💻 computer science

Civil aviation passenger traffic forecasting using a hybrid SSA and sparrow-search-optimized MLP-BP model

Cette étude propose un modèle de prévision hybride qui intègre l'analyse de spectre singulier (SSA) pour la décomposition des données, un perceptron multicouche entraîné par rétropropagation (MLP-BP) pour la modélisation des composantes, et l'algorithme de recherche du moineau (SpSA) pour l'optimisation des paramètres, démontrant une précision supérieure dans la prédiction du trafic des passagers de l'aviation civile en Chine par rapport aux méthodes conventionnelles.

Auteurs originaux : Tiantian Tang, Qingsong Liu, Sibo Wang, Zhongze Li, Baicheng Guo, Haolin Liu, Peixuan Duan, Haiwen Xu

Publié 2026-07-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Tiantian Tang, Qingsong Liu, Sibo Wang, Zhongze Li, Baicheng Guo, Haolin Liu, Peixuan Duan, Haiwen Xu

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez essayer de prédire combien de personnes prendront l'avion le mois prochain. C'est un peu comme essayer de deviner combien de personnes viendront à une fête quand la météo est imprévisible, que l'économie change et que les projets de chacun évoluent. Si les compagnies aériennes se trompent dans leurs prévisions, elles gaspillent soit de l'argent en faisant voler des avions vides, soit en perdant de l'argent en refusant des passagers.

Ce document présente un nouvel outil de « super-prédiction » conçu pour résoudre ce jeu de devinettes pour l'aviation civile chinoise. Les auteurs appellent cela un modèle hybride, ce qui est simplement une façon sophistiquée de dire qu'ils ont combiné trois outils différents en une super-équipe pour obtenir la meilleure réponse possible.

Voici comment fonctionne leur « super-équipe », expliquée simplement :

1. Le casque à réduction de bruit (SSA)

D'abord, l'équipe examine les données brutes (l'historique du nombre de passagers). Ces données sont désordonnées. Il y a la vue d'ensemble (plus de gens qui volent chaque année), les cycles répétitifs (plus de vols en été et pour la Fête du Printemps), et beaucoup de « statique » ou de bruit (des pics aléatoires causés par des événements ponctuels ou des bugs de réservation bizarres).

Le premier outil, l'Analyse de Spectre Singulier (SSA), agit comme un casque à réduction de bruit de haute technologie. Il prend ces données désordonnées et bruyantes et les sépare en trois pistes claires :

La Tendance : La croissance lente et constante de l'industrie.
La Saisonnalité : Les hausses et les baisses prévisibles (comme les vacances d'été).
Le Bruit : La statique aléatoire qui n'a pas d'importance pour la planification à long terme.

En nettoyant les données au préalable, l'équipe rend beaucoup plus facile la compréhension de ce qui se passe réellement.

2. L'étudiant brillant (MLP-BP)

Une fois les données nettoyées, ils les injectent dans un Perceptron Multicouche (MLP) entraîné avec un algorithme de Rétropropagation (BP). Voyez cela comme un étudiant très intelligent qui essaie d'apprendre un modèle.

L'Étudiant : Ce réseau de neurones examine les données nettoyées de tendance et de saisonnalité et essaie de comprendre les règles du jeu. « S'il est juillet et que l'économie est bonne, combien de personnes volent ? »
Le Problème : Généralement, cet étudiant reste bloqué. Il peut mémoriser la mauvaise réponse parce qu'il est parti d'une mauvaise supposition (poids initiaux aléatoires) ou il peut rester coincé dans un « optimum local » — ce qui revient à un étudiant qui pense avoir trouvé la meilleure réponse, alors qu'il est simplement assis dans une petite vallée alors que le véritable sommet de la montagne est juste à côté de lui.

3. Le chef de patrouille (Algorithme de recherche de moineaux)

C'est là qu'intervient le troisième outil, l'Algorithme de Recherche de Moineaux (SpSA). Imaginez une nuée de moineaux cherchant le meilleur endroit pour se poser.

