摘要： 为寻求一种预测精度较高的、适应我国民用机场特点的预测方法，在机场供需分析的基础上对机场建设与社会经济发展进行了因果关系分析，提出社会经济和机场供给能力对机场旅客吞吐量的影响同样重要，进而从中提取有效数据，构建BP神经网络模型，实现经济-航空运输需求的转换，从而使预测结果更加精确。通过首都国际机场实例证明，基于因果反馈分析的BP神经网络预测方法更具有独特优势，预测精度得到了大幅提高。
Abstract： In order to find a prediction method with higher accuracy and suitable to our civil airports characteristics， causal relationship between airport construction and social and economic development is analyzed based on the analysis of supply and demand. Social economy and the airport supply ability is equally important in the influence of the airport passenger throughput. A BP neural network model is established through extracting data effectively to give more accurate results. Through the example of capital international airport， BP neural network prediction based on the supply and demand analysis has unique advantages and the prediction accuracy is improved greatly.
关键词： 机场旅客吞吐量；供需分析；预测方法；BP神经网络
Key words： the airport passenger throughput；supply and demand analysis；forecast method；BP-neural network
中图分类号：F560.81 文献标识码：A 文章编号：1006-4311（2015）16-0035-04
0 引言
随着经济全球化的发展趋势和“航空大都市”概念的提出，全国各地都把机场建设作为城市发展的重要基础设施，掀起机场建设的热潮。不可否认，机场对城市及区域经济的发展有着加速和推进的作用，但盲目新建或扩建机场也会带来土地和资金等资源浪费，不利于城市的可持续发展。因此，对制定建设机场规划布局的主要参考指标——未来若干年的机场旅客吞吐量的准确预测，是机场布局规划研究中一个的重要课题。
针对机场旅客吞吐量的预测问题，发达国家的预测技术[1][2][3]比较成熟，但其应用背景主要是统计规律性良好的成熟的航空运输市场，不适用于还处于发展阶段、统计规律不是非常明显的我国航空运输市场，直接套用会产生较大的预测误差，而预测误差是导致机场反复改扩建工程的主要因素，也进而带来了巨大的投资浪费。因此，在现有条件下，寻求一种预测精度较高的、适应我国民用机场特点的预测方法是非常必要的。
1 文献综述
近几年，许多学者研究建立或修正完善了机场旅客吞吐量的预测模型，主要分为两大类：线性预测和非线性预测。例如，焦朋朋[4]利用主成分分析法提取了影响机场旅客吞吐量的关键因素，建立了多元线性回归预测模型。李翠萍[5]利用灰色关联理论，对影响民航客运系统的诸多因素进行关联分析和关联度排序。屈拓[6]将灰色模型和BP神经网络相结合，形成一种机场旅客吞吐量的组合预测模型。葛折贵，葛折圣[7]等综合考虑GDP增长率、人口增长率、进出口总量等因素对航空运输市场的影响，提出利用BP神经网络对航空业务量进行预测的方法。程小康[8]考虑到经济、生活等指标与民航客运量之间存在非线性映射关系，利用训练样本与测试样本间的马氏距离对惩罚因子进行加权，改进传统的E支持向量回归机（SVR），构造了基于进化E-SVR的“影响因素-民航客运量”预测模型。赵凤彩[9]等采用分担率对区域多机场系统旅客吞吐量进行预测。上述方法对实际预测有一定的借鉴作用，但还存在一些局限性，具体为：
①一些模型过于依赖历史数据，没有将社会经济发展对航空运输的影响密切结合，缺乏客观性。
②航空客运量具有复杂的时变性、非线性和不确定性，灰色系统理论虽有预测模型识别的方法，但应对非线性时变系统尚感乏力。
③航空运输是与社会经济关联性非常强的产业，随着社会经济发展和供给系统的供能能力的变化，航空运输需求呈现复杂非线性的动态变化，虽然文献[6][7][8]利用了人工神经网络的非线性映射关系和适应性学习等能力，但考虑的影响因素过少，尤其是没有考虑机场供给系统对航空运输需求的影响，导致机场吞吐量预测结果失之精确。
