💻 computer science

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

Deze studie stelt een hybride voorspellingsmodel voor dat Singular Spectrum Analysis (SSA) voor datadecompositie, een met backpropagation getraind multilayer perceptron (MLP-BP) voor componentmodellering en het Sparrow Search Algorithm (SpSA) voor parameteroptimalisatie integreert, waarmee een superieure nauwkeurigheid wordt aangetoond bij het voorspellen van de passagierverkeer in de Chinese civiele luchtvaart vergeleken met conventionele methoden.

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

Gepubliceerd 2026-07-07

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert te voorspellen hoeveel mensen er volgende maand met het vliegtuig zullen vliegen. Het is een beetje alsof je probeert te raden hoeveel mensen er op een feestje zullen verschijnen wanneer het weer onvoorspelbaar is, de economie verschuift en ieders plannen veranderen. Als luchtvaartmaatschappijen het fout hebben, verspillen ze ofwel geld door lege vliegtuigen te laten vliegen, of ze verliezen geld door mensen te weigeren.

Dit artikel introduceert een nieuwe "super-voorspeller"-tool die ontworpen is om dit gokspel voor de Chinese burgerluchtvaart op te lossen. De auteurs noemen het een hybride model, wat gewoon een chique manier is om te zeggen dat ze drie verschillende hulpmiddelen hebben gecombineerd tot één superteam om het best mogm antwoord te krijgen.

Zo werkt hun "superteam", eenvoudig uitgelegd:

1. De Noise-Canceling Koptelefoon (SSA)

Eerst kijkt het team naar de ruwe data (de historische passagiersaantallen). Deze data is rommelig. Het bevat het grote plaatje (meer mensen die elk jaar vliegen), de herhalende patronen (meer mensen die in de zomer en tijdens het Spring Festival vliegen) en een hoop "ruis" of "static" (willekeurige pieken veroorzaakt door eenmalige gebeurtenissen of vreemde boekingsfoutjes).

Het eerste hulpmiddel, Singular Spectrum Analysis (SSA), werkt als een paar high-tech noise-canceling koptelefoons. Het neemt die rommelige, luide data en splitst het op in drie duidelijke sporen:

De Trend: De langzame, gestage groei van de sector.
Het Seizoen: De voorspelbare bulten en dalen (zoals zomervakanties).
De Ruis: De willekeurige statische ruis die er niet toe doet voor de langetermijnplanning.

Door de data eerst op te schonen, maakt het team het veel gemakkelijker om te zien wat er werkelijk aan de hand is.

2. De Slimme Student (MLP-BP)

Zodra de data schoon is, voeren ze deze in een Multilayer Perceptron (MLP) die getraind is met een Backpropagation (BP) algoritme. Denk aan dit als een zeer slimme student die probeert een patroon te leren.

De Student: Dit neurale netwerk kijkt naar de opgeschoonde trend- en seizoensdata en probeert de regels van het spel te begrijpen. "Als het juli is en de economie is goed, hoeveel mensen vliegen er dan?"
Het Probleem: Meestal loopt deze student vast. Ze kunnen het verkeerde antwoord uit het hoofd leren omdat ze met een slechte gok begonnen (willekeurige startgewichten) of ze raken vast in een "lokaal optimum"—wat betekent dat een student denkt dat hij het beste antwoord heeft gevonden, terwijl hij eigenlijk gewoon in een klein dal zit terwijl de echte bergtop vlak naast hem ligt.

3. De Scoutleider (Sparrow Search Algorithm)

Dit is waar het derde hulpmiddel, het Sparrow Search Algorithm (SpSA), in beeld komt. Stel je een zwerm mussen voor die op zoek is naar de beste plek om te landen.

Sommige mussen zijn "ontdekkers" (leiders) die nieuwe gebieden verkennen.
Anderen zijn "volgers" die de leiders observeren.
Een paar zijn "scouts" (sentinels) die op de uitkijk staan voor gevaar.

In dit model zijn de "mussen" eigenlijk op zoek naar de perfecte instellingen voor de "student" (het neurale netwerk). In plaats van dat de student willekeurig gokt, vliegt het Sparrow-algoritme door het hele landschap om het absolute beste startpunt te vinden. Dit zorgt ervoor dat de student niet in een klein dal blijft steken, maar de hoogste bergtop vindt (de meest nauwkeurige voorspelling).

Het Resultaat: Een Perfecte Samenwerking

Wanneer ze deze drie tools samenbrengen (SSA + MLP-BP + SpSA), waren de resultaten indrukwekkend.

De Score: Het model behaalde een score van 0,987 (op een schaal van 1,0), wat gelijk staat aan een A+ halen voor een zeer moeilijke toets.
De Vergelijking: Wanneer ze dit testten tegenover andere methoden (zoals alleen de "student" gebruiken, of alleen de data opschonen zonder de "scoutleider"), was het hybride model superieur. De andere modellen maakten grote fouten, waarbij ze soms enorme marges fout voorspelden, terwijl het nieuwe model stabiel bleef, zelfs wanneer de markt chaotisch was.

Waarom dit belangrijk is voor luchtvaartmaatschappijen

Het artikel legt uit dat dit niet alleen over wiskunde gaat; het gaat over echt geld en veiligheid.

Geen Lege Stoelen Meer: Als het model accuraat voorspelt, kunnen luchtvaartmaatschappijen het juiste aantal vliegtuigen op de juiste routes inzetten. Ze verspillen geen brandstof aan het vliegen met halflege vliegtuigen.
Geen Overbezetting Meer: Ze zullen geen tevreden klanten weigeren omdat ze de vraag onderschat hebben.
Omgaan met de Chaos: Het model is bijzonder goed in het afhandelen van de "post-pandemische" chaos, waarbij de vraag wild op en neer sprong. Het kan het verschil herkennen tussen een tijdelijke uitschieter en een echte langetermijntrend.

Kortom, de auteurs hebben een systeem gebouwd dat de data opschoont, de patronen leert en de instellingen dubbelcheckt om luchtvaartmaatschappijen een kristalhelder zicht op de toekomst te geven, waardoor ze slimmere, goedkopere en efficiëntere beslissingen kunnen nemen.

Technische Samenvatting: Voorspelling van Passagierverkeer in de Civiele Luchtvaart met behulp van een Hybride SSA en Sparrow-Search-Geoptimaliseerd MLP-BP Model

1. Probleemstelling

Nauwkeurige voorspelling van het passagierverkeer in de civiele luchtvaart is cruciaal voor de bedrijfsvoering van luchtvaartmaatschappijen, routeplanning en capaciteitsallocatie. De vraagfluctuaties na de pandemie hebben echter aanzienlijke uitdagingen geïntroduceerd, gekenmerkt door hoge volatiliteit, niet-stationariteit, seizoensgebondenheid en nonlineariteit. Traditionele statistische methoden (bijv. ARIMA) hebben moeite met nietlineaire data, terwijl standaard neurale netwerken (bijv. MLP-BP) vaak kampen met problemen rondom willekeurige initialisatie, trage convergentie en de neiging om vast te komen zitten in lokale optima. Deze beperkingen leiden tot voorspellingsfouten die resulteren in ofwel verspilde capaciteit (overschatting) of gemiste inkomstenkansen (onderschatting), met potentiële economische gevolgen die variëren van miljoenen dollars aan operationele kosten tot verstoringen in de dienstverlening. Bestaande hybride modellen falen vaak in het bereiken van globale optimalisatie of het effectief extraheren van multi-schaal kenmerken uit niet-stationaire tijdreeksen.

2. Methodologie

De studie stelt een hybride voorspellingsframework voor, SSA-MLP-BP-SpSA, dat drie kerncomponenten integreert: Singular Spectrum Analysis (SSA), een Multilayer Perceptron getraind door Backpropagation (MLP-BP), en het Sparrow Search Algorithm (SpSA).

