ПРИМЕНЕНИЕ МЕТОДА НЕЙРОСЕТЕВОГО ПРОГРАММИРОВАНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ СТРУКТУРЫ МЕЖРЕГИОНАЛЬНЫХ И ВНУТРИРЕГИОНАЛЬНЫХ ПАССАЖИРОПОТОКОВ

© В.В.Балашов, А.В.Смирнов, Т.О.Цейтлина
© Государственный музей истории космонавтики им. К.Э. Циолковского, г. Калуга
Секция "Авиация и воздухоплавание"
2007 г.

Для принятия обоснованных решений о разработке новых пассажирских самолетов чрезвычайно важно дать правильный прогноз развития авиатранспортной системы на достаточно длительный период. Составляющими такого прогноза являются прогноз развития авиатранспортной сети и прогноз объемов и структуры пассажиропотоков, в частности, их распределения по географическому принципу.

Рассмотрена сеть магистральных внутрироссийских авиалиний. Проведено агрегирование авиалиний по принципу принадлежности аэропортов отправления и прибытия определенным регионам – Федеральным округам (ФО) России. Анализируются 7 внутрирегиональных (по числу ФО) и 21 межрегиональный пассажиропотоки. Суммарные годовые пассажиропотоки представлены в форме OD (origin-distination)-матриц размера 77. Диагональные элементы матриц представляют внутрирегиональные пассажиропотоки, внедиагональные (OD-пары) – межрегиональные пассажиропотоки.

Проведено исследование возможности использования нейросетевого подхода при прогнозировании пассажирских перевозок на магистральных авиалиниях России. Разработана нейросетевая модель, включающая в свой состав 28 (по числу прогнозируемых внутрирегиональных и межрегиональных пассажиропотоков) искусственных нейронных сетей прямого распространения с задержкой по времени. Использован вариант формализации задачи, для реализации которого необходим лишь последовательный набор OD-матриц годовых пассажиропотоков. В качестве информационной базы использованы 14 расписаний полетов российских авиакомпаний за период 1992–2005 гг. На основании расписаний полетов сформированы 14 OD-матриц предельных (в предположении полной занятости пассажирских кресел) значений годовых пассажиропотоков.

В процессе «обучения» нейронной сети на вход сети подается ряд OD-матриц за несколько предшествующих лет, а на выход – пассажиропотоки на следующий год. Поскольку обучающее множество в рассматриваемой задаче недостаточно велико, то используется «метод обучения с ранним остановом»: сеанс обучения с некоторого момента периодически останавливается каждые несколько эпох, после чего сеть «тренируется» на проверочном подмножестве. В качестве среды программирования используется MatLab.

Анализ результатов расчетов прогнозных значений пассажиропотоков при помощи нейросетевой модели показал, что динамика развития и топология внутренних авиаперевозок в России в основном соответствует сложившимся в предшествующие годы тенденциям. Отмечено при этом, что для пассажиропотоков, значения которых плавно изменяются по времени, нейросетевая модель дает «удовлетворительный» прогноз, соответствующий определенным рациональным соображениям о возможном развитии структуры пассажиропотоков в ближайшие годы. В то же время для пассажиропотоков, в развитии которых имелись резкие колебания значений по годам, генерализация (способность к обобщению) нейросетевой модели была недостаточной, что приводило к «неудовлетворительному» прогнозу.

Разработанная нейросетевая модель достаточно адекватно описывает прогнозную структуру внутрирегиональных и межрегиональных пассажиропотоков и может быть использована для целей краткосрочного (на два-три года) прогнозирования пассажирских перевозок на магистральных авиалиниях России.