Прогнозирование числа пассажирских авиационных перевозок службы 'Организация перевозок' информационной системы 'Аэропорт'
КУРСОВАЯ
РАБОТА
по
дисциплине
«Математическое
обеспечение ИУС»
на тему:
Функциональная
задача «Прогнозирование числа пассажирских авиационных перевозок службы
«Организация перевозок» информационной системы «Аэропорт»
РЕФЕРАТ
Цель работы - разработка фрагментов
математического обеспечения для автоматизированной информационной системы (АИС)
прогнозирования нагрузки пассажирских авиаперевозок.
Объектом обследования является аэропорт.
Пояснительная записка к курсовой работе состоит
из вводной части и проектных решений.
В общесистемной части приведено описание
предприятия аэропорта, сформулированы цель и требования к разработке, выделены
функции автоматизации, комплексы задач на этапе планирования, сформирована
постановка задачи «Прогнозирование числа пассажирских авиаперевозок».
В части проектных решений приведена разработка
математического обеспечения для построения модели прогноза. Применен системный
метод обследования с функциональным подходом.
АЭРОПОРТОВАЯ ДЕЯТЕЛЬНОСТЬ, РАСЧЕТ НАГРУЗКИ, МОНИТОРИНГ,
ПРОГНОЗИРОВАНИЕ АВИАРЕЙСОВ, СТАТИСТИЧЕСКАЯ ОЦЕНКА, АВТОМАТИЗИРОВАННАЯ
ИНФОРМАЦИОННАЯ СИСТЕМА.
СОДЕРЖАНИЕ
Перечень условных обозначений,
символов, единиц, сокращений и терминов
Введение
. Анализ предметной области
.1 Постановка задачи
. Анализ входных данных
. Построение модели прогноза
Выводы
Перечень ссылок
ПЕРЕЧЕНЬ СОКРАЩЕНИЙ, УСЛОВНЫХ
ОБОЗНАЧЕНИЙ, СИМВОЛОВ, ЕДИНИЦ И ТЕРМИНОВ
АИС -автоматизированная
информационная система;
ИТ - информационные технологи;(англ.
autoregressive integrated moving average) - интегрированная модель
авторегрессии - скользящего среднего;
ППП «STATISTICA» - Пакеты прикладных программ
«Статистика».
ВВЕДЕНИЕ
Одной из основных задач, решаемых в рамках
автоматизации транспортной системы, является задача прогнозирования
пассажирских авиационных перевозок. Важная роль задачи прогнозирования
определяется необходимостью использования результатов ее решения при введении
новых авиалиний, для формирования предложений по разгрузке крупных транзитных
аэроузлов (городов) мира.
Сложность решения задачи прогнозирования
определяется большой размерностью объекта, сжатыми технологическими сроками,
требованиями к точности прогнозирования, отсутствие некоторой информации.
Целесообразно определить следующие задачи
исследования, направленные на повышение точности автоматизированного
прогнозирования авиаперевозок:
- анализ и выбор методов
прогнозирования временных рядов пассажирских авиаперевозок для разработки плана
движения самолетов;
- обоснование и выбор процедур
выявления неопределенности при автоматизированном прогнозировании
авиаперевозок;
- обоснование функциональной
структуры, технологии функционирования и состава информационной базы
автоматизированного комплекса;
- исследование факторов эффективности
и анализ результатов внедрения автоматизированного комплекса прогнозирования
пассажирских авиаперевозок в целях совершенствования составления центрального
авиарасписания.
Все сказанное выше определяет актуальность
исследований по разработке автоматизированной системы прогнозирования пассажирских
авиаперевозок.
. АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ
автоматизированный информационный
прогнозирование авиаперевозка
В роли объекта автоматизации выступает аэропорт.
Аэропорт - комплекс сооружений, включающий в
себя аэродром, аэровокзал, другие сооружения, предназначенный для приема и
отправки воздушных судов, обслуживания воздушных перевозок и имеющий для этих
целей необходимые оборудование, авиационный персонал и других работников.
Миссия аэропорта - интеграция в мировую
транспортную систему, полное удовлетворение спроса населения в авиаперевозках и
услугах, соответствующих современным международным стандартам безопасности и
качества сервиса.
