💻 computer science

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

本研究は、データの分解のための特異スペクトル解析（SSA）、成分モデリングのためのバックプロパゲーション学習を用いた多層パーセプトロン（MLP-BP）、およびパラメータ最適化のためのスズメバチ探索アルゴリズム（SpSA）を統合したハイブリッド予測モデルを提案し、中国の民間航空旅客需要の予測において従来の手法よりも優れた精度を示すものである。

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

公開日 2026-07-07

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

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

原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

来月、何人の人が飛行機を利用するかを予測することを想像してみてください。それは、天候が予測不能で、経済が変動し、人々の計画が刻々と変わる中で、パーティーに何人が来るかを予想するようなものです。航空会社が予測を誤れば、空のまま飛行機を飛ばして無駄な費用を出したり、逆に人を断ることになって損失を出したりすることになります。

この論文は、中国の民間航空におけるこの「推測ゲーム」を解決するために設計された、新しい「スーパー予測ツール」を紹介しています。著者たちはこれを「ハイブリッドモデル」と呼んでいますが、これは単に、最高の答えを得るために3つの異なるツールを一つのスーパーチームとして組み合わせた、ということを格好良く言っているだけです。

彼らの「スーパーチーム」がどのように機能するかを、簡単に説明します。

1. ノイズキャンセリングヘッドホン (SSA)

まず、チームは生のデータ（過去の旅客数）を見ます。このデータは乱雑です。大きな全体像（年々増加する旅客数）、繰り返されるパターン（夏休みや春節による増加）、そして多くの「静寂（ノイズ）」や「スタティック」（一度限りのイベントや奇妙な予約エラーによるランダムなスパイク）が含まれています。

最初のツールである**特異スペクトル解析（SSA）**は、ハイテクなノイズキャンセリングヘッドホンのように機能します。このツールは、その乱雑で騒がしいデータを、以下の3つの明確なトラックに分離します。

トレンド（傾向）： 業界の緩やかで着実な成長。
シーズン（季節性）： 予測可能な増減（夏休みなど）。
ノイズ： 長期的な計画には重要ではない、ランダムな静寂。

最初にデータをクリーンアップすることで、チームは何が実際に起きているのかをより明確に把握できるようになります。

2. 賢い学生 (MLP-BP)

データが綺麗になったら、それを**バックプロパゲーション（BP）アルゴリズムで訓練された多層パーセプトロン（MLP）**に投入します。これは、パターンを学ぼうとしている非常に賢い学生のようなものです。

学生： このニューラルネットワークは、クリーンアップされたトレンドと季節性のデータを見て、ゲームのルールを理解しようとします。「もし7月で、かつ経済状況が良ければ、何人が飛行機に乗るのか？」といった具合です。
問題点： 通常、この学生は行き詰まってしまいます。初期値（ランダムな重み）が悪い予測から始まったために、間違った答えを暗記してしまったり、「局所最適解」に陥ったりすることがあります。これは、まるで学生が「自分は最高の答えを見つけた」と思い込んでいるものの、実際には本当の山の頂上のすぐ隣にある小さな谷間に座っているだけの状態のようなものです。

3. スカウトリーダー (スパローサーチアルゴリズム)

ここで、3つ目のツールである**スパローサーチアルゴリズム（SpSA）**が登場します。スズメの群れが最高の着陸場所を探している様子を想像してください。

一部のスズメは「発見者（リーダー）」であり、新しい領域を探索します。
他の多くは「フォロワー（追随者）」であり、リーダーを観察します。
数羽の「スカウト（番兵）」は、危険がないかを見張っています。

このモデルにおいて、「スズメ」は実際には「学生（ニューラルネットワーク）」のための完璧な設定値を探しています。学生がランダムに推測する代わりに、スパローアルゴリズムが全領域を飛び回り、絶対的に最高の出発点を見つけ出します。これにより、学生が小さな谷間に閉じ込められることなく、最も高い山の頂上（最も正確な予測）を見つけることができるのです。

結果：完璧なチームワーク

これら3つのツールを組み合わせたとき（SSA + MLP-BP + SpSA）、その結果は素晴らしいものでした。

スコア： モデルは0.987（1.0満点）というスコアを獲得しました。これは、非常に難しいテストで「A+」を取るようなものです。
比較： 彼らはこのハイブリッドモデルを他の手法（「学生」単独での使用や、スカウトリーダーなしでデータをクリーンアップするだけのモデルなど）と比較検証しましたが、このハイブリッドモデルは圧倒的に優れていました。他のモデルは大きなミスを犯し、時には予測が大きく外れてしまうこともありましたが、新しいモデルは市場が混沌とした状況でも安定していました。

