【摘要】 近年來民航客流快速增長,使得旅客流量成為各大航空公司關(guān)注的焦點(diǎn)。因此需要構(gòu)建適合民航旅客的準(zhǔn)確度較高的流量預(yù)測(cè)模型來為航空公司提供決策支持和提高經(jīng)濟(jì)效益。為了進(jìn)行航線客流的預(yù)測(cè)本文從海量的旅客歷史出行記錄中獲得近幾年不同航線每日的客流量。同時(shí)對(duì)獲得的客流進(jìn)行數(shù)據(jù)清洗與去噪,使得處理后的客流量既減少了偶然因素產(chǎn)生的噪音又保持了航線客流本身的規(guī)律。小波變換能將任意復(fù)雜的信號(hào)分解為不同尺度下的細(xì)節(jié)信號(hào),可以更詳細(xì)地觀察信號(hào)的波動(dòng)特征,將其與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)功能相結(jié)合建立預(yù)測(cè)模型,能夠提升BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確度。民航旅客客流在普通工作周和節(jié)假日期間的波動(dòng)特征具有很大的差異,需要分別對(duì)兩者進(jìn)行建模。經(jīng)過對(duì)普通工作周客流的規(guī)律分析知相鄰普通工作周客流波動(dòng)基本相似,因此為了提高預(yù)測(cè)的準(zhǔn)確度先將普通工作周客流按不同星期類型分為7組分別進(jìn)行預(yù)測(cè),再將預(yù)測(cè)的結(jié)果按日期合并。對(duì)于非線性的普通工作周客流量預(yù)測(cè)主要構(gòu)建BP神經(jīng)網(wǎng)絡(luò)和嵌入型小波神經(jīng)網(wǎng)絡(luò)兩種預(yù)測(cè)模型。同樣經(jīng)過對(duì)節(jié)假日客流的規(guī)律分析知同一航線歷年相同節(jié)假日期間客流的波動(dòng)曲線非常相似只是增幅不同,因此建模時(shí)利用這一特點(diǎn)構(gòu)建了波動(dòng)系數(shù)預(yù)測(cè)模型和相似樣本松散型小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型來對(duì)節(jié)假日客流進(jìn)行預(yù)測(cè)。本文選取近幾年北京至廣州航線客流在MATLAB上進(jìn)行仿真實(shí)驗(yàn),通過對(duì)比預(yù)測(cè)結(jié)果,得出嵌入型小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)普通工作周客流預(yù)測(cè)具有較好的效果。同時(shí)相似樣本松散型小波神經(jīng)網(wǎng)絡(luò)能夠?qū)⒐?jié)假日的波動(dòng)曲線和增幅進(jìn)行有效的結(jié)合,對(duì)節(jié)假日的預(yù)測(cè)有較高的準(zhǔn)確度。 

1引言

1.1研究背景與意義

隨著我國經(jīng)濟(jì)的快速發(fā)展，人均收入和生活水平的顯著提高，潛移默化的影響著人們的消費(fèi)觀念。近年來，人們對(duì)出行需求有了很大的提高，而且也越來越看重出行的質(zhì)量，，所以飛機(jī)已逐步成為大眾的主要交通工具之一。根據(jù)國家民航局對(duì)我國旅客吞吐量的統(tǒng)計(jì)知2013年我國旅客出行人次達(dá)到7500多萬，比去年同比增長11%，整體具有明顯上升的趨勢(shì)。特別是在旅游季和節(jié)假日期間，由于旅游、商務(wù)、探親、購物等各類客流的疊加，使得這段時(shí)期相對(duì)于普通工作曰旅客客流量有大幅度的變化，形成了客流高峰，客流波動(dòng)非常明顯。

與此同時(shí)，民航還加大了改革的力度，相繼推出了多級(jí)票價(jià)、電子客票、網(wǎng)上值機(jī)等一系列的措施，不斷地減少旅客乘坐飛機(jī)的流程，提升服務(wù)質(zhì)量，加強(qiáng)飛機(jī)的安保措施，使得乘坐飛機(jī)出行越來越受到推崇�，F(xiàn)在由訂票到付款再到值機(jī)，只要你能聯(lián)網(wǎng)，都可以隨時(shí)隨地的進(jìn)行一網(wǎng)操作，非常的方便快捷。