Certains moineaux sont des « explorateurs » (leaders) qui explorent de nouvelles zones.
D'autres sont des « suiveurs » qui observent les leaders.
Quelques-uns sont des « éclaireurs » (sentinelles) qui guettent le danger.

Dans ce modèle, les « moineaux » sont en réalité à la recherche des paramètres parfaits pour « l'étudiant » (le réseau de neurones). Au lieu que l'étudiant devine de manière aléatoire, l'algorithme de recherche de moineaux survole tout le paysage pour trouver le meilleur point de départ absolu. Cela garantit que l'étudiant ne reste pas coincé dans une petite vallée, mais trouve le plus haut sommet de la montagne (la prédiction la plus précise).

Le Résultat : Une collaboration parfaite

Lorsqu'ils ont réuni ces trois outils (SSA + MLP-BP + SpSA), les résultats ont été impressionnants.

Le Score : Le modèle a obtenu un score de 0,987 (sur 1,0), ce qui revient à obtenir un A+ à un examen très difficile.
La Comparaison : Lorsqu'ils ont testé cela contre d'autres méthodes (comme utiliser uniquement « l'étudiant » seul, ou simplement nettoyer les données sans le « chef de patrouille »), le modèle hybride s'est avéré bien supérieur. Les autres modèles ont commis de grosses erreurs, prévoyant parfois de très grands écarts, tandis que le nouveau modèle est resté stable même lorsque le marché était chaotique.

Pourquoi cela importe pour les compagnies aériennes

Le document explique que ce n'est pas seulement une question de mathématiques ; c'est une question d'argent réel et de sécurité.

Plus de sièges vides : Si le modèle prédit avec précision, les compagnies aériennes peuvent placer le bon nombre d'avions sur les bonnes routes. Elles ne gaspilleront pas de carburant en faisant voler des avions à moitié vides.
Plus de surpeuplement : Elles ne refuseront pas de clients satisfaits parce qu'elles ont sous-estimé la demande.
Gérer le chaos : Le modèle est particulièrement efficace pour gérer le désordre « post-pandémie », où la demande a fluctué de manière erratique. Il peut distinguer un simple sursaut temporaire d'une véritable tendance à long terme.

En résumé, les auteurs ont construit un système qui nettoie les données, apprend les modèles et vérifie les paramètres pour donner aux compagnies aériennes une vision cristalline de l'avenir, les aidant ainsi à prendre des décisions plus intelligentes, moins coûteuses et plus efficaces.

Résumé technique : Prévision du trafic passagers de l'aviation civile à l'aide d'un modèle hybride SSA et MLP-BP optimisé par la recherche de moineaux (Sparrow-Search)

1. Énoncé du problème

La prévision précise du trafic des passagers de l'aviation civile est cruciale pour les opérations aériennes, la planification des réseaux de routes et l'allocation des capacités. Cependant, les fluctuations de la demande post-pandémie ont introduit des défis importants, caractérisés par une forte volatilité, une non-stationnarité, une saisonnalité et une non-linéarité. Les méthodes statistiques traditionnelles (par exemple, ARIMA) peinent à traiter les données non linéaires, tandis que les réseaux de neurones standards (par exemple, MLP-BP) souffrent souvent de problèmes d'initialisation aléatoire, de convergence lente et d'une tendance à rester piégés dans des optima locaux. Ces limites entraînent des erreurs de prévision qui se traduisent soit par un gaspillage de capacité (surestimation), soit par des opportunités de revenus manquées (sous-estimation), avec des impacts économiques pouvant aller de millions de dollars en coûts opérationnels à des perturbations de service. Les modèles hybrides existants échouent souvent à atteindre une optimisation globale ou à extraire efficacement les caractéristiques multi-échelles des séries temporelles non stationnaires.

