基于SSOOMM的我国民用机场分类研究

杨 柳 白 钊 张 婷

中国民航飞行学院，机场工程与运输管理学院，广汉，618307

0 引 言

机场作为航空运输网络的重要组成部分，在航空运输中扮演的角色越来越重要。研究我国机场分类不仅可以为我国机场布局和规划提供依据，简化政府对机场发展的具体政策，同时也可以为机场自身建设发展提供根据。吴琪[1]等人也为我国的机场发展进行了定位，客观说明了准确定位机场的重要性。

目前的机场分类主要有以下几种：

（1）依据旅客吞吐量对机场分类。例如，美国FAA按照旅客吞吐量占当年旅客运输量的比例将机场分为四类：大型枢纽机场、中型枢纽机场、小型枢纽机场和非枢纽机场。

（2）依据机场重要程度和地理位置对机场分类。例如，加拿大将机场分为：国家机场系统、地方机场、小型机场和北极圈机场。

（3）依据机场的类型对机场分类。例如，巴西将机场分为：民用机场、军用机场、特殊机场和临时机场。

我国目前的机场分类主要还是依据旅客吞吐量，方法比较单一简单，往往带有较强的主观性和任意性，并且分类所得的同类型机场共性较少，使得对比分析比较模糊粗略。为了避免这些缺陷，机场分类还需要考虑更多的影响因素，并且要采用科学客观的分类方法，这样才能使同类机场之间有更多的相似性，机场发展战略及政府政策才能更好地具有一般性。因此，本文选取众多可能影响机场分类的因素，应用神经网络等技术将我国机场进行细分，并比较所分各类机场之间的特点。

1 自变量及分类方法选择

董志毅[2]等人在机场分类问题中提出可能影响机场分类的影响因素有：（1）机场运营指标：旅客吞吐量、货邮吞吐量、航线条数、起降次数；（2）机场所在城市宏观经济指标：GDP、职工平均工资、接待入境人数、外国直接投资、就业人数、总人口数、第三产业占 GDP比重、城市综合能力；（3）综合交通指标：铁路客运量、公路客运量；（4）机场自身指标：航站楼面积、旅客吞吐量增长率16个因素。他所选的16个影响因素不光考虑了机场本身，还考虑了影响机场发展的外部因素，比较全面可靠，但由于数据的可得性以及指标的模糊性，本文借鉴其所选择的15个影响因素，即旅客吞吐量、货邮吞吐量、航线条数、起降次数、GDP、职工平均工资、接待入境人数、外国直接投资、就业人数、总人口数、第三产业占GDP比重、铁路客运量、公路客运量、航站楼面积、旅客吞吐量增长率。

收集2012年我国通航的177个机场的数据可以看出，自变量之间并非相互独立，而是存在着较强的相关性，因此在使用一般方法分类时，比如模糊聚类[3]，必须先要筛选自变量。筛选自变量的方法有主成分分析法、局部保持映射法、局部线性镶嵌法等。但是这些算法容易陷入局部最优解，有的可能破坏数据的拓扑结构，并且缩小了数据量，即减少了有用信息，使得分类结果存在较大偏差且使得问题复杂化。自组织特征映射网络（SOM）的数据分类方法是一个由全连接的神经元阵列组成的无教师、自组织、自学习的网络，根据输入空间中输入向量的分组进行学习和分类。SOM 网络是由输入层和输出层构成的两层网络，与传统的聚类方法相比，SOM 网络形成的聚类中心可以被映射到一个曲面或平面上，以保持固定不变的拓扑结构。孙进进[4]等人同样利用 SOM神经网络将我国民用机场进行了分类，但只选用了董志毅等人处理之后剩下的 8个影响因素，且仅仅将我国2010年全国客货吞吐量排名前40位的机场进行了分类，潜移默化之中加重了客货吞吐量影响因素的权重，更重要的是没有充分应用SOM神经网络分类优势。利用SOM神经网络来进行机场分类，可以省去对自变量多重性的处理，只是增加了运行时间，但是由于机场数据数量在可接受范围之内，较多的数据另一方面也增大了网络学习，使结果更准确，且运行时间也在几十分钟之内，同时本文采取此方法先进行大分类，再进行小分类，结果更客观、合理。