民航旅客的迅速增長，使航空公司進(jìn)入了一個(gè)新的發(fā)展階段，機(jī)遇與挑戰(zhàn)并存。一方面客流的增加促進(jìn)了整個(gè)航空市場(chǎng)的繁榮，為航空公司帶來了客戶和收益。另一方面，航空公司之間的競(jìng)爭也日益激烈，要想在競(jìng)爭中生存，就需要降低成本，提高收益，因此進(jìn)行收益管理是航空公司的普遍選擇。收益管理的主要目標(biāo)是使航空公司的收益達(dá)到最高，它的前提是需要對(duì)航空公司成功訂座的人數(shù)進(jìn)行預(yù)測(cè)，再根據(jù)預(yù)測(cè)人數(shù)對(duì)動(dòng)態(tài)定價(jià)、超售處理、座位優(yōu)化分配等一系列的措施提供決策指導(dǎo)。通過對(duì)民航航線的旅客流量進(jìn)行準(zhǔn)確的預(yù)測(cè)，航空公司就可以根據(jù)航線客流的預(yù)測(cè)結(jié)果采用相應(yīng)的措施來提高客座率，比如增加或減少航班、超售配額、動(dòng)態(tài)定價(jià)等。由于客座率的提高，使得航空公司的經(jīng)濟(jì)效益增加，航空公司計(jì)劃的準(zhǔn)確性得到提升，因此民航客流量預(yù)測(cè)具有很重要的現(xiàn)實(shí)意義。

本文的研究是建立在已有近幾年全國旅客歷史出行記錄的基礎(chǔ)上，由于是全行業(yè)的數(shù)據(jù)，沒有航空公司只有公司本身數(shù)據(jù)的局限性，所以更能夠獲得客流的出行規(guī)律，進(jìn)行客流量的預(yù)測(cè)。由于旅客訂票、值機(jī)、離港等積累的出行記錄數(shù)據(jù)量比較大，所以需要對(duì)基礎(chǔ)數(shù)據(jù)先進(jìn)行數(shù)據(jù)處理得到航線客流的中間結(jié)果，再根據(jù)中間結(jié)果獲得歷年國內(nèi)所有航線每日的客流量。同時(shí)民航旅客流量會(huì)受到節(jié)假日、氣候、突發(fā)事件、城市的吸引力等一系列因素的影響，使得對(duì)客流量的預(yù)測(cè)復(fù)雜難度大大增加。為了構(gòu)建適合民航旅客的準(zhǔn)確度較高的流量預(yù)測(cè)模型首先需要對(duì)航線客流的波動(dòng)規(guī)律進(jìn)行分析，并將這些波動(dòng)規(guī)律與相應(yīng)的預(yù)測(cè)模型有效地結(jié)合，提高模型的泛化能力和預(yù)測(cè)準(zhǔn)確度，從而為航空公司提供強(qiáng)有力的決策支持，以及提高經(jīng)濟(jì)效益。

1.2研究現(xiàn)狀

民航領(lǐng)域的旅客流量在時(shí)間分布上是非線性的，容易受到天氣、節(jié)假日、特殊事件、城市的吸引力等外部因素的影響，這使得旅客流量變化具有非平穩(wěn)的特征。時(shí)間序列是指將某種現(xiàn)象的某個(gè)統(tǒng)計(jì)指標(biāo)在不同的時(shí)間上的各個(gè)數(shù)值，按時(shí)間先后順序排列而形成的序列，所以我們可以把旅客流量理解為在不同時(shí)間粒度下的一種非線性時(shí)間序列。目前很多航空公司為了搶占市場(chǎng)份額，獲取經(jīng)濟(jì)效益都進(jìn)行了收益管理，其中關(guān)鍵是對(duì)旅客的需求進(jìn)行預(yù)測(cè)，而旅客需求的預(yù)測(cè)主要是指旅客流量的預(yù)測(cè)。所以受市場(chǎng)和利益的驅(qū)動(dòng)，流量預(yù)測(cè)已成為民航領(lǐng)域的研究熱點(diǎn)。

目前比較流行的進(jìn)行流量預(yù)測(cè)模型主要有三種，分別是解析數(shù)學(xué)預(yù)測(cè)模型、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和小波神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型。

