基于小波神经网络模型的民航旅客流量预测研究

【摘要】 近年来民航客流快速增长,使得旅客流量成为各大航空公司关注的焦点。因此需要构建适合民航旅客的准确度较高的流量预测模型来为航空公司提供决策支持和提高经济效益。为了进行航线客流的预测本文从海量的旅客历史出行记录中获得近几年不同航线每日的客流量。同时对获得的客流进行数据清洗与去噪,使得处理后的客流量既减少了偶然因素产生的噪音又保持了航线客流本身的规律。小波变换能将任意复杂的信号分解为不同尺度下的细节信号,可以更详细地观察信号的波动特征,将其与BP神经网络的预测功能相结合建立预测模型,能够提升BP神经网络的预测准确度。民航旅客客流在普通工作周和节假日期间的波动特征具有很大的差异,需要分别对两者进行建模。经过对普通工作周客流的规律分析知相邻普通工作周客流波动基本相似,因此为了提高预测的准确度先将普通工作周客流按不同星期类型分为7组分别进行预测,再将预测的结果按日期合并。对于非线性的普通工作周客流量预测主要构建BP神经网络和嵌入型小波神经网络两种预测模型。同样经过对节假日客流的规律分析知同一航线历年相同节假日期间客流的波动曲线非常相似只是增幅不同,因此建模时利用这一特点构建了波动系数预测模型和相似样本松散型小波神经网络预测模型来对节假日客流进行预测。本文选取近几年北京至广州航线客流在MATLAB上进行仿真实验,通过对比预测结果,得出嵌入型小波神经网络预测模型对普通工作周客流预测具有较好的效果。同时相似样本松散型小波神经网络能够将节假日的波动曲线和增幅进行有效的结合,对节假日的预测有较高的准确度。 

1引言

1.1研究背景与意义

随着我国经济的快速发展，人均收入和生活水平的显著提高，潜移默化的影响着人们的消费观念。近年来，人们对出行需求有了很大的提高，而且也越来越看重出行的质量，，所以飞机已逐步成为大众的主要交通工具之一。根据国家民航局对我国旅客吞吐量的统计知2013年我国旅客出行人次达到7500多万，比去年同比增长11%，整体具有明显上升的趋势。特别是在旅游季和节假日期间，由于旅游、商务、探亲、购物等各类客流的叠加，使得这段时期相对于普通工作曰旅客客流量有大幅度的变化，形成了客流高峰，客流波动非常明显。

与此同时，民航还加大了改革的力度，相继推出了多级票价、电子客票、网上值机等一系列的措施，不断地减少旅客乘坐飞机的流程，提升服务质量，加强飞机的安保措施，使得乘坐飞机出行越来越受到推崇。现在由订票到付款再到值机，只要你能联网，都可以随时随地的进行一网操作，非常的方便快捷。

民航旅客的迅速增长，使航空公司进入了一个新的发展阶段，机遇与挑战并存。一方面客流的增加促进了整个航空市场的繁荣，为航空公司带来了客户和收益。另一方面，航空公司之间的竞争也日益激烈，要想在竞争中生存，就需要降低成本，提高收益，因此进行收益管理是航空公司的普遍选择。收益管理的主要目标是使航空公司的收益达到最高，它的前提是需要对航空公司成功订座的人数进行预测，再根据预测人数对动态定价、超售处理、座位优化分配等一系列的措施提供决策指导。通过对民航航线的旅客流量进行准确的预测，航空公司就可以根据航线客流的预测结果采用相应的措施来提高客座率，比如增加或减少航班、超售配额、动态定价等。由于客座率的提高，使得航空公司的经济效益增加，航空公司计划的准确性得到提升，因此民航客流量预测具有很重要的现实意义。

本文的研究是建立在已有近几年全国旅客历史出行记录的基础上，由于是全行业的数据，没有航空公司只有公司本身数据的局限性，所以更能够获得客流的出行规律，进行客流量的预测。由于旅客订票、值机、离港等积累的出行记录数据量比较大，所以需要对基础数据先进行数据处理得到航线客流的中间结果，再根据中间结果获得历年国内所有航线每日的客流量。同时民航旅客流量会受到节假日、气候、突发事件、城市的吸引力等一系列因素的影响，使得对客流量的预测复杂难度大大增加。为了构建适合民航旅客的准确度较高的流量预测模型首先需要对航线客流的波动规律进行分析，并将这些波动规律与相应的预测模型有效地结合，提高模型的泛化能力和预测准确度，从而为航空公司提供强有力的决策支持，以及提高经济效益。

1.2研究现状

民航领域的旅客流量在时间分布上是非线性的，容易受到天气、节假日、特殊事件、城市的吸引力等外部因素的影响，这使得旅客流量变化具有非平稳的特征。时间序列是指将某种现象的某个统计指标在不同的时间上的各个数值，按时间先后顺序排列而形成的序列，所以我们可以把旅客流量理解为在不同时间粒度下的一种非线性时间序列。目前很多航空公司为了抢占市场份额，获取经济效益都进行了收益管理，其中关键是对旅客的需求进行预测，而旅客需求的预测主要是指旅客流量的预测。所以受市场和利益的驱动，流量预测已成为民航领域的研究热点。

目前比较流行的进行流量预测模型主要有三种，分别是解析数学预测模型、神经网络预测模型和小波神经网络组合预测模型。

（1）解析数学预测模型

解析数学预测模型主要是利用数学模型来描述预测值与影响因子之间的关系，通常需要进行复杂的参数估计和大量的历史数据来获得较高的预测精度。主要包括多元线性回归模型、ARIMA模型、卡尔曼滤波模型等。多元线性回归模型主要是将因变量表示为多个自变量的表达式，通过不断调整权值使得因变量的误差最小。这种方法目前已发展成熟并广泛应用于实际问题中，如文献1和文献2，但是它适用于线性的回归问题，并且受到实际问题的制约。ARIMA模型主要是为了解决多元线性回归不能解决非线性的预测问题，文献和文献都是利用ARIMA模型对短时交通流量进行预测，具有很好效果。但是需要建立在大量的历史数据基础之上，对于处理有剧烈变化的数据泛化能力不够。卡尔曼滤波模型主要是一种参数估计，通过对状态方程和观测方程来求得最适合的参数。这种预测模型通常精确度相对较高，能够比较方便对预测因子进行选择，但是由于模型的基础是依赖于线性的模型，所以当碰到剧烈的变动或者非线性的场景时，就不能进行很好的应用了。此外对于每次计算都需要对权值进行调整，这就加大了计算的难度和算法的复杂度。

2相关理论基础

2.1小波分析

小波通过伸缩和平移能够对任意复杂的信号进行拟合，通过对信号的细节特征进行缩放，使得对信号的描述更加详细。同时通过小波分解可以使原本波动特征比较复杂的信号分解为多个不同尺度下的特征波动成分，这样能更加清楚和详细地观察信号的波动部分，更利于获得信号的变换规律。利用这些特点将其与BP神经网络的预测功能相结合，能够提升BP神经网络的预测准确度，也是本文需要研究的重点。本节主要从小波变换与多分辨分析、小波变换的快速实现算法MALLAT算法以及小波去噪三个方面进行阐述，为后续进行小波神经网络相结合的预测模型的研究奠定基础。

2.1.1MALLAT算法

MALLAT算法能够对小波进行快速分解与重构，它的关键是对小波分解系数的求解。在实际应用中，我们可以根据滤波器原理来对小波分解进行理解，原始信号在经过高通滤波器和低通滤波器之后，会得到信号的两个部分，分别为近似信号和细节信号，再对近似的那部分进行上面的流程，直到已经到达指定的层数停止，图2-2表示分解原理。

2.2BP神经网络

人工神经网络是由一群具有相同结构的节点组成的能够实现复杂功能的一种网络。与分布式系统类似，每一个节点都构成网络中的一个小部分实现局部的功能，再把所有分布在不同节点上的功能进行合并，通过这种并行协同处理使其成为一个具有实现特定复杂功能的一个网络。

网络中的节点我们称为神经元，是神经网络的基础组成部分，单个神经元的结构如图2-4。

神经元模拟了人脑神经系统的功能，通过对输入向量加权来进行学习，再在相应的激活函数下将学习的结果输出到网络的突触连接中，其中不同的权值和激活函数所构成的神经元的记忆和学习是不同的。因此，在存储了大量具有不同功能的神经元的网络中，可以不断迭代地调整神经元之间的连接权重，来对复杂的知识进行有效地学习，从而使得输出结果符合预期。

神经网络可以降低对数学模型的依赖，能够从现有的实际环境出发，对自身的权值进行调整，使其最终具有良好的环境适应能力。同时，对于训练好的神经网络还具有智能的特点，就像是一个爱学习的小孩，教会他知识之后他能够根据知识进行学以致用和举一反三。比如在分类的应用中，当我们提供学习样本训练网络之后，再提供测试的输入，他会根据所学的知识进行总结分析，最后给出他对测试样本的分类。当然具有这样的智能性是首先你需要教会他相关的知识。

