一种基于ARIMA和LSTM的民航旅客订座组合预测模型

摘要/Abstract

摘要： 针对民航旅客订座预测问题，提出一种组合预测模型。首先，根据订座特性，设计缺失值、噪声数据预处理方法，使得历史订座数据得到有效校正。然后，为了提高预测准确性，建立自回归求积移动平均模型（ARIMA）以及基于特征选取长短时记忆网络（LSTM）的组合预测模型，并利用某航空公司实际订座数据，将该组合模型应用于旅客订座预测场景中，实验结果表明，本文提出的组合模型的MAE值、RMSE值均小于2个单项模型，预测结果更准确。

关键词: 预测模型, 自回归求积移动平均模型, 长短时记忆网络, 组合模型

Abstract: In this paper, a combined prediction model is proposed for the prediction of passenger reservation in civil aviation. First of all, according to the characteristics of reservation, this paper designs an algorithm dealing with missing values and noise so as to correct the reservation data effectively. Then, for improving prediction accuracy, a combined prediction model which is composed of the ARIMA and LSTM algorithm is constructed. The actual passenger reservation data of an airline company is used for the prediction. The experiments show that the values of MAE and RMSE of the combined model are smaller than single model before combination. The prediction result is also more accurate and applicable.

Key words: prediction model, autoregressive integrated moving average model, long short term memory network, combined model

赵烜. 一种基于ARIMA和LSTM的民航旅客订座组合预测模型[J]. 计算机与现代化, 2020, 0(11): 65-69.

ZHAO Xuan. A Combined Prediction Model of Civil Aviation Passenger Reservation Based on ARIMA and LSTM[J]. Computer and Modernization, 2020, 0(11): 65-69.

参考文献

［1］姜诗奇,李博峰. ARIMA模型在卫星钟差短期预报中的应用［J］. 导航定位学报, 2019,7(4):118-124.
［2］杨冬菊,邓崇彬. 基于ARIMA模型的虚拟资源动态调度方法［J］. 计算机科学, 2017,44(10):14-19.
［3］刘亚辉,韩明轩,郭俊岑,等. 基于密度聚类与ARIMA模型短期电力负荷预测［J］. 北京信息科技大学学报, 2019,34(5):84-87.
［4］ HOCHREITER S, SCHMIDHUBER J. LSTM can solvehard long time lag problems［C］// Proceedings of the 9th International Conference on Neural Information Processing Systems. 1997:473-479.
［5］黄婷婷,余磊. SDAE-LSTM模型在金融时间序列预测中的应用［J］. 计算机工程与应用, 2019,55(1):142-148.
［6］王书芹,华钢,郝国生. 基于灰狼优化算法的长短期记忆网络在时间序列预测中的应用［J］. 中国科技论文, 2017,12 (20):2309-2314.
［7］ CAO J, LI Z, LI J. Financial time series forecasting model based on CEEMDAN and LSTM［J］. Physica A: Statistical Mechanics and Its Applications, 2019,519(4):127-139.
［8］陈佳，刘冬雪，武大硕. 基于特征选取与LSTM模型的股指预测方法研究［J］. 计算机工程与应用, 2019,55(6):108-112.
［9］徐高扬,刘姚. LSTM网络在台风路径预测中的应用［J］. 计算机与现代化, 2019(5):68-72.
［10］MA X L, TAO Z M, WANG Y H, et al. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data［J］. Transportation Research Part C, 2015,54(5):187-197.
［11］FU R, ZHANG Z, LI L. Using LSTM and GRU neural network methods for traffic flow prediction［C］// 2016 31st IEEE Youth Academic Annual Conference of Chinese Association of Automation(YAC). 2016:324-328.
［12］林友芳,尹康,党毅. 基于时空LSTM的OD客运需求预测［J］. 北京交通大学学报, 2019,43 (1):114-121.

［13］演克武,朱金福. 基于支持向量机回归算法的航空公司客流量预测研究［J］. 企业经济, 2010(3):88-90.

［14］冯兴杰,魏新,黄亚楼. 基于支持向量回归的旅客吞吐量预测研究［J］. 计算机工程, 2005,31(14):172-173.
［15］王兴云,樊玮,吴桐水. 基于BP神经网络的航班需求预测模型［J］. 中国民航大学学报, 2004,22(6):44-49.
［16］XIE G, WANG S Y, LAI K K. Short-term forecasting of air passenger by using hybrid seasonal decomposition and least squares support vector regression approaches［J］. Journal of Air Transport Management, 2014(37):20-26.
［17］郑荣,颜七笙. 基于ARIMA与SVM的国际铀资源价格预测［J］. 计算机工程与应用, 2016,52(1):146-150.
［18］崔德光,吴淑宁,徐冰. 空中交通流量预测的人工神经网络和回归组合方法［J］. 清华大学学报（自然科学版）, 2005,45(1):25-37.
［19］汪明达，周俏丽，蔡东风. 采用混合模型的电信领域用户流失预测［J］. 计算机工程与应用， 2019,55(24):214-221.
［20］杨宜霖,刘臣宇,祁昌彬. 基于模糊变权组合预测模型的航材预测［J］. 计算机与现代化, 2019(10):40-42.
［21］许国艳, 朱进, 司存友,等. 基于CNN和MC的水文时间序列预测组合模型［J］. 计算机与现代化, 2019(11):23-28.
［22］HOCHREITER S, BENGIO Y, FRASCONI P. Gradient flow in recurrent nets: The difficulty of learning long-term dependencies［M］// KREMER S C, KOLEN J F. Field Guide to Dynamical Recurrent Neural Networks. Piscataway, NJ, USA: IEEE Press, 2001:237-243.
［23］KINGMA D P, BA J. Adam: A method for stochastic optimization［C］// The 3rd International Conference for Learning Representations. 2015.

[1]	龚谊承1, 2, 刘青1, 2. 基于RF-LCE-BiLSTM-Attention-AMSSA模型的京剧二分类[J]. 计算