基于二次分解重构策略的航空客流需求预测

doi:10.11772/j.issn.1001-9081.2021101716

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (12): 3931-3940.DOI: 10.11772/j.issn.1001-9081.2021101716

• 前沿与综合应用 • 上一篇

基于二次分解重构策略的航空客流需求预测

栗慧琳(), 李洪涛, 李智

兰州交通大学交通运输学院，兰州 730070

收稿日期:2021-10-08 修回日期:2022-01-04 接受日期:2022-01-24 发布日期:2022-04-08 出版日期:2022-12-10
通讯作者: 栗慧琳
作者简介:李洪涛（1976—），男，河南漯河人，教授，博士，主要研究方向：机器学习、预测理论与方法、预测与决策
李智（1996—），女，河南南阳人，硕士研究生，主要研究方向：时间序列分析及应用、人工智能。
基金资助:
国家自然科学基金资助项目(72161022);甘肃省自然科学基金资助项目(20JR5RA394)

Air passenger demand forecasting based on dual decomposition and reconstruction strategy

Huilin LI(), Hongtao LI, Zhi LI

School of Traffic and Transportation，Lanzhou Jiaotong University，Lanzhou Gansu 730070，China

Received:2021-10-08 Revised:2022-01-04 Accepted:2022-01-24 Online:2022-04-08 Published:2022-12-10
Contact: Huilin LI
About author:LI Hongtao born in 1976， Ph. D.， professor. His research interests include machine learning， prediction theory and method，prediction and decision.
LI Zhi，born in 1996， M. S. candidate. Her research interests include time series analysis and application， artificial intelligence.
Supported by:
National Natural Science Foundation of China(72161022);Natural Science Foundation of Gansu Province(20JR5RA394)

摘要/Abstract

摘要：

考虑到航空客流需求序列的季节性、非线性和非平稳等特点，提出了一个基于二次分解重构策略的航空客流需求预测模型。首先，通过STL和自适应噪声互补集成经验模态分解（CEEMDAN）方法对航空客流需求序列进行二次分解，并根据数据复杂度和相关度的特征分析结果进行分量重构；然后，采用模型匹配策略分别选取自回归单整移动平均季节（SARIMA）、自回归单整移动平均（ARIMA）、核极限学习机（KELM）和双向长短期记忆（BiLSTM）网络模型对各重构分量进行预测，其中KELM和BiLSTM模型的超参数通过自适应树Parzen估计（ATPE）算法确定；最后，将重构分量预测结果进行线性集成。以北京首都国际机场、深圳宝安国际机场和海口美兰国际机场的航空客流数据作为研究对象进行了1步和多步预测实验，实验结果表明，与一次分解集成模型STL-SAAB相比，所提模型的均方根误差（RMSE）提升了14.98%~60.72%。可见以“分而治之”思想为指导，所提模型结合模型匹配和重构策略挖掘出了数据的内在发展规律，从而为科学预判航空客流需求变化趋势提供了新思路。

关键词: 航空客流需求预测, 二次分解重构, 模型匹配, 深度学习, 多步预测

Abstract:

Considering the seasonal， nonlinear and non-stationary characteristics of air passenger demand series， an air passenger demand forecasting model based on a dual decomposition and reconstruction strategy was proposed. Firstly， the air passenger demand series was decomposed twice by Seasonal and Trend decomposition using Loess （STL） and Complete Ensemble Empirical Mode Decomposition with Adaptive Noise （CEEMDAN） methods， and the components were reconstructed based on the feature analysis results of complexity and correlation. Then， Seasonal AutoRegressive Integrated Moving Average （SARIMA）， AutoRegressive Integrated Moving Average （ARIMA）， Kernel based Extreme Learning Machine （KELM） and Bidirectional Long Short-Term Memory （BiLSTM） network models were selected by model matching strategy to predict each reconstructed component respectively， among which the hyperparameters of KELM and BiLSTM models were determined by the Adaptive Tree of Parzen Estimators （ATPE） algorithm. Finally， the prediction results of the reconstruction components were linearly integrated. The air passenger demand data collected from Beijing Capital International Airport， Shenzhen Bao’an International Airport and Haikou Meilan International Airport were taken as research subjects for one-step and multi-step ahead prediction experiments. Experimental results show that compared with the single decomposition ensemble model STL-SAAB， the proposed model has the Root Mean Square Error （RMSE） improved by 14.98% to 60.72%. It can be seen that guided by the idea of “divide and rule”， the proposed model combines model matching and reconstruction strategies to extract the inherent development pattern of the data， which provides a new thinking to scientifically predict the change of air passenger demand.

