打开文本图片集

摘 要：本文以新郑国际机场为例，  综述了机场旅客吞吐量方面国内外的相关文献及研究现状，  分别分析并选取了四个要素作为参考：郑州地 区生产总值、旅游总收入、职工平均工资、社会零售品销售总额数据。以该数据做参考并进行 2023-2042 年的相关预测，得出最终结果。最后，  比 较了 GM1.1 模型和 GA-BP 模型的预测结果，分析并验证了该组合预测法的可行性。

关键词： 旅客吞吐量；  灰色预测；时间序列；

Abstract：  This  article  takes  Xinzheng  International  Airport  as  an  example  to  review  the  relevant  literature  and  research  status  of airport passenger throughput at home and abroad. It provides a detailed introduction to the combination prediction methods used - the grey prediction method GM （1. 1） model and the time series prediction method GA genetic algorithm optimized BP neural network model （hereinafter referred to as GA-BP model）. Four important factors that the author considers to be important were analyzed and selected as references from four aspects： GDP of Zhengzhou region， total tourism income of Zhengzhou region， average wage of employees in Zhengzhou region， and total sales of social retail goods in Zhengzhou region. Use this data as a reference and make relevant predictions for 2023-2042 to obtain the final results. The prediction results of the GM1. 1 model and GA-BP model were compared， and the feasibility and advantages of this combined prediction method were analyzed and verified. Suggestions were given on how to help airports quickly recover passenger throughput.

Key Words： Passenger throughput; Grey prediction; Time series method

1 引言

旅客吞吐量是指单位时间内飞机的起降次数和旅客的运送数量，该指标是对 机场规模和旅客运输能力的真实反映，是评判机场运输能力及运行效率的关键标 准，亦是衡量城市地位与经济实力的重要指标。如今民航业逐步恢复，各机场旅 客吞吐量必将出现回升，各机场急需做好该数据的预测以便于应对各种情况。

对于旅客吞吐量的预测方法大致可分为以下两种：定性分析法及定量分析法。 定性分析法包括专家会议法，德尔菲法等等，定量分析法包括计量经济学模型、  人工智能模型[1]等。

Mostafaeioour 等[2] 构建了基干蝙蝠和萤火虫算法的混合人工神经网络模型 预测旅客的航空需求。在深度学习模型中，Do 等[3]利用 LSTM 模型预测了仁川 机场的中短期旅客吞吐量，并构建 SARIMA 模型进行了对比分析， 预测结果显 示， LSTM 模型在中期预测表现优秀，证明了深度学习模型在复杂非线性时间序 列预测中的可行性。对于时间序列预测来说，考虑到其工作在实际应用中会受到 外部因素的影响，Sun 等[4]利用天津航空旅客吞吐量、北京铁路旅客吞吐量、中 国航空客流市场指数以及首都国际机场航班数量、航班放行率等影响因素的数据， 通过平均影响值选择输入变量，进而构建非线性向量自回归神经网络模型进行预 测。 Daniel 等[5]表示预测机场旅客需求时出现的误差错误是因为存在不确定性的 经济气候和设计者的乐观情绪，提出将之前类似机场的预测误差合并到机场预测 模型中， 以提高预测的准确性。

本研究依托 2021 年河南省科技攻关项目（项目编号：212102210141 ） ，项目 负责人：张云景。

2 算法分析

2.1  灰色预测 GM（1. 1）模型、遗传算法和 BP 神经网络

灰色系统是一种部分信息已知，但仍含有不确定因素的系统， 由邓聚龙教授 于 80 年代初定义完成。灰色预测就是对上述灰色系统进行预测的方法。灰色预 测通过鉴别系统因素之间发展趋势的相异程度， 即进行关联分析，并对原始数据 进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。其用等时距观测到的 反映预测对象特征的一系列数量值构造灰色预测模型，预测未来某一时刻的特征 量，或达到某一特征量的时间。

遗传算法又叫基因进化算法。主要体现在生物进化相关的内容上，包括自然 选择、遗传、突变。这就是遗传算法的主要理论基础。遗传算法的工作方式也源 自于生物学。但遗传算法也并非完美算法，它在适应度函数选择不当的情况下有 可能收敛于局部最优，而不能达到全局最优。