Целью является отражение в перспективной модели
интересов заинтересованных групп: собственников, сотрудников, менеджмента,
государства и контрагентов (авиакомпаний, пассажиров, поставщиков и др.). Как
правило, цели и задачи перечисленных групп интересов существенно различаются.
Предприятие уделяет большое внимание развитию
трансферных перевозок.
Прежде чем начать планирование работ и
проектирование, необходимо спрогнозировать будущий уровень развития
обслуживаемого региона. При прогнозировании требуется учитывать множество
разнообразных факторов, таких, как:
- ожидаемое число рейсов и
пассажиропоток;
- количество перевозимых грузов;
- тенденции экономического развития
региона;
- рост населения и его подвижности.
В задачи входит проведение единой политики
развития, маркетинга и продвижения услуг, а также взаимодействие с
авиакомпаниями.
Информационная система «Аэропорт» включает в
себя службы, за каждой из которых закреплены функциональные задачи.
Службы аэропорта:
– производственно-диспетчерская служба;
– аэродромная служба;
– авиационно-техническая база;
– служба организации перевозок;
– служба авиационной безопасности;
– служба безопасности полетов;
– служба наземного штурманского
обеспечения полетов.
Процесс предварительной оценки и качественного
прогноза объема собственных перевозок и перевозок конкурентов закреплен за
службой организации перевозок.
Основными задачами службы организации перевозок
являются:
организация и совершенствование обслуживания
пассажиров и грузовой клиентуры в аэропорту;
обеспечение коммерческого обслуживания воздушных
судов согласно договорам, заключенных с авиакомпаниями;
обеспечение безопасности полетов, охраны жизни и
здоровья пассажиров и экипажа;
разработка и осуществление мероприятий по
сокращению времени наземного обслуживания пассажиров и коммерческого
обслуживания воздушных судов.
Объектом автоматизации выступает служба
организации перевозок аэропорта, подотчетная отделу «Производство полетов».
Иерархия служб показана на схеме организационной
структуры на рисунке 1.1.
Рисунок 1.1 - Схема организационной
структуры предприятия
1.1 Постановка
задачи
Ключевая задача аналитического отдела
современной авиакомпании состоит в том, чтобы заранее спланированное число
авиарейсов позволило рационально распределить ресурсы компании, не задевая при
этом интересов пассажира. Подобная политика приводит к исключению неприбыльных
рейсов и к повышению рейтинга компании благодаря полному соответствию
потребностям клиентов.
Локальной задачей является на основании
имеющихся оценок за 2001-2012 года произвести прогноз числа авиаперелетов на
2013 год, используя метод экспоненциального сглаживания с использованием ППП
«Statistica».
2. АНАЛИЗ
ВХОДНЫХ ДАННЫХ
В качестве исходных, рассмотрены данные по
количеству пассажиров за каждый месяц некоторой авиационной компании за период
с января 2001 по декабрь 2012 года. Данные были представлены в таблице Excel и
экспортированы в ППП «Statistica». Таким образом, проведен анализ одной
переменной с 36 наблюдениями.
На рисунке 2.1 представлены исходные данные.
