Автореферат магистерской работы

Тема: "Разработка системы поддержки принятия решений управления пассажирскими авиаперевозками в условиях авиакомпании ДонбассАэро"

1. Введение
2. Цель и задачи работы
3. Практическая и научная значимость работы, результаты
4. Теоретический анализ
1. Основы формирования пассажиропотока
2. Обзор современных систем прогнозирования пассажирских авиаперевозок
3. Особенности применения пакетов общего назначения при прогнозировании пассажирских перевозок
4. Методы прогнозирования
5. Прогнозирование на основе аппарата нейронных сетей
5. Ожидаемые результаты и степень их новизны
6. Литература

1.Введение

Ключевая задача аналитического отдела современной авиакомпании состоит в предварительной оценке и дальнейшем качественном прогнозе объема собственных перевозок и перевозок конкурентов. Заранее спланированное число авиарейсов позволяет рационально распределить ресурсы компании, не задевая при этом интересов пассажира. Подобная политика приводит к исключению неприбыльных "холостых" рейсов и к повышению рейтинга компании благодаря полному соответствию потребностям клиентов.

Прогнозирование объема перевозок – неотъемлемая часть процесса принятия решений; это систематическая проверка ресурсов компании, позволяющая более полно использовать ее преимущества и своевременно выявлять потенциальные угрозы. Компания должна постоянно следить за динамикой объема перевозок и альтернативными возможностями развития ситуации рынка авиаперевозок с тем, чтобы наилучшим образом распределять имеющиеся ресурсы и выбирать наиболее целесообразные направления своей деятельности.

В отличие от предприятий, для которых величину конечного продукта можно определить, исходя из наличия сырья и материалов, а также норм расхода этих материалов при производстве конкретных изделий, в любой авиакомпании этот процесс несколько затруднен из-за присутствия субъективного фактора – желания пассажира воспользоваться услугами именно авиакомпании (а не каким-либо другим видом транспорта). Кроме того, на рынке авиаперевозок имеется огромное число авиакомпаний, и за пассажиром остается право выбора. Поэтому для определения объема конечного продукта – пассажиропотока авиакомпании – строится прогноз на будущие периоды.

Прогнозы могут быть краткосрочными, среднесрочными и долгосрочными. В настоящее время нет единства в понимании временных границ прогнозирования. Наиболее распространено следующее представление о сроках прогнозов: краткосрочные – до года, среднесрочные – 3-5 лет, долгосрочные – до 10 лет.

Прогнозирование объемов пассажирских перевозок (как долгосрочное, так и краткосрочное) является для современной авиакомпании одним из аспектов управленческой деятельности. При долгосрочном прогнозировании учитываются тенденции мирового рынка авиаперевозок, которые находят отражение в увеличении или уменьшении частот рейсов на различных направлениях при составлении расписания полетов. Краткосрочное прогнозирование позволяет оперативно отреагировать на изменение ситуации на рынке авиаперевозок и выстроить стратегию авиакомпании, исходя из предполагаемого объема пассажиропотока (например, изменить степень «агрессивности» бронирования, подготовить и провести специальные акции по привлечению пассажиров и т.д.).

Прогнозирование объемов пассажирских перевозок может производиться по различным уровням агрегации данных: как на уровне авиакомпании в целом, так и на уровне отдельных регионов, рейсов и направлений.

Задача прогнозирования объёмов пассажирских перевозок является основой для решения многих задач оптимизации воздушно-транспортной системы по критериям, непосредственно связанным с показателем рентабельности (доходы, затраты, прибыль), поскольку оптимальность планов, получаемых при решении этих задач, зависит прежде всего от точности прогнозов.

Главной задачей данной работы является разработка системы поддержки принятия решений управления авиаперевозками, которая на основе анализа статистических данных о пассажирских перевозках авиакомпании позволит делать прогнозы по размеру пассажиропотока, выручке и рентабельности. Таким образом, эта система даст возможность руководству авиакомпании принимать решения относительно количества осуществляемых авиарейсов, запросов в транспорте, цен билетов и т.д.

2.Цель и задачи работы

Цель: разработка компьютерной подсистемы поддержки принятия решений, обеспечивающей принятие руководством предприятия эффективных решений по организации и управлению пассажирскими авиаперевозками.

Задачи:

Теоретические исследования:

Экспериментальные исследования:

3. Практическая и научная значимость работы, результаты:

4.Теоретический анализ.

4.1 Основы формирования пассажиропотока

Общий объем перевозок воздушного транспорта формиру­ется из отдельных пассажиропотоков между корреспондирую­щими пунктами в прямом и обратном направлениях. Объем перевозок за определенный период времени и дальность транс­портировки определяют важнейший показатель — пассажирооборот.

В совокупности такие характеристики пассажиропотоков, как объем, направление (дальность), регулярность и сезон­ность, определяют потребность в технических средствах воздуш­ного транспорта (СВП, мощностях аэропортов и др.). Поэтому научное обоснование объемов пассажирских перевозок и их важнейших характеристик — первостепенная задача в гражданской авиации.

Выявить влияние многочисленных факторов на пассажиро­потоки и учесть транспортные потребности каждого отдельного пассажира практически невозможно из-за огромного масштаба такой работы. Поэтому прибегают к установлению определяю­щих интегральных факторов, которые могут служить основой для прогнозирования спроса населения на перевозки.

Исходными пассажирообразующими факторами являются численность населения и его потребности в пространственном перемещении (потенциальный фактор). Потенциальные потреб­ности в поездках определяются целями (личными или государ­ственными), балансом свободного времени, наличием денежных средств и другими факторами, не поддающимися в чистом виде прогнозированию.

В современных условиях при обосновании объемов пасса­жирских перевозок применяются два вида прогноза: прогноз спроса на авиаперевозки и прогноз возможных объемов пере­возок (пассажирооборота), полученный на основе данных о фак­тически реализованном спросе. Разность между этими величи­нами составляет объем неудовлетворенного спроса. В практике планирования авиаперевозок в большинстве случаев ориентиру­ются на данные о фактически выполненных перевозках. Даль­нейшее совершенствование методов прогнозирования пассажир­ских перевозок направлено на выявление неудовлетворенного спроса, а планирование — на его удовлетворение в экономиче­ски оправданных размерах.

Следует различать спрос фактически реализованный, пол­ностью или частично удовлетворенный и неудовлетворенный. Спрос считается полностью удовлетворенным, если требования пассажира реализованы по всем аспектам: времени и дате вы­лета, типу ЛА, маршруту полета. Часть населения приобретает билеты на рейсы, дата или время вылета, а иногда и маршрут полета которых не совсем соответствуют их первоначальным требованиям. При таких вариантах полета спрос считается ча­стично удовлетворенным. Неудовлетворенным считается спрос, который из-за ограниченных возможностей предложения (от­сутствия рейсов или мест на них) не может быть в настоящее время удовлетворен.

Несоответствие спроса и предложения приводит и к экономическим потерям. Превышение уровня спроса над уровнем предложения приводит к снижению подвижности населения, увеличению непроизводительных потерь общественного време­ни, нарушает производственные связи между различными районами страны. Эти факторы оказывают отрицательное влия­ние на развитие народного хозяйства, но оценить эти потери сложно.

Превышение уровня предложения над уровнем спроса ве­дет к недоиспользованию провозной мощности — пустым крес­лам, т. е. вполне реальному и легко учитываемому показате­лю, ухудшающему производственные показатели предприятий.

Для составления расписания каждое предприятие должно располагать данными о потенциальных объемах спроса в це­лом и о фактических по отдельным направлениям. Планируя рост отправок, необходимо учитывать степень удовлетворенно­сти спроса населения обслуживаемого района в услугах воз­душного транспорта. В зависимости от социально-экономиче­ских и географических условий емкость рынка транспортных услуг для каждого предприятия различна. Там, где уровень предложения ближе к насыщению рынка, темпы прироста должны быть ниже, чем для развивающегося рынка. В зави­симости от степени удовлетворенности рынка транспортных услуг должны использоваться различные методы привлечения дополнительного числа пассажиров.

В настоящее время обрабатываются данные только о ре­ализованном спросе — фактических отправках, и то могут быть проанализированы ежемесячные сведения о них. Получе­ние более оперативных данных затруднено сложностью ручной обработки больших объемов перевозочной документации.

Механизация и автоматизация учетно-статистических работ на предприятиях позволяет значительно ускорить процесс об­работки данных и с небольшим опозданием произвести анализ распределения пассажирских отправок по дате вылета и на­правлениям, сравнить их объемы с числом предлагаемых кре­сел на рейсах, изучить динамику процесса для оперативного управления производственными ресурсами и расписанием.