BP 神经网络是一种按误差反向传播（简称误差反传）训练的多层前馈网络，其 算法称为 BP 算法，它的基本思想是梯度下降法，利用梯度搜索技术， 以期使网 络的实际输出值和期望输出值的误差均方差为最小。BP 神经网络是最具有代表 性、应用广泛的的多层无反馈前向神经网络之一。

2.2  基于时间序列的 GA-BP 模型

在 BP 神经网络训练的过程中，通过前向传播数据与误差反向传递，使用算 法来更新权重和阈值。作为启发式算法， 遗传算法 GA 具有很好的全局搜索能力， 所以引入 GA 用来解决此问题。

根据收集到的历年数据，利用时间序列确定神经网络中的输入值和输出值， 从而确定神经网络中的输出层和输出层的个数.然后将人工智能算法中遗传算法 引入来优化 BP 神经网络的性能，将 BP 神经网络中的权值阈值编码成一个染色 体， 再通过遗传算法中的选择、交叉、变异等步骤，选择最优染色体，其中比较 染色体好坏的的适应度函数是 BP 神经网络中的误差评价函数，这种融合的算法 可获得最优初始权值阈值， 从而达到训练所需要的预测误差精度。

3 实例验证

本文着重考虑到经济方面，选取了郑州地区生产总值、郑州地区旅游总收入、 郑州地区职工平均工资、郑州地区社会零售品销售总额数据作为本次预测的参考 因素。

3.1  数据选取及处理

由于时间序列法需要尽可能多的数据支撑才能获取较为精准的结果，本文选择郑州新郑国际机场 2000-2019 年的机场旅客吞吐量（数据均来自民航机场生产 统计公报）、郑州地区生产总值、郑州地区旅游总收入、职工平均工资、社会零 售品销售总额（数据均来自郑州市统计局官网） 为基础数据， 先使用灰色预测获 取 2023-2042 年各项指标的初步预测数据，验证精度后代入 GA-BP 模型，再使 用时间序列法进行最终预测。

3.2  灰色预测 GM1. 1 模型数据处理及预测结果

本文使用 2016b 版本的 MATLAB 对灰色预测模型进行搭建，首先由表中 2000-2019 年郑州新郑国际机场旅客吞吐量为原始数据建立原始序列，建立郑州 新郑国际机场旅客吞吐量的 GM（1，1）预测模型：

通过上式计算拟合值，再通过累减运算得到模型的预测值，计算出郑州新郑 国际机场旅客吞吐量预测模型的 P=1 ，C=0. 1590 。GM（1，1）模型精度评价表评定 此预测模型的预测精度好，预测精度等级达到一级，则此验证预测模型适用。令 k=23，24，...，42，计算得到 2023-2042 年郑州新郑国际机场旅客吞吐量将预测得到 的 2000-2019 年新郑国际机场旅客吞吐量结果与实际 2000-2019 年新郑国际机场 旅客吞吐量进行对比。计算出的小误差频率 P 和方差比 C 与 GM（1，1）模型精度评 价表对比后可以看出此模型达到了较高要求，有较高的曲线拟合度。

灰色预测 GM1. 1 模型预测精度很高，产生误差较小，将该预测结果带入到 时间序列法的 GA-BP 模型中，再次对 2023-2042 年新郑国际机场旅客吞吐量进 行预测。

3.3  基于时间序列的 GA-BP 模型数据处理及预测结果

本文使用 MATLAB 软件中神经网络工具箱训练 BP 神经网络。GA-BP 神经 网络经过 50 次遗传算法的迭代寻优操作，个体的适应度随着迭代次数的增加呈 现下降趋势，说明遗传算法对 BP 神经网络的初始权重起到明显优化作用。遗传 算法在第 32 次迭代后个体的适应度值趋于稳定，达到了收敛状态。

接着将遗传算法优化的权重和阈值代入 BP 神经网络， 同时使用训练集和测 试集对网络进行训练和检测比较。

由 Neural-Network 一栏中显示的 BP 神经网络的三层神经网络结构可知，网 络的输入层有 4 个神经元，隐含层有 4 个神经元，输出层有 1 个神经元。Algorithms 一栏中显示的是网络训练函数，本文采用的训练方法为非线性回归中回归参数最 小二乘估计算法 Levenberg-Marquardt  （ L-M） 法，即训练函数为 trainlm。