3数据处理.......16

3.1数据的获取......16

3.2数据清洗与去噪.........18

4民航旅客流量规律分析......21

4.1旅客总体出行规律分析.......21

4.2航线客流量规律分析.......23

5民航旅客预测模型与应用.........29

5.1普通工作周流量预测模型与应用.........29

5.2BP神经网络预测模型与应用.......29

5民航旅客预测模型与应用

通过第4章对民航旅客流量的规律分析，我们知道普通工作周客流量与节假日的客流量的波动都有其各自的特点。节假日期间受到探亲、旅游、购物等出行需求的增加客流比普通工作周波动剧烈，所以在进行客流量预测时，分别对普通工作周和节假日进行建模和预测。本章第1小节是对普通工作周流量进行预测，旅客流量会受到气候、天气、星期类型等因素的影响具有非平稳的特点，所以采用神经网络和嵌入型小波神经网络预测模型来对旅客流量进行拟合与预测，并对两种预测模型进行性能评价。本章第2小节是对节假日客流量进行预测，不同航线不同节假日具有其本身的波动特征，但是相同航线历年同一节假日期间的波动曲线是非常相似的，只是增幅不一样，本小节利用节假日客流这一特点釆用波动系数和相似样本的松散小波神经网络两种预测模型分别来对节假日进行仿真和预测，并进行模型性能评价。本文的实验环境是在中进行仿真，出于数据的保密性考虑，本文都对旅客流量进行了单位化处理。

5.1普通工作周流量预测模型与应用

普通工作周流量与节假日的客流相比虽然变化没有那么剧烈，但由第四章对普通工作周航线的客流规律分析我们知道不同航线之间的普通工作周波动规律是不一样的，而且是非平稳的，有的出现一个波峰，有的出现两个波峰等，因此对普通工作周流量的预测模型需要能够对任意复杂的函数有很好的逼近能力。本小节对普通工作周流量预测模型有两种，分别是BP神经网络预测模型和嵌入型小波神经网络预测模型，接下来分别介绍这两种预测模型并进行模型仿真与评价。

6总结与展望

本文主要构建了适合民航旅客的准确度较高的普通工作周旅客流量预测模型和节假日旅客流量预测模型。

本文对旅客历史出行的基础数据进行预处理，并对预处理之后的数据进行分组统计来获得近几年航线的每日的客流量，解决了由于数据量大而带来的问题。同时还对客流进行去噪，降低了客流量的噪音又保持原有的客流波动特征。

小波变换能够将任意复杂的信号分解为具有不同波动特征的信号组合，这样有利于更加详细的观察信号的变换情况，将其与BP神经网络的预测功能相结合，能够有效的提高预测的准确度。同时在民航旅客普通工作周和节假日的客流量预测中都有很好的效果。

在普通工作周的预测模型中，首先对普通工作周客流进行分析知相邻的周与周之间具有很大的相似性，因此将客流按不同星期类型分为7组分别作为训练样本和测试样本进行建模。同时旅客流量具有非线性的特点，本文采用神经网络和嵌入型小波神经网络分别对两种预测模型进行建模和预测。最后通过对预测的结果进行评价得出嵌入型小波神经网络在对普通工作周流量预测中具有很好的效果。

在节假日流量预测模型中，首先对节假日的客流波动规律进行分析知同一航线历年相同的节假日期间客流的波动曲线是非常相似的，只是增长的幅度不一致，因此对于节假日的预测进行建模需要能够有效的将节假日的波动特征和增幅特点相结合。根据这一特点本文构建了波动系数预测模型和相似样本松散型小波神经网络预测模型来分别对节假日的客流进行预测建模，经过对比预测结果知相似样本小波神经网络在对节假日的客流预测中具有较高的准确度，能够有效的将节假日客流波动曲线与增幅相结合。

本文重点对旅客的普通工作周和节假日客流量进行了预测建模，然而对于特定航线的旅游季、购物季，或者由于某个事件比如亚运会、奥运会、地震、歌唱会等客流预测没有进行分析。但是有了对普通工作周和节假日客流的规律分析和预测建模的基础，接下来我们还可以进行不同规模旅行团客流预测、民航运输总客流量预测、特殊事件预测或者进行不同航线旅游季客流预测等，通过对不同的数据进行规律分析然后再构建预测模型，具有广阔的应用场景。

参考文献（略）