В зарубежных авиакомпаниях считается, что если загрузка рейса свыше 60%, то при этом уже существует неудовлетво­ренный спрос. Чем выше процент занятости кресел на рей­сах, тем большее число потенциальных пассажиров получило отказ. В различных направлениях и для различных рейсов процент занятости кресел не одинаков в одно и то же время, так что установить определенную зависимость неудовлетворен­ного спроса от процента занятости кресел не представляется возможным. Тем не менее, эта зависимость существует и на практике пользуются показателем процента занятости кресел для обоснования необходимости увеличения (уменьшения) объемов предложения.

4.2 Обзор современных систем прогнозирования пассажирских авиаперевозок

В настоящее время прогнозирование авиаперевозок в авиакомпаниях выполняется с помощью статистических пакетов общего назначения.

На рынке присутствуют следующие наиболее известные программные cредства для прогнозирования: STATISTICA, STATGRAPHICS, SPSS, Forecast Expert, STADIA, MetaStock, Statistica Neural Networks, Neuro Shell, Poly Analyst, Matlab & simulink, Forecast PRO и др.

4.3 Особенности применения пакетов общего назначения при прогнозировании пассажирских перевозок

Часть описанных выше программ предлагает общие методики, которые носят либо профессионально - энциклопедичный, либо обучающий характер Кроме того, пакеты не содержат новых разработок в области прикладной статистики. Программы предлагают пользователям самим конструировать алгоритмы прогнозирования, что требует глубоких теоретических знаний. При этом для авторегрессионного анализа временных рядов не гарантируют желательных статистических свойств получаемых оценок, а именно:

· состоятельности
· несмещенности
· эффективности
· достижения границы Рао - Крамера

Нейропакеты требуют тщательной настройки на конкретную задачу, что под силу лишь специалисту в этой области. Для задач прогнозирования во многих случаях предлагается прогноз всего на несколько шагов вперед. К тому же возникают проблемы взаимодействия пакетов прогнозирования с базами данных авиакомпании содержащих необходимые для анализа и прогнозирования сведения.

Многие алгоритмы используют для построения прогнозов предварительные оценки автокорреляционной функции, что само по себе представляет достаточно сложную задачу, учитывая необходимость выбора порядка модели и работы на коротких выборках, в ситуациях, когда нет уверенности в выполнении условий стационарности. Все это вносит методические ошибки в алгоритмы и, кроме того, нарушает режим on-line.
Cмешанные модели авторегрессии-скользящего среднего АРСС (ARMA) - модели во многих ситуациях имеют трудности с решением задач устойчивости, выбора порядков авторегрессии и скользящего среднего, что также приводит к дополнительным сложностям и методическим ошибкам.

Пакеты технического анализа не конкурируют со статистическими программами, поскольку представляют собой специфические методики изучения и интерпретации графиков, традиционно используемые на фондовом рынке и рынке FOREX.

Методы технического анализа широко доступны, но в основном не предлагают численных значений прогноза, только обозначая возможность появления повышательного, бокового или понижательного тренда.

Многие системы и программы прогноза носят узкоспециализированный характер, например, на выделение сезонных колебаний.

4.4 Методы прогнозирования

В настоящее время имеется большое количество методов прогнозирования авиаперевозок. Метод прогнозирования – совокупность представлений и практических действий, направленных на разработку прогнозов. Используемые в прогнозировании методы можно классифицировать таким образом: методы экспертных оценок; методы анализа и прогнозирования временных рядов; причинно-следственные методы.

Методы анализа и прогнозирования временных рядов в свою очередь включает методы прогнозирования по одному временному ряду и многофакторное прогнозирование.

Особое место при прогнозировании занимает нейросетевое моделирование. В последние годы оно находит более широкое применение.

В мировой и отечественной практике существуют модели, применяемые для прогнозирования пассажиропотока авиакомпаний, основанные, как правило, на регрессионном анализе ретроспективных динамик пассажиропотока и набора показателей макроэкономики. Однако, степень применимости таких моделей для украинского рынка оказалась ограниченной как в силу отсутствия необходимого объема статистических данных, так и долгого периода стабилизации рынка авиауслуг в Украине.

Самым простым способом прогнозирования обьема перевозок является экстраполяция, т.е. распространение тенденций, сложившихся в прошлом, на будущее. Сложившиеся объективные тенденции в известной степени предопределяют их величину в будущем. К тому же многие рыночные процессы обладают некоторой инерционностью. Особенно это проявляется в краткосрочном прогнозировании. В то же время прогноз на отдаленный период должен максимально принимать во внимание вероятность изменения условий, в которых будет функционировать авиакомпания.

