基于小波神經網絡模型的民航旅客流量預測研究
【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注的焦點。因此需要構建適合民航旅客的準確度較高的流量預測模型來為航空公司提供決策支持和提高經濟效益。為了進行航線客流的預測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。同時對獲得的客流進行數據清洗與去噪,使得處理后的客流量既減少了偶然因素產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雜的信號分解為不同尺度下的細節(jié)信號,可以更詳細地觀察信號的波動特征,將其與BP神經網絡的預測功能相結合建立預測模型,能夠提升BP神經網絡的預測準確度。民航旅客客流在普通工作周和節(jié)假日期間的波動特征具有很大的差異,需要分別對兩者進行建模。經過對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基本相似,因此為了提高預測的準確度先將普通工作周客流按不同星期類型分為7組分別進行預測,再將預測的結果按日期合并。對于非線性的普通工作周客流量預測主要構建BP神經網絡和嵌入型小波神經網絡兩種預測模型。同樣經過對節(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曲線非常相似只是增幅不同,因此建模時利用這一特點構建了波動系數預測模型和相似樣本松散型小波神經網絡預測模型來對節(jié)假日客流進行預測。本文選取近幾年北京至廣州航線客流在MATLAB上進行仿真實驗,通過對比預測結果,得出嵌入型小波神經網絡預測模型對普通工作周客流預測具有較好的效果。同時相似樣本松散型小波神經網絡能夠將節(jié)假日的波動曲線和增幅進行有效的結合,對節(jié)假日的預測有較高的準確度。
1引言
1.1研究背景與意義
隨著我國經濟的快速發(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觀念。近年來,人們對出行需求有了很大的提高,而且也越來越看重出行的質量,,所以飛機已逐步成為大眾的主要交通工具之一。根據國家民航局對我國旅客吞吐量的統計知2013年我國旅客出行人次達到7500多萬,比去年同比增長11%,整體具有明顯上升的趨勢。特別是在旅游季和節(jié)假日期間,由于旅游、商務、探親、購物等各類客流的疊加,使得這段時期相對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,客流波動非常明顯。
與此同時,民航還加大了改革的力度,相繼推出了多級票價、電子客票、網上值機等一系列的措施,不斷地減少旅客乘坐飛機的流程,提升服務質量,加強飛機的安保措施,使得乘坐飛機出行越來越受到推崇,F在由訂票到付款再到值機,只要你能聯網,都可以隨時隨地的進行一網操作,非常的方便快捷。
民航旅客的迅速增長,使航空公司進入了一個新的發(fā)展階段,機遇與挑戰(zhàn)并存。一方面客流的增加促進了整個航空市場的繁榮,為航空公司帶來了客戶和收益。另一方面,航空公司之間的競爭也日益激烈,要想在競爭中生存,就需要降低成本,提高收益,因此進行收益管理是航空公司的普遍選擇。收益管理的主要目標是使航空公司的收益達到最高,它的前提是需要對航空公司成功訂座的人數進行預測,再根據預測人數對動態(tài)定價、超售處理、座位優(yōu)化分配等一系列的措施提供決策指導。通過對民航航線的旅客流量進行準確的預測,航空公司就可以根據航線客流的預測結果采用相應的措施來提高客座率,比如增加或減少航班、超售配額、動態(tài)定價等。由于客座率的提高,使得航空公司的經濟效益增加,航空公司計劃的準確性得到提升,因此民航客流量預測具有很重要的現實意義。
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上,由于是全行業(yè)的數據,沒有航空公司只有公司本身數據的局限性,所以更能夠獲得客流的出行規(guī)律,進行客流量的預測。由于旅客訂票、值機、離港等積累的出行記錄數據量比較大,所以需要對基礎數據先進行數據處理得到航線客流的中間結果,再根據中間結果獲得歷年國內所有航線每日的客流量。同時民航旅客流量會受到節(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,使得對客流量的預測復雜難度大大增加。為了構建適合民航旅客的準確度較高的流量預測模型首先需要對航線客流的波動規(guī)律進行分析,并將這些波動規(guī)律與相應的預測模型有效地結合,提高模型的泛化能力和預測準確度,從而為航空公司提供強有力的決策支持,以及提高經濟效益。
