این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
جاده، جلد ۳۱، شماره ۱۱۴، صفحات ۱۳۹-۱۴۶
عنوان فارسی پیش‌بینی تقاضای حمل‌ونقل هوایی مسافر در پروازهای فرودگاه بین‌المللی کرمان
چکیده فارسی مقاله در این مقاله تقاضای جابجایی مسافر از طریق هواپیما در ایران مورد تجزیه و تحلیل قرار می‌گیرد. با استفاده از مدلی برای تقاضای مسافر، اثرگذاری متغیرهای جغرافیایی، اقتصادی-اجتماعی و رقابتی بر میزان تقاضا بررسی شده‌است. برای این منظور اطلاعات نشست و برخواست‌های هوایی طی سال‌های 1390 تا 1399 از شرکت فرودگاه کرمان جمع‌آوری شده‌است. برای پیش‌بینی تقاضا ابتدا از یک مدل اقتصادسنجی بهره گرفته شده‌است. در این مدل معنی‌داری تمام متغیرهای مورد استفاده در این مقاله بررسی می‌شود. سپس با حذف متغیرهایی که دارای معنی‌داری ناچیزی هستند، یک مجموعه اطلاعات جدید ایجاد می‌شود. در ادامه این اطلاعات توسط الگوریتم خوشه‌بندی K-Means پردازش شده و سپس به عنوان داده‌های آموزشی برای یادگیری شبکه عصبی استفاده می‌شوند. شبکه عصبی مورد استفاده، شبکه یادگیری عمیق LSTM است که به منظور پیش‌بینی تقاضای مسافران برای سال‌های آینده استفاده شده‌است. در نهایت با داشتن متغیرهای اقتصادی و اجتماعی شامل تولید ناخالص داخلی، درآمد، جمعیت، تورم، نرخ ارز، قیمت بنزین و قیمت نفت برای سال‌های آینده درصد تغییرات تعداد مسافران را برای هر سال نسبت به سال قبل پیش‌بینی شده‌است. نتایج خروجی شبکه عصبی تغییرات تقاضای سفرهای هوایی را بر اساس متغیرهای تولید ناخالص ملی، متوسط درآمد مردم کرمان، نرخ تورم قیمت بنزین و قیمت نفت برای هر زمان به دست می‌آورد که در میان این متغیرها تولید ناخالص ملی بیشترین تاًثیر را بر تقاضای سفرهای هوایی دارد. دقت به دست آمده در این روش 83% است که دقت بسیار خوبی برای تقاضای سفرهای هوایی است.
کلیدواژه‌های فارسی مقاله اقتصادسنجی، الگوریتم خوشه‌بندی، پیش‌بینی تقاضای مسافران هوایی، رگرسیون چندگانه، شبکه عصبی،
عنوان انگلیسی Air Passenger Demand Forecast in Kerman International Airport
چکیده انگلیسی مقاله This article analyzes the demand for passenger air transportation in Iran. In analyzing passenger demand, the effect of geographic, socio-economic, and competitive factors has been explored. A data set on landings and takeoffs from the Kerman Airport has been collected for this purpose. An econometric model is first used to predict demand. The significance of all variables is investigated in this study. Once the variables that are of little significance are deleted, a new set of information is created. This information is then processed by the K-Means clustering algorithm and then used as training data for neural network learning. The neural network used for this analysis is an LSTM Deep Learning Network, which has been used to predict passenger demand for years. Finally, with economic and social variables including GDP, income, population, inflation, exchange rate, gasoline prices and oil prices for the coming years, the percentage change in the number of passengers for each year compared to the previous year has been predicted. Based on the inputs of the neural network, changes in air travel demand are determined based on the variables of gross national product, average Kerman income, gasoline price inflation, and oil price inflation. The most important variable is gross national product, which has a profound influence on air travel demand. The accuracy obtained in this method is 83%, which is a very good accuracy for air travel demand.
کلیدواژه‌های انگلیسی مقاله اقتصادسنجی, الگوریتم خوشه‌بندی, پیش‌بینی تقاضای مسافران هوایی, رگرسیون چندگانه, شبکه عصبی
نویسندگان مقاله پویان ایار |
استادیار، دانشکده مهندسی عمران، گروه راه و ترابری، دانشگاه علم و صنعت ایران، تهران، ایران

محمد علی زاینده رودی |
دانشجوی دکتری، دانشکده مهندسی عمران، گروه راه و ترابری، دانشگاه علم و صنعت ایران، تهران، ایران

نشانی اینترنتی https://road.bhrc.ac.ir/article_158618_6ca55370a114f0a3733e79662e94526e.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات