基于HW-EEMD-SVM模型的民航客运量预测

作为国民经济和社会发展的重要行业之一,民用航空业在交通运输领域有着重要的作用。本文在把握中国民航客运量数据特征的条件下,基于集成组合预测的思想,将传统时间序列预测方法与机器学习相结合,利用EEMD方法建立了一个HW-EEMDSVM误差修正组合预测模型。之后,选取2008~2019年的中国民航客运量月度数据作为考察样本进行建模及验证模型预测效果,并将之与HW模型、BP模型、SVM模型、EEMD-BP模型、EEMD-SVM模型、HW-EEMD-BP模型的预测效果进行比较,结果表明本文所选的组合预测模型可以为中国民航客运量波动特征下的数据变化趋势提供较为有效的预测。最后,本文还对疫情发生以来中国民航客运量的变化情况进行了影响分析,对疫情可能造成的冲击进行了量化测算。

基于组合预测研究新冠疫情对民航客运量的影响

新冠疫情的暴发,很大程度上影响了人民的生产生活,民航业是受其影响最直接的行业之一。量化研究新冠疫情对民航客运量的影响,能帮助我国民航业在新冠疫情影响下更好地把握行业发展趋势。选取我国2009~2019年民航客运量月度数据,建立组合预测模型并通过验证,通过该组合模型预测新冠疫情后的2020~2021年客运量,并与实际数据作比较。试验结果显示,新冠疫情对我国民航业的影响是显著的,民航客运市场恢复至疫情前的规模尚需时日。

基于干预SARIMA模型对疫情后民航客运量的预测

民航客运量不仅是交通运输部门确定合理交通设施规模的基础,同时也是保障机场设施高效率利用的前提。因此,对疫情后民航客运量展开科学预测显得尤为重要。针对现阶段对客运量预测中未能定量考虑到新冠疫情对客运量影响的研究缺口,本文在建立SARIMA(1,1,1) × (0,1,1)12模型对未发生疫情下我国民航客运量展开预测的基础上,运用干预分析方法定量衡量新冠疫情对民航客运量的影响,进而对疫情后民航客运量展开预测。结果表明,相比于单一SARIMA模型,干预SARIMA模型对疫情后民航客运量短期预测效果表现良好,后续可采用类似干预分析方法将经济状况、政策变化、航空公司策略等事件考虑进来,以更全面分析和预测民航客运量的变化。

民航客运量的多元线性回归分析

为了对民航业务量做出准确地评估和预测,利用多元线性回归分析方法对民航客运量的变化趋势及成因建立了多元线性回归模型,并从国民收入、消费额、铁路客运量、民航航线里程、来华旅游入境人数等方面进行了多元线性回归分析。

GM(1,1)残差模型在民航客运量预测中的应用

利用GM(1,1)模型对民航客运量进行模拟预测,用GM(1,1)残差模型对其进行修正,得出精度很高的预测公式,并用模型的后验差检验所建预测模型,证明预测公式精度较高,以期在今后的实际预测中取得很好效果。

民航客运量的因素分析与预测

通过研究民航客运量的影响因素这一实际例子,展示回归分析在实际中的应用。通过对民航客运量与铁路客运量、民航航线里程、入境旅游人数和国民总收入间的分析,建立多元及一元线性回归分析模型,对民航客运量的影响因素做了相关分析,最终找出影响最大的因素。

我国民航客运量影响因素分析

为了准确评估民航客运量与其影响因素之间的关系并提高预测精度,以1995-2014年我国民航客运量的统计数据为基础,通过主成分分析法选取出能反映原始指标96.532%信息量的1个主成分,建立了其与民航客运量之间的回归模型,并对回归模型进行了解释和检验。检验结果表明,主成分回归模型有较高的预测精度,预测结果较为准确。

民航客运量季节调整实证研究

在分析国内对民航客运量定量研究方法和存在问题的基础上,用国际上流行的X-12-ARIMA和TRAMO/SEATS季节调整方法对我国民航客运量的时间序列进行季节调整、分析和预测.实证研究表明,周末效应或闰年因素对我国民航游客运输量变化没有造成显著影响,而春节、SARS事件却是引起民航客运量大幅波动的重要因素.因此,季节调整手段为我们估算外界干扰因素的影响程度提供了一个可用的定量方法.

基于多变量灰色数列模型的民航客运量预测

通过增加白信息量降低预测系统的灰度,以灰色GM(1,1)和GM(1,N)模型为基础,提出了多变量灰色数列预测模型——PGM(1,N)模型,并将PGM(1,2)模型用于实例。结论为利用多变量灰色数列预测模型适宜,预测精度较高。

基于BP神经网络的北京民航客运量预测

本文首先从经济、旅游、竞争、机场运营能力四个方面构建影响北京民航客运量的指标体系,通过相关分析最终得到8个影响北京民航客运量的因素。然后把得到的8个影响因素作为BP神经网络的输入节点,通过对BP神经网络的不断训练,当BP神经网络的隐含层为11个时模型的性能最优。

三次指数平滑法在民航客运量预测中的应用

文章选取了浙江省1996-2015年民航客运人数,建立了三次指数平滑模型,对该省的民航客运量进行预测,所得的预测值与给出的实际值误差较小,验证了用此模型预测民航客运量的合理可行性。模型的结果和分析表明三次指数平滑法是一种适合民航客运量预测的方法,科学地对客运量进行预测,能为民航企业根据客运量制定合理的运营决策提供一些有价值的参考。

