И.Н. Синицын1, Ю.П. Титов2

1, 2 ФИЦ «Информатика и управление» РАН (Москва, Россия)
1, 2 Московский авиационный институт (Москва, Россия)
1 sinitsin@dol.ru, 2 kalengul@mail.ru

Постановка проблемы. Приоритет в развитии гражданской авиации – импортозамещение, переход на самолеты отечественного производства, которые в данный момент проходят сертификацию. Для поддержки их эксплуатации и обеспечения конкурентного преимущества необходимо внедрение CALS технологий, содержащих аналитические и имитационные расчетные модели, имеющие множество различных параметров, от которых зависит их точность и адекватность. Оптимизация моделей называется оптимизацией гиперпараметров. В статье рассмотрена задача построения моделей SARIMA для прогнозирования состояния пассажироперевозок и грузоперевозок авиакомпаниями Российской Федерации. Состояние пассажироперевозок и грузоперевозок описывается множеством различных агрегированных параметров, для оптимального прогнозирования каждого параметра строится своя модель SARIMA.

Цель. Рассмотреть модификации метода муравьиных колоний, применяющиеся для параметрической оптимизации, с целью определения оптимальных значений гиперпараметров (p,d,q,P,D,Q,s) для моделей SARIMA. Оптимизация гиперпараметров моделей производится для 25 агрегированных помесячных параметров пассажироперевозок и грузоперевозок как для всех авиакомпаний Российской Федерации, так и для группы авиакомпаний Аэрофлот.

Результаты. Рассмотрена задача оптимизации гиперпараметров моделей SARIMA, SARIMA с предварительным разложением ряда на тренд и колебательную составляющую и моделей сети LSTM. Оптимизация гиперпараметров проводится по метрикам MAE и RMSE. Показана эффективность метода муравьиных колоний для решения параметрической задачи, менее 10% рассмотренных решений для поиска всех значений из множества Паредо для многокритериальной оптимизации, включающей оптимальные значения параметров модели и по отдельным критериям. При этом для сложных моделей (LSTM-сетей и SARIMA с разложением) время поиска оптимального решения существенно возрастает, а найденное решение не сильно превосходит решение, найденное моделью SARIMA. В случае применения агрегированных, неточных параметров, более точный прогноз не требуется, и возможно применение полученных на ранних итерациях работы метода муравьиных колоний, рациональные значения гиперпараметров простыми моделями (например, SARIMA).

Практическая значимость. Показана эффективность применения модификации метода муравьиных колоний для оптимизации гиперпараметров модели SARIMA. По результатам оптимизации модели SARIMA определены оптимальные значения параметров для 25 агрегированных помесячных показателей оценки пассажироперевозок и грузоперевозок авиакомпаниями Российской Федерации. Рассмотрена задача прогнозирования потребностей в парке воздушных судов Российской Федерации путем определения прогнозных показателей развития объемов пассажироперевозока и грузопотока в 2025–2030 гг. В связи с прогнозируемым ростом спроса и объемов пассажиропотока (на 15 млн пассажиров, 13% к 2030 г.) с учетом высокой текущей загруженности авиационных средств (средняя занятость кресле более 90% в 2024 г. и последующих годах) требуется дополнительное расширения парка самолетов на 30 бортов в год. С учетом тенденций выбытия самолетов по 30 бортов в год суммарные объемы производства составляют 60 бортов всех типов самолетов.

Синицын И.Н., Титов Ю.П. Оптимизация гиперпараметров в CALS системах методом муравьиных колоний на примере прогноза объемов авиационных пассажиро- и грузоперевозок // Системы высокой доступности. 2025. Т. 21. № 1. С. 12−24. DOI: https://doi.org/10.18127/j20729472-202501-02

