基于BP神經網絡的機場安檢旅客流量預測模型

2019-11-04 08:59:38鐘翔朱彩云韓旭

航空工程進展 2019年5期

鐘翔，朱彩云，韓旭

(天津濱海國際機場，天津 300300)

0 引言

隨著民航運輸需求的逐漸增大，機場所面臨的壓力也在增大，對機場旅客服務提出了更高的要求，而機場航站樓是提供旅客服務的重要場所，只有不斷優化航站樓旅客離港服務流程才能不斷提升旅客服務，提高旅客滿意度。安檢是機場航站樓離港服務流程中的重要一環，采用科學的手段，對機場安檢旅客流量趨勢做出正確的分析，從而對機場安檢服務資源進行合理的配置及調度，不但能夠降低機場航站樓的運營成本，提高運行效益，還能夠減少旅客滯留時間，為旅客帶來更舒適的出行體驗，提升機場的服務水平。

目前，關于機場客流量預測已有一些研究。例如，黃艷紅等[1]針對機場安檢口優化問題，以美國芝加哥奧黑爾國際機場為例，基于泊松分布理論對機場安檢口旅客流量進行分析，運用隨機Petri網、同構理論和連續時間的馬爾科夫鏈構建出機場安檢流程模型來增加安檢口旅客流量，減少旅客等待時間，提高機場安檢效率；南娟等[2]在中小機場吞吐量預測方法中首次引入了巢式Logit模型(NL)，并以無錫機場旅客吞吐量為例進行預測；劉夏等[3]在三亞機場2005～2015年旅客流量數據的基礎上，分別采用Holt-Winter季節模型、ARMA和線性回歸模型對三亞機場2016～2017年的旅客流量進行了預測，并運用組合加權的方法對數據進行了組合預測；黃黎慧等[4]以蛇口-香港機場航線為例，分析航線運量需求不平衡的特點，提出季節-灰色組合預測模型，以實例計算證明所提出模型的可行性。

針對機場旅客流量呈現出的非線性、隨機性等復雜特征，國內外研究人員將BP神經網絡方法應用到機場旅客吞吐量的預測系統中，試驗了神經網絡的預測精度，對比傳統預測方法，確定神經網絡預測結果更為出色[5-11]。廖成等[12]針對成都雙流國際機場的特點選擇參數，采用BP神經網絡方法進行客流量預測，結果表明該方法具有良好的預測精度；張青青等[13]同樣使用BP神經網絡對機場旅客吞吐量進行預測研究，進一步證明神經網絡在非線性系統預測方面具有強大的函數逼近能力。

然而，上述研究主要針對機場中長期客流量預測，而中長期客流量預測模型不能適用于機場安檢服務資源的動態分配及調度。為此，本文對單位時間段(以30 min為單位時間段)的機場安檢旅客流量預測進行研究，以天津機場實際數據為例，通過ETL工具[14]對天津機場源數據進行預處理、轉換、挖掘抽取及分析，建立基于BP神經網絡的機場安檢旅客流量預測模型，并對實驗結果進行驗證，以期為機場安檢服務資源的智能分配及調度提供科學依據。

1 機場安檢旅客流量的影響因素

本文選取天津機場2016年6月～2017年5月集成系統中的航班數據、旅客安檢信息系統中旅客數據及天津空管局提供的機場場區各時段的歷史氣象數據為研究對象，利用ETL工具進行數據預處理，統計單位時段(以30 min為單位時間)航班數量、安檢旅客流量、值機旅客流量等信息，從時間段、天氣情況、航班數量、值機旅客流量等角度對機場安檢旅客流量的影響因素進行探索分析。