2.1 Datapreprocessing: Singular Spectrum Analysis (SSA)

SSA wordt ingezet om de oorspronkelijke niet-stationaire tijdreeks te decomponeren in interpreteerbare componenten, waarbij het signaal effectief van de ruis wordt gescheiden. Het proces omvat vier stappen:

Embedding: Het inbedden van de oorspronkelijke tijdreeks in een trajectmatrix.
Decompositie: Het uitvoeren van Singular Value Decomposition (SVD) op de trajectmatrix.
Groepering: Het groeperen van de resulterende elementaire matrices in disjuncte subcollecties om specifieke kenmerken te isoleren.
Reconstructie: Het gebruik van diagonale middeling om de tijdreeks te reconstrueren in afzonderlijke componenten:
- Trendcomponent (IMF4): Weerspiegelt langetermijngroei en vlootplanningcycli.
- Seizoenscomponenten (IMF2, IMF3): Vangen periodieke pieken op, zoals het Chinees Nieuwjaar en de zomervakantieperiodes.
- Ruis/Hoogfrequente componenten (IMF1, Residue): Vertegenwoordigen onregelmatige fluctuaties en willekeurige verstoringen.

2.2 Voorspellingsmodel: MLP-BP

Een Multilayer Perceptron (MLP) met een feedforward-architectuur wordt gebruikt om de gedecodeerde componenten te modelleren. De netwerkstructuur bestaat uit een inputlaag, twee verborgen lagen (respectievelijk 16 en 32 neuronen) en een outputlaag.

Activatie: De ReLU-functie wordt gebruikt in de verborgen lagen om het probleem van verdwijnende gradiënten (gradient vanishing) te verzachten.
Training: Het Backpropagation (BP) algoritme wordt gebruikt voor fout-terugpropagatie en gewichtsaanpassingen.
Optimalisatie: De Adam-optimizer wordt gebruikt voor iteratieve parameterupdates.

2.3 Parameteroptimalisatie: Sparrow Search Algorithm (SpSA)

Om de beperkingen van standaard BP-training (lokale optima en instabiliteit) aan te pakken, wordt de SpSA geïntroduceerd om de initiële gewichten en biases van het MLP-BP-netwerk globaal te optimaliseren.

Mechanisme: Het algoritme simuleert het foerageergedrag van mussen met een populatie van "ontdekkers" (die de zoektocht leiden), "volgers" (die de ontdekkers volgen) en "wachters" (verkennings-/waarschuwingsfunctie).
Fitnessfunctie: De Root Mean Square Error (RMSE) of Mean Absolute Error (MAE) van het netwerk dient als de fitnessfunctie die geminimaliseerd moet worden.
Proces: SpSA werkt de posities van de mussen (netwerkparameters) iteratief bij op basis van fitnesswaarden totdat convergentie optreedt, waardoor wordt gegarandeerd dat de MLP-BP training start vanuit een globaal geoptimaliseerde staat.

2.4 Totaaloverzicht van het Framework

De workflow van de modellering verloopt als volgt:

Standaardiseren en normaliseren van de ruwe maandelijkse passagiersgegevens (2005–2024).
Decomponeren van de data met behulp van SSA in trend-, seizoens- en ruiscomponenten.
Trainen van afzonderlijke MLP-BP modellen voor elke gedecodeerde component.
Optimaliseren van de MLP-BP parameters met behulp van SpSA.
Reconstrueren van de uiteindelijke voorspelling door de voorspellingen van alle componenten te integreren.
Prestaties evalueren met behulp van $R^2$ , MAE en RMSE.

3. Belangrijkste Bijdragen

Ontwikkeling van een Hybride Framework: Een verenigd framework dat tijdreeksdecompositie, nietlineair leren en intelligente optimalisatie combineert, specifiek ontwikkeld voor de volatiele, seizoensgebonden en post-pandemische onzekere aard van de civiele luchtvaart.
Interpreteerbaarheid via SSA: De introductie van SSA maakt de extractie van onderscheidende trend-, seizoens- en onregelmatige componenten mogelijk. Dit verbetert de interpreteerbaarheid van het voorspellingsproces door specifieke modeloutputs te koppelen aan operationele beslissingen zoals vlootplanning (trend) en piekplanning (seizoensgebondenheid).
Globale Optimalisatie: Het gebruik van SpSA om de MLP-BP parameters te optimaliseren vermindert het risico op lokale optima en verbetert de modelstabiliteit onder zeer fluctuerende vraagomstandigheden.
Empirische Validatie: Het model wordt gevalideerd met maandelijkse passagiersgegevens uit China (2005–2024), wat de praktische waarde aantoont voor capaciteitsplanning en operationeel management.

