基于组合模型的机场客流量预测方法研究

为了应对由于无法有效预测机场旅客流量所带来的安全风险、服务质量下降以及资源配置不当等问题,文章结合机器学习和深度学习的方法,构建了SARIMA-CNN-LSTM组合模型来预测机场客流量。模型首先利用SARIMA能够处理数据中线性和季节性成分的特点对数据进行预测,但SARIMA无法充分拟合非线性或复杂成分,从而产生拟合序列和残差序列,单独使用LSTM对残差序列进行处理时效果不太好,因此模型采用CNN-LSTM结构来处理残差序列,该结构利用CNN提取残差序列的非线性等复杂特征并降低维度,使序列适应LSTM的输入要求,利用LSTM模型捕捉CNN处理后的序列的长期依赖关系并进行非线性建模和预测,得到CNN-LSTM对残差序列的预测结果。最后,模型将SARIMA和CNN-LSTM预测的结果进行组合得到最终的预测结果。实验结果表明,文章所构建的组合模型具有良好的客流量预测效果,有助于机场工作安全高效的进行。