1.2研究現狀
民航領域的旅客流量在時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。時間序列是指將某種現象的某個統計指標在不同的時間上的各個數值,按時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間粒度下的一種非線性時間序列。目前很多航空公司為了搶占市場份額,獲取經濟效益都進行了收益管理,其中關鍵是對旅客的需求進行預測,而旅客需求的預測主要是指旅客流量的預測。所以受市場和利益的驅動,流量預測已成為民航領域的研究熱點。
目前比較流行的進行流量預測模型主要有三種,分別是解析數學預測模型、神經網絡預測模型和小波神經網絡組合預測模型。
(1)解析數學預測模型
解析數學預測模型主要是利用數學模型來描述預測值與影響因子之間的關系,通常需要進行復雜的參數估計和大量的歷史數據來獲得較高的預測精度。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自變量的表達式,通過不斷調整權值使得因變量的誤差最小。這種方法目前已發(fā)展成熟并廣泛應用于實際問題中,如文獻1和文獻2,但是它適用于線性的回歸問題,并且受到實際問題的制約。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測問題,文獻和文獻都是利用ARIMA模型對短時交通流量進行預測,具有很好效果。但是需要建立在大量的歷史數據基礎之上,對于處理有劇烈變化的數據泛化能力不夠?柭鼮V波模型主要是一種參數估計,通過對狀態(tài)方程和觀測方程來求得最適合的參數。這種預測模型通常精確度相對較高,能夠比較方便對預測因子進行選擇,但是由于模型的基礎是依賴于線性的模型,所以當碰到劇烈的變動或者非線性的場景時,就不能進行很好的應用了。此外對于每次計算都需要對權值進行調整,這就加大了計算的難度和算法的復雜度。
2相關理論基礎
2.1小波分析
小波通過伸縮和平移能夠對任意復雜的信號進行擬合,通過對信號的細節(jié)特征進行縮放,使得對信號的描述更加詳細。同時通過小波分解可以使原本波動特征比較復雜的信號分解為多個不同尺度下的特征波動成分,這樣能更加清楚和詳細地觀察信號的波動部分,更利于獲得信號的變換規(guī)律。利用這些特點將其與BP神經網絡的預測功能相結合,能夠提升BP神經網絡的預測準確度,也是本文需要研究的重點。本節(jié)主要從小波變換與多分辨分析、小波變換的快速實現算法MALLAT算法以及小波去噪三個方面進行闡述,為后續(xù)進行小波神經網絡相結合的預測模型的研究奠定基礎。
2.1.1MALLAT算法
MALLAT算法能夠對小波進行快速分解與重構,它的關鍵是對小波分解系數的求解。在實際應用中,我們可以根據濾波器原理來對小波分解進行理解,原始信號在經過高通濾波器和低通濾波器之后,會得到信號的兩個部分,分別為近似信號和細節(jié)信號,再對近似的那部分進行上面的流程,直到已經到達指定的層數停止,圖2-2表示分解原理。
2.2BP神經網絡
人工神經網絡是由一群具有相同結構的節(jié)點組成的能夠實現復雜功能的一種網絡。與分布式系統類似,每一個節(jié)點都構成網絡中的一個小部分實現局部的功能,再把所有分布在不同節(jié)點上的功能進行合并,通過這種并行協同處理使其成為一個具有實現特定復雜功能的一個網絡。
網絡中的節(jié)點我們稱為神經元,是神經網絡的基礎組成部分,單個神經元的結構如圖2-4。
神經元模擬了人腦神經系統的功能,通過對輸入向量加權來進行學習,再在相應的激活函數下將學習的結果輸出到網絡的突觸連接中,其中不同的權值和激活函數所構成的神經元的記憶和學習是不同的。因此,在存儲了大量具有不同功能的神經元的網絡中,可以不斷迭代地調整神經元之間的連接權重,來對復雜的知識進行有效地學習,從而使得輸出結果符合預期。
神經網絡可以降低對數學模型的依賴,能夠從現有的實際環(huán)境出發(fā),對自身的權值進行調整,使其最終具有良好的環(huán)境適應能力。同時,對于訓練好的神經網絡還具有智能的特點,就像是一個愛學習的小孩,教會他知識之后他能夠根據知識進行學以致用和舉一反三。比如在分類的應用中,當我們提供學習樣本訓練網絡之后,再提供測試的輸入,他會根據所學的知識進行總結分析,最后給出他對測試樣本的分類。當然具有這樣的智能性是首先你需要教會他相關的知識。
3數據處理.......16