（1）解析數(shù)學(xué)預(yù)測(cè)模型

解析數(shù)學(xué)預(yù)測(cè)模型主要是利用數(shù)學(xué)模型來描述預(yù)測(cè)值與影響因子之間的關(guān)系，通常需要進(jìn)行復(fù)雜的參數(shù)估計(jì)和大量的歷史數(shù)據(jù)來獲得較高的預(yù)測(cè)精度。主要包括多元線性回歸模型、ARIMA模型、卡爾曼濾波模型等。多元線性回歸模型主要是將因變量表示為多個(gè)自變量的表達(dá)式，通過不斷調(diào)整權(quán)值使得因變量的誤差最小。這種方法目前已發(fā)展成熟并廣泛應(yīng)用于實(shí)際問題中，如文獻(xiàn)1和文獻(xiàn)2，但是它適用于線性的回歸問題，并且受到實(shí)際問題的制約。ARIMA模型主要是為了解決多元線性回歸不能解決非線性的預(yù)測(cè)問題，文獻(xiàn)和文獻(xiàn)都是利用ARIMA模型對(duì)短時(shí)交通流量進(jìn)行預(yù)測(cè)，具有很好效果。但是需要建立在大量的歷史數(shù)據(jù)基礎(chǔ)之上，對(duì)于處理有劇烈變化的數(shù)據(jù)泛化能力不夠。卡爾曼濾波模型主要是一種參數(shù)估計(jì)，通過對(duì)狀態(tài)方程和觀測(cè)方程來求得最適合的參數(shù)。這種預(yù)測(cè)模型通常精確度相對(duì)較高，能夠比較方便對(duì)預(yù)測(cè)因子進(jìn)行選擇，但是由于模型的基礎(chǔ)是依賴于線性的模型，所以當(dāng)碰到劇烈的變動(dòng)或者非線性的場(chǎng)景時(shí)，就不能進(jìn)行很好的應(yīng)用了。此外對(duì)于每次計(jì)算都需要對(duì)權(quán)值進(jìn)行調(diào)整，這就加大了計(jì)算的難度和算法的復(fù)雜度。

2相關(guān)理論基礎(chǔ)

2.1小波分析

小波通過伸縮和平移能夠?qū)θ我鈴?fù)雜的信號(hào)進(jìn)行擬合，通過對(duì)信號(hào)的細(xì)節(jié)特征進(jìn)行縮放，使得對(duì)信號(hào)的描述更加詳細(xì)。同時(shí)通過小波分解可以使原本波動(dòng)特征比較復(fù)雜的信號(hào)分解為多個(gè)不同尺度下的特征波動(dòng)成分，這樣能更加清楚和詳細(xì)地觀察信號(hào)的波動(dòng)部分，更利于獲得信號(hào)的變換規(guī)律。利用這些特點(diǎn)將其與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)功能相結(jié)合，能夠提升BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確度，也是本文需要研究的重點(diǎn)。本節(jié)主要從小波變換與多分辨分析、小波變換的快速實(shí)現(xiàn)算法MALLAT算法以及小波去噪三個(gè)方面進(jìn)行闡述，為后續(xù)進(jìn)行小波神經(jīng)網(wǎng)絡(luò)相結(jié)合的預(yù)測(cè)模型的研究奠定基礎(chǔ)。

2.1.1MALLAT算法

MALLAT算法能夠?qū)π〔ㄟM(jìn)行快速分解與重構(gòu)，它的關(guān)鍵是對(duì)小波分解系數(shù)的求解。在實(shí)際應(yīng)用中，我們可以根據(jù)濾波器原理來對(duì)小波分解進(jìn)行理解，原始信號(hào)在經(jīng)過高通濾波器和低通濾波器之后，會(huì)得到信號(hào)的兩個(gè)部分，分別為近似信號(hào)和細(xì)節(jié)信號(hào)，再對(duì)近似的那部分進(jìn)行上面的流程，直到已經(jīng)到達(dá)指定的層數(shù)停止，圖2-2表示分解原理。

2.2BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是由一群具有相同結(jié)構(gòu)的節(jié)點(diǎn)組成的能夠?qū)崿F(xiàn)復(fù)雜功能的一種網(wǎng)絡(luò)。與分布式系統(tǒng)類似，每一個(gè)節(jié)點(diǎn)都構(gòu)成網(wǎng)絡(luò)中的一個(gè)小部分實(shí)現(xiàn)局部的功能，再把所有分布在不同節(jié)點(diǎn)上的功能進(jìn)行合并，通過這種并行協(xié)同處理使其成為一個(gè)具有實(shí)現(xiàn)特定復(fù)雜功能的一個(gè)網(wǎng)絡(luò)。

網(wǎng)絡(luò)中的節(jié)點(diǎn)我們稱為神經(jīng)元，是神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)組成部分，單個(gè)神經(jīng)元的結(jié)構(gòu)如圖2-4。