1.1 時間段對機場安檢旅客流量的影響

選取2017年3月1日～5日這五天各時段安檢旅客的數據記錄，按時段對安檢旅客數據進行對比分析，如圖1所示(橫坐標表示時間段(單位時間段為30 min)，13表示6：00至6：30，以此類推，43表示22：00至22：30)，可以看出：機場每時段安檢旅客數量差異很大，有高峰時段及低谷時段，在高峰時段需要相應的增加安檢通道的開放數量及相應的安檢服務人員，避免旅客安檢等待時間過長，但是如果低谷時段仍開放相同的安檢通道及配備相應的安檢服務人員，則會造成設備及人力資源的浪費，因此需要對單位時段的安檢旅客流量進行準確的預測，根據預測結果實時對安檢設備及人力資源進行分配及調度。

圖1 2017年3月1～5日安檢旅客流量變化趨勢Fig.1 Change trend of security-check passenger flow during March 1～5, 2017

1.2 場區可視距離對安檢旅客流量的影響

天津空管局所提供的2016年6月～2017年5月的天津機場場區數據，主要包括天氣數據(晴天、小雨、陣雨、大雨、霾、霧、輕霧等)、可視距離及溫度等，天氣的好壞直接影響著可視距離。2017年1月1日天津機場場區可視距離一直在500 m以下；直至1月2日上午10點半以后才上升到1 000 m以上；1月3日，出現可視距離較低的時段為航班接近結束的晚上；1月4日上午可視距離低，下午好轉；1月5日天氣晴朗，可視距離均保持在1 000 m以上。通過對2017年1月1日～5日單位時段安檢旅客數據進行分析，得知可視距離將影響機場航班的班次，進而影響安檢旅客流量，如圖2所示。

圖2 2017年1月1～5日天津機場安檢旅客流量變化趨勢Fig.2 Change trend of security-check passenger flow in Tianjin airport during January 1～5, 2017

民航規定，有盲降設備(利用飛機儀表著陸)的大中型飛機，飛行員起飛最低可視距離為500 m。2017年1月1日，可視距離低于500 m的持續時間過長導致大面積航班取消，當天的航站樓安檢旅客流量持續偏低；1月2日可視距離好轉，安檢旅客流量相對保持在一個較高的水平；1月3日，出現可視距離較低的時段為航班接近結束的晚上，因此，1月3日可視距離對機場安檢旅客流量的影響不大；1月4日，可視距離低于500 m的持續時間較短，對安檢旅客流量的影響時段只在可視距離低于500 m期間，恢復可飛距離后安檢旅客流量逐漸恢復正常；1月5日天氣晴朗，可視距離對機場安檢旅客流量無影響。因此，可視距離長時間低于最低可飛距離時，將影響機場航班的班次數量，進而影響單位時段內的安檢旅客流量。

1.3 航班數量對安檢旅客流量的影響

通過歷史數據統計分析得知旅客在航站樓隔離區里面停留時間為60～120 min，而停留2 h以上的很少。故本文研究當前安檢時刻后續30、60、90、120 min的航班數量與安檢客流量的變化，如圖3所示。

(a) 30 min

(b) 60 min

(d) 120 min圖3 后續航班數量與安檢旅客流量變化趨勢Fig.3 Change trend of follow-up flight quantity and security-check passenger flow

從圖3可以看出：單位時段內安檢旅客流量的變化趨勢與后續30 min內的離港航班數量變化趨勢不同，但與后續60、90、120 min的離港航班數量變化趨勢較一致，說明安檢旅客流量受到后續一段時間內離港航班數量的影響，不同的航班數量導致安檢旅客流量的不同。

1.4 值機旅客流量對安檢旅客流量的影響

選取當前單位時段前30、前60 min值機旅客流量，分別分析與安檢旅客流量的關系，如圖4所示。

(a) 前30 min

(b) 前60 min圖4 前序值機旅客數量與安檢旅客數量變化趨勢Fig.4 Change trend of preceding check in passenger quantity and security-check passenger quantity

從圖4可以看出：安檢旅客流量與前30 min值機旅客流量基本一致，而與前60 min值機旅客流量差異很大，但變化趨勢相一致，其原因是大部分旅客在值機過后直接選擇安檢，不在隔離區外滯留。

通過上述分析可知，影響當前單位時段安檢旅客流量的因素包括：時間段，能見度，后續30、60、90、120 min的離港航班數量，前30 min的值機旅客數量。因此，本文將選取這7個指標作為建立機場安檢旅客流量預測模型的指標。