Методы прогнозирования объема перевозок можно разделить на три основные группы:

Методы экспертных оценок основываются на субъективной оценке текущего момента и перспектив развития. Эти методы целесообразно использовать для конъюнктурных оценок, особенно в случаях, когда невозможно получить непосредственную информацию о каком-либо явлении или процессе.

Вторая и третья группы методов основаны на анализе количественных показателей, но они существенно отличаются друг от друга.

Методы анализа и прогнозирования динамических рядов связаны с исследованием изолированных друг от друга показателей, каждый из которых состоит из двух элементов: из прогноза детерминированной компоненты и прогноза случайной компоненты. Разработка первого прогноза не представляет больших трудностей, если определена основная тенденция развития и возможна ее дальнейшая экстраполяция. Прогноз случайной компоненты сложнее, так как ее появление можно оценить лишь с некоторой вероятностью.

Основой прогнозирования при использовании временных рядов является метод перспективной экстраполяции, которую, однако, надо рассматривать только как начальную стадию построения окончательных прогнозов, т.к. чисто механическое использование экстраполяции может стать причиной значительных ошибок и неправильных выводов.

Применение метода экстраполяции для прогнозирования предполагает, что закономерность, действующая в прошлом, сохранится и в прогнозируемом периоде, но при этом ожидается, что общая тенденция развития перевозок в авиакомпании не должна претерпевать серьезных изменений в будущем (например, параметры расписания должны оставаться относительно стабильными), т.к. теоретической основой распространения тенденции на будущее является свойство инерционности, которое позволяет выявлять сложившиеся взаимосвязи между уровнями временного ряда. Но это справедливо только при построении краткосрочных прогнозов, поскольку за короткий период условия развития явления и характер его динамики не успевают сильно измениться. При долгосрочных прогнозах динамичность процессов вступает в противоречие с инерционностью их развития, поэтому в этих случаях метода экстраполяции недостаточно.

В основе казуальных методов лежит попытка найти факторы, определяющие поведение прогнозируемого показателя. Поиск этих факторов приводит собственно к экономико-математическому моделированию – построению модели поведения экономического объекта, учитывающей развитие взаимосвязанных явлений и процессов. Следует отметить, что применение многофакторного прогнозирования требует решения сложной проблемы выбора факторов, которая не может быть решена чисто статистическим путем, а связана с необходимостью глубокого изучения экономического содержания рассматриваемого явления или процесса.

Казуальные методы прогнозирования объема перевозок включают разработку и использование прогнозных моделей, в которых изменения в уровне перевозок являются результатом изменения одной и более переменных.

Казуальные методы прогнозирования требуют определения факторных признаков, оценки их изменений и установления зависимости между ними и объемом перевозок. Из всех казуальных методов прогнозирования рассмотрим только те, которые с наибольшим эффектом могут быть использованы для прогнозирования объема перевозок. К таким методам относятся:

К числу наиболее широко используемых казуальных методов относится корреляционно-регрессионный анализ. Техника этого анализа достаточно подробно рассмотрена во всех статистических справочниках и учебниках. Рассмотрим лишь возможности этого метода применительно к прогнозированию объема перевозок.

Может быть построена регрессионная модель, в которой в качестве факторных признаков могут быть выбраны такие переменные, как уровень доходов потребителей, цены конкурентов, расходы на рекламу и др. Уравнение множественной регрессии имеет вид:

где Y – прогнозируемый (результативный) показатель; в данном случае – объем перевозок; X_n - факторы (независимые переменные); в данном случае – уровень доходов потребителей, цены на продукты конкурентов и т.д.;
n – количество независимых переменных;
b₀ – свободный член уравнения регрессии;
b_n – коэффициенты регрессии, измеряющие отклонение результативного признака от его средней величины при отклонении факторного признака на единицу его измерения.

Каждая из рассмотренных групп методов обладает определенными достоинствами и недостатками. Их применение более эффективно в краткосрочном прогнозировании, так как они в определенной мере упрощают реальные процессы и не выходят за рамки представлений сегодняшнего дня. Следует обеспечивать одновременное использование количественных и качественных методов прогнозирования.

4.5 Прогнозирование на основе аппарата нейронных сетей

В последнее время при прогнозировании все больше внимания уделяется нетрадиционным методам. Это связано с появлением новых способов обработки информации. Среди них в первую очередь надо отметить нейронные сети. Отличительная черта этих методов заключается в отсутствии жестких предпосылок их применения и возможности использования в условиях нестабильных экономических ситуаций.

