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

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]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[2]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[3]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[4]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[5]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.
[6]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[7]	顾焰杰, 张英俊, 刘晓倩, 周围, 孙威. 基于时空多图融合的交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2618-2625.
[8]	石乾宏, 杨燕, 江永全, 欧阳小草, 范武波, 陈强, 姜涛, 李媛. 面向空气质量预测的多粒度突变拟合网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2643-2650.
[9]	赵亦群, 张志禹, 董雪. 基于密集残差物理信息神经网络的各向异性旅行时计算方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2310-2318.
[10]	徐松, 张文博, 王一帆. 基于时空信息的轻量视频显著性目标检测网络[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2192-2199.
[11]	孙逊, 冯睿锋, 陈彦如. 基于深度与实例分割融合的单目3D目标检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2208-2215.
[12]	吴筝, 程志友, 汪真天, 汪传建, 王胜, 许辉. 基于深度学习的患者麻醉复苏过程中的头部运动幅度分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2258-2263.
[13]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.
[14]	张郅, 李欣, 叶乃夫, 胡凯茜. 基于暗知识保护的模型窃取防御技术DKP[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2080-2086.
[15]	赵雅娟, 孟繁军, 徐行健. 在线教育学习者知识追踪综述[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1683-1698.

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