2 機場安檢旅客流量預測模型研究

2.1 BP神經網絡及其實現原理

誤差反向傳播BP(Back-propagation)模型是目前應用最廣泛的一類人工神經網絡模型，該模型具有很好的函數逼近能力，通過對訓練樣本的學習，能夠很好地反映被研究對象的輸入和輸出之間復雜的非線性關系。

BP神經網絡的基本結構如圖5所示，其模型拓撲結構包括輸入層(input)、隱含層(hidden layer)和輸出層(output layer)三層結構。

圖5 BP神經網絡基本結構圖Fig.5 Basic structure chart about BP neural network

其中，輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間隱含層各神經元；中間隱含層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間隱含層可以設計為單隱層或者多隱層結構；輸出層向外界輸出信息處理結果。

BP神經網絡算法包括正向傳播和反向傳播兩個過程，即計算誤差輸出時按從輸入到輸出的方向進行，而調整權值和閾值則從輸出到輸入的方向進行。在正向傳播過程中，輸入信息從輸入層經隱含層單元處理后，傳至輸出層。每一層神經元的狀態只影響下一層神經元的狀態。當實際輸出與期望輸出不符時，則轉入誤差的反向傳播過程。誤差反傳是將誤差通過輸出層沿連接路徑返回，按誤差梯度下降的方式修正各層權值，向隱含層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，通過調整各層神經元之間的連接權值，也是神經網絡學習訓練的過程，此過程一直進行到網絡輸出的誤差信號減少到可以接受的程度，或者預先設定的學習次數為止[15]。

2.2 基于BP神經網絡算法的機場安檢旅客流量預測模型實現

在機場安檢旅客流量預測中應用BP神經網絡方法主要分為三個步驟：確定網絡結構、數據預處理、網絡的訓練及預測。

(1) 建立三層BP神經網絡模型結構。根據機場安檢旅客流量的影響因素分析，選取時間段，能見度，后續30、60、90、120 min的離港航班數量以及前30 min的值機旅客數量為BP神經網絡模型結構的輸入，輸出為當前單位時段的安檢旅客流量。隱含層的節點個數初始值設定為6，根據平均絕對誤差的計算結果調整節點個數。

(2) 數據選取及數據預處理。利用ETL工具對機場源數據依次進行如下處理：

①數據抽取：從航班集成系統數據庫、安檢信息系統及機場場區氣象數據庫等多個數據庫中抽取航班數量、安檢旅客數量、值機旅客數量及天氣因素等數據，需要對多源數據進行數據統一化。本文采用Microsoft SQL Sever 2012標準規范定義元數據來進行數據統一化。

②數據清洗：在數據處理的過程中，數據清洗相對繁瑣，占用的時間也較長，并且需要根據數據的實際情況找到共性規律，反復調整ETL程序，添加條件判斷過濾錯誤或缺失信息。例如身份證和護照信息需要分開判斷處理，將不同類型身份信息的旅客分類裝入樣本數據庫中。

③數據轉換：進行機場安檢旅客流量預測是基于單位時段的，而機場安檢信息系統中原始存儲安檢旅客數據是基于每名旅客的，因此，要進行數據粒度的轉換。另外需要構建新的字段滿足預測分析需求，例如統計單位時段的安檢旅客數量、值機旅客數量、航班數量及該時段的氣象數據。

④數據裝載：由于航班數據、旅客數據及天氣數據等數據源分別來自不同的機場業務數據庫，在轉換后需要將多個輸入，包括安檢旅客數據、值機旅客數據、航班數據及氣象數據合并為一個輸出，建立機場安檢旅客流量預測樣本數據庫。

另外，為了消除數據指標之間的量綱影響，需要對樣本數據庫中的數據進行歸一化處理，以解決數據指標之間的可比性。采用min-max標準化的方法把數據指標A的值a映射到[0，1]區間的值a′，計算公式為

(1)

