基于SSOOMM的我國民用機場分類研究

楊 柳 白 釗 張 婷

中國民航飛行學院，機場工程與運輸管理學院，廣漢，618307

0 引 言

機場作為航空運輸網絡的重要組成部分，在航空運輸中扮演的角色越來越重要。研究我國機場分類不僅可以為我國機場布局和規劃提供依據，簡化政府對機場發展的具體政策，同時也可以為機場自身建設發展提供根據。吳琪[1]等人也為我國的機場發展進行了定位，客觀說明了準確定位機場的重要性。

目前的機場分類主要有以下幾種：

（1）依據旅客吞吐量對機場分類。例如，美國FAA按照旅客吞吐量占當年旅客運輸量的比例將機場分為四類：大型樞紐機場、中型樞紐機場、小型樞紐機場和非樞紐機場。

（2）依據機場重要程度和地理位置對機場分類。例如，加拿大將機場分為：國家機場系統、地方機場、小型機場和北極圈機場。

（3）依據機場的類型對機場分類。例如，巴西將機場分為：民用機場、軍用機場、特殊機場和臨時機場。

我國目前的機場分類主要還是依據旅客吞吐量，方法比較單一簡單，往往帶有較強的主觀性和任意性，并且分類所得的同類型機場共性較少，使得對比分析比較模糊粗略。為了避免這些缺陷，機場分類還需要考慮更多的影響因素，并且要采用科學客觀的分類方法，這樣才能使同類機場之間有更多的相似性，機場發展戰略及政府政策才能更好地具有一般性。因此，本文選取眾多可能影響機場分類的因素，應用神經網絡等技術將我國機場進行細分，并比較所分各類機場之間的特點。

1 自變量及分類方法選擇

董志毅[2]等人在機場分類問題中提出可能影響機場分類的影響因素有：（1）機場運營指標：旅客吞吐量、貨郵吞吐量、航線條數、起降次數；（2）機場所在城市宏觀經濟指標：GDP、職工平均工資、接待入境人數、外國直接投資、就業人數、總人口數、第三產業占 GDP比重、城市綜合能力；（3）綜合交通指標：鐵路客運量、公路客運量；（4）機場自身指標：航站樓面積、旅客吞吐量增長率16個因素。他所選的16個影響因素不光考慮了機場本身，還考慮了影響機場發展的外部因素，比較全面可靠，但由于數據的可得性以及指標的模糊性，本文借鑒其所選擇的15個影響因素，即旅客吞吐量、貨郵吞吐量、航線條數、起降次數、GDP、職工平均工資、接待入境人數、外國直接投資、就業人數、總人口數、第三產業占GDP比重、鐵路客運量、公路客運量、航站樓面積、旅客吞吐量增長率。

收集2012年我國通航的177個機場的數據可以看出，自變量之間并非相互獨立，而是存在著較強的相關性，因此在使用一般方法分類時，比如模糊聚類[3]，必須先要篩選自變量。篩選自變量的方法有主成分分析法、局部保持映射法、局部線性鑲嵌法等。但是這些算法容易陷入局部最優解，有的可能破壞數據的拓撲結構，并且縮小了數據量，即減少了有用信息，使得分類結果存在較大偏差且使得問題復雜化。自組織特征映射網絡（SOM）的數據分類方法是一個由全連接的神經元陣列組成的無教師、自組織、自學習的網絡，根據輸入空間中輸入向量的分組進行學習和分類。SOM 網絡是由輸入層和輸出層構成的兩層網絡，與傳統的聚類方法相比，SOM 網絡形成的聚類中心可以被映射到一個曲面或平面上，以保持固定不變的拓撲結構。孫進進[4]等人同樣利用 SOM神經網絡將我國民用機場進行了分類，但只選用了董志毅等人處理之后剩下的 8個影響因素，且僅僅將我國2010年全國客貨吞吐量排名前40位的機場進行了分類，潛移默化之中加重了客貨吞吐量影響因素的權重，更重要的是沒有充分應用SOM神經網絡分類優勢。利用SOM神經網絡來進行機場分類，可以省去對自變量多重性的處理，只是增加了運行時間，但是由于機場數據數量在可接受范圍之內，較多的數據另一方面也增大了網絡學習，使結果更準確，且運行時間也在幾十分鐘之內，同時本文采取此方法先進行大分類，再進行小分類，結果更客觀、合理。

