應用倒傳遞網路預測日本來台航空客運需求之研究

A Back-propagation Neural Network Model to Forecast Air Passenger Demand from Japan to Taiwan

10.29916/JMPP.201009.0007

章國威(Kuo-Wei Chang)王薏婷(Yi-Ting Wang)陳淑娟(Shih-Yao Kuo)郭仕堯(Shu-Chuan Chen)

倒傳遞網路 ； 需求預測 ； 航空客運 ； back-propagation neural networks ； forecast ； air passenger

管理實務與理論研究

4卷3期（2010 / 09 / 01）

120 - 132

繁體中文

航空運量之預測，自策略規劃至實際營運皆具不可忽略之重要性，本研究採取監督式學習網路中之倒傳遞神經網路(Back-Propagation Network)，自行撰寫MATLAB程式，建構日本來台航空客運需求預測模式。本研究透過回顧相關文獻，市場分析與初步評估，決定輸入變數，再運用去除法、加入法與貢獻圖，檢驗其影響程度。實證結果發現以日本人口、日本就業人口、日本個人所得、日本GDP、日本GNP、外幣匯率、航班數量、臺灣個人所得等8項變數，預測日本來台航空客運量之平均絕對百分誤差(Mean Absolute Percentage Error)爲0.34%，預測能力極佳。探討輸入變數得知，航班數量、臺灣個人所得與外幣匯率之影響最大。

Air traffic demand forecasting plays the important role for developing the efficient operating strategy. This study employed supervised back-propagation neural networks to develop a simple MATLAB computer program in order to forecast air passenger demand from Japan to Taiwan. All input variables were collected by literature survey, market analysis and preliminary evaluation. The factors which influence air passenger market were analyzed in detail by deleting method, adding method, and contribution graph. The following 8 variables were selected as the input variables to establish the forecasting model: population in Japan, employed population in Japan, per capita income in Japan, GDP in Japan, GNP in Japan, foreign exchange rate, flight movement from Tokyo (NRT) to Taipei (TPE), per capita income in Taiwan. The novel BPN model can accurately forecast air passenger demand with an extremely low Mean Absolute Percentage Error of 0.34%. The results reveal that flights from Tokyo (NRT) to Taipei (TPE), PCI in Taiwan, and foreign exchange rate are the three most important factors for air passenger volume.

1. 馮正民、梁馨云(1999)。以結構化社會經濟因素探討旅次發生—類神經網路與多元迴歸之比較。都市與計畫，26(1)，55-77。
   連結：
2. 蔡宗憲、李治剛、魏健宏(2006)。短期列車旅運需求之類神經網路預測模式建構與評估。運輸計畫季刊，35(4)，475-506。
   連結：
3. 交通部（2009）。來源http://www.motc.gov.tw/，2009 年9 月12 日。
4. 總務省統計局（2009）。來源：http://www.stat.go.jp/index.htm，2009 年9 月12 日。
5. Chen, K. Y.,Wang, C. H.(2007).Support Vector Regression with Genetic Algorithms in Forecasting Tourism Demand.Tourism Management,28(1),215-226.
6. Grosche, T.,Heinzl, A.(2007).Gravity Models for Arline Pssenger Volume Estimation.Journal of Air Transport Management,13(4),75-183.
7. Jiang, S. C.,Lee, H. L.(2007).Tourist Arrival Forecasting Using Artificial Neural Networks.Journal of Kaohsiung Hospitality College,9(1),19-33.
8. Law, R.(2000).Back-Propagation Learning in Improving the Accuracy of Neural Network-Based Tourism Demand Forecasting.Tourism Management,21,331-340.
9. Law, R.,Au, N.(1999).A Neural Network Model to Forecast Japanese Demand for Travel to Hong Kong.Tourism Management,20,89-97.
10. Lee, A. O.(1990).USA,MIT.
11. Lewis, C. D.(1982).Industrial and Business Forecasting Method.Butterworth Scientific.
12. Martin, C. A.,Witt, S. F.(1989).Accuracy of Econometric Forecasts of Tourism.Annals of Tourism Research,16,407-428.
13. Qu, H.,Lam, S.(1997).A Travel Demand Model for Mainland Chinese Tourists to Hong Kong.Tourism Management,18(8),593-597.
14. Warnea, B.,Misra, M.(1996).Understanding Neural Network as Statistical Tools.The American Statistician,50(4),284-293.
15. 張原賓(2008)。臺南，國立成功大學民航研究所。
16. 張淑婷(2004)。臺中，朝陽科技大學休閒事業管理系。
17. 張智星(2007)。MATLAB程式設計：入門篇。臺北:鈦思科技股份有限公司。
18. 張雲萍(2004)。新竹，國立交通大學交通運輸研究所。
19. 郭仕堯、陳淑娟、陳敦瑾(2009)。應用倒傳遞網路於商務航空市場預測之研究。2009航空產業創新發展學術研討會論文集，臺南:
20. 黃文吉、吳勝傑、程培倫、尤仁弘(2003)。由生命週期觀點談灰色理論於運輸需求預測之應用—以臺灣地區港埠貨櫃運輸需求預測為例。海運學報，12，171-185。
21. 黃宏斌(2001)。基隆，國立臺灣海洋大學航運管理研究所。
22. 劉仲杰(2006)。花蓮，國立東華大學國際企業學系。
23. 鄭永祥、李治綱(2009)。臺灣高鐵營收管理模式研發（一）。中興工程季刊，105，91-95。
24. 魏健宏、楊雨青(1999)。高雄港轉口貨櫃運量預測之研究—以類神經網路評選輸入變數。運輸學刊，11(3)，1-20。