[논문]시계열 모형을 이용한 인천공항 이용객 수요 예측

이지훈; 한혜림; 윤상후

doi:10.14400/jdc.2020.18.12.087

시계열 모형을 이용한 인천공항 이용객 수요 예측
Air passenger demand forecasting for the Incheon airport using time series models 원문보기

디지털융복합연구 = Journal of digital convergence, v.18 no.12, 2020년, pp.87 - 95

이지훈 (대구대학교 수리빅데이터학부) , 한혜림 (대구대학교 수리빅데이터학부) , 윤상후 (대구대학교 수리빅데이터학부)

초록
AI-Helper

인천공항은 대한민국으로 들어오거나 나가는 관문으로 나라의 이미지에 큰 영향을 미치므로 공항의 서비스 질을 유지하기 위해선 장기적인 공항 이용객 수 예측이 필요하다. 본 연구에서는 인천공항의 이용객 수요를 예측하기 위한 다양한 시계열 모형의 예측성능을 비교하였다. 인천공항 이용객 자료를 2002년 1월부터 2019년 12월까지 월 단위로 수집하여 살펴보면 일반적인 시계열자료에서 보이는 추세성과 계절성을 지니고 있다. 본 연구에서는 추세성과 계절성이 고려된 나이브 기법, 분해법, 지수 평활법, SARIMA, 그리고 PROPHET을 이용하여 단기, 중기, 장기예측 시계열모형을 비교하였다. 분석결과 단기예측은 최근 자료에 가중치를 준 지수 평활법이 우수했고 예상 2020년 연간 이용객 수는 약 7,350만명이다. 3년 후 인 2022년 중기예측은 정상성이 고려된 SARIMA모형이 우수하였고 예상 연간 이용객 수는 약 7,980만명이다. 4단계 인천공항 건설사업이 완료되는 2024년 예상 연간 여객수용 인원은 9,910만명이고 PROPHET모형이 가장 우수하였다.

Abstract ▼ AI-Helper

The Incheon airport is a gateway to and from the Republic of Korea and has a great influence on the image of the country. Therefore, it is necessary to predict the number of airport passengers in the long term in order to maintain the quality of service at the airport. In this study, we compared the predictive performance of various time series models to predict the air passenger demand at Incheon Airport. From 2002 to 2019, passenger data include trend and seasonality. We considered the naive method, decomposition method, exponential smoothing method, SARIMA, PROPHET. In order to compare the capacity and number of passengers at Incheon Airport in the future, the short-term, mid-term, and long-term was forecasted by time series models. For the short-term forecast, the exponential smoothing model, which weighted the recent data, was excellent, and the number of annual users in 2020 will be about 73.5 million. For the medium-term forecast, the SARIMA model considering stationarity was excellent, and the annual number of air passengers in 2022 will be around 79.8 million. The PROPHET model was excellent for long-term prediction and the annual number of passengers is expected to be about 99.0 million in 2024.

주제어

표/그림 (14)

그림 Fig. 1. Time series of airport passengers
그림 Fig. 2. Incheon airport passengers trend
그림 Fig. 3. Incheon airport passengers seasonal
그림 Fig. 4. Incheon airport passengers remainder
표 Table 1. The accuracy of short-term forecast
그림 Fig. 5. Short-term forecasting by ETS
표 Table 2. The forecasted passengers in 2020
표 Table 3. The accuracy of medium-term forecast
표 Table 4. The forecasted passengers in 2022
그림 Fig. 6. Medium-term forecasting by SARIMA
그림 Fig. 7. Long-term forecasting by PROPHET
표 Table 5. The accuracy of long-term forecast
표 Table 6. The forecasted passengers in 2024
그림 Fig. 8. Monthly passengers in Incheon airport

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

국내의 항공수요예측연구는 단일모형을 사용하여 항공수요을 예측하였다[2-10]. 본 연구에서는 인천공항의 항공 수요를 단기(1년), 중기(3년) 그리고 장기(5년)로 구분하여 다양한 시계열 모형의 예측성능을 비교하여 향후 인천공항 이용객 수를 예측하였다.