№
|
месяц
|
2001
|
2002
|
2003
|
2004
|
2005
|
2006
|
2007
|
2008
|
2009
|
2010
|
2011
|
2012
|
1
|
январь
|
11,2
|
11,5
|
14,5
|
17,1
|
19,6
|
20,4
|
24,2
|
28,4
|
31,5
|
34,0
|
36,0
|
41,7
|
2
|
февраль
|
11,8
|
12,6
|
15,0
|
18,0
|
19,6
|
18,8
|
23,3
|
27,7
|
30,1
|
31,8
|
34,2
|
39,1
|
3
|
март
|
13,2
|
19,1
|
17,0
|
19,3
|
23,6
|
23,5
|
26,7
|
31,7
|
35,6
|
36,2
|
40,6
|
41,9
|
4
|
апрель
|
12,9
|
13,5
|
16,3
|
18,1
|
23,5
|
22,7
|
26,9
|
31,3
|
34,8
|
34,8
|
39,6
|
46,1
|
5
|
май
|
12,1
|
12,5
|
17,2
|
18,3
|
22,9
|
23,4
|
27,0
|
31,8
|
35,5
|
36,3
|
42,0
|
47,2
|
6
|
июнь
|
13,5
|
14,9
|
17,8
|
21,8
|
24,3
|
26,4
|
31,5
|
37,4
|
42,2
|
43,5
|
47,2
|
53,5
|
7
|
июль
|
14,8
|
17,0
|
19,9
|
23,0
|
26,4
|
30,2
|
36,4
|
41,3
|
46,5
|
49,1
|
54,8
|
62,2
|
8
|
август
|
14,8
|
17,0
|
19,9
|
24,2
|
27,2
|
29,3
|
34,7
|
40,5
|
46,7
|
50,5
|
55,9
|
60,6
|
9
|
сентябрь
|
13,6
|
15,8
|
18,9
|
20,9
|
23,7
|
25,9
|
31,2
|
35,5
|
40,4
|
40,4
|
46,3
|
50,8
|
10
|
октябрь
|
11,9
|
13,3
|
16,2
|
19,1
|
21,1
|
22,9
|
27,4
|
30,6
|
34,7
|
35,9
|
40,7
|
46,1
|
11
|
ноябрь
|
10,4
|
11,4
|
14,6
|
17,2
|
18,0
|
20,3
|
23,7
|
27,1
|
30,5
|
31,0
|
36,2
|
39,0
|
12
|
декабрь
|
11,8
|
14,0
|
16,6
|
19,4
|
20,1
|
22,9
|
27,8
|
30,6
|
33,6
|
33,7
|
40,5
|
43,2
|
Рисунок 2.1 - Исходные данные
На рисунке 2.2 представлен график временного
ряда.
Рисунок 2.2 Линейный график временного ряда
авиаперевозок
Далее необходимо выделить закономерности,
основные компоненты и спрогнозировать значения на некоторый горизонт вперед.
Визуальный анализ показывает, что в данных
имеется положительно направленный тренд, признаки сезонности, характер
взаимодействия компонент мультипликативен: с ростом тренда разброс минимумов и
максимумов возрастает.
На рисунке 2.3 представлена гистограмма ряда.
Рисунок 2.3 - Гистограмма количества пассажиров
Гистограмма иллюстрирует тот факт, что
распределение ряда не является нормальным, и в дальнейшем имеет смысл
попытаться установить зависимости для этого ряда.
Нахождение зависимости в представленных данных
является задачей разбиения исходного ряда на 2 составляющие: детерминированную
функцию и случайную составляющую.
Для установления характера неслучайной
составляющей, построим Автокорреляционную функцию исходных данных. Автокорреляция
помогает выделить сезонности и определить лаги временного ряда.
На рисунке 2.4 показан график автокорреляционной
функции.
Рисунок 2.4 - Автокорреляционная функция
временного ряда
Автокорреляционный коэффициент высокий для
первых лагов, затем он убывает и появляется очередной локальный максимум на
значении лага 12, что говорит о присутствии тренда и сезонности с лагом 12.
Для проверки сезонности применим спектральный
одномерный анализ Фурье.
На рисунке 2.5 показан график спектральной
плоскости по периоду.
Рисунок 2.5 - Спектральная плоскость по периоду
Абсолютный максимум достигается в точке 12, что
соответствует сезонности, также присутствует сезонность, равная половине года,
хотя значения плотности в этой точке меньше. Значит, сезонность с лагом 12
влияет в большей степени, чем сезонность с лагом 6.
Проведена процедура сезонной декомпозиции,
результат приведен в таблице 2.1.
Таблица 2.1 - Фрагмент сезонной декомпозиции
временного ряда.
Seasonal Decomposition: Multipl. season (12)
|
|
count
|
Скол-е
среднее
|
Отнош.
|
Сезонная
составляющая
|
Скоррек.
ряд
|
Сглаж.
Тренд-цикл
|
Нерег.