Key words: air passenger demand forecasting, dual decomposition and reconstruction, model matching, deep learning, multi-step ahead prediction

中图分类号:

TP183

栗慧琳, 李洪涛, 李智. 基于二次分解重构策略的航空客流需求预测[J]. 计算机应用, 2022, 42(12): 3931-3940.

Huilin LI, Hongtao LI, Zhi LI. Air passenger demand forecasting based on dual decomposition and reconstruction strategy[J]. Journal of Computer Applications, 2022, 42(12): 3931-3940.

图/表 17

图1 KELM神经网络结构

Fig.1 KELM neural network structure

图2 LSTM单元结构

Fig. 2 LSTM unit structure

图3 BiLSTM结构

Fig. 3 BiLSTM structure

图4 航空客流需求预测模型

Fig. 4 Air passenger demand forecasting model

图5 3个机场的航空客流需求月度数据

Fig. 5 Monthly air passenger demand data of three airports

表1 3个机场航空客流需求月度数据的基本统计描述 (万人次)

Tab. 1 Basic description statistics of monthly air passenger demand data of three airports

机场	最小值	最大值	均值	标准差	偏度	峰度
北京	316.14	904.50	659.83	146.55	-0.46	2.11
深圳	138.83	469.12	278.19	90.57	0.35	1.94
海口	39.09	251.86	114.21	55.33	0.71	2.28

表2 评价指标

Tab. 2 Evaluation indicators

评价指标	定义	公式
RMSE	均方根误差	$1 N ∑ i = 1 N (Y i - Y ̂ i) 2$
MAPE	平均绝对百分比误差	$1 N ∑ i = 1 N Y i - Y ̂ i Y i × 100 %$
R ²	决定系数	$∑ i = 1 N Y ̂ i - Y ¯ 2 ∑ i = 1 N Y i - Y ¯ 2$
DA	方向预测精度	$1 N ∑ n = 1 N d n$

表2 评价指标

Tab. 2 Evaluation indicators

评价指标	定义	公式
RMSE	均方根误差	$1 N ∑ i = 1 N (Y i - Y ̂ i) 2$
MAPE	平均绝对百分比误差	$1 N ∑ i = 1 N Y i - Y ̂ i Y i × 100 %$
R ²	决定系数	$∑ i = 1 N Y ̂ i - Y ¯ 2 ∑ i = 1 N Y i - Y ¯ 2$
DA	方向预测精度	$1 N ∑ n = 1 N d n$

图6 二次分解及重构

Fig. 6 Dual decomposition and reconstruction

表3 二次分解分量的基本特征统计值

Tab. 3 Basic characteristic statistical values of dual decomposition components

分量	CEEMDAN		EMD
分量	MIC	SE	MIC	SE
IMF1	0.016 9	1.413 7	0.064 4	1.107 0
IMF2	0.022 3	0.392 3	0.046 3	0.703 1
IMF3	0.038 4	0.709 7	0.070 7	0.561 8
IMF4	0.104 5	0.645 6	0.228 1	0.615 8
IMF5	0.168 2	0.439 6	0.305 4	0.277 7
IMF6	0.140 2	0.412 3	0.187 2	0.362 2
IMF7	0.458 1	0.141 0	0.776 7	0.084 8
IMF8	1.000 0	0.027 5	1.000 0	0.012 5

图7 KELM和BiLSTM模型的超参数寻优

Fig. 7 Hyperparameter optimization of KELM and BiLSTM models

表4 各模型参数及超参数

Tab. 4 Parameters and hyperparameters of different models

参数	值
SARIMA	（4，0，4）（2，1，2）₁₂
ARIMA	（3，2，2）
KELM核函数	线性核函数
KELM惩罚参数 C	14.999 3
BiLSTM学习率	0.010 2
BiLSTM批处理大小	38
BiLSTM隐藏层数	3
BiLSTM隐藏层单元数	32

表5 各模型的1步、2步、3步预测结果（北京首都国际机场）

Tab.5 One step， 2 step and 3 step ahead prediction results of different models （Beijing Capital International Airport）

