机场离港旅客托运行李需求预测方法的选取

杨 志 超

(天津市市政工程设计研究院，天津 300051)

机场离港旅客托运行李需求预测方法的选取

杨 志 超

(天津市市政工程设计研究院，天津 300051)

通过分析机场离港旅客托运行李的需求特性，引出托运行李需求影响因素，对现有的预测方法进行筛选，选择了BP神经网络模型，并对其适用性进行了分析，以准确把握离港旅客的托运行李需求，及时有效地分配及调度相关人员与设备。

机场，托运行李，需求预测，BP神经网络

0 引言

随着我国民航旅客运输量日趋增加，机场经常发生旅客在值机托运行李区域长时间滞留现象，亦极易引发群体事件，给民航运输业带来很大的负面影响。

旅客离港出发分为国内出发和国际出发两种。无论国内出发还是国际出发，离港旅客都需要办理行李托运手续。这个环节所消耗的时间是决定离港旅客在机场滞留时间长短的关键因素。只有对离港旅客的托运行李需求变化实时准确的把握，及时有效地分配及调度相关人员与设备，才能有效的减少旅客在港滞留时间，确保旅客快速登机和航班安全正点运行。选用合适的预测方法即为本文研究的意义所在，本文相关数据来源于天津滨海国际机场。

1 离港旅客行李需求特性

离港旅客行李主要分为随身携带的行李和托运行李。机场离港旅客的行李运输主要是指离港旅客的托运行李运输，是行李在飞机行李舱与航站楼之间的运输。

由于航空运输的特殊性和安全性，针对离港旅客所带的行李，各个航空公司根据飞机机型、国内或国际航班、旅客所在航班舱位等有不同的规定。本文主要针对离港旅客的托运行李需求进行研究。

通过分析，离港旅客的托运行李需求特性可以用三个量化指标来体现，即为：1)数量；2)重量；3)体积。

2 托运行李需求影响因素

影响机场离港旅客托运行李需求的指标有很多，有直接因素也有间接因素，有些因素的影响作用是微乎其微，通过分析比较与归纳，针对机场离港旅客托运行李的需求，主要影响因素有以下几种：

1)旅客数量。

以某一航班为例，离港旅客数量与旅客托运的行李数量的关系如图1所示。通常情况，离港旅客流量增大，相应地离港旅客的托运行李需求量也增大，但绝不是简单的正相比关系，它还存在很大的随机性。同时，机场离港旅客托运行李需求变化与很多因素有关，它们之间存在着非常复杂的非线性映射关系。

2)旅客出行的目的。

通过统计调查分析表明，以旅游度假、上学读书为目的的离港旅客所托运的行李明显较多，以出差开会为目的的离港旅客所托运的行李相对较少，旅客主要依据本次出行的目的决定着所带行李的多少。

3)旅客的性格特征。

性格内向的人往往做事稳重踏实，性格外向的人往往做事果断大气；同样，仔细谨慎的旅客所带行李相对较多，随性安逸的旅客所带行李相对较少。

4)旅客的经济收入。

收入较高的旅客，考虑到出行的便捷性与舒适性，不会携带过多的行李；反之，收入较低的旅客，则会考虑出行的周全，所带行李相对多一些。

5)航班类型，即国内航班或国际航班。

相同登机旅客数量下，国内与国际航班旅客托运的行李总数情况如图2所示。乘坐国际航班的旅客通常旅程相对较远及出行时间较长，明显比国内航班的旅客的托运行李需求量大。

6)航班日期。

通过分析某航班在5月份托运的旅客行李总数情况如图3所示，节假日期间该航班离港旅客托运行李的需求明显比平常日期的大。

7)航班飞行时间。

航班飞行时间的长短直接反映了旅客旅程的远近，航班飞行时间具体影响作用如图4所示。

综上所述，可以看出机场离港旅客的托运行李影响因素与最终的需求关系各异、比重各异，是很多因素共同作用下的结果，使得需求预测方法的选择显得尤为重要。

3 托运行李需求预测方法

3.1 现有预测方法

目前，常用的预测方法主要分为两大类，定性预测法和定量预测法。现有的定量预测方法可以分为两大种：一种方法是假设待研究变量之间存在着某种线性或类似线性曲线的关系，通过一定的计算，最后建造出反映这种关系的预测方程式。另一种方法是考虑了需求量与其影响因素间存在着非线性的关系，但是无论由此思想出发采用的回归分析预测法，还是灰色模型预测法等其他方法，对于复杂数据内这种复杂相关性都不能较全面与正确地表达出来，比较容易丢失数据间所反映出的某种信息。

BP神经网络不需要对输入与输出变量作某种事先假定，不需要各种专家经验，只是通过观察到的实际数据，通过样本训练而学习抽象出其中隐含的非线性关系。它能够比较全面准确地映射出复杂数据间存在的关联性，可以逼近任何复杂的非线性函数，从而可以很好地模拟出旅客行李需求与其影响因素的关系。

3.2 BP神经网络

BP神经网络是采用梯度反差算法及其各种变化形式，建立的一种前馈反向传播网络，它可以很好地解决实际中绝大多数的非线性复杂问题[1]。BP神经网络的一般结构如图5所示，它是由许多人工神经元组成的一种单方向传播的前向网络。网络一般由输入层、中间层(即隐含层)和输出层构成三层或三层以上的结构，同层之间的神经元一般没有连接，前后层之间的神经元实现了完全连接。

BP神经网络采用的是误差反差算法，它的学习训练过程是由信息在网络中的正向传播和误差在网络中的反向传播构成的[2]。BP神经网络训练学习的基本思想为：

BP神经网络中进行训练学习时，BP神经网络会给予信息包中的有效信息较大的权值，而给予信息包中的干扰信息极小的权值，大大降低了研究数据中干扰信息对系统的影响，从而自动筛选有效信息；只需给BP神经网络提供所需的样本量，它便可以映射出从m维输入向量到n维输出向量的非线性关系，具有超强的非线性映射能力；样本数据中所反映的数据间的非线性映射关系被BP神经网络存储在权值矩阵中。在未来后续工作阶段中，如果网络接收到一些之前样本中未出现过的数据，网络也能正确地完成从输入到输出的映射关系，泛化能力强。BP神经网络的魅力还在于，当输入的信息有错误时，也能正确地运转并预测[3，4]。

机场离港旅客的托运行李需求并不单单只与一种因素有关，而是很多因素共同作用下的结果。同时，它们之间的这种关系并不是简单的线性相关，而是非常复杂的非线性映射关系。所以，预测机场离港旅客托运行李的需求需要有多个指标共同作用来预测，同时还要准确全面地映射出这种复杂的非线性关系，从而才能使未来的预测准确。BP神经网络预测可以很好的实现这一需求。

4 结语

机场离港旅客托运行李的需求变化与多重因素之间存在着复杂的非线性关系，数据之间有着复杂的内在结构和关联特性，机场旅客托运行李的需求变化既有周期性又有随机性。同时加上航空运输的特殊性，普通的预测方法很难准确地预测出旅客托运行李的需求变化，丢失数据间信息量。本文通过实际数据分析，证明BP神经网络对机场离港旅客托运行李需求预测的适用性。为未来建立BP神经网络预测模型，预测旅客托运行李的需求奠定基础。

[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网络在多元回归分析中的应用[D].合肥:合肥工业大学,2003.

[3] 张璐璐.基于遗传神经网络的人民币识别方法研究[D].吉林：吉林大学,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

杨志超(1986- )，男，硕士，助理工程师

V353

A