2. Méthodologie

L'étude propose un cadre de prévision hybride, SSA-MLP-BP-SpSA, qui intègre trois composantes clés : l'analyse de spectre singulier (SSA), un perceptron multicouche entraîné par rétropropagation (MLP-BP) et l'algorithme de recherche de moineaux (SpSA).

2.1 Prétraitement des données : Analyse de spectre singulier (SSA)

La SSA est employée pour décomposer la série temporelle non stationnaire originale en composantes interprétables, séparant efficacement le signal du bruit. Le processus comprend quatre étapes :

Plongement (Embedding) : Cartographie de la série temporelle originale en une matrice de trajectoire.
Décomposition : Réalisation de la décomposition en valeurs singulières (SVD) sur la matrice de trajectoire.
Groupement : Regroupement des matrices élémentaires résultantes en sous-collections disjointes pour isoler des caractéristiques spécifiques.
Reconstruction : Utilisation de la moyenne diagonale pour reconstruire la série temporelle en composantes distinctes :
- Composante de tendance (IMF4) : Reflète la croissance à long terme et les cycles de planification de la flotte.
- Composantes saisonnières (IMF2, IMF3) : Capturent les pics périodiques tels que le Festival du Printemps et les saisons de voyage estivales.
- Composantes de bruit/haute fréquence (IMF1, Résiduel) : Représentent les fluctuations irrégulières et les perturbations aléatoires.

2.2 Modèle de prédiction : MLP-BP

Un perceptron multicouche (MLP) avec une architecture de propagation avant est utilisé pour modéliser les composantes décomposées. La structure du réseau consiste en une couche d'entrée, deux couches cachées (respectivement 16 et 32 neurones) et une couche de sortie.

Activation : La fonction ReLU est utilisée dans les couches cachées pour atténuer la disparition du gradient.
Entraînement : L'algorithme de rétropropagation (BP) est utilisé pour la rétropropagation de l'erreur et la mise à jour des poids.
Optimisation : L'optimiseur Adam est utilisé pour les mises à jour itératives des paramètres.

2.3 Optimisation des paramètres : Algorithme de recherche de moineaux (SpSA)

Pour remédier aux limites de l'entraînement standard par BP (optima locaux et instabilité), le SpSA est introduit pour optimiser globalement les poids et biais initiaux du réseau MLP-BP.

Mécanisme : L'algorithme simule le comportement de recherche de nourriture des moineaux avec une population de « découvreurs » (guidant la recherche), de « suiveurs » (suivant les découvreurs) et de « sentinelles » (reconnaissance/alerte).
Fonction d'aptitude (Fitness Function) : L'erreur quadratique moyenne (RMSE) ou l'erreur absolue moyenne (MAE) du réseau sert de fonction d'aptitude à minimiser.
Processus : Le SpSA met à jour de manière itérative les positions des moineaux (paramètres du réseau) en fonction des valeurs d'aptitude jusqu'à la convergence, garantissant que le MLP-BP commence son entraînement à partir d'un état globalement optimisé.

2.4 Cadre global

Le flux de travail de la modélisation procède comme suit :

Standardisation et normalisation des données mensuelles de passagers brutes (2005–2024).
Décomposition des données via SSA en composantes de tendance, saisonnières et de bruit.
Entraînement de modèles MLP-BP distincts pour chaque composante décomposée.
Optimisation des paramètres du MLP-BP à l'aide de SpSA.
Reconstruction de la prévision finale en intégrant les prédictions de toutes les composantes.
Évaluation de la performance à l'aide de $R^2$ , MAE et RMSE.