本文选用15个影响因素，利用SOM神经网络方法来进行分类，既补充了其缺陷，同时又更科学、更准确、更简单和更全面。

2 SOM神经网络结构及学习算法简介

SOM 网络由输入层和竞争层构成，输入层神经个数为m，竞争层是由a*b个神经元组成的二维平面列阵，输入层与竞争层各神经元之间实现全连接。SOM 网络的一个典型特征就是可以在一维或者二维的处理单元阵列上，形成输入信号的特征拓扑分部，因此SOM网络具有抽取输入信号模式特征的能力。SOM神经网络学习算法[5]如下：

2.1 网络初始化

用随机数设定输入层和映射层之间的权值初始值。对m个输入神经元到输出神经元的连接权值赋予较小权值。选取输入神经元j个邻接神经元的集合Sj。其中Sj（0）表示时间t= 0的神经元j的邻接神经元集合，Sj（t）表示时刻t的邻接神经元的集合。区域Sj（t）随时间的增长不断减小。

2.2 输入向量的输入

2.3 计算映射层的权值向量和输入向量的距离

（欧式距离）

在映射层，计算各神经的权值向量和输入向量的欧式距离。映射层的第j个神经元和输入向量的距离，如式(1)所示:

式中，ijω为输入层的i神经元和映射层的j神经元之间的权值。通过计算，得到一个具有最小距离的神经元，将其称为胜出神经元，记为j*，即确定出某个单元k，使得对于任意的j，都有dk= min(dj)，并给出其邻接神经元集合。

2.4 权值的学习

按式（2）修正输出神经元*j及其邻接神经元的权值：式中，η为一个大于0小于1的常数，随着时间变化逐渐下降到0：

2.5 计算输出 ko

式中，(*)f一般为1～0函数或者其他非线性函数。

2.6 是否达到预先设定的要求

如达到要求则算法结束；否则，返回步骤（2）进入下一轮学习。

3 我国民航机场的SOM聚类分析

选用2012年我国通航的177个机场，根据所统计自变量数据，使用MATLAB软件实现SOM网络的构建，输入层共15个节点，分别对应所选的15个自变量。竞争层数选为3，训练步数选为10 000次，由此将我国民用机场分为三大类，之后再分别将每一大类机场进行细分，最终分类结果如表1所示。

表1 我国机场分类Tab. 1 Classficstion of the civil airports of our country

续表

4 我国民航机场分类结果特点对比

值，比较各类别机场特征如表2所示。

根据以上所分类别，求取各类别机场指标的平均

表2 不同类别机场比较Tab.2 Comparision of different catagories of the airports

5 结 论

本文在全面考虑了影响机场分类因素的情况下，运用神经网络技术，将我国177个机场进行了分类，由分类结果可以看出，机场所分类别更加细致，相同类别机场之间的共性更大，这说明基于 SOM 的分类方法客观、科学，能够准确地把握各个类别的本质联系。同时，运用这种方法较好地弥补了以往分类考虑不周全、主观性较强的缺点。在各类机场比较时，选取了各类机场指标的平均值，个别特殊机场无法区分，这也是本文的不足所在。但是 SOM 方法的客观性及精准性，使得误差进一步缩小。利用SOM分类方法准确地将我国民用机场分类，不仅可以为我国机场布局和规划提供依据，同时可以简化我国政府工作，为不同类型机场进行政策指导，而且对于比较和评价机场提供了一个科学平台，可以深入研究同类型机场的运行效率、竞争力评价等问题。由此可知，科学、准确地将我国民用机场进行分类对我国民航的发展有着重要的作用。

[1] 吴琪, 何继红, 郑晓娣. 准确定位指导发展战略—— 对中国机场发展定位的几点思考[J]. 中国民用航空, 2007, (3): 23-28.

[2] 董志毅，夏新平.我国机场分类的影响机理与聚类分析研究[J].商业视角，2006:190-191.

[3] 徐豪杰. 基于聚类分析的我国机场分类研究[J]. 空运商务, 2011, (19): 42-44.

[4] 孙进进, 王苗苗. 基于 SOM 神经网络的民用机场分类方法[J]. 交通科技与经济, 2013, 15(5): 82-84.

[5] 史峰, 王小川, 郁磊, 等. MATLAB 神经网络 30个案例分析[M]. 北京: 北京航空航天大学出版社,2010.