1. Синицын И.Н., Шаламов А.С. Лекции по теории систем интегрированной логистической поддержки. Изд. 2-е. М.: ТОРУС ПРЕСС. 2019. 1072 с.
2. Шаламов А.С., Кааль С.А. Моделирование и параметрический анализ логистики систем высокой доступности // Системы высокой доступности. 2006. № 2. С. 40–47.
3. ЕМИСС Государственная статистика [Электронный ресурс]. URL: https://www.fedstat.ru/ (дата обращения: 15.02.2025).
4. Операционная статистика группы авиакомпаний Аэрофлот [Электронный ресурс]. URL: https://ir.aeroflot.ru/ru/reporting /traffic-statistics/ (дата обращения: 15.02.2025).
5. Комплексная программа развития авиатранспортной отрасли Российской Федерации до 2030 года. [Электронный ресурс]. URL: http://static.government.ru/media/acts/files/1202206270017.pdf http://static.government.ru/media/files/PqzpRfozEf6AY4iMiUGkmcWIraxAMbdl.pdf (дата обращения: 15.02.2025).
6. Коммерческие воздушные перевозки. ФАВТ [Электронный ресурс]. URL: https://favt.gov.ru/dejatelnost-aviakompanii-reestr-komercheskie-perevozki (дата обращения: 15.02.2025).
7. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой. Изд. 2-е. М.: Изд-во МГТУ им. Баумана. 2017. 446 с.
8. Саймон Д. Алгоритмы эволюционной оптимизации: практическое руководство. М.: ДМК Пресс. 2020. 1002 с.
9. Colorni A., Dorigo M., Maniezzo V. Distributed Optimization by Ant Colonies. // Proc. First Eur. Conf. on Artific. Life, Paris, France, F.Varela and P.Bourgine (Eds.). Elsevier Publishing. 1992. P. 134–142.
10. Dorigo M., Stützle T. Ant Colony Optimization. Cambridge, Massachusetts: MIT Press. 2004. 321 p.
11. Uslu M. O., Erdoğdu K. Ant Colony Optimization and Beam-Ant Colony Optimization on Traveling Salesman Problem with Traffic Congestion // DEUFMD. 2024. V. 26. № 78. P. 519–527. DOI: 10.21205/deufmd.2024267820
12. Sagban R.F., Ku-Mahamud K.R., Abu Bakar M.S. Reactive max-min ant system with recursive local search and its application to TSP and QAP // Intelligent Automation & Soft Computing. 2017. V. 23. № 1. Р. 127–134. DOI: 10.1080/10798587.2016.1177914
13. Юхименко Б.И., Титов Н.А., Ушаков В.О. Разработка и исследование алгоритмов муравьиной колонии для решения некоторых задач комбинаторной оптимизации // Актуальные научные исследования в современном мире. 2020. № 11-2(67). С. 101–115.
14. Črepinšek M., Liu S.-H., Mernik M. Exploration and Exploitation in Evolutionary Algorithms: A Survey // ACM Computing Surveys. 2013. V. 45. № 35. DOI: 10.1145/2480741.2480752
15. Dorigo M., Birattari M. Swarm intelligence // Scholarpedia. 2007. V. 2. № 9. P. 1462.
16. Pellegrini P., Stützle T., Birattari M. A critical analysis of parameter adaptation in ant colony optimization // Swarm intelligence. 2012. V. 6. P. 23–48. DOI: 10.1007/s11721-011-0061-0
17. Danesh M., Danesh S. Optimal design of adaptive neuro-fuzzy inference system using PSO and ant colony optimization for estimation of uncertain observed values // Soft Comput. 2024. V. 28. P. 135–152. DOI: 10.1007/s00500-023-09194-6
18. Семенкина О.Е., Семенкин Е.С. О сравнении эффективности муравьиного и генетического алгоритмов при решении задач комбинаторной оптимизации // Актуальные проблемы авиации и космонавтики. 2011. Т. 1. № 7. С. 338–339.
19. Синицын И.Н., Титов Ю.П. Управление наборами значений параметров системы методом муравьиных колоний // Автоматика и телемеханика. 2023. № 8. С. 153–168. DOI: 10.31857/S000523102308010X
20. Судаков В.А., Титов Ю.П.  Исследование модели параметрического графа в методе муравьиных колоний // Математическое моделирование. 2024. Т. 36. № 6. С. 21–37
21. Синицын И.Н., Титов Ю.П. Исследование алгоритмов циклического поиска дополнительных решений при оптимизации порядка следования гиперпараметров методом муравьиных колоний // Системы высокой доступности. 2023. Т. 19. № 1. С. 59–73. DOI: 10.18127/j20729472-202301-05
22. Синицын И.Н., Титов Ю.П. Исследование применения метода муравьиных колоний в многокритериальных параметрических задачах // Системы высокой доступности. 2024. Т. 20. № 4. С. 52–63. DOI: 10.18127/j20729472-202404-06