本文選用15個影響因素，利用SOM神經網絡方法來進行分類，既補充了其缺陷，同時又更科學、更準確、更簡單和更全面。

2 SOM神經網絡結構及學習算法簡介

SOM 網絡由輸入層和競爭層構成，輸入層神經個數為m，競爭層是由a*b個神經元組成的二維平面列陣，輸入層與競爭層各神經元之間實現全連接。SOM 網絡的一個典型特征就是可以在一維或者二維的處理單元陣列上，形成輸入信號的特征拓撲分部，因此SOM網絡具有抽取輸入信號模式特征的能力。SOM神經網絡學習算法[5]如下：

2.1 網絡初始化

用隨機數設定輸入層和映射層之間的權值初始值。對m個輸入神經元到輸出神經元的連接權值賦予較小權值。選取輸入神經元j個鄰接神經元的集合Sj。其中Sj（0）表示時間t= 0的神經元j的鄰接神經元集合，Sj（t）表示時刻t的鄰接神經元的集合。區域Sj（t）隨時間的增長不斷減小。

2.2 輸入向量的輸入

2.3 計算映射層的權值向量和輸入向量的距離

（歐式距離）

在映射層，計算各神經的權值向量和輸入向量的歐式距離。映射層的第j個神經元和輸入向量的距離，如式(1)所示:

式中，ijω為輸入層的i神經元和映射層的j神經元之間的權值。通過計算，得到一個具有最小距離的神經元，將其稱為勝出神經元，記為j*，即確定出某個單元k，使得對于任意的j，都有dk= min(dj)，并給出其鄰接神經元集合。

2.4 權值的學習

按式（2）修正輸出神經元*j及其鄰接神經元的權值：式中，η為一個大于0小于1的常數，隨著時間變化逐漸下降到0：

2.5 計算輸出 ko

式中，(*)f一般為1～0函數或者其他非線性函數。

2.6 是否達到預先設定的要求

如達到要求則算法結束；否則，返回步驟（2）進入下一輪學習。

3 我國民航機場的SOM聚類分析

選用2012年我國通航的177個機場，根據所統計自變量數據，使用MATLAB軟件實現SOM網絡的構建，輸入層共15個節點，分別對應所選的15個自變量。競爭層數選為3，訓練步數選為10 000次，由此將我國民用機場分為三大類，之后再分別將每一大類機場進行細分，最終分類結果如表1所示。

表1 我國機場分類Tab. 1 Classficstion of the civil airports of our country

續表

4 我國民航機場分類結果特點對比

值，比較各類別機場特征如表2所示。

根據以上所分類別，求取各類別機場指標的平均

表2 不同類別機場比較Tab.2 Comparision of different catagories of the airports

5 結 論

本文在全面考慮了影響機場分類因素的情況下，運用神經網絡技術，將我國177個機場進行了分類，由分類結果可以看出，機場所分類別更加細致，相同類別機場之間的共性更大，這說明基于 SOM 的分類方法客觀、科學，能夠準確地把握各個類別的本質聯系。同時，運用這種方法較好地彌補了以往分類考慮不周全、主觀性較強的缺點。在各類機場比較時，選取了各類機場指標的平均值，個別特殊機場無法區分，這也是本文的不足所在。但是 SOM 方法的客觀性及精準性，使得誤差進一步縮小。利用SOM分類方法準確地將我國民用機場分類，不僅可以為我國機場布局和規劃提供依據，同時可以簡化我國政府工作，為不同類型機場進行政策指導，而且對于比較和評價機場提供了一個科學平臺，可以深入研究同類型機場的運行效率、競爭力評價等問題。由此可知，科學、準確地將我國民用機場進行分類對我國民航的發展有著重要的作用。

[1] 吳琪, 何繼紅, 鄭曉娣. 準確定位指導發展戰略—— 對中國機場發展定位的幾點思考[J]. 中國民用航空, 2007, (3): 23-28.

[2] 董志毅，夏新平.我國機場分類的影響機理與聚類分析研究[J].商業視角，2006:190-191.

[3] 徐豪杰. 基于聚類分析的我國機場分類研究[J]. 空運商務, 2011, (19): 42-44.

[4] 孫進進, 王苗苗. 基于 SOM 神經網絡的民用機場分類方法[J]. 交通科技與經濟, 2013, 15(5): 82-84.

[5] 史峰, 王小川, 郁磊, 等. MATLAB 神經網絡 30個案例分析[M]. 北京: 北京航空航天大學出版社,2010.