компонента
|
2001
январь
|
11,20000
|
|
|
91,3906
|
12,25509
|
12,84993
|
0,953709
|
февраль
|
11,80000
|
|
|
88,0985
|
13,39410
|
12,90328
|
1,038038
|
март
|
13,20000
|
|
|
101,0669
|
13,06066
|
13,00999
|
1,003895
|
апрель
|
12,90000
|
|
|
97,1556
|
13,27766
|
12,89947
|
1,029318
|
май
|
12,10000
|
|
|
98,2997
|
12,30929
|
12,53680
|
0,981852
|
июнь
|
13,50000
|
|
|
111,3101
|
12,12828
|
12,28263
|
0,987433
|
июль
|
14,80000
|
12,66667
|
116,8421
|
123,0174
|
12,03082
|
12,20900
|
0,985406
|
август
|
14,80000
|
12,69167
|
116,6120
|
121,3023
|
12,20092
|
12,37300
|
0,986092
|
сентябрь
|
13,60000
|
12,75833
|
106,5970
|
106,0772
|
12,82085
|
12,63553
|
1,014667
|
октябрь
|
11,90000
|
13,25000
|
89,8113
|
12,92265
|
12,85226
|
1,005477
|
ноябрь
|
10,40000
|
13,30000
|
78,1955
|
80,1280
|
12,97923
|
12,93220
|
1,003636
|
декабрь
|
11,80000
|
13,33333
|
88,5000
|
90,0672
|
13,10133
|
13,07266
|
1,002193
|
2002
январь
|
11,50000
|
13,45000
|
85,5019
|
91,3906
|
12,58335
|
13,82607
|
0,910118
|
14
|
12,60000
|
13,63333
|
92,4205
|
88,0985
|
14,30217
|
14,76295
|
0,968788
|
15
|
19,10000
|
13,81667
|
138,2388
|
101,0669
|
18,89838
|
15,37661
|
1,229034
|
16
|
13,50000
|
14,00000
|
96,4286
|
97,1556
|
13,89523
|
14,73367
|
0,943093
|
17
|
12,50000
|
14,11667
|
88,5478
|
98,2997
|
12,71621
|
13,93652
|
0,912438
|
18
|
14,90000
|
14,20000
|
104,9296
|
111,3101
|
13,38602
|
13,45985
|
0,994515
|
19
|
17,00000
|
14,38333
|
118,1924
|
123,0174
|
13,81919
|
13,76331
|
1,004060
|
20
|
17,00000
|
14,63333
|
116,1731
|
121,3023
|
14,01457
|
14,14452
|
0,990813
|
21
|
15,80000
|
14,83333
|
106,5169
|
106,0772
|
14,89481
|
14,40510
|
1,033996
|
22
|
13,30000
|
14,65833
|
90,7334
|
92,0864
|
14,44296
|
14,57016
|
0,991269
|
23
|
11,40000
|
14,89167
|
76,5529
|
80,1280
|
14,22723
|
14,82403
|
0,959741
|
24
|
14,00000
|
15,28333
|
91,6031
|
90,0672
|
15,54395
|
15,36529
|
1,011628
|
2003
январь
|
14,50000
|
15,52500
|
93,3977
|
91,3906
|
15,86596
|
15,97626
|
0,993096
|
26
|
15,00000
|
15,76667
|
95,1374
|
88,0985
|
17,02640
|
16,53037
|
1,030007
|
27
|
17,00000
|
16,00833
|
106,1947
|
101,0669
|
16,82055
|
16,82581
|
0,999687
|
28
|
16,30000
|
16,26667
|
100,2049
|
97,1556
|
16,77720
|
16,88727
|
0,993482
|
29
|
17,20000
|
16,50833
|
104,1898
|
98,2997
|
17,49751
|
16,78075
|
1,042713
|
30
|
17,80000
|
16,77500
|
106,1103
|
111,3101
|
15,99136
|
16,50053
|
0,969142
|
…
|
|
|
|
|
|
|
|
На рисунке 2.6 представлен график выделенных
компонент.
Рисунок 2.6 - Сезонные факторы временного ряда
На рисунке 2.7 представлен ряд, соответствующий
тренд-циклической компоненте.
Рисунок 2.7 - Тренд-циклическая компонента
Сезонность показана на столбчатой диаграмме на
рисунке 2.8. Месяцами максимальной загруженности авиалиний являются июль и
август, декабрь/январь (в меньшей мере).
Рисунок 2.8 - Сезонность
Проверим наличие сезонности автокорреляционным
анализом.
Проведено взятие разности с лагом 1, что привело
к уменьшению автокорреляционной функции на соответствующем шаге, имеет смысл
взятие разности порядка 12 для преобразованного временного ряда, после чего,
заметно, что ряд стал стационарен, сезонность выражена не ярко.
