機場離港旅客托運行李需求預測方法的選取

楊 志 超

(天津市市政工程設計研究院，天津 300051)

機場離港旅客托運行李需求預測方法的選取

楊 志 超

(天津市市政工程設計研究院，天津 300051)

通過分析機場離港旅客托運行李的需求特性，引出托運行李需求影響因素，對現有的預測方法進行篩選，選擇了BP神經網絡模型，并對其適用性進行了分析，以準確把握離港旅客的托運行李需求，及時有效地分配及調度相關人員與設備。

機場，托運行李，需求預測，BP神經網絡

0 引言

隨著我國民航旅客運輸量日趨增加，機場經常發生旅客在值機托運行李區域長時間滯留現象，亦極易引發群體事件，給民航運輸業帶來很大的負面影響。

旅客離港出發分為國內出發和國際出發兩種。無論國內出發還是國際出發，離港旅客都需要辦理行李托運手續。這個環節所消耗的時間是決定離港旅客在機場滯留時間長短的關鍵因素。只有對離港旅客的托運行李需求變化實時準確的把握，及時有效地分配及調度相關人員與設備，才能有效的減少旅客在港滯留時間，確保旅客快速登機和航班安全正點運行。選用合適的預測方法即為本文研究的意義所在，本文相關數據來源于天津濱海國際機場。

1 離港旅客行李需求特性

離港旅客行李主要分為隨身攜帶的行李和托運行李。機場離港旅客的行李運輸主要是指離港旅客的托運行李運輸，是行李在飛機行李艙與航站樓之間的運輸。

由于航空運輸的特殊性和安全性，針對離港旅客所帶的行李，各個航空公司根據飛機機型、國內或國際航班、旅客所在航班艙位等有不同的規定。本文主要針對離港旅客的托運行李需求進行研究。

通過分析，離港旅客的托運行李需求特性可以用三個量化指標來體現，即為：1)數量；2)重量；3)體積。

2 托運行李需求影響因素

影響機場離港旅客托運行李需求的指標有很多，有直接因素也有間接因素，有些因素的影響作用是微乎其微，通過分析比較與歸納，針對機場離港旅客托運行李的需求，主要影響因素有以下幾種：

1)旅客數量。

以某一航班為例，離港旅客數量與旅客托運的行李數量的關系如圖1所示。通常情況，離港旅客流量增大，相應地離港旅客的托運行李需求量也增大，但絕不是簡單的正相比關系，它還存在很大的隨機性。同時，機場離港旅客托運行李需求變化與很多因素有關，它們之間存在著非常復雜的非線性映射關系。

2)旅客出行的目的。

通過統計調查分析表明，以旅游度假、上學讀書為目的的離港旅客所托運的行李明顯較多，以出差開會為目的的離港旅客所托運的行李相對較少，旅客主要依據本次出行的目的決定著所帶行李的多少。

3)旅客的性格特征。

性格內向的人往往做事穩重踏實，性格外向的人往往做事果斷大氣；同樣，仔細謹慎的旅客所帶行李相對較多，隨性安逸的旅客所帶行李相對較少。

4)旅客的經濟收入。

收入較高的旅客，考慮到出行的便捷性與舒適性，不會攜帶過多的行李；反之，收入較低的旅客，則會考慮出行的周全，所帶行李相對多一些。

5)航班類型，即國內航班或國際航班。

相同登機旅客數量下，國內與國際航班旅客托運的行李總數情況如圖2所示。乘坐國際航班的旅客通常旅程相對較遠及出行時間較長，明顯比國內航班的旅客的托運行李需求量大。

6)航班日期。

通過分析某航班在5月份托運的旅客行李總數情況如圖3所示，節假日期間該航班離港旅客托運行李的需求明顯比平常日期的大。

7)航班飛行時間。

航班飛行時間的長短直接反映了旅客旅程的遠近，航班飛行時間具體影響作用如圖4所示。

綜上所述，可以看出機場離港旅客的托運行李影響因素與最終的需求關系各異、比重各異，是很多因素共同作用下的結果，使得需求預測方法的選擇顯得尤為重要。

3 托運行李需求預測方法

3.1 現有預測方法

目前，常用的預測方法主要分為兩大類，定性預測法和定量預測法。現有的定量預測方法可以分為兩大種：一種方法是假設待研究變量之間存在著某種線性或類似線性曲線的關系，通過一定的計算，最后建造出反映這種關系的預測方程式。另一種方法是考慮了需求量與其影響因素間存在著非線性的關系，但是無論由此思想出發采用的回歸分析預測法，還是灰色模型預測法等其他方法，對于復雜數據內這種復雜相關性都不能較全面與正確地表達出來，比較容易丟失數據間所反映出的某種信息。