なぜこれが航空会社にとって重要なのか

この論文は、これが単なる数学の話ではなく、現実世界の金銭や安全性に関わる問題であることを説明しています。

空席の解消： モデルが正確に予測できれば、航空会社は適切なルートに適切な数の飛行機を投入できます。半分しか人が乗っていない飛行機を飛ばして燃料を無駄にすることもありません。
混雑の防止： 需要を見誤って、喜んで利用しようとするお客様を断ってしまうこともなくなります。
混乱への対応： このモデルは、需要が激しく上下している「ポストパンデミック（コロナ後）」の混乱した状況を扱うのが特に得意です。一時的な変動と、真の長期的なトレンドを見分けることができます。

要約すると、著者たちは、データをクリーンアップし、パターンを学習し、設定をダブルチェックすることで、航空会社に未来の極めてクリアな視界を提供し、よりスマートで、安価で、効率的な意思決定を支援するシステムを構築したのです。

技術要約：SSAとスパロー探索最適化MLP-BPモデルを用いた民間航空旅客需要予測

1. 問題提起

民間航空の旅客需要を正確に予測することは、航空会社のオペレーション、路線網計画、および容量配分において極めて重要である。しかし、パンデミック後の需要変動は、高い揮発性、非定常性、季節性、および非線形性を特徴とする大きな課題をもたらしている。従来の統計的手法（例：ARIMA）は非線形データへの対応に苦慮し、標準的なニューラルネットワーク（例：MLP-BP）は、初期値のランダム性、収束の遅さ、および局所最適解に陥りやすいという問題がある。これらの限界は、予測誤差を引き起こし、結果として容量の浪費（過大評価）または収益機会の損失（過小評価）を招き、数百万ドルの運営コストからサービスの中断に至るまでの経済的影響を及ぼす可能性がある。既存のハイブリッドモデルは、グローバルな最適化を実現できなかったり、非定常な時系列からマルチスケールの特徴を効果的に抽出できなかったりすることが多い。

2. 手法

本研究では、単一スペクトル解析（SSA）、バックプロパゲーションによる学習を行う多層パーセプトロン（MLP-BP）、およびスパロー探索アルゴリズム（SpSA）の3つのコアコンポーネントを統合したハイブリッド予測フレームワーク、SSA-MLP-BP-SpSAを提案する。

2.1 データ前処理：単一スペクトル解析（SSA）

SSAは、元の非定常時系列を解釈可能なコンポーネントに分解し、信号とノイズを効果的に分離するために採用される。プロセスは以下の4ステップで構成される：

埋め込み（Embedding）： 元の時系列を軌道行列へとマッピングする。
分解（Decomposition）： 軌道行列に対して特異値分解（SVD）を実行する。
グルーピング（Grouping）： 得られた基本行列を、特定の特性を分離するために不連続なサブコレクションへとグループ化する。
再構成（Reconstruction）： 対角平均化を用いて、時系列を以下の異なるコンポーネントへと再構成する：
- トレンド成分（IMF4）： 長期的な成長と機材計画サイクルを反映する。
- 季節成分（IMF2, IMF3）： 春節や夏季旅行シーズンなどの周期的なピークを捉える。
- ノイズ／高周波成分（IMF1, 残差）： 不規則な変動やランダムな乱れを表す。

2.2 予測モデル：MLP-BP

フィードフォワード構造を持つ多層パーセプトロン（MLP）が、分解された各コンポーネントのモデリングに使用される。ネットワーク構造は、入力層、2つの隠れ層（それぞれ16および32個のニューロン）、および出力層で構成される。

活性化関数： 勾配消失を軽減するため、隠れ層にはReLU関数が使用される。
学習： エラーの逆伝播と重みの更新には、バックプロパゲーション（BP）アルゴリズムが使用される。
最適化： 反復的なパラメータ更新のために、Adamオプティマイザが利用される。

2.3 パラメータ最適化：スパロー探索アルゴリズム（SpSA）

標準的なBP学習の限界（局所最適解および不安定性）に対処するため、MLP-BPネットワークの初期重みとバイアスをグローバルに最適化するためにSpSAを導入する。

メカニズム： このアルゴリズムは、探索を導く「発見者（discoverers）」、発見者を追跡する「フォロワー（followers）」、および偵察・警告を行う「センチネル（sentinels）」という個体群による、スパロー（スズメ）の採餌行動をシミュレートする。
適応度関数： ネットワークの平方根平均二乗誤差（RMSE）または平均絶対誤差（MAE）が、最小化すべき適応度関数として機能する。
プロセス： SpSAは、適合度値に基づいてスパローの位置（ネットワークパラメータ）を反復的に更新し、収束するまで繰り返すことで、MLP-BPがグローバルに最適化された状態から学習を開始することを保証する。

