航空客流分析与预测模型之西南篇

目录

1、机场与航线网络

2、航段与航班

3、客流分析模型

4 代码

航空客流分析模型核心代码 (Python)

核心代码解读与注意事项

高速和航空名词区别 

---

航空客流分析模型是航线网络规划、运力调配和市场需求预测的重要基础，是决定航司收益与市场战略精度的决定性因素。本团队目前已建立了覆盖全国各大区域机场群的航空客流分析与预测模型，并打通了各航空公司、机场及空管数据的资源壁垒，后续将对各重要航空市场的分析模型展开介绍，欢迎持续关注。此次以西南地区为例，向大家介绍西南地区航空客流模型的特点和作用。

h

1、机场与航线网络

在机场数量上，截至2024年底，西南地区（主要包括四川、重庆、云南、贵州）吞吐量百万级以上的民用运输机场已超过30个，其中成都天府（TFU）、成都双流（CTU）、重庆江北（CKG）、昆明长水（KMG）为国际性枢纽机场。

在航线分布上，以成都、重庆、昆明三大枢纽为核心，形成了辐射全国、连接全球的“轮辐式”航线网络。枢纽机场之间、以及枢纽与区域内支线机场（如丽江、西昌、遵义等）的连接构成了密集的区域航线网；相比之下，川西高原、黔东南等部分地形复杂、经济发展相对滞后的地区，航线网络和航班频次相对稀疏。

在国际及地区航线上，西南地区与东南亚、南亚、欧洲及北美主要城市均有直飞航线，国际航班门架（虚拟出入境记录点）处理后可视为国际虚拟航站，是构建区域国际航空模型的关键节点。

2、航段与航班

西南地区现有活跃航段（Segment）数千条，航班班次密集。截至2024年末，西南地区日均起降航班已超过5000架次。在空间分布方面，成渝昆贵四大核心城市对的航线是区域内最繁忙的“空中走廊”，如成都-重庆、成都-昆明等；在机型配置方面，干线航路多以A320、B737等中型客机为主，国际航线及核心干线已逐步由A350、B787等宽体机执飞；在客流特征方面则呈现出高度的商务性、旅游性和季节性。如春运、暑运及国庆黄金周期间，往返于西南地区的旅游热线（如成都-三亚、重庆-厦门）客流急剧增加，呈现出明显的季节性高峰。

模型通过对各个航段的飞行距离、时间、票价、航班频次等参数进行赋值，对旅客出行选择行为的相关参数进行标定，建立了广义出行效用函数，为客流分配与预测奠定了基础。

https://via.

3、客流分析模型

在完成航线网络模型构建后，将航空OD客流数据导入到模型中，采用广义出行效用函数，利用离散选择模型（如Logit模型） 进行客流分配，即可得到对应年份的各条航线预测客流。（涉及数据保密要求，已对下图流量分布图进行混淆处理，图片仅供示意）

https://via.

除了进行客流分配之外，西南地区航空客流模型还可以应用于多种业务分析场景，如航线收益分析、旅客构成分析、中转流量分析、潜在市场需求挖掘、新开航线可行性评估等。此处以中转流量分析为例进行介绍：

选择2024年的西南地区航线网络（可以通过查询年份进行设置），以拉萨（LXA）为起点，以北京（PKX）为终点，以最短旅行时间（或最低票价）为条件，进行旅客出行路径分析，即可得到该OD对的最优中转方案（如经成都或重庆中转）、各中转节点的分流比例以及总的旅行时间和费用。

https://v

西南地区航空客流分析模型可有效助力航空公司、机场集团及行业主管部门进行精准的市场研判、航线规划和运力优化，在新航线开辟决策、航班时刻优化、收益管理、枢纽机场规划、航空市场专题研究等方面具有重要应用价值。本团队凭借成熟的航空分析模型和独特的空域数据资源优势，长期开展上述相关业务，欢迎有兴趣的公司和朋友前来咨询。

4 代码

航空客流分析模型核心代码 (Python)

我们将使用 pandas 进行数据处理，biogeme 作为离散选择模型的核心库（它是学术界和工业界进行此类建模的标准工具），并使用 networkx 来构建航线网络。

python


复制

下载

# core_air_passenger_model.py
import pandas as pd
import numpy as np
import biogeme.biogeme as bio
import biogeme.database as db
import biogeme.models as models
import biogeme.messaging as msg
from biogeme.expressions import Beta, Variable, log
import networkx as nx
from typing import Dict, List, Tuple

class AirPassenge