Riepilogo Tecnico: Previsione del Traffico Passeggeri dell'Aviazione Civile Utilizzando un Modello Ibrido SSA e MLP-BP Ottimizzato tramite Sparrow Search

1. Definizione del Problema

La previsione accurata del traffico passeggeri dell'aviazione civile è fondamentale per le operazioni delle compagnie aeree, la pianificazione delle reti di rotte e l'allocazione della capacità. Tuttavia, le fluttuazioni della domanda post-pandemia hanno introdotto sfide significative, caratterizzate da alta volatilità, non stazionarietà, stagionalità e non linearità. I metodi statistici tradizionali (ad es. ARIMA) faticano con i dati non lineari, mentre le reti neurali standard (ad es. MLP-BP) soffrono spesso di problemi di inizializzazione casuale, convergenza lenta e tendenza a rimanere intrappolate in ottimi locali. Questi limiti portano a errori di previsione che si traducono in capacità sprecata (sovrastima) o opportunità di ricavo perse (sottostima), con impatti economici che variano da milioni di dollari in costi operativi a disservizi. Gli esistenti modelli ibridi spesso non riescono a raggiungere l'ottimizzazione globale o a estrarre efficacemente caratteristiche multi-scala da serie temporali non stazionarie.

2. Metodologia

Lo studio propone un framework di previsione ibrido, SSA-MLP-BP-SpSA, che integra tre componenti principali: l'Analisi Spettrale Singolare (SSA), un Perceptron Multistrato addestrato tramite Backpropagation (MLP-BP) e l'Algoritmo di Ricerca dello Passero (SpSA).

2.1 Preelaborazione dei Dati: Analisi Spettrale Singolare (SSA)

La SSA è impiegata per decomporre la serie temporale non stazionaria originale in componenti interpretabili, separando efficacemente il segnale dal rumore. Il processo prevede quattro fasi:

1. Embedding: Mappatura della serie temporale originale in una matrice di traiettoria.
2. Decomposizione: Esecuzione della Decomposizione in Valori Singolari (SVD) sulla matrice di traiettoria.
3. Raggruppamento: Raggruppamento delle matrici elementari risultanti in sottocollezioni disgiunte per isolare caratteristiche specifiche.
4. Ricostruzione: Utilizzo della media diagonale per ricostruire la serie temporale in componenti distinte:
   • Componente di Tendenza (IMF4): Riflette la crescita a lungo termine e i cicli di pianificazione della flotta.
   • Componenti Stagionali (IMF2, IMF3): Catturano i picchi periodici come il Festival di Primavera e le stagioni di viaggio estive.
   • Componenti di Rumore/Alta Frequenza (IMF1, Residuo): Rappresentano fluttuazioni irregolari e disturbi casuali.

2.2 Modello di Previsione: MLP-BP

Un Perceptron Multistrato (MLP) con un'architettura feedforward viene utilizzato per modellare le componenti decomposte. La struttura della rete consiste in uno strato di input, due strati nascosti (rispettivamente con 16 e 32 neuroni) e uno strato di output.

• Attivazione: La funzione ReLU è utilizzata negli strati nascosti per mitigare la scomparsa del gradiente.
• Addestramento: L'algoritmo di Backpropagation (BP) è utilizzato per la retropropagazione dell'errore e l'aggiornamento dei pesi.
• Ottimizzazione: L'ottimizzatore Adam è utilizzato per gli aggiornamenti iterativi dei parametri.

2.3 Ottimizzazione dei Parametri: Algoritmo di Ricerca dello Passero (SpSA)

Per affrontare i limiti dell'addestramento standard BP (ottimi locali e instabilità), viene introdotto lo SpSA per ottimizzare globalmente i pesi e i bias iniziali della rete MLP-BP.

• Meccanismo: L'algoritza simula il comportamento di foraggiamento degli uccelli con una popolazione di "scopritori" (che guidano la ricerca), "seguaci" (che tracciano gli scopritori) e "sentinelle" (per la ricognizione/avvertimento).
• Funzione di Fitness: La Radice dell'Errore Quadratico Medio (RMSE) o l'Errore Assoluto Medio (MAE) della rete funge da funzione di fitness da minimizzare.
• Processo: Lo SpSA aggiorna iterativamente le posizioni degli uccelli (parametri della rete) in base ai valori di fitness fino alla convergenza, garantendo che l'MLP-BP inizi l'addestramento da uno stato globalmente ottimizzato.