2 研究思路
鉴于前人的研究成果和局限性，本文在机场供需分析的基础上力图建立一种综合了社会经济和机场供给能力的预测方法，使预测结果更加精确。航空运输需求属于派生需求，航空运输需求和社会经济及机场供给能力的映射关系若能找出，就可以实现经济数据和机场吞吐量的转换，从而达到预测机场吞吐量的目的。图1为本文研究思路。
由图1中可知，BP神经网络模型的构建是实现现有运力和经济与航空运输需求转换的关键。设Dt表示第t年的航空运输需求量，Xt=（xt1，xt2，…，xtn）表示第t年航空运输需求的经济和来自供给方面影响因素，其中，xtn表示第t年第n个影响因素的变量值。因为航空运输需求的影响因素在短期内不会出现急剧的变化，所以，可以用第t-1年的经济影响因素变量值来预测第t年的航空运输需求量，这样将Xt-1作为影响航空运输需求的自变量，而将Dt作为因变量，形成了n个样本对（Xt-1，Dt）。结合上面的描述和构建的指标体系，可以将转换方程表示为：
Dt=f（Xt-1）（1）
现实中，公式（1）所描述的经济发展水平和现有机场供给水平与航空运输需求转换关系非常复杂，可能是多元非线性关系，建立函数模型来实现两者间的转换非常困难。而BP神经网络有着很好的学习能力、曲线拟合能力和抗干扰能力，所以，用BP网络进行航空运输需求分析与预测是一种有效的方法。
3 BP神经网络预测模型
BP神经网络是由一个输入层、一个或多个隐层和一个输出层组成，上下层之间实现全连接，而每层神经元之间无连接（图2）。网络的学习过程包括正向传播和逆向传播。正向传播中，输入信息经隐层加权处理后传向输出层，通过功能函数运算后得到输出值与期望值进行比较，若有误差，则误差反向传播，沿原通道返回，通过逐次调整各层的权重，减小误差。随着这种误差逆向传播并修正的不断进行，网络对输入模式响应的正确率也不断上升[9][10]。
根据BP神经网络特征和过程设计，可以将机场旅客吞吐量预测的BP网络计算过程概括为两个阶段：一是网络训练阶段，主要是训练不同的输入输出样本对，从而确定网络的结构和指标权重；二是网络仿真阶段，这个阶段利用第一阶段的输出结果，固定不同样本对对应的网络结构和指标权重，仿真输出待预测年份的机场旅客吞吐量。BP网络算法设计参见文献[10][11]。
4 机场供需分析与指标选取
4.1 基于供需的机场建设与社会经济发展因果关系分析
从供给与需求的角度，对社会经济系统与机场系统发展的主要要素的相互关系进行分析，可以得出基本因果关系图如图3所示。反馈回路主要从社会经济和机场建设发展方面描述了系统的要素关系，“社会经济发展→航空运输需求→供给短缺→社会经济发展”和“社会经济发展→航空运输需求→航空运输量→供给短缺→社会经济发展”这两条负反馈环描述了社会经济发展将引起航空运输需求的增加及航空运输量增加，可能导致运输短缺，阻碍社会经济发展。然而，当航空运输供不应求时，一方面，随着航空运输需求不能被有效满足，航空运输需求量也会随着减少，运输短缺也相应减少，此时高铁和高速公路的发展会相应对航空运输需求进行分流，以适应社会经济发展的需要；另一方面，增加机场供给能力会通过社会经济系统的反馈引起航空运输需求及实际运输量的增加，从而引起运输短缺加大。可以看出，机场供给能力的变化对于航空运输短缺具有双向调节的作用。所以，在对机场旅客吞吐量进行预测时，除了考虑相应的社会经济因素外，机场供给能力也是不可忽略的一个重要因素。
4.2 航空运输需求预测指标体系的构建
根据中国民航统计和学者们关于影响航空运输需求的经济指标的研究，结合实用性和可操作性原则，本文将影响航空运输需求的指标概括为经济总量、经济结构、地面运输网络和机场供给能力四个方面，构建影响机场吞吐的指标体系，具体指标见表1所示。
经济总量从总体上反映了区域对航空运输需求的规模和水平，影响和制约着机场建设的总体规模。
经济结构直接反映一个地区的经济发展水平，同时结构差异将对航空运输需求层次以及需求量等方面产生较大影响，从而影响机场等交通基础设施的建设规模。第三产业产值比重较大的地区，从事商务和休闲的人员流动也较为频繁。
公路和铁路运输的发展对机场具有两方面的影响作用，主要体现在旅客运输方面。一方面机场集疏运体系是机场服务设施水平的一部分，发达便捷的集疏运体系对机场增强吸引力的重要支撑要素，但同时发达的地面运输网络也是机场运营的一个强劲竞争对手。因此地面运输方式虽然会分流一部分民航的客货源，但同时也会为民航机场带来了新的客货源。
机场供给水平对机场吞吐量有很大的影响作用，而通航航线条数则是机场供给水平的一个重要体现，通航航线条数越多，机场对旅客的吸引力相对越大。
5 基于BP神经网络的首都国际机场旅客吞吐量预测
5.1 首都国际机场相关经济数据统计
以首都国际机场为例，进行旅客吞吐量预测。表2所示为首都国际机场2001～2012年旅客吞吐量、机场航线条数及社会经济发展的基本情况。2001～2012年，首都机场旅客吞吐量年均增长率约13.7%，呈现快速增长的势头。
5.2 数据的归一化处理