预测步长	模型	RMSE	MAPE/%	R ²	DA
1步	ARIMA	38.215 6	3.848 6	0.037 5	0.645 2
	SARIMA	30.788 4	2.665 8	0.375 3	0.806 5
	AK	31.265 6	3.216 3	0.355 8	0.838 7
	AB	27.961 3	2.807 5	0.484 8	0.774 2
	STL-AK	28.342 8	2.410 0	0.470 6	0.774 2
	STL-AB	16.975 8	1.724 2	0.810 1	0.871 0
	STL-SAAB	14.596 6	1.153 6	0.859 6	0.903 2
	STL-EMD-SAAKAB	7.346 8	0.673 7	0.964 4	0.967 7
	本文模型	5.733 6	0.512 6	0.978 3	0.935 5
2步	ARIMA	38.755 2	4.164 8	0.016 8	0.709 7
	SARIMA	35.727 5	3.384 2	0.164 4	0.806 5
	AK	34.306 5	3.529 2	0.229 5	0.838 7
	AB	27.845 7	2.802 4	0.492 4	0.838 7
	STL-AK	29.798 7	2.556 8	0.418 7	0.838 7
	STL-AB	19.159 4	1.863 4	0.759 7	0.838 7
	STL-SAAB	17.535 2	1.471 4	0.798 7	0.871 0
	STL-EMD-SAAKAB	10.059 8	0.853 6	0.933 8	0.935 5
	本文模型	9.424 5	0.786 9	0.941 9	0.935 5
3步	ARIMA	38.679 6	4.091 1	0.013 8	0.645 2
	SARIMA	32.015 8	3.252 8	0.122 4	0.741 9
	AK	32.805 7	3.292 8	0.078 5	0.838 7
	AB	28.038 4	2.903 9	0.326 9	0.806 5
	STL-AK	24.751 7	2.184 0	0.475 5	0.774 2
	STL-AB	16.948 2	1.558 5	0.754 1	0.935 5
	STL-SAAB	17.436 5	1.615 5	0.739 7	0.903 2
	STL-EMD-SAAKAB	9.627 1	0.946 9	0.920 6	0.967 7
	本文模型	12.524 4	1.229 0	0.865 7	0.903 2

表6 各模型1步、2步和3步预测的DM检验结果（北京首都国际机场）

Tab.6 DM test results of 1 step， 2 step and 3 step ahead prediction of different models （Beijing Capital International Airport）

模型	1步		2步		3步
模型	DM	p值	DM	p值	DM	p值
STL-EMD- SAAKAB	-1.503 0	0.143 0	-0.4552	0.652 2	-1.392 0	0.173 8
STL-SAAB	-2.038 3	0.050 1	-1.7499	0.090 0	-1.749 0	0.090 2
STL-AB	-3.572 7	0.001 2	-2.8116	0.008 5	-1.872 2	0.084 5
STL-AK	-2.688 5	0.011 4	-2.5249	0.016 9	-2.122 4	0.041 9
AB	-4.498 5	0.000 1	-3.6735	0.000 9	-10.904 9	0.000 0
AK	-4.532 6	0.000 1	-4.6335	0.000 1	-3.382 3	0.002 0
SARIMA	-2.915 1	0.006 5	-3.2303	0.002 9	-4.062 2	0.000 3
ARIMA	-5.010 2	0.000 0	-5.2175	0.000 0	-4.459 2	0.000 1

表7 各模型的1步、2步、3步预测结果（深圳宝安国际机场）

Tab.7 One step， 2 step and 3 step ahead prediction results of different models （Shenzhen Bao’an International Airport）