На рисунке 2.9 представлена автокорреляционная
функция.
Рисунок 2.9 - Автокорреляционная функция
Построена также функция частной автокорреляции
для преобразованного ряда.
На рисунке 2.10 представлена функция частной
автокорреляции.
Рисунок 2.10 - Частная автокорреляционная
функция
После того, как проведена некоторая оценка
значений временного ряда, перейдем к построению модели прогноза.
. ПОСТРОЕНИЕ МОДЕЛИ ПРОГНОЗА
Суть метода экспоненциального
сглаживания в том, что исходный ряд x(t)
сглаживается с некоторыми экспоненциальными весами, образуется новый временной
ряд S(t)
(с меньшим уровнем шума), поведение которого можно прогнозировать.
Простое экспоненциальное
сглаживание задается формулой:
,
где Alpha - некоторый
фиксированный параметр, 0< Alpha <1.
Необходимо учесть сезонный фактор и тренд. В
данном случае тренд является линейным и содержит сезонную составляющую с лагом
12.
, , - параметры экспоненциального
сглаживания.
- параметр,необходимый для всех
моделей экспоненциального сглаживания
- сезонный сглаживающий параметр
- параметр сглаживания тренда (
если ,то тренд
постоянен для всех значений временного ряда, если ,то тренд
определяется ошибками наблюдения. Этот параметр используется в моделях с
линейным и экспоненциальным трендом.
В ППП Statistica существует
функция автоматического поиска лучшего значения параметров , и .Система
сама подбирает лучшие значения параметров так, что ошибка, полученная в
результате, будет минимальной.
На вкладке Grid
Search for
best parameters
зададим параметры сетки на которой будет происходить поиск, система переберет
все значения и определит лучшие.
Таблица 3.1 - «Grid
Search for best parameters» подбор
наилучших
решений.
Parameter grid search (Smallest abs. errors
are highlighted) (Spreadsheet68) Model: Linear trend, add.season (12);
S0=11,08 T0=,2648 VAR1
|
|
Alpha
|
Delta
|
Gamma
|
Mean
- Error
|
Mean
Abs - Error
|
Sums
of - Squares
|
Mean
- Squares
|
Mean
% - Error
|
Mean
Abs - % Error
|
154
|
0,200000
|
0,900000
|
0,100000
|
0,028242
|
1,260211
|
395,3021
|
2,745153
|
-0,224435
|
5,612402
|
145
|
0,200000
|
0,800000
|
0,100000
|
0,030424
|
1,266399
|
404,9158
|
2,811915
|
-0,227175
|
5,587297
|
73
|
0,100000
|
0,900000
|
0,100000
|
0,066089
|
1,306262
|
407,2211
|
2,827924
|
-0,218208
|
5,686643
|
64
|
0,100000
|
0,800000
|
0,100000
|
0,070341
|
1,308882
|
410,0066
|
2,847268
|
-0,216693
|
5,642304
|
55
|
0,100000
|
0,700000
|
0,100000
|
0,074868
|
1,323300
|
423,2132
|
2,938981
|
-0,216671
|
5,633114
|
136
|
0,200000
|
0,700000
|
0,100000
|
0,032849
|
1,292168
|
426,7527
|
2,963561
|
-0,231010
|
5,634462
|
65
|
0,100000
|
0,800000
|
0,200000
|
0,034630
|
1,319591
|
431,6651
|
2,997674
|
-0,214559
|
5,699933
|
74
|
0,100000
|
0,900000
|
0,200000
|
0,031778
|
1,319900
|
434,2041
|
3,015306
|
-0,215592
|
5,751836
|
235
|
0,300000
|
0,900000
|
0,100000
|
0,016773
|
1,365229
|
434,9850
|
3,020729
|
-0,235213
|
6,183754
|
155
|
0,200000
|
0,900000
|
0,200000
|
0,005757
|
1,325075
|
435,4471
|
3,023939
|
-0,228185
|
5,979023
|
Исходя из результатов таблицы, можно сделать
вывод, что минимальная ошибка будет при Alpha=0,200000,
Delta=0,900000, Gamma=0,100000.