神經(jīng)元模擬了人腦神經(jīng)系統(tǒng)的功能，通過對(duì)輸入向量加權(quán)來進(jìn)行學(xué)習(xí)，再在相應(yīng)的激活函數(shù)下將學(xué)習(xí)的結(jié)果輸出到網(wǎng)絡(luò)的突觸連接中，其中不同的權(quán)值和激活函數(shù)所構(gòu)成的神經(jīng)元的記憶和學(xué)習(xí)是不同的。因此，在存儲(chǔ)了大量具有不同功能的神經(jīng)元的網(wǎng)絡(luò)中，可以不斷迭代地調(diào)整神經(jīng)元之間的連接權(quán)重，來對(duì)復(fù)雜的知識(shí)進(jìn)行有效地學(xué)習(xí)，從而使得輸出結(jié)果符合預(yù)期。

神經(jīng)網(wǎng)絡(luò)可以降低對(duì)數(shù)學(xué)模型的依賴，能夠從現(xiàn)有的實(shí)際環(huán)境出發(fā)，對(duì)自身的權(quán)值進(jìn)行調(diào)整，使其最終具有良好的環(huán)境適應(yīng)能力。同時(shí)，對(duì)于訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)還具有智能的特點(diǎn)，就像是一個(gè)愛學(xué)習(xí)的小孩，教會(huì)他知識(shí)之后他能夠根據(jù)知識(shí)進(jìn)行學(xué)以致用和舉一反三。比如在分類的應(yīng)用中，當(dāng)我們提供學(xué)習(xí)樣本訓(xùn)練網(wǎng)絡(luò)之后，再提供測(cè)試的輸入，他會(huì)根據(jù)所學(xué)的知識(shí)進(jìn)行總結(jié)分析，最后給出他對(duì)測(cè)試樣本的分類。當(dāng)然具有這樣的智能性是首先你需要教會(huì)他相關(guān)的知識(shí)。

3數(shù)據(jù)處理.......16

3.1數(shù)據(jù)的獲取......16

3.2數(shù)據(jù)清洗與去噪.........18

4民航旅客流量規(guī)律分析......21

4.1旅客總體出行規(guī)律分析.......21

4.2航線客流量規(guī)律分析.......23

5民航旅客預(yù)測(cè)模型與應(yīng)用.........29

5.1普通工作周流量預(yù)測(cè)模型與應(yīng)用.........29

5.2BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型與應(yīng)用.......29

5民航旅客預(yù)測(cè)模型與應(yīng)用

通過第4章對(duì)民航旅客流量的規(guī)律分析，我們知道普通工作周客流量與節(jié)假日的客流量的波動(dòng)都有其各自的特點(diǎn)。節(jié)假日期間受到探親、旅游、購物等出行需求的增加客流比普通工作周波動(dòng)劇烈，所以在進(jìn)行客流量預(yù)測(cè)時(shí)，分別對(duì)普通工作周和節(jié)假日進(jìn)行建模和預(yù)測(cè)。本章第1小節(jié)是對(duì)普通工作周流量進(jìn)行預(yù)測(cè)，旅客流量會(huì)受到氣候、天氣、星期類型等因素的影響具有非平穩(wěn)的特點(diǎn)，所以采用神經(jīng)網(wǎng)絡(luò)和嵌入型小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型來對(duì)旅客流量進(jìn)行擬合與預(yù)測(cè)，并對(duì)兩種預(yù)測(cè)模型進(jìn)行性能評(píng)價(jià)。本章第2小節(jié)是對(duì)節(jié)假日客流量進(jìn)行預(yù)測(cè)，不同航線不同節(jié)假日具有其本身的波動(dòng)特征，但是相同航線歷年同一節(jié)假日期間的波動(dòng)曲線是非常相似的，只是增幅不一樣，本小節(jié)利用節(jié)假日客流這一特點(diǎn)釆用波動(dòng)系數(shù)和相似樣本的松散小波神經(jīng)網(wǎng)絡(luò)兩種預(yù)測(cè)模型分別來對(duì)節(jié)假日進(jìn)行仿真和預(yù)測(cè)，并進(jìn)行模型性能評(píng)價(jià)。本文的實(shí)驗(yàn)環(huán)境是在中進(jìn)行仿真，出于數(shù)據(jù)的保密性考慮，本文都對(duì)旅客流量進(jìn)行了單位化處理。

5.1普通工作周流量預(yù)測(cè)模型與應(yīng)用

普通工作周流量與節(jié)假日的客流相比雖然變化沒有那么劇烈，但由第四章對(duì)普通工作周航線的客流規(guī)律分析我們知道不同航線之間的普通工作周波動(dòng)規(guī)律是不一樣的，而且是非平穩(wěn)的，有的出現(xiàn)一個(gè)波峰，有的出現(xiàn)兩個(gè)波峰等，因此對(duì)普通工作周流量的預(yù)測(cè)模型需要能夠?qū)θ我鈴?fù)雜的函數(shù)有很好的逼近能力。本小節(jié)對(duì)普通工作周流量預(yù)測(cè)模型有兩種，分別是BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和嵌入型小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，接下來分別介紹這兩種預(yù)測(cè)模型并進(jìn)行模型仿真與評(píng)價(jià)。