Перспективным направлением прогнозирования в индустрии авиаперевозок выступает применение нейронных сетей.

Преимущества нейросетевых технологий таковы:

1) возможность решения практически любой задачи;

2) задачи могут быть плохо формализованы, иметь зашумленные и неверные входные данные;

3) отсутствие всяких требований к форме распределения данных;

4) возможность комбинирования сетей;

5) сочетание способности компьютера к обработке чисел и способности мозга к обобщению и распознаванию.

По структуре связей сети делятся на два больших класса: однослойные и многослойные. К однослойным относятся модель Хопфилда и последующие разработки, некоторые типы модели нейронной сети, известной под названием "машина Больцмана". Многослойная сеть имеет входной, выходной и скрытые слои, на входной подается информация, с выходного снимается ответ, скрытые слои участвуют в обработке.

Существует большое количество сетей. К основным видам относятся:

1. Многослойный персептрон. В настоящее время сети многослойного персептрона ( MLP ) являются самыми широко используемыми. В них применяются линейная пост-синаптическая функция и нелинейная функция активации. Количество слоев и нейронов в каждом слое – неограничено. Применение в выходном слое MLP линейной функции активации позволяет проводить экстраполяцию данных, т. е. строить прогнозы. Сеть MLP можно обучать многими методами. Самым известным является метод обратного распространения, разработка которого свершила прорыв в технологии нейронных сетей. К сожалению, обратное распространение – самый медленный метод, застревающий в локальных минимумах, требующий установки множества параметров обучения.

2. Сети радиальной базисной функции. Сеть радиальной базисной функции (RBF) имеет только один скрытый слой, в котором используются радиальные элементы. Обучение происходит в три этапа: размещение центров, определение отклонений и линейная оптимизация выходного слоя. Сеть RBF обучается быстро, не проявляет склонности к необоснованной экстраполяции.

3. Сети Кохонена. Пожалуй, самый оригинальный вид сети. Они не имеют четко выраженного выходного слоя. Данные со входного слоя подаются на так называемую карту Кохонена, которая представляет собой, как правило, двумерную матрицу нейронов. Эта сеть использует неконтролируемое обучение, что позволяет: искать зависимости в новых данных (т. е. тех, у которых не известен заранее результирующий показатель) – проводить разведочный анализ данных; классифицировать данные без классификатора; решать задачу близости классов.

4. Линейные сети имеют два слоя – входной и выходной, обучаются мгновенно.

5. Байесовские сети. Вид сети, используемый только для классификации.

6. Регрессионные сети обучаются довольно быстро, но имеют большой размер.

7. Большой набор сетей, применимых только в отдельных задачах, но все-таки являющихся определенным этапом в процессе развития нейросетевых технологий: Adaline, Boltzmann, Brain-State-In-a-State, изучение категорий, Hopfield, Madaline, SPR.

Обучение сетей – один из главных этапов разработки нейросетевой модели. Существует большое количество методов обучения: обратное распространение; спуск по сопряженным градиентам, метод Levenberg-Marquardt, быстрое распространение, Delta-Bar-Delta, алгоритм Кохонена, обучение RBF (несколько способов для каждого из трех шагов), методы обучения вероятностных, регрессионных сетей. Применение того или иного вида обучения связано в первую очередь с видом используемой сети, а кроме того, и с удобством использования. Некоторые алгоритмы обучения требуют установки множества параметров и процедура обучения сети может затянуться надолго. Современные методы обучения, как например, сопряженные градиенты, обеспечивают быстрое обучение без утомительной настройки.

5. Ожидаемые результаты и степень их новизны

Разрабатываемая система позволит решить задачу управления пассажирскими авиаперевозками авиакомпании, основываясь на прогнозировании объемов перевозок с помощью аппарата нейронных сетей. Прогнозирование - это ключевой момент при принятии решений в управлении авиаперевозками авиакомпании. Система поддержки принятия решений управления авиаперевозками сможет не только спрогнозировать ожидаемый пассажиропоток но и определить предполагаемую рентабельность авиарейсов, ожидаемый экономический эффект от уменьшения или увеличения их количества, а также определить наиболее оптимальные варианты управления авиаперевозками. На основе полученной прогностической информации руководство авиакомпании сможет наиболее эффективно использовать ресурсы компании, не задевая при этом интересов пассажира.

6. Литература

в начало