式中：maxA和minA分別為屬性A的最大值和最小值。

(3) 訓練網絡并利用網絡進行預測，根據誤差大小不斷調整網絡參數。本文利用建立的樣本數據庫，對天津機場2017年5月每日的單位時段安檢旅客流量進行預測，基于文章篇幅限制，僅將5月24日～5月30日一周的預測結果進行展示描述。利用此模型，5月24日～30日預測結果的平均絕對誤差如表1所示。

表1 2017年5月24日～30日預測結果的平均絕對誤差Table 1 Mean absolute error of predictions during May 24～30, 2017

從表1可以看出：采用BP神經網絡算法預測機場安檢旅客流量的平均絕對誤差約為8%～10%，預測精度高達90%以上。

2017年5月24日～30日這一周的各單位時段安檢旅客流量的預測值與真實值的對比曲線如圖6所示，橫坐標23表示5月23日，以此類推。

圖6 一周內(2017年5月24日～30日)天津機場安檢旅客流量預測值與真實值對比圖Fig.6 The comparison chart about predictions and true value of security-check passenger flow in Tianjin airport during May 24～30, 2017

從圖6可以看出：采用BP神經網絡算法預測機場安檢旅客流量，預測結果與真實值曲線擬合很好，預測精度較高，表明BP神經網絡是機場安檢旅客流量預測的可行方法。

3 基于BP神經網絡機場安檢旅客流量預測模型應用

采用BP神經網絡進行機場安檢旅客流量的準確預測，可以幫助機場決策者對機場安檢客流量趨勢作出正確分析，動態分配安檢資源(工作人員、安檢通道、安檢設備)，以達到高峰時段滿足運行需求、低谷時期容量不浪費，提高旅客對安檢服務的滿意度，提升機場服務質量。

3.1 安檢通道開放數量的動態分配

設單位時段(30 min)的安檢旅客流量預測值為Q，單個安檢通道的服務速率為μ，則該時段所需安檢通道開放數量N的計算公式為

(2)

假設每條安檢通道的服務速率μ相同，μ取單個安檢通道半小時內平均安檢旅客數量。

根據天津機場2016年6月～2017年5月一年安檢通道數量與旅客安檢速率數據，可以分析出對應的關系，如表2所示。

表2 天津機場安檢通道開放個數與旅客通過安檢速率關系表Table 2 Correlation chart about opened security-check channel quantity and go through the safety check for passengers in Tianjin airport

從表2可以看出：每個通道每半個小時最多安檢人數為160人，由于每個通道每半個小時最少安檢人數極值差別很大，導致每半個小時平均安檢人數過低，而一般情況下只需要考慮非空閑時期旅客通過安檢的速率，因此本文μ取值為高峰時段半小時內平均安檢旅客數量。結合圖1分析可知，安檢旅客最高峰一般在早6點至7點半之間，這一時段9個通道全部開放的概率為96.43%，通過計算得知，高峰時刻九個通道全部開放的情況下，每個通道半小時內的平均安檢旅客數量為95人。對于天津機場，單位時段安檢通道開放數量N=Q/95，其中Q為該時段安檢旅客流量的預測值。

3.2 安檢人員模擬派工

根據《民用航空安全檢查人員定額定員》規定，旅客安檢通道勞動定額為180人/通道小時的勞動定員。旅客安全檢查通道崗位基本定員如表3所示。

表3 旅客安全檢查通道崗位基本定員Table 3 Basic staff members for passenger security-check channel post

目前天津機場每個通道配置人數即按標準(表3)進行配置，根據天津機場旅客服務標準，旅客安檢最長等待時間為12 min，而天津機場單通道安檢非空閑時段平均安檢速率為95人/半小時，因此根據最長等待時間可計算出每條安檢通道外最多等待旅客人數為38人。通過旅客安檢流量的實時預測來決定開通的安檢通道數量，進而可以最大化地設置安檢工作人員待崗時間，同時根據現場安檢外等待旅客數量隨時加開通道，加派安檢人員，以減少旅客安檢外的等待時間，提升機場服務質量。