预测步长	模型	RMSE	MAPE/%	R ²	DA
1步	ARIMA	17.065 2	3.347 1	0.625 5	0.741 9
	SARIMA	10.823 3	2.107 4	0.849 4	0.838 7
	AK	12.183 5	2.495 7	0.809 1	0.871 0
	AB	17.100 1	3.447 3	0.624 0	0.741 9
	STL-AK	8.572 0	1.568 9	0.905 5	0.838 7
	STL-AB	3.884 1	0.829 9	0.980 6	0.903 2
	STL-SAAB	2.823 6	0.465 0	0.989 7	0.935 5
	STL-EMD-SAAKAB	2.561 2	0.407 9	0.991 6	0.935 5
	本文模型	2.322 5	0.438 4	0.993 1	0.935 5
2步	ARIMA	16.415 4	3.154 0	0.649 6	0.774 2
	SARIMA	10.939 7	2.132 4	0.844 4	0.774 2
	AK	11.732 3	2.306 5	0.821 0	0.838 7
	AB	17.805 8	3.463 4	0.587 7	0.709 7
	STL-AK	8.581 4	1.593 2	0.904 2	0.838 7
	STL-AB	5.281 8	0.945 9	0.963 7	0.935 5
	STL-SAAB	4.222 1	0.732 6	0.976 8	0.903 2
	STL-EMD-SAAKAB	2.901 6	0.522 9	0.989 1	0.935 5
	本文模型	2.858 9	0.506 1	0.989 4	0.935 5
3步	ARIMA	16.762 8	3.366 6	0.628 6	0.741 9
	SARIMA	11.303 5	2.280 2	0.831 1	0.903 2
	AK	11.905 9	2.346 8	0.812 6	0.935 5
	AB	21.996 7	4.532 0	0.360 4	0.677 4
	STL-AK	8.529 9	1.594 8	0.903 8	0.871 0
	STL-AB	6.042 1	1.105 0	0.951 7	0.935 5
	STL-SAAB	5.434 5	1.033 7	0.961 0	0.903 2
	STL-EMD-SAAKAB	3.961 3	0.719 1	0.979 3	0.903 2
	本文模型	3.309 8	0.624 5	0.985 5	0.935 5

表8 各模型1步、2步和3步预测的DM检验结果（深圳宝安国际机场）

Tab.8 DM test results of 1 step， 2 step and 3 step ahead prediction of different models （Shenzhen Bao’an International Airport）

模型	1步		2步		3步
模型	DM	p值	DM	p值	DM	p值
STL-EMD- SAAKAB	-0.428 2	0.671 5	-0.085 5	0.932 4	-0.751 1	0.458 3
STL-SAAB	-1.258 7	0.217 5	-2.480 7	0.018 7	-3.744 9	0.000 7
STL-AB	-5.909 6	0.000 0	-3.760 8	0.000 7	-4.154 9	0.000 2
STL-AK	-4.170 4	0.000 2	-4.434 0	0.000 1	-4.307 2	0.000 2
AB	-7.414 3	0.000 0	-6.340 1	0.000 0	-7.823 1	0.000 0
AK	-5.928 4	0.000 0	-7.630 5	0.000 0	-8.437 5	0.000 0
SARIMA	-7.249 4	0.000 0	-8.562 5	0.000 0	-7.052 5	0.000 0
ARIMA	-6.635 4	0.000 0	-7.755 3	0.000 0	-9.629 5	0.000 0

表9 各模型的1步、2步、3步预测结果（海口美兰国际机场）

Tab.9 One step， 2 step and 3 step ahead prediction results of different models （Haikou Meilan International Airport）

预测步长	模型	RMSE	MAPE/%	R ²	DA
1步	ARIMA	18.516 1	7.896 0	0.439 9	0.548 4
	SARIMA	8.506 4	3.527 8	0.881 8	1.000 0
	AK	11.820 1	5.170 3	0.771 8	0.838 7
	AB	15.145 8	6.198 8	0.625 2	0.774 2
	STL-AK	6.615 5	2.629 8	0.928 5	1.000 0
	STL-AB	10.542 0	4.615 1	0.818 4	0.871 0
	STL-SAAB	6.685 2	2.445 2	0.927 0	1.000 0
	STL-EMD-SAAKAB	3.080 4	1.339 9	0.984 5	1.000 0
	本文模型	2.690 5	1.166 1	0.988 2	1.000 0
2步	ARIMA	26.537 2	11.435 5	0.165 3	0.451 6
	SARIMA	10.384 5	4.738 7	0.823 4	0.871 0
	AK	12.239 5	5.531 4	0.754 6	0.871 0
	AB	21.311 9	8.476 2	0.256 0	0.741 9
	STL-AK	7.584 6	2.969 2	0.905 8	1.000 0
	STL-AB	8.462 6	3.690 2	0.882 7	0.935 5
	STL-SAAB	7.176 8	2.632 6	0.915 6	1.000 0
	STL-EMD-SAAKAB	6.241 3	2.730 5	0.936 2	0.967 7
	本文模型	5.431 9	2.267 4	0.951 7	1.000 0
3步	ARIMA	29.087 5	12.235 8	0.123 2	0.516 1
	SARIMA	12.304 4	5.607 1	0.751 5	0.871 0
	AK	13.043 2	5.917 7	0.720 8	0.838 7
	AB	21.929 5	9.406 5	0.210 6	0.741 9
	STL-AK	8.844 6	3.619 6	0.871 6	0.967 7
	STL-AB	8.492 7	3.285 5	0.881 6	0.967 7
	STL-SAAB	8.134 4	3.369 8	0.891 4	1.000 0
	STL-EMD-SAAKAB	7.406 5	2.779 5	0.910 0	0.967 7
	本文模型	6.916 2	2.633 4	0.921 5	0.967 7