4. Resultaten

De studie maakte gebruik van maandelijkse passagiersgegevens van de Civil Aviation Administration of China (CAAC) van 2005 tot 2024, waarbij de data werd gesplitst in een trainingsset van 80% en een testset van 20%.

Prestatie-indicatoren: Het voorgestelde SSA-MLP-BP-SpSA model behaalde een $R^2$ van 0,987 en een RMSE van 179,71 op de testset.
Vergelijkende Analyse:
- Vs. Enkele Modellen: Het hybride model presteerde aanzienlijk beter dan het standalone MLP-BP model (dat een $R^2$ van 0,628 en een RMSE van 3206,193 had).
- Vs. Partiële Hybriden: Het overtrof modellen die alleen decompositie gebruikten (SSA-MLP-BP, $R^2$ 0,761) of alleen optimalisatie (MLP-BP-SpSA, $R^2$ 0,832).
- Vs. Andere Neurale Netwerken: In vergelijkingen met SSA-gepreprocesste BiLSTM, GRU en LSTM modellen, vertoonde het SSA-MLP-BP-SpSA model superieure nauwkeurigheid en stabiliteit, met name tijdens kritieke marktinflexiepunten en perioden van scherpe fluctuaties.
Foutverdeling: Het model vertoonde een smalle 95%-betrouwbaarheidsinterval en geconcentreerde residuen in het lage waardenbereik, wat wijst op een hoge statistische stabiliteit en effectieve foutcontrole.
Kantelpunten: Het model legde succesvol belangrijke kantelpunten vast, zoals snelle groeifases en seizoenspieken, met minimale afwijking ten opzien van de werkelijke waarden.

5. Betekenis en Claims

De auteurs stellen dat de voorgestelde aanpak betrouwbare ondersteuning biedt voor de voorspelling van de vraag in de civiele luchtvaart, waarbij de specifieke uitdagingen van niet-stationariteit en nonlineariteit in het post-pandemische tijdperk worden aangepakt.

Ondersteuning voor Operationele Besluitvorming: Het model is gepositioneerd als een instrument om luchtvaartmaatschappijen en luchthavenexploitanten te assisteren bij:
- Korte termijn: Het aanpassen van capaciteit en het plannen van vluchten tijdens piekperioden (bijv. Chinees Nieuwjaar, zomervakantie) om verspilling van middelen te verminderen.
- Middellange tot lange termijn: Het informeren van vlootplanning en de uitbreiding van luchthaveninfrastructuur op basis van nauwkeurige trendidentificatie.
Economische Impact: De studie suggereert dat het verminderen van voorspellingsfouten (bijv. van ~15-20% in traditionele modellen naar <1,2% in het voorgestelde model) luchtvaartmaatschappijen jaarlijks miljoenen dollars kan besparen door de optimalisatie van brandstofinkoop, crewplanning en voorraadbeheer, terwijl tegelijkertijd de bezettingsgraden van vluchten en de klanttevredenheid worden verbeterd.
Beperkingen: De auteurs erkennen dat het model een hoge computationele complexiteit heeft, wat de toepassing in hoogfrequente realtime scenario's beperkt. Ze merken ook op dat de huidige studie gebruikmaakt van geaggregeerde maandelijkse gegevens en niet expliciet exogene variabelen (bijv. macro-economische indicatoren, beleidswijzigingen) of heterogeniteit op routeniveau meeneemt. Toekomstig werk wordt voorgesteld te fociteren op parallel computing, adaptieve updatemechanismen en de integratie van multi-bron data.