3. Principales contributions

Développement d'un cadre hybride : Un cadre unifié combinant la décomposition de séries temporelles, l'apprentissage non linéaire et l'optimisation intelligente est développé spécifiquement pour la nature volatile, saisonnière et incertaine de l'après-pandémie du trafic aérien civil.
Interprétabilité via la SSA : L'introduction de la SSA permet l'extraction de composantes de tendance, saisonnières et irrégulières distinctes. Cela améliore l'interprétabilité du processus de prévision, liant les sorties spécifiques du modèle aux décisions opérationnelles telles que la planification de la flotte (tendance) et la programmation des pics (saisonnalité).
Optimisation globale : L'emploi de SpSA pour optimiser les paramètres du MLP-BP réduit le risque d'optima locaux et améliore la stabilité du modèle sous des conditions de demande hautement fluctuantes.
Validation empirique : Le modèle est validé à l'aide de données mensuelles de passagers de la Chine (2005–2024), démontrant une valeur pratique pour la planification des capacités et la gestion opérationnelle.

4. Résultats

L'étude a utilisé des données mensuelles de passagers de l'Administration de l'aviation civile de Chine (CAAC) de 2005 à 2024, divisant les données en un ensemble d'entraînement de 80 % et un ensemble de test de 20 %.

Métriques de performance : Le modèle proposé SSA-MLP-BP-SpSA a atteint un $R^2$ de 0,987 et un RMSE de 179,71 sur l'ensemble de test.
Analyse comparative :
- Vs Modèles simples : Le modèle hybride a nettement surpassé le modèle MLP-BP autonome (qui avait un $R^2$ de 0,628 et un RMSE de 3206,193).
- Vs Hybrides partiels : Il a surpassé les modèles utilisant uniquement la décomposition (SSA-MLP-BP, $R^2$ 0,761) ou uniquement l'optimisation (MLP-BP-SpSA, $R^2$ 0,832).
- Vs Autres réseaux de neurones : En comparaison avec les modèles SSA-pré-traités BiLSTM, GRU et LSTM, le modèle SSA-MLP-BP-SpSA a démontré une précision et une stabilité supérieures, particulièrement lors des points d'inflexion critiques du marché et des périodes de fortes fluctuations.
Distribution de l'erreur : Le modèle a présenté un intervalle de confiance à 95 % étroit et des résidus concentrés dans la plage de faible valeur, indiquant une grande stabilité statistique et un contrôle efficace de l'erreur.
Points de retournement : Le modèle a capturé avec succès les principaux points de retournement, tels que les phases de croissance rapide et les pics saisonniers, avec un écart minimal par rapport aux valeurs réelles.

5. Signification et affirmations

Les auteurs affirment que l'approche proposée offre un support fiable pour la prévision de la demande de l'aviation civile, répondant aux défis spécifiques de non-stationnarité et de non-linéarité de l'ère post-pandémie.

Support à la décision opérationnelle : Le modèle est positionné comme un outil pour aider les compagnies aériennes et les opérateurs d'aéroports dans :
- Le court terme : Ajuster la capacité et la programmation des vols pendant les périodes de pointe (ex: Festival du Printemps, voyage estival) pour réduire la mauvaise allocation des ressources.
  - Le moyen et long terme : Orienter la planification de la flotte et l'expansion des infrastructures aéroportuaires grâce à une identification précise des tendances.
Impact économique : L'étude suggère que la réduction des erreurs de prévision (par exemple, de ~15-20 % dans les modèles traditionnels à <1,2 % dans le modèle proposé) peut faire économiser des millions de dollars annuellement aux compagnies aériennes en optimisant l'achat de carburant, la planification des équipages et la gestion des stocks, tout en améliền la satisfaction client et les facteurs de charge des vols.
Limites : Les auteurs reconnaissent que le modèle présente une complexité de calcul élevée, limitant son application dans des scénarios de temps réel à haute fréquence. Ils notent également que l'étude actuelle utilise des données mensuelles agrégées et n'intègre pas explicitement de variables exogènes (ex: indicateurs macroéconomiques, changements de politiques) ou d'hétérogénéité au niveau des routes. Des travaux futurs sont suggérés pour se concentrer sur le calcul parallèle, les mécanismes de mise à jour adaptatifs et l'intégration de données multi-sources.