Выберем аддитивную модель прогноза, которая
будет происходить по формуле:
, где - сглаженный сезонный фактор
- сезонный период
- разница между наблюдаемым рядом и
прогнозом в момент времени .
Рисунок 3.1 - Графики спрогнозированных данных
В таблицах 3.2 и 3.3 представлены результаты
прогнозирования.
Таблица 3.2 - Результаты прогнозирования методом
экспоненциального сглаживания.
Exp. smoothing: Additive season (12) S0=11,08
T0=,2648 (Spreadsheet68) Lin.trend,add.season; Alpha= ,200 Delta=,997
Gamma=0,00 VAR1
|
|
Error
|
Mean
error
|
-0,000217423993
|
Mean
absolute error
|
1,218001832878
|
Sums
of squares
|
362,962496639947
|
Mean
square
|
2,520572893333
|
Mean
percentage error
|
-0,577370547544
|
Mean
abs. perc. error
|
5,461797228688
|
На рисунке 3.2 показан пример построения
АРИМА-модели прогноза.
Рисунок 3.2 - Модель прогноза АРИМА
Таблица 3.3 - Результаты прогнозирования методом
АРИМА-модели
Forecasts; Model:(0,1,1)(1,1,0) Seasonal lag:
12 (Spreadsheet35) Input: COUNT Start of origin: 1 End of origin: 144
|
|
Forecast
|
Lower
- 90,0000%
|
Upper
- 90,0000%
|
Std.Err.
|
145
|
44,98451
|
42,72580
|
47,24321
|
1,363333
|
146
|
42,59291
|
39,98724
|
45,19857
|
1,572755
|
46,33072
|
43,41915
|
49,24229
|
1,757395
|
148
|
49,17610
|
45,98785
|
52,36436
|
1,924401
|
149
|
50,61476
|
47,17198
|
54,05753
|
2,078028
|
150
|
56,62820
|
52,94847
|
60,30794
|
2,221054
|
151
|
65,04165
|
61,13932
|
68,94398
|
2,355411
|
152
|
64,14501
|
60,03211
|
68,25791
|
2,482507
|
153
|
54,39711
|
50,08391
|
58,71031
|
2,603406
|
154
|
49,46266
|
44,95806
|
53,96725
|
2,718934
|
155
|
43,03996
|
38,35177
|
47,72816
|
2,829749
|
156
|
47,26601
|
42,40115
|
52,13088
|
2,936386
|
Следует заметить, что при погружении в глубину
прогноза погрешность будет расти, и прогноз будет становиться все более
неточным.
ВЫВОДЫ
Как было показано, в системе STATISTICA возможно
реализовать различные виды анализов, на разные периоды времени, с разной
точностью.
Кроме того, на графиках прогнозов представлено
наиболее вероятное поведение ряда и допустимые интервалы, в которых ряд будет
лежать с вероятностью 90%. Также эти данные представлены в таблицах прогнозов.
Это позволяет сделать выводы, не только об ожидаемом числе пассажиров, но и о
максимально/минимально возможном. Исходя из этих данных, авиакомпания может
распланировать авиарейсы в соответствии со своей политикой.
Методы STATISTICA позволяют автоматически найти
нужный прогноз с нужной степенью точности простым методом перебора, не зная
заранее природу модели. Это позволяет строить прогнозы без подготовительных
анализов, не обладая обширными знаниями в теории математической статистики.
ПЕРЕЧЕНЬ ССЫЛОК
.
Лисенков А.Н. Математические методы планирования многофакторных экспериментов
.- М.,2009.- 343с.
.
Адлер Ю.П., Маркова Е.В., Грановский Ю.В. Планирование эксперимента при поиске
оптимальных условий.- М.: «Наука»,2008.- 208 с.
.
Васильев Ф.П. Численные методы решения экспериментальных задач - М.:
«Наука»,2010 г.-338 с.
.
Сухарев А.Г., Тимохов А.В., Федоров В.В. Курс методов оптимизации- М.:
«Наука»,2006 г.- 476 с.
.
Математическое обеспечение ИУС: Уч.пособие/Б.В.Шамша, А.М. Гуржий, З.В. Дудар,
В.М.Левикин, - Харков: «Компания СМИТ», 2011,- 445с.