3.1數據的獲取......16
3.2數據清洗與去噪.........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民航旅客預測模型與應用.........29
5.1普通工作周流量預測模型與應用.........29
5.2BP神經網絡預測模型與應用.......29
5民航旅客預測模型與應用
通過第4章對民航旅客流量的規(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都有其各自的特點。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劇烈,所以在進行客流量預測時,分別對普通工作周和節(jié)假日進行建模和預測。本章第1小節(jié)是對普通工作周流量進行預測,旅客流量會受到氣候、天氣、星期類型等因素的影響具有非平穩(wěn)的特點,所以采用神經網絡和嵌入型小波神經網絡預測模型來對旅客流量進行擬合與預測,并對兩種預測模型進行性能評價。本章第2小節(jié)是對節(jié)假日客流量進行預測,不同航線不同節(jié)假日具有其本身的波動特征,但是相同航線歷年同一節(jié)假日期間的波動曲線是非常相似的,只是增幅不一樣,本小節(jié)利用節(jié)假日客流這一特點釆用波動系數和相似樣本的松散小波神經網絡兩種預測模型分別來對節(jié)假日進行仿真和預測,并進行模型性能評價。本文的實驗環(huán)境是在中進行仿真,出于數據的保密性考慮,本文都對旅客流量進行了單位化處理。
5.1普通工作周流量預測模型與應用
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規(guī)律是不一樣的,而且是非平穩(wěn)的,有的出現一個波峰,有的出現兩個波峰等,因此對普通工作周流量的預測模型需要能夠對任意復雜的函數有很好的逼近能力。本小節(jié)對普通工作周流量預測模型有兩種,分別是BP神經網絡預測模型和嵌入型小波神經網絡預測模型,接下來分別介紹這兩種預測模型并進行模型仿真與評價。
6總結與展望
本文主要構建了適合民航旅客的準確度較高的普通工作周旅客流量預測模型和節(jié)假日旅客流量預測模型。
本文對旅客歷史出行的基礎數據進行預處理,并對預處理之后的數據進行分組統計來獲得近幾年航線的每日的客流量,解決了由于數據量大而帶來的問題。同時還對客流進行去噪,降低了客流量的噪音又保持原有的客流波動特征。
小波變換能夠將任意復雜的信號分解為具有不同波動特征的信號組合,這樣有利于更加詳細的觀察信號的變換情況,將其與BP神經網絡的預測功能相結合,能夠有效的提高預測的準確度。同時在民航旅客普通工作周和節(jié)假日的客流量預測中都有很好的效果。
在普通工作周的預測模型中,首先對普通工作周客流進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組分別作為訓練樣本和測試樣本進行建模。同時旅客流量具有非線性的特點,本文采用神經網絡和嵌入型小波神經網絡分別對兩種預測模型進行建模和預測。最后通過對預測的結果進行評價得出嵌入型小波神經網絡在對普通工作周流量預測中具有很好的效果。
在節(jié)假日流量預測模型中,首先對節(jié)假日的客流波動規(guī)律進行分析知同一航線歷年相同的節(jié)假日期間客流的波動曲線是非常相似的,只是增長的幅度不一致,因此對于節(jié)假日的預測進行建模需要能夠有效的將節(jié)假日的波動特征和增幅特點相結合。根據這一特點本文構建了波動系數預測模型和相似樣本松散型小波神經網絡預測模型來分別對節(jié)假日的客流進行預測建模,經過對比預測結果知相似樣本小波神經網絡在對節(jié)假日的客流預測中具有較高的準確度,能夠有效的將節(jié)假日客流波動曲線與增幅相結合。
本文重點對旅客的普通工作周和節(jié)假日客流量進行了預測建模,然而對于特定航線的旅游季、購物季,或者由于某個事件比如亞運會、奧運會、地震、歌唱會等客流預測沒有進行分析。但是有了對普通工作周和節(jié)假日客流的規(guī)律分析和預測建模的基礎,接下來我們還可以進行不同規(guī)模旅行團客流預測、民航運輸總客流量預測、特殊事件預測或者進行不同航線旅游季客流預測等,通過對不同的數據進行規(guī)律分析然后再構建預測模型,具有廣闊的應用場景。
參考文獻(略)
本文編號:19234
本文鏈接:http://www.lk138.cn/kejilunwen/jisuanjikexuelunwen/19234.html