表10 各模型1步、2步和3步预测的DM检验结果（海口美兰国际机场）

Tab.10 DM test results of 1 step， 2 step and 3 step ahead prediction of different models （Haikou Meilan International Airport）

模型	1步		2步		3步
模型	DM	p值	DM	p值	DM	p值
STL-EMD- SAAKAB	-1.485 1	0.147 6	-1.511 7	0.140 7	-0.8811	0.385 1
STL-SAAB	-2.200 8	0.035 3	-1.863 2	0.073 6	-1.7473	0.097 8
STL-AB	-4.858 4	0.000 0	-4.995 9	0.000 0	-1.8379	0.075 7
STL-AK	-3.284 7	0.002 5	-1.903 9	0.062 7	-2.0238	0.043 9
AB	-4.246 6	0.000 2	-2.178 8	0.037 1	-2.4305	0.021 1
AK	-5.383 6	0.000 0	-3.694 1	0.000 8	-3.0034	0.005 2
SARIMA	-4.451 2	0.000 1	-4.308 3	0.000 2	-4.3382	0.000 1
ARIMA	-7.763 4	0.000 0	-8.400 7	0.000 0	-4.8758	0.000 0

参考文献 26

1	CHAN L L， GULERIA Y， ALAM S. Air passenger forecasting using Neural Granger causal Google trend queries［J］. Journal of Air Transport Management， 2021， 95： No. 102083. 10.1016/j.jairtraman.2021.102083
2	DANTAS T M， CYRINO OLIVEIRA F L， REPOLHO H M V. Air transportation demand forecast through Bagging Holt Winters methods［J］. Journal of Air Transport Management， 2017， 59： 116- 123. 10.1016/j.jairtraman.2016.12.006
3	梁小珍，乔晗，汪寿阳，等. 基于奇异谱分析的我国航空客运量集成预测模型［J］. 系统工程理论与实践， 2017， 37（ 6）： 1479- 1488. 10.12011/1000-6788(2017)06-1479-10
	LIANG X Z， QIAO H， WANG S Y， et al. An integrated forecasting model for air passenger traffic in China based on singular spectrum analysis［J］. Systems Engineering — Theory and Practice， 2017， 37（ 6）： 1479- 1488. 10.12011/1000-6788(2017)06-1479-10
4	TSUI W H K， BALLI H O， GILBEY A， et al. Forecasting of Hong Kong Airport’s passenger throughput［J］. Tourism Management， 2014， 42： 62- 76. 10.1016/j.tourman.2013.10.008
5	NIETO M R， CARMONA-BENÍTEZ R B. ARIMA + GARCH + Bootstrap forecasting method applied to the airline industry［J］. Journal of Air Transport Management， 2018， 71： 1- 8. 10.1016/j.jairtraman.2018.05.007
6	GUNTER U， ZEKAN B. Forecasting air passenger numbers with a GVAR model［J］. Annals of Tourism Research， 2021， 89： No. 103252. 10.1016/j.annals.2021.103252
7	NOURZADEH F， EBRAHIMNEJAD S， KHALILI-DAMGHANI K， et al. Forecasting the international air passengers of Iran using an artificial neural network［J］. International Journal of Industrial and Systems Engineering， 2020， 34（ 4）： 562- 581. 10.1504/ijise.2020.106089
8	BAO Y K， XIONG T， HU Z Y. Forecasting air passenger traffic by support vector machines with ensemble empirical mode decomposition and slope-based method［J］. Discrete Dynamics in Nature and Society， 2012， 2012： No. 431512. 10.1155/2012/431512
9	QIN L， LI W D， LI S J. Effective passenger flow forecasting using STL and ESN based on two improvement strategies［J］. Neurocomputing， 2019， 356： 244- 256. 10.1016/j.neucom.2019.04.061
10	WAN H Y， GUO S N， YIN K， et al. CTS-LSTM： LSTM-based neural networks for correlated time series prediction［J］. Knowledge-Based Systems， 2020， 191： No. 105239. 10.1016/j.knosys.2019.105239
11	朱贾悦，方雨晨，李欣月. 成都双流机场旅客吞吐量的预测研究［J］. 交通科技与经济， 2019， 21（ 1）： 48- 51， 69.
	ZHU J Y， FANG Y C， LI X Y. Prediction research on passenger throughput of Chengdu Shuangliu Airport［J］. Technology and Economy in Areas of Communications， 2019， 21（ 1）： 48- 51， 69.
12	ZHAO K Y， LI L， CAI S H， et al. An optimized time series combined forecasting method based on neural networks［J］. The Journal of Supercomputing， 2020， 76（ 4）： 2986- 3012. 10.1007/s11227-019-03064-5
13	JIN F， LI Y W， SUN S L， et al. Forecasting air passenger demand with a new hybrid ensemble approach［J］. Journal of Air Transport Management， 2020， 83： No. 101744. 10.1016/j.jairtraman.2019.101744