6總結(jié)與展望

本文主要構(gòu)建了適合民航旅客的準(zhǔn)確度較高的普通工作周旅客流量預(yù)測(cè)模型和節(jié)假日旅客流量預(yù)測(cè)模型。

本文對(duì)旅客歷史出行的基礎(chǔ)數(shù)據(jù)進(jìn)行預(yù)處理，并對(duì)預(yù)處理之后的數(shù)據(jù)進(jìn)行分組統(tǒng)計(jì)來獲得近幾年航線的每日的客流量，解決了由于數(shù)據(jù)量大而帶來的問題。同時(shí)還對(duì)客流進(jìn)行去噪，降低了客流量的噪音又保持原有的客流波動(dòng)特征。

小波變換能夠?qū)⑷我鈴?fù)雜的信號(hào)分解為具有不同波動(dòng)特征的信號(hào)組合，這樣有利于更加詳細(xì)的觀察信號(hào)的變換情況，將其與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)功能相結(jié)合，能夠有效的提高預(yù)測(cè)的準(zhǔn)確度。同時(shí)在民航旅客普通工作周和節(jié)假日的客流量預(yù)測(cè)中都有很好的效果。

在普通工作周的預(yù)測(cè)模型中，首先對(duì)普通工作周客流進(jìn)行分析知相鄰的周與周之間具有很大的相似性，因此將客流按不同星期類型分為7組分別作為訓(xùn)練樣本和測(cè)試樣本進(jìn)行建模。同時(shí)旅客流量具有非線性的特點(diǎn)，本文采用神經(jīng)網(wǎng)絡(luò)和嵌入型小波神經(jīng)網(wǎng)絡(luò)分別對(duì)兩種預(yù)測(cè)模型進(jìn)行建模和預(yù)測(cè)。最后通過對(duì)預(yù)測(cè)的結(jié)果進(jìn)行評(píng)價(jià)得出嵌入型小波神經(jīng)網(wǎng)絡(luò)在對(duì)普通工作周流量預(yù)測(cè)中具有很好的效果。

在節(jié)假日流量預(yù)測(cè)模型中，首先對(duì)節(jié)假日的客流波動(dòng)規(guī)律進(jìn)行分析知同一航線歷年相同的節(jié)假日期間客流的波動(dòng)曲線是非常相似的，只是增長的幅度不一致，因此對(duì)于節(jié)假日的預(yù)測(cè)進(jìn)行建模需要能夠有效的將節(jié)假日的波動(dòng)特征和增幅特點(diǎn)相結(jié)合。根據(jù)這一特點(diǎn)本文構(gòu)建了波動(dòng)系數(shù)預(yù)測(cè)模型和相似樣本松散型小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型來分別對(duì)節(jié)假日的客流進(jìn)行預(yù)測(cè)建模，經(jīng)過對(duì)比預(yù)測(cè)結(jié)果知相似樣本小波神經(jīng)網(wǎng)絡(luò)在對(duì)節(jié)假日的客流預(yù)測(cè)中具有較高的準(zhǔn)確度，能夠有效的將節(jié)假日客流波動(dòng)曲線與增幅相結(jié)合。

本文重點(diǎn)對(duì)旅客的普通工作周和節(jié)假日客流量進(jìn)行了預(yù)測(cè)建模，然而對(duì)于特定航線的旅游季、購物季，或者由于某個(gè)事件比如亞運(yùn)會(huì)、奧運(yùn)會(huì)、地震、歌唱會(huì)等客流預(yù)測(cè)沒有進(jìn)行分析。但是有了對(duì)普通工作周和節(jié)假日客流的規(guī)律分析和預(yù)測(cè)建模的基礎(chǔ)，接下來我們還可以進(jìn)行不同規(guī)模旅行團(tuán)客流預(yù)測(cè)、民航運(yùn)輸總客流量預(yù)測(cè)、特殊事件預(yù)測(cè)或者進(jìn)行不同航線旅游季客流預(yù)測(cè)等，通過對(duì)不同的數(shù)據(jù)進(jìn)行規(guī)律分析然后再構(gòu)建預(yù)測(cè)模型，具有廣闊的應(yīng)用場(chǎng)景。

參考文獻(xiàn)（略）