由于各个数据单位不同，不便于比较同一指标不同样本之间的差异。并且考虑都后面的神经网络输入值大小。首先将表2中的所有数据进行归一化到0～1区间。经线性函数转换，表达式如下：
y=（x-MinValue）/（MaxValue-MinValue）
说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。
5.3 BP神经网络设计
根据机场旅客吞吐量预测需要，对输入层、隐含层、输出层神经元数量进行确定。本文以北京市2001～2012年的经济数据和机场航线条数作为输入、相应的首都机场旅客吞吐量作为输出来训练神经网络，并以预测2011和2012两年旅客吞吐量来进行验证模型的精确性。所以网络输入层为11个神经元，输出层有1个神经元。
隐层的神经元个数太多会导致学习时间过长、容错性差、不能识别新样本等问题，其个数确定又比较复杂。本文采用公式（2）确定隐层单元数。
n2=2n1+1（2）
其中n1是输入层神经元数，n2是隐层神经元数。由公式（2）可知隐层神经元为23。
训练次数设定为2000次，误差设定为0.0001。
本文将训练好的BP神经网络作为目标机场旅客吞吐量的合理规模确定的依据，输入预测年份相应指标，就可以得到该机场当年的旅客吞吐量。
5.4 运行结果分析
经过matlab软件调试，得到如表3的预测结果。
从收敛效果较好的网络训练图4可以看出，模型预测结果的精度相对较高，实际误差低于设定误差，验证了该预测方法的适用性。
从预测误差来看，相比文献1-6，基于机场供需分析基础上所采集的数据对于预测结果更加准确。随着机场系统的发展成熟，采集的数据将不断更新和完善，基于最新数据预测的累积误差的影响会逐渐减少，那么这种以机场供需分析为前提的BP神经网络预测方法就显示出了独特优势，也使机场吞吐量预测方法又向前迈进了一步。
6 结论
本文在机场供需分析的基础上，采取有效经济数据构建BP神经网络模型，对首都国际机场的旅客吞吐量进行了预测，经检验，模型的预测精度相对以前研究成果显示出独特优势，从而证明了这种基于供需分析的BP神经网络预测方法的可靠性，在机场吞吐量预测方法上又精进一步，进而为机场规划布局和建设提供了准确可靠的事实依据。
但由于机场航线里程等数据统计不完全，在机场供给能力评价上显示出一定的局限性，今后如果在此方面做出努力，相信预测数据会更加精确，也会对机场改扩建工程提供更有效的参考。
注释：
①数据来源：《北京市国民经济和社会发展统计公报》（2001-2012）、《中国城市统计年鉴》（2002-2013）、《从统计看民航》（2002-2013）、首都机场《航线手册》、《北京统计年鉴》（2002-2013）。
参考文献：
[1]Cline R C， Ruhl T A， Gosling G D，et al. Air transportation demand forecasts in emerging market economies： a case study of the kyrgyz republic in the former soviet union[J]. Journal of Air Transport Management， 1998， 4（Issue 1）： 11.
[2]Arkimc B A， KambizR. The demand for US air transport service： a chaos and nonlinearity investigation[J].Transportation Research Part E， 2001， 37： 337.
[3]Kenneth LeeWitcher. Analyzing Metropolitan Area Measures as Enplanement Growth Predictors for United States Large Hub Airports[D].Northcentral University， 2013， 10：59.
[4]焦朋朋.机场旅客吞吐量的影响机理与预测方法研究[J].交通运输系统工程与信息，2005，2（1）：108-110.
[5]李翠萍.我国民航客运量影响因素分析[J]. 科技和产业，2011，1（1）：59.
[6]屈拓.组合模型在机场旅客吞吐量预测中的应用[J].计算机仿真，2012，4（4）：108-109.
[7]葛折贵，葛折圣.基于遗传算法和神经网络理论的机场航空业务量的预测模型[J].现代交通技术，2005，4（4）：65-67.
[8]程小康.基于判别分析SVR的民航客运量预测模型研究及应用[J].四川大学学报（自然科学版），2008，6（3）：86-89.
[9]赵凤彩，吴彦丽.中国区域多机场系统旅客吞吐量预测方法研究[J].中国民航大学学报，2008，12（6）：56.
[10]傅培华，鲍福光，李进.基于组合预测模型的航空货运吞吐量预测研究[J].上海管理科学，2012，4（2）：49-49.
[11]耿勇.物流基础设施网络规模确定方法研究[D].北京交通大学博士论文，2007，12：79-84.