4 预测结果对比分析

在采用灰色预测时首先使用使用已知 20 年数据预测出全部 40 年数据， 对比 已知真实数据后发现精度够高，误差较小，从而验证该预测结果的可信度。而后 将预测结果加已知数据全部代入 GA-BP 模型使用时间序列法预测出最终结果。 GA-BP 模型预测结果的增幅随缓但稳，与前 20 年形成对照，较为合理。模型的 训练结果如图 1 所示。

图中红色点代表真实值，蓝色点代表预测值， 曲线拟合度较高，证明该模型 的预测值与真实值间误差较小， 即模型的训练结果较好。由于 GA-BP 神经网络模型训练集中预测的曲线拟合度较高，且决定系数非常接近 1，故此模型可以比 较精确地预测出郑州新郑国际机场 2023-2042 年的旅客吞吐量及其发展趋势。

5 总结与展望

本文选择 2000-2019 年的郑州新郑国际机场旅客吞吐量为基础数据，在使用 基于灰色预测的 GM1. 1 模型研究得出结论后对结果进行分析发现该模型精度等 级为一级。然后再次使用基于时间序列预测法的 GA-BP 模型并带入灰色预测结 果对已知数据进行训练，使用建立好的神经网络对未知数据进行预测，并得出预 测结果。但是， 本文数据虽有参考价值但还缺乏更为深入的分析研究，尽管在后 疫情时期民航业恢复较慢，但仍具有较大发展潜力。因此本文的研究问题对于郑 州新郑国际机场规划并开展疫情过后的战略布局具有重大意义。

参考文献

[1]栗慧琳.  基于多源数据集成学习的机场旅客吞吐量预测研究[D]. 兰州交通大学，2022.DOI：10.27205/d.cnki.gltec.2022.001494.

[2]Mostafaeipour A， Goli A， Qolipour M. Prediction of air travel demand using a hybrid artificial neural network（ANN） with Bat and Firefly algorithms[J].The Journal of Supercomputing，2018，74（10）： 5461-5484.

[3]Do  Q  H，Lo  S  K，Chen  JF，et  al.  Forecasting  air  passenger demand： A comparison of LSTM and SARIMA[J]Journal of Computer Science2020 ，  16（7）：1063- 1084.

[4] Jin F，Li Y， Sun S，et al. Forecasting air passenger demand with a  new  hybrid  ensemble  approach[J]Journal  of Air  Transport Management2020 ，83： 101744.

[5]Daniel  Y.Suh，  Megan S.Ryerson.Forecast  to  grow：Aviation demand forecasting

in  an  era  of  demand  uncertainty  and  optimism  bias.  2019128： 400-416.

[6] Hong z，WeiW.analysis  ofinfluencing factors  of civ il aviation passenger volume in multi airport.

area：a  case  study  on  yangtze  river  delta[J.  MATEC  Web  of Conferences， 2019，189.

[7]刘伟 .基于时间序列分析的首都机场离港交通流可预测性研究 [D].天津：中国

民航大学，2018.

[8]李志，摆倩倩， 叶博嘉.后疫情时期的机场旅客吞吐量预测[J].航空 计算技术，2022，52（06）：40-44.

[9]杨璐，李印凤，刘伟等.后疫情时期机场起降量预测方法[J].华北理 工大学学报（自然科学版），2022，44（01）：47-53.

[10]梁小珍，乔晗，汪寿阳等.基于奇异谱分析的我国航空客运量集成 预测模型[J]. 系统工程理论与实践，2017，37（06）：1479- 1488.

[11]李明羲.  基于改进型灰色模型的机场旅客吞吐量预测[D]. 云南 大学，2018.

作者简介

作者一：张云景；  男：  1983 年 4 月；河南南阳；汉族；博士研究 生；硕士生导师；研究方向：交通运输规划，  智能算法等；

2 徐腾飞； 男；2002 年 8 月；郑州航空工业管理学院，硕士研究生； 在读；

3 王昊；男；  2002 年 6 月，  郑州航空工业管理学院，硕士研究生； 在读；