BP神經網絡不需要對輸入與輸出變量作某種事先假定，不需要各種專家經驗，只是通過觀察到的實際數據，通過樣本訓練而學習抽象出其中隱含的非線性關系。它能夠比較全面準確地映射出復雜數據間存在的關聯性，可以逼近任何復雜的非線性函數，從而可以很好地模擬出旅客行李需求與其影響因素的關系。

3.2 BP神經網絡

BP神經網絡是采用梯度反差算法及其各種變化形式，建立的一種前饋反向傳播網絡，它可以很好地解決實際中絕大多數的非線性復雜問題[1]。BP神經網絡的一般結構如圖5所示，它是由許多人工神經元組成的一種單方向傳播的前向網絡。網絡一般由輸入層、中間層(即隱含層)和輸出層構成三層或三層以上的結構，同層之間的神經元一般沒有連接，前后層之間的神經元實現了完全連接。

BP神經網絡采用的是誤差反差算法，它的學習訓練過程是由信息在網絡中的正向傳播和誤差在網絡中的反向傳播構成的[2]。BP神經網絡訓練學習的基本思想為：

BP神經網絡中進行訓練學習時，BP神經網絡會給予信息包中的有效信息較大的權值，而給予信息包中的干擾信息極小的權值，大大降低了研究數據中干擾信息對系統的影響，從而自動篩選有效信息；只需給BP神經網絡提供所需的樣本量，它便可以映射出從m維輸入向量到n維輸出向量的非線性關系，具有超強的非線性映射能力；樣本數據中所反映的數據間的非線性映射關系被BP神經網絡存儲在權值矩陣中。在未來后續工作階段中，如果網絡接收到一些之前樣本中未出現過的數據，網絡也能正確地完成從輸入到輸出的映射關系，泛化能力強。BP神經網絡的魅力還在于，當輸入的信息有錯誤時，也能正確地運轉并預測[3，4]。

機場離港旅客的托運行李需求并不單單只與一種因素有關，而是很多因素共同作用下的結果。同時，它們之間的這種關系并不是簡單的線性相關，而是非常復雜的非線性映射關系。所以，預測機場離港旅客托運行李的需求需要有多個指標共同作用來預測，同時還要準確全面地映射出這種復雜的非線性關系，從而才能使未來的預測準確。BP神經網絡預測可以很好的實現這一需求。

4 結語

機場離港旅客托運行李的需求變化與多重因素之間存在著復雜的非線性關系，數據之間有著復雜的內在結構和關聯特性，機場旅客托運行李的需求變化既有周期性又有隨機性。同時加上航空運輸的特殊性，普通的預測方法很難準確地預測出旅客托運行李的需求變化，丟失數據間信息量。本文通過實際數據分析，證明BP神經網絡對機場離港旅客托運行李需求預測的適用性。為未來建立BP神經網絡預測模型，預測旅客托運行李的需求奠定基礎。

[1] Craig V. Robertson, Shelly Shrader, Lisa M. Johnson, et al. The Role of Modeling Demand in Process Re-Engineering[A].Proceedings of the 2002 Winter Simulation Conference[C].2002:1454-1458.

[2] 王世春.BP網絡在多元回歸分析中的應用[D].合肥:合肥工業大學,2003.

[3] 張璐璐.基于遺傳神經網絡的人民幣識別方法研究[D].吉林：吉林大學,2009.

[4] Feen M. The upstart algorithm: A Method for Constructing and Training Feed forward Neural Networks[J].Neural Networks,1993(6):22-26.

The demand forecasting method selection of airport passenger departure checked baggage

YANG Zhi-chao

(TianjinMunicipalEngineeringDesignResearchInstitute,Tianjin300051,China)

Through the analysis on the demand characteristics of airport passenger departure checked baggage, leading to checked baggage demand influence factors, selected the existing forecasting methods, selected the BP neural network model, analyzed its applicability, in order to accurately grasp the passengers departure checked baggage requirements, timely and effective allocation and scheduling related personnel and equipment.

airport, checked baggage, demand forecasting, BP neural network

1009-6825(2014)34-0258-02

2014-09-20

楊志超(1986- )，男，碩士，助理工程師

V353

A