2.4 Framework Globale

Il flusso di lavoro della modellazione procede come segue:

1. Standardizzazione e normalizzazione dei dati mensili dei passeggeri grezzi (2005–2024).
2. Decomposizione dei dati tramite SSA in componenti di tendenza, stagionali e di rumore.
3. Addestramento di modelli MLP-BP separati per ogni componente decomposta.
4. l'ottimizzazione dei parametri MLP-BP utilizzando lo SpSA.
5. Ricostruzione della previsione finale integrando le previsioni di tutte le componenti.
6. Valutazione delle prestazioni utilizzando $R^2$, MAE e RMSE.

3. Contributi Chiave

1. Sviluppo di un Framework Ibrido: È sviluppato un framework unificato che combina la decomposizione delle serie temporali, l'apprendimento non lineare e l'ottimizzazione intelligente, specificamente per la natura volatile, stagionale e incerta del traffico aereo civile post-pandemia.
2. Interpretabilità tramite SSA: L'introduzione della SSA consente l'estrazione di distinte componenti di tendenza, stagionali e irregolari. Ciò migliora l'interpretabilità del processo di previsione, collegando le uscite specifiche del modello a decisioni operative come la pianificazione della flotta (tendenza) e la programmazione dei picchi (stagionalità).
3. Ottimizzazione Globale: L'impiego dello SpSA per ottimizzare i parametri MLP-BP riduce il rischio di ottimi locali e migliora la stabilità del modello in condizioni di domanda altamente fluttuante.
4. Validazione Empirica: Il modello è validato utilizzando i dati mensili dei passeggeri della Cina (2005–2024), dimostrando un valore pratico per la pianificazione della capacità e la gestione operativa.

4. Risultati

Lo studio ha utilizzato i dati mensili dei passeggeri della Civil Aviation Administration of China (CAAC) dal 2005 al 2024, dividendo i dati in un set di addestramento dell'80% e un set di test del 20%.

• Metriche di Prestazione: Il modello proposto SSA-MLP-BP-SpSA ha ottenuto un $R^2$ di 0,987 e un RMSE di 179,71 sul set di test.
• Analisi Comparativa:
  • Vs. Modelli Singoli: Il modello ibrido ha superato significativamente il modello MLP-BP standalone (che aveva un $R^2$ di 0,628 e un RMSE di 3206,193).
  • Vs. Ibridi Parziali: Ha superato i modelli che utilizzavano solo la decomposizione (SSA-MLP-BP, $R^2$ 0,761) o solo l'ottimizzazione (MLP-BP-SpSA, $R^2$ 0,832).
  • Vs. Altre Reti Neurali: Nei confronti con i modelli BiLSTM, GRU e LSTM pre-processati con SSA, il modello SSA-MLP-BP-SpSA ha dimostrato una precisione e una stabilità superiori, in particolare durante i punti di inflessione critici del mercato e i periodi di forte fluttuazione.
• Distribuzione dell'Errore: Il modello ha esibito un intervallo di confidenza al 95% stretto e residui concentrati nel range di basso valore, indicando un'alta stabilità statistica e un controllo efficace dell'errore.
• Punti di Svolta: Il modello ha catturato con successo i principali punti di svolta, come le fasi di crescita rapida e i picchi stagionali, con una deviazione minima rispetto ai valori reali.

5. Significato e Rivendicazioni

Gli autori affermano che l'approccio proposto offre un supporto affidabile per la previsione della domanda dell'aviazione civile, affrontando le sfide specifiche di non stazionarietà e non linearità nell'era post-pandemia.

• Supporto alle Decisioni Operative: Il modello è posizionato come uno strumento per assistere le compagnie aeree e gli operatori aeroportuali in:
  • Breve termine: Regolazione della capacità e programmazione dei voli durante i periodi di punta (ad es. Festival di Primavera, viaggi estivi) per ridurre l'allocazione errata delle risorse.
  • Medio-Lungo termine: Informare la pianificazione della flotta e l'espansione delle infrastrutture aeroportuali basandosi sull'identificazione accurata delle tendenze.
• Impatto Economico: Lo studio suggerisce che la riduzione degli errori di previsione (ad es. dal ~15-20% dei modelli tradizionali a <1,2% nel modello proposto) può far risparmiare alle compagnie aeree milioni di dollari annuali ottimizzando l'acquisto di carburante, la programmazione dell'equipaggio e la gestione dell'inventario, migliorando simultaneamente i fattori di carico dei voli e la soddisfazione del cliente.
• Limitazioni: Gli autori riconoscono che il modello ha un'alta complessità computazionale, limitando la sua applicazione in scenari in tempo reale ad alta frequenza. Notano inoltre che lo studio attuale utilizza dati mensili aggregati e non incorpora esplicitamente variabili esogene (ad es. indicatori macroeconomici, cambiamenti nelle politiche) o l'eterogeneità a livello di rotta. Il lavoro futuro suggerito si concentra su calcolo parallelo, meccanismi di aggiornamento adattivi e l'integrazione di dati multi-fonte.