2.4 全体的なフレームワーク

モデリングのワークフローは以下の通りである：

生の月次旅客データを標準化および正規化する（2005年–2024年）。
SSAを用いてデータをトレンド、季節、ノイズのコンポーネントに分解する。
分解された各コンポーネントに対して個別のMLP-BPモデルを学習させる。
SpSAを使用してMLP-BPのパラメータを最適化する。
すべてのコンポーネントの予測値を統合して、最終的な予測を再構成する。
$R^2$ 、MAE、およびRMSEを用いて性能を評価する。

3. 主な貢献

ハイブリッドフレームワークの開発： 時系列分解、非線形学習、およびインテリジェントな最適化を組み合わせた統一されたフレームワークを、変動が激しく季節性があり、かつパンデミック後の不確実性を伴う民間航空需要に特化して開発した。
SSAによる解釈性の向上： SSAの導入により、明確なトレンド、季節、および不規則なコンポーネントの抽出が可能となった。これにより、機材計画（トレンド）やピーク時のスケジューリング（季節性）といった具体的な運用上の意思決定とモデル出力を結びつけることができ、予測プロセスの解釈性が高まった。
グローバル最適化： MLP-BPのパラメータを最適化するためにSpSAを採用することで、局所最適解のリスクを低減し、需要が激しく変動する条件下でのモデルの安定性を向上させた。
実証的検証： 中国の月次旅客データ（2005年–2024年）を用いてモデルを検証し、容量計画および運用管理における実用的な価値を実証した。

4. 結果

本研究では、2005年から2024年までの中国民用航空局（CAAC）の月次旅客データを使用し、データを80%の訓練セットと20%のテストセットに分割した。

性能指標： 提案されたSSA-MLP-BP-SpSAモデルは、テストセットにおいて $R^2$ 0.987 および RMSE 179.71 を達成した。
比較分析：
- 単一モデルとの比較： ハイブリッドモデルは、スタンドアロンのMLP-BPモデル（ $R^2$ 0.628、RMSE 3206.193）を大幅に上回った。
- 部分的なハイブリッドとの比較： 分解のみを用いたモデル（SSA-MLP-BP、 $R^2$ 0.761）や、最適化のみを用いたモデル（MLP-BP-SpSA、 $R^2$ 0.832）をも凌駕した。
- 他のニューラルネットワークとの比較： SSAで前処理されたBiLSTM、GRU、およびLSTMモデルとの比較において、SSA-MLP-BP-SpSAモデルは、特に市場の重要な転換点や急激な変動期において、優れた精度と安定性を示した。
誤差分布： モデルは狭い95%信頼区間と低値範囲に集中した残差を示し、高い統計的安定性と効果的な誤差制御を示した。
転換点： モデルは、実際の値と比較して偏差を最小限に抑えつつ、急速な成長フェーズや季節的なピークなどの主要な転換点を正確に捉えることに成功した。

5. 意義と主張

著者らは、提案されたアプローチが、パンデミック後の非定常性と非線形性という特有の課題に対処し、民間航空需要予測において信頼できるサポートを提供すると主張している。

運用の意思決定支援： 本モデルは、以下の事項において航空会社や空港運営者を支援するツールとして位置付けられている：
- 短期的な対策： ピーク期間（例：春節、夏季旅行）における容量調整およびフライトスケジュールの調整を行い、リソースの誤配分を削減する。
- 中長期的な対策： 正確なトレンド特定に基づき、機材計画や空港インフラの拡張に関する情報を提供する。
経済的影響： 予測誤差を減少させること（例：従来のモデルの約15-20%から、提案モデルの1.2%未満へ）により、燃料調達、乗務員スケジューリング、および在庫管理を最適化することで、航空会社が年間数百万ドルを節約できることを示唆している。同時に、搭乗率と顧客満足度の向上にも寄与する。
限界： 著者らは、本モデルが高い計算複雑性を持ち、高頻度のリアルタイムシナリオへの適用に制限があることを認めている。また、現在の研究は集計された月次データを使用しており、外部変数（例：マクロ経済指標、政策変更）やルートレベルの異質性を明示的に組み込んでいないことも指摘している。今後の課題として、並列コンピューティング、適応型更新メカニズム、およびマルチソースデータの統合に焦点を当てることが提案されている。