14	梁小珍，郭战坤，张倩文，等. 基于奇异谱分析的航空客运需求分析与分解集成预测模型［J］. 系统工程理论与实践， 2020， 40（ 7）： 1844- 1855. 10.12011/1000-6788-2019-1010-12
	LIANG X Z， GUO Z K， ZHANG Q W， et al. An analysis and decomposition ensemble prediction model for air passenger demand based on singular spectrum analysis［J］. Systems Engineering — Theory and Practice， 2020， 40（ 7）： 1844- 1855. 10.12011/1000-6788-2019-1010-12
15	NAI W， LIU L， WANG S Y， et al. An EMD-SARIMA-based modeling approach for air traffic forecasting［J］. Algorithms， 2017， 10（ 4）： No. 139. 10.3390/a10040139
16	梁小珍，邬志坤，杨明歌，等. 基于二次分解策略和模糊时间序列模型的航空客运需求预测研究［J］. 中国管理科学， 2020， 28（ 12）： 108- 117.
	LIANG X Z， WU Z K， YANG M G， et al. Air passenger demand forecasting based on dual decomposition strategy and fuzzy time series model［J］. Chinese Journal of Management Science， 2020， 28（ 12）： 108- 117.
17	YANG S B， DENG Z G， LI X F， et al. A novel hybrid model based on STL decomposition and one-dimensional convolutional neural networks with positional encoding for significant wave height forecast［J］. Renewable Energy， 2021， 173： 531- 543. 10.1016/j.renene.2021.04.010
18	董永峰，孙跃华，高立超，等. 基于改进一维卷积和双向长短期记忆神经网络的故障诊断方法［J］. 计算机应用， 2022， 42（ 4）： 1207- 1215. 10.11772/j.issn.1001-9081.2021071243
	DONG Y F， SUN Y H， GAO L C， et al. Fault diagnosis method based on improved one-dimensional convolution and bidirectional long short-term memory neural networks［J］. Journal of Computer Applications， 2022， 42（ 4）： 1207- 1215. 10.11772/j.issn.1001-9081.2021071243
19	WU Q L， LIN H X. Daily urban air quality index forecasting based on variational mode decomposition， sample entropy and LSTM neural network［J］. Sustainable Cities and Society， 2019， 50： No. 101657. 10.1016/j.scs.2019.101657
20	GUO Z， YU B， HAO M Y， et al. A novel hybrid method for flight departure delay prediction using Random Forest Regression and Maximal Information Coefficient［J］. Aerospace Science and Technology， 2021， 116： No. 106822. 10.1016/j.ast.2021.106822
21	李莎，林晖. 结合MLR和ARIMA模型的时空建模及预测［J］. 计算机工程与应用， 2021， 57（ 13）： 276- 282. 10.3778/j.issn.1002-8331.2004-0214
	LI S， LIN H. Spatio-temporal modelling and prediction combined with MLR and ARIMA model［J］. Computer Engineering and Applications， 2021， 57（ 13）： 276- 282. 10.3778/j.issn.1002-8331.2004-0214
22	XU S J， CHAN H K， ZHANG T T. Forecasting the demand of the aviation industry using hybrid time series SARIMA-SVR approach［J］. Transportation Research Part E： Logistics and Transportation Review， 2019， 122： 169- 180. 10.1016/j.tre.2018.12.005
23	SUN S L， WEI Y J， TSUI K L， et al. Forecasting tourist arrivals with machine learning and internet search index［J］. Tourism Management， 2019， 70： 1- 10. 10.1016/j.tourman.2018.07.010
24	DO Q H， LO S K， CHEN J F， et al. Forecasting air passenger demand： a comparison of LSTM and SARIMA［J］. Journal of Computer Science， 2020， 16（ 7）： 1063- 1084. 10.3844/jcssp.2020.1063.1084
25	龚飘怡，罗云峰，方哲梅，等. 基于Attention-BiLSTM-LSTM神经网络的短期电力负荷预测方法［J］. 计算机应用， 2021， 41（ S1）： 81- 86. 10.11772/j.issn.1001-9081.2020091423
	GONG P Y， LUO Y F， FANG Z M， et al. Short-term power load forecasting method based on Attention-BiLSTM-LSTM neural network［J］. Journal of Computer Applications， 2021， 41（ S1）： 81- 86. 10.11772/j.issn.1001-9081.2020091423
26	熊涛. 基于EMD的时间序列预测混合建模技术及其应用研究［D］. 武汉：华中科技大学， 2014： 50- 51.
	XIONG T. EMD-based hybrid modeling techniques for time series forecasting and their applications［D］. Wuhan： Huazhong University of Science and Technology， 2014： 50- 51.

