РАЗРАБОТКА НЕЧЁТКОЙ НЕЙРОСЕТЕВОЙ МОДЕЛИ УСЛОВИЙ СУЩЕСТВОВАНИЯ АВИАЛИНИЙ
© В.В.Балашов, А.В.Смирнов, Т.О.Цейтлина
© Государственный музей истории космонавтики им. К.Э. Циолковского, г. Калуга
Секция "Авиация и воздухоплавание"
2009 г.
Конечная цель проводимого исследования – прогноз развития парка магистральных и региональных пассажирских самолётов российских авиакомпаний. Предварительно решаются задачи прогнозирования пассажиропотоков и развития сети авиалиний. Для прогнозирования изменений в топологии сети магистральных авиалиний России необходимо определить принципы, позволяющие сформировать статистическую гипотезу – «условия существования авиалиний». Подобная гипотеза формируется на основе статистических данных об одновременно наблюдаемых (измеряемых) параметрах для существующих (или существовавших ранее) авиалиний и соединяемых ими городов. Далее эта гипотеза используется для определения наличия или отсутствия авиалинии между городами в определённый момент времени в будущем при прогнозируемых на этот момент значениях измеряемых параметров.
Свойство устойчивости структуры сети авиалиний во времени указывает на возможность формирования универсальных (не зависящих явно от времени) «условий существования авиалиний». Структура перспективной сети авиалиний определяется, с одной стороны, спросом на авиаперевозки, с другой стороны – принципами развития сети. При прогнозировании пассажирских авиаперевозок необходимо решить следующую проблему: найти такую систему параметров, которые определяют уровень пассажирских авиаперевозок на протяжении некоторого исторического периода – в прошлом, в настоящее время и, как предполагается, в течение 10-15 лет в будущем.
Настоящая работа посвящена разработке модели условий существования прямого авиасообщения между двумя городами – «условий существования авиалиний». В качестве базовой сети рассмотрена сеть из 144 аэропортов, расположенных в 139 городах России. Сеть магистральных авиалиний России рассматривается как социально значимая система, ориентированная на удовлетворение потребностей населения страны в транспортных коммуникациях. Развитие сети авиалиний связывается с прогнозами социально-экономического развития страны. Сформирован состав параметров, характеризующих каждый город как «центр генерации спроса на пассажирские авиаперевозки» и как «цель поездки», а также саму авиалинию. При подготовке исходных данных использовалась статистическая информация и информация о расписании движения пассажирских самолётов российских авиакомпаний за 2006 год.
Традиционные методы построения моделей сложных систем, к числу которых относятся и транспортные системы, не приводят к удовлетворительным результатам, когда исходное описание системы-оригинала является неполным или неточным. В таких случаях наиболее конструктивной оказывается технология нечёткого моделирования, базирующаяся на теории нечётких множеств и нечёткой логике. Использование аппарата теории нечётких множеств и нечёткой логики позволяет формализовать лингвистическую информацию в целях построения математических моделей.
Для решения задачи формирования «условий существования авиалиний» используется математический аппарат нечётких нейронных сетей, объединяющий достоинства нейронных сетей и систем нечёткого вывода. Реализация аппарата нечётких нейронных сетей осуществляется с использованием «адаптивной системы нейро-нечёткого вывода» ANFIS в среде MATLAB. ANFIS реализует систему нечёткого вывода Сугено в виде пятислойной сети прямого распространения сигнала.
С использованием данной технологии разработано более двадцати моделей «условий существования авиалиний». Модели достаточно хорошо интерпретируют исходные данные, определяющие существование авиалиний с большими пассажиропотоками (в основном ориентированными на г. Москву). В подавляющем большинстве случаев для отсутствующих авиалиний модели дают адекватный ответ. Однако разработанные к нестоящему времени модели не вполне удовлетворительно интерпретируют исходные данные для авиалиний с небольшими пассажиропотоками. Совершенствование модели связывается с уточнением состава измеряемых параметров, определением наилучшего варианта формирования обучающей выборки и оптимизацией параметров кластеризации исходных данных.