基于PSO-ELM算法的民航客运量预测

掌握民航客运量是航空公司在做重大科学决策和实施可行性计划的重要保障。为准确预测中国民航客运量的情况,引入了极限学习机(ELM),搭建民航客运量预测模型。建立了ELM神经网络最优结构,以此为基础,分别用粒子群算法(PSO)、遗传算法(GA)、差分进化算法(DE)对ELM的输入权值和隐含层阈值进行优化,降低了ELM随机生成参数的不稳定性。结果表明,PSO优化算法提高了ELM的拟合能力和泛化能力,预测精度也高于其他模型,为航空运输协调发展提供了可靠的依据。

基于偏最小二乘回归的我国民航客运量影响因素分析

民航客运量受到诸多因素的影响,本文选取了几个具有代表性的指标,通过偏最小二乘回归方法对民航客运量的影响因素进行了定量分析,并建立了预测模型。试图为我国民航事业的发展提供一些有价值的预测结果和相关信息。

基于乘积季节模型的民航客运量实证研究

随着我国经济实力不断增强,人民生活水平也不断提高,民航运输在人们的生活中发挥着越来越重要的作用。本文基于时间序列分析基本原理,选取2005年1月—2013年11月共107个月的月度数据建立ARIMA乘积季节模型,并对2013年12月—2014年12月的民航客运量进行预测分析。以期对序列中民航客运量的长期递增趋势以及以年为周期的季节效应进行解释,并根据预测结果给出相应的结论和建议。

民航客运量与国民受教育水平相关性研究

民航客运量预测是实现智能交通的重要环节,强相关的自变量探寻和精准预测模型建立具有重要意义,有助于民航业资源优化配置,提升旅客出行体验.现民航业普遍采用时间序列的方式进行客运量的预测,本文主要从民航客运量与国民受教育水平相关性分析入手,成功构造与民航客运量强相关的自变量,滚动累计普通本专科毕业规模,皮尔逊相关系数高达0.994,并通过该单变量构造回归模型,提出民航客运量预测的一种新方式,实现未来两年的民航客运量发展预测.

基于NARX动态神经网络的民航客运量预测研究

民航客运量的准确预测对民航交通规划建设具有现实意义。论文首先对民航客运量数据的变化趋势和特点进行分析,得到客运量时序数据的发展趋势及波动规律。其次,论文提出基于NARX动态神经网络的民航客运量预测方法,该模型可以从非平稳的时序数据中提起历史数据的发展趋势以及周期波动的规律。论文利用2008年~2017年的历史客运量时序数据对未来两年的客运量进行仿真预测并验证。同时,论文还选用了ARIMA模型,Holt-Winters模型进行对比仿真实验。仿真结果表明,NARX动态神经网络的预测精度最高,R2、MAE、RMSE分别为0.91、81(万人)、102(万人),可以有效提高民航客运量预测的准确度。

基于ARIMA 模型的中国民航客运量预测

本文针对我国民用航空公司客运量问题，依据现有的条件，查找和收集相关数据资料，总和时间序列分析和统计学等知识，采用ARIMA 模型，对民航客运量进行分析和预测。

基于ELM模型的民航客运量预测研究

航空企业在做规划运营之前,首要是要对民航客运量进行精准预测,这是航空公司在做重大科学决策和实施可行性计划的重要保障。然而,影响民航客运量的因素复杂多样,传统的预测方法难以达到日益高要求的预测精度,据此,文章基于影响民航客运量主要因素,一年的国内生产总值、外国人入境游客、定期航班航线里程、铁路客运量、第三产业增加值,利用超极限学习机(Extreme Learning Machine,ELM)的算法模型,对民航客运量进行预测,结果表明基于ELM预测模型具有较好的预测精度。

基于偏最小二乘回归的民航客运量预测与分析

民航客运量预测与分析结果直接影响民航交通规划与管理,对各机场与航空公司是否能够把握行业发展的趋势,并及时制定市场竞争规划有着重要意义。本文采用偏最小二乘回归模型,对2016-2020年的民航客运量做出预测。根据民航客运量需求与经济发展、对外开放之间的关系,分析民航客运量的影响因素,为航空业的民航客运量预测与研究提供了参考,对有效增加民航客运需求具有着一定的参考价值。

基于SARIMA-GARCH模型的民航客运量研究

民航客运量的研究有利于帮助政府和民航企业合理优化资源配置、制定运输规划。本文以2005年1月至2019年6月我国民航客运量的时间序列数据为研究对象,首先针对数据呈现的趋势及季节波动特征建立SARIMA(1,1,1)(0,1,1)12模型。其次,为提高模型预测精度,加入GARCH模型消除SARIMA(1,1,1)(0,1,1)12模型回归残差的异方差并建立SARIMA(1,1,1)(0,1,1)12-GARCH(1,1)模型,利用2019年7-12月的数据对模型进行验证,结果表明该模型预测的平均相对误差为1.32%,低于SARIMA(1,1,1)(0,1,1)12模型的3.27%。最后运用SARIMA(1,1,1)(0,1,1)12-GARCH(1,1)模型预测2020年1-6月的民航客运量,分析民航业受疫情的影响并给出建议。