제안 방법

12월까지의 자료를 이용하였다. 2020년 이후 예측은 RMSE, MAPE, MASE 값이 작은 모형을 대표 모형로 선정하여 예측하였다.
동안 1위를 유지했다. 공항의 서비스는 공항 직원의 친절도와 시설의 청결도, 이용 용이성 등 총 34개 평가 항목에 대해 만족도를 조사하여 평가된다. 구체적으로 살펴보면 공항서비스는 Air-side와 Land-side로 나눌 수 있다.
기술의 발전은 사람과 사람, 나라와 나라사이의 교류와 이동을 짧은 시간에 할 수 있도록 만들었다. 대표적인 교통수단으로 항공기, 기차, 자동차 등이 있다.
본 연구는 인천공항 항공수요를 단기, 중기, 장기로 구분하여 다양한 시계열모형으로 예측하였다. 단기예측은 ETS모형이 우수했고, 중기예측은 SARIMA모형이 우수하였으며 장기예측은 PROPHET모형의 예측성능이 우수하였다.
하지만 시계열 자료의 특징에 따라 최적 시계열 모형이 다를 수 있다. 포르투칼 리스본 공항의 항공수요는 ARIMA모형, SARIMA모형, 지수 평활법을 비교분석하였다[13]. 영국의 항공 수요도 ARIMA모형, 베이지안 공간 선형 모형(Bayesian spatial linear regression model, BSM), 지수평활법을 비교하여 최적모형을 제시하였다[14].

대상 데이터

본 연구는 한국항공사에서 제공하는 공항별 자료 중 인천공항 이용객 자료를 수집하여 분석하였다. 이용객 수는 국내선과 국제선 이용객 수를 모두 합한 자료이며, 자료 수집기간은 2002년 1월부터 2019년 12월까지 총 216개월의 월별 자료이다.
본 연구에서 사용한 모형 중 최적의 모형을 찾기 위해 단기예측(1년)은 2002년 1월부터 2018년 12월까지의 자료를, 중기예측(3년)은 2002년 1월부터 2016년 12월까지의 자료를, 그리고 장기예측(5년)은 2002년 1월부터 2014년 12월까지의 자료를 이용하였다. 2020년 이후 예측은 RMSE, MAPE, MASE 값이 작은 모형을 대표 모형로 선정하여 예측하였다.
이용객 자료를 수집하여 분석하였다. 이용객 수는 국내선과 국제선 이용객 수를 모두 합한 자료이며, 자료 수집기간은 2002년 1월부터 2019년 12월까지 총 216개월의 월별 자료이다. 월별 시계열 패턴을 알기 위해 시계열도표를 그리면 Fig 1이다.

데이터처리

예측정확도를 비교하기 위해 평균제곱근편차(Root Mean Squared Error, RMSE), 평균절대백분율오차 (Mean Absolute Percentage Error, MAPE), 눈금 조정된 평균 절대 오차(Mean Absolute Scaled Error, MASE)를 이용하였다[26]. RMSE, MAPE, MASE 모두 값이 작을수록 예측정확도가 높다.

이론/모형

ARIMA모형은과거 관측 값들로 인해 영향을 주는 자기상관모형인 AR(Auto Regression)과 과거 잔차들의 가중 평균으로 구성한 이동평균모형인 MA(Moving Average)를 차분한 모형으로 적절한 AR과 MA를 구하기 위해 자기 상관 함수(Autocorrelation function, ACF)와 편 자기 상관 함수(Partial Autocorrelation function, PACF)를 이용한다.
PROPHET모형은 Facebook에서 제안한 비즈니스 모형으로 일반화가법모형을 기존 시계열모형에 반영하였다[25].