[1]	李敬虎, 邢前国, 郑向阳, 李琳, 王丽丽. 基于深度学习的无人机影像夜光藻赤潮提取方法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2969-2974.
[2]	魏佳璇, 杜世康, 于志轩, 张瑞生. 图像分类中的白盒对抗攻击技术综述[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2732-2741.
[3]	尹靖涵, 瞿绍军, 姚泽楷, 胡玄烨, 秦晓雨, 华璞靖. 基于YOLOv5的雾霾天气下交通标志识别模型[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2876-2884.
[4]	张显杰, 张之明. 基于卷积神经网络和Transformer的手写体英文文本识别[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2394-2400.
[5]	程南江, 余贞侠, 陈琳, 乔贺辙. 基于领域自适应的多源多标签行人属性识别[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2401-2406.
[6]	王一宁, 赵青杉, 秦品乐, 胡玉兰, 宗春梅. 基于轻量密集神经网络的医学图像超分辨率重建算法[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2586-2592.
[7]	刘亚姣, 于海涛, 王江, 于利峰, 张春晖. 基于深度学习的型钢表面多形态微小缺陷检测算法[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2601-2608.
[8]	秦庭威, 赵鹏程, 秦品乐, 曾建朝, 柴锐, 黄永琦. 基于残差注意力机制的点云配准算法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2184-2191.
[9]	韩亚茹, 闫连山, 姚涛. 基于元学习的深度哈希检索算法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2015-2021.
[10]	董宁, 程晓荣, 张铭泉. 基于物联网平台的动态权重损失函数入侵检测系统[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2118-2124.
[11]	刘万军, 王佳铭, 曲海成, 董利兵, 曹欣宇. 基于频谱空间域特征注意的音乐流派分类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2072-2077.
[12]	王震宇, 张雷, 高文彬, 权威铭. 基于渐进式神经网络架构搜索的人体运动识别[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2058-2064.
[13]	江静, 陈渝, 孙界平, 琚生根. 融合后验概率校准训练的文本分类算法[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1789-1795.
[14]	文敏, 王荣存, 姜淑娟. 基于关系图卷积网络的源代码漏洞检测[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1814-1821.
[15]	韩玉民, 郝晓燕. 基于子词嵌入和相对注意力的材料实体识别[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1862-1868.

基于二次分解重构策略的航空客流需求预测

Air passenger demand forecasting based on dual decomposition and reconstruction strategy

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 26

相关文章 15

编辑推荐

Metrics