁木齐机场飞行流量预测分析[J]. 民航管理, 2015(9):
	47-49.
	[3]
	LI B Q, HUANG J, DUAN Y, et al. LSTM-based prediction of airport
	aircraft in and outflow[C]//The 3rd EAI International Conference, AICON
	2021, October 23-24, 2021, Xining, China. Cham: Springer, 2021.
[4]	许敏, 刘长有．繁忙机场高峰航班流量预测问题研究[J]．价值工
	程, 2014, 33(11): 316-317．
	[5]
	ZHAO Y, WANG Y F, LI J, et al． Airport arrival flow prediction consideringmeteorologicalfactors based on deep-learning methods[J]．Complexity, 2020: 6309272．
[6]	尚然然．基于数据挖掘的终端区短期流量预测技术研究[D]．唐山: 华
	北理工大学, 2021．
[7]	王兴隆, 石宗北, 贺敏．基于相似日 PSO-SVM 的机场流量预测[J]．
	计算机仿真, 2022, 39(7): 86-90, 123．
[8]	王飞．空中交通流非线性分形特征[J]．西南交通大学学报, 2019,
	54(6): 1147-1154．
[9]	白军成．基于二次分解集成模型的港口和航空货运量预测研究[D]．
	兰州: 兰州交通大学, 2020．
[10]	朱永强, 王小凡．基于互补型集成经验模态分解和遗传最小二乘支
	持向量机的交通流量预测模型[J]．科学技术与工程, 2020, 20(17):
	7088-7092．
[11]	梁程．基于自适应时间序列分解的路网级交通流集成预测及可
	解释性分析[D]．扬州: 扬州大学, 2022．
[12]	王飞, 韩翔宇. 基于 VMD-LSTM 的民航运输量预测[C]//2022 世界
	交通运输大会(WTC2022)论文集(交通工程与航空运输篇), 2022:
	674-683.
[13]	XIAO Y, LIU J J, XIAO J, et al． Application of multiscale analysis-based
	intelligent ensemble modeling on airport traffic forecast[J]． Transporta－
	tion Letters, 2015, 7(2): 73-79．
[14]	梁小珍, 郭战坤, 张倩文, 等．基于奇异谱分析的航空客运需求分析
	与分解集成预测模型[J]．系统工程理论与实践, 2020, 40(7): 1844-
	1855．
[15]	王飞, 孙鹏飞．基于分解集成方法的空中交通流量短期预测[J]．
	科学技术与工程, 2021, 21(35): 15270-15276．
[16]	谢博, 施富强, 廖学燕, 等．边坡位移的 EEMD-PSO-ELM 模型预
	测方法[J]．中国安全科学学报, 2020, 30(3): 157-162．
[17]	TORRES M E, COLOMINAS M A, SCHLOTTHAUER G, et al． A complete ensemble empirical mode decomposition with adaptive noise[C]//
	2011 IEEE International Conference on Acoustics, Speech and Signal
	Processing (ICASSP), May 22-27, 2011, Prague, Czech Republic. IEEE,
	2011: 4144-4147．
[18]	张大斌, 李红燕, 刘肖, 等．非线性时间序列的小波-模糊神经网
	络集成预测方法[J]．中国管理科学, 2013, 21(S2): 647-651．
[19]	王飞．基于样本熵的空中交通流复杂性分析[J]．飞行力学, 2019,
	37(3): 48-51．
[20]	陶凯, 吴定会．基于 VMD-JAYA-LSSVM 的短期风电功率预测[J]．
	控制工程, 2021, 28(6): 1143-1149．
[21]	张萍, 张文海, 赵新贺, 等． WOA-VMD 算法在轴承故障诊断中的
	应用[J]．噪声与振动控制, 2021, 41(4): 86-93, 275．