성능/효과

걸리므로 장기예측이 필요하다. 5년 후 예측의 성능을 평가하면 PROPHET 모형이 다른 모형에 비해 상대적으로 예측성능이 우수했다.
이용하였다[26]. RMSE, MAPE, MASE 모두 값이 작을수록 예측정확도가 높다.
3년 후 인천공항 수요예측에 필요한 모형들의 예측정확도를 비교하면 Table 3이다. SARIMA가 다른 모형에 비해 RMSE, MAPE, MASE 값이 낮아 정확도가 가장 우수했다. SARIMA는 ETS에 비해 정상성을 보이는 자료에 적합하므로[27] 인천공항 중기 이용객 수를 이용한 자료는 정상성이 나타난다고 판단된다.
단기예측은 ETS모형이 우수했고, 중기예측은 SARIMA모형이 우수하였으며 장기예측은 PROPHET모형의 예측성능이 우수하였다. 2024년 완료가 예정된 4단계 건설사업의 연간 수용인원 1억 600만 명으로 2024년 예상 이용객 수보다 높았다.
모형간의 예측정확도를 비교하면 Table 1이다. 단기예측의 예측정확도는 RMSE, MAPE, MASE 값이 모두 낮은 상태공간지수평활법(ETS) 이 가장 우수했다. 상태공간지수평활법(ETS)은 최근 관측값에 가중치를 주므로 변화에 쉽게 대처 가능하며, 최근 시계열 패턴을 잘 반영하므로 단기 예측에 많이 사용된다.

후속연구

인천공항은 COVID-19 종식 후 이용객 수 폭증에 대비하여 공항 인프라를 구축하고 이용객에게 높은 수준의 서비스를 제공 할 준비를 해야 한다. 본 연구의 제시한 연도별 예상 이용객 수가 인천공항을 통해 입국하거나 출국하는 사람들에게 편리한 서비스 환경을 조성하기 위한 기초자료로 활용되길 기대한다.

참고문헌 (30)

Y. Lee. (2020) Incheon Airport, Expects losses this year due to COVID19 impact. Incheon Airport. https://www.airport.kr/co/ko/cmm/cmmBbsView.do?PAGEINDEX1&SEARCH_STR%EA%B1%B4%EC%84%A4%EC%82%AC%EC%97%85&FNCT_CODE121&SEARCH_TYPEall&SEARCH_FROM2008.05.07&SEARCH_TO2020.10.04&NTT_ID24686
J. S. Hong. (2018). Air transport demand forecasts of Gimhae Airport using time series big data. Asia-pacific Journal of Multimedia Services Convergent with Art, Humanities, and Sociology, 8(12), 899-908.
S. W. Yoon & S. J. Jeong. (2014). Air Passenger Demand Forecasting and Baggage Carousel Expansion: Application to Incheon International Airport. Journal of Korean Society of Transportation, 32(4), 401-409. DOI : 10.7470/jkst.2014.32.4.401

원문보기 상세보기
J. S. Hong. (2019). Air Demand Forecasting using Time Series Data: Focusing on Daegu International Airport. International Journal of Tourism and Hospitality Research, 34(3), 61-77.
K. B. Kim & K. S. Hwang. (2012). A Study on the Demand Forecasting and Efficient Operation of Jeju National Airport using seasonal ARIMA model. Journal of the Korea Academia-Industrial cooperation Society, 13(8), 3381-3388. DOI : 10.5762/KAIS.2012.13.8.3381

원문보기 상세보기
J. H. Lim & Y. R. Kim & Y. C. Choi & K. I. Kim. (2019). Domestic air demand forecast using cross-validation. Journal of the Korean Society for Aviation and Aeronautics, 27(1), 43-50. DOI : 10.12985/KSAA.2019.27.1.043

원문보기 상세보기
Y. R. Kim. (2019). Forecast and Review of International Airline demand in Korea. Journal of the Korean Society for Aviation and Aeronautics, 27(3), 98-105. DOI : 10.12985/KSAA.2019.27.3.098

원문보기 상세보기
J. W. Yu & J. Y. Choi. (2018). Outbound Air Travel Demand Forecasting Model with Unobserved Regional Characteristics. Korean Society Of Transportation, 36, 141-154.
H. C. Cho & D. G. Kwag & J. H. Bae. (2019). Big Data-Based Air Demand Prediction for the Improvement of Airport Terminal Environment in Urban Area. Journal of the Korea Convergence Society, 10(8), 165-170. DOI : 10.15207/JKCS.2019.10.8.165

원문보기 상세보기
H. H. Kim & J. W. Jeon & G. T. Yeo. (2018). Forecasting Model of Air Passenger Demand Using System Dynamics. Journal of Digital Convergence, 16(5), 137-143. DOI : 10.14400/JDC.2018.16.5.137

원문보기 상세보기
W. H. K. Tsui & H. O. Balli & A. Gilbey & H. Gow. (2014). Forecasting of Hong Kong airport's passenger throughput. Tourism Management, 42, 62-76. DOI : 10.1016/j.tourman.2013.10.008

상세보기
Y. H. Li & H. Y. Han & X. Liu & C. Li. (2018). Passenger Flow Forecast of Sanya Airport Based on ARIMA Model. International Conference of Pioneering Computer Scientists, Engineers and Educators, 442-454. DOI : 10.1007/978-981-13-2206-8_36
A. Samagaio & M. Wolters. (2010). Comparative analysis of government forecasts for the Lisbon Airport. Journal of Air Transport Management, 16(4), 213-217. DOI : 10.1016/j.jairtraman.2009.09.002

상세보기
H. Grubb & A. Mason. (2001). Long lead-time forecasting of UK air passengers by Holt-Winters methods with damped trend. International Journal of Forecasting, 17(1), 71-82. DOI : 10.1016/S0169-2070(00)00053-4

상세보기
S. H. Hong & S. H. Woo. (2012). The Study on Introducing Art & Culture Space to International Airport - Focusing on Incheon International Airport -. Journal of the Korea Institute of Interior Design, 21(6), 280-288.
S. S. Choi & S. Y. Hwang & K. W. Kim & S. S. Park. (2017). The Research of the Effect of Passengers's Perception of Airport Service Quality to Airport Brand Image and National Identity : Focused on Passengers using Incheon Int'l Airport and Jeju Int'l Airport. Journal of Tourism and Leisure Research, 29(8), 211-231.
B. K. Choi. (2007). A Study on the Perceived Service Quality and Satisfaction of Airport users of Incheon International Airport. Korea Trade Review, 32(2), 377-397.
K. I. Stergiou. (1991). Shortterm fisheries forecasting: comparison of smoothing, ARIMA and regression techniques. Journal of Applied Ichthyology, 7(4), 193-204. DOI : 10.1111/j.1439-0426.1991.tb00597.x

상세보기
R. J. Hyndman & G. Athanasopoulos. (2018). Forecasting: principles and practice. https://otexts.com/fpp2/
R. B. Cleveland & W. S. Cleveland & J. E. McRae & I. Terpenning. (1990). STL: A seasonal-trend decomposition. Journal of official statistics, 6(1), 3-73.
S. S. Cho & B. C. Seong & Y. S. Son. (2016). Time series analysis using SAS/ETS. Seoul : Yulgok Publishing.
T. M. Dantas & F. L. C. Oliveira & H. M. V. Repolho. (2017). Air transportation demand forecast through Bagging Holt Winters methods. Journal of Air Transport Management, 59, 116-123. DOI : 10.1016/j.jairtraman.2016.12.006

상세보기
G. E. Box & G. M. Jenkins & G. C. Reinsel & G. M. Ljung. (2015). Time series analysis: forecasting and control. Hoboken, New Jersey : John Wiley & Sons.
M. Valipour. (2015). Longterm runoff study using SARIMA and ARIMA models in the United States. Meteorological Applications, 22(3), 592-598. DOI : 10.1002/met.1491

상세보기
S. J. Taylor & B. Letham. (2018). Forecasting at scale. The American Statistician, 72(1), 37-45. DOI : 10.1080/00031305.2017.1380080

상세보기
R. J. Hyndman & A. B. Koehler. (2006). Another look at measures of forecast accuracy. International journal of forecasting, 22(4), 679-688. DOI : 10.1016/j.ijforecast.2006.03.001

상세보기
G. Athanasopoulos & D. Weatherburn. (2018). Forecasting male and female inmate numbers: A comparison of ARIMA and ETS modelling results. BOCSAR NSW Crime and Justice Bulletins, 12.
C. H. Park & Y. K. Jeong. (2011). An Analysis of Economic Effects of Airline Industry on Regional Economy by Using the MRIO Analysis. The Korea Spatial Planning Review, 231-251.
J. P. Lim. (2020). Crisis management and challenges of the air transport industry caused by COVID-19. International Journal of Tourism and Hospitality Research 34(7), 139-154. DOI : 10.21298/IJTHR.2020.7.34.7.139

상세보기
D. Y. Jeong & S. J. Lee. (2020). COVID-19, changes the future of travel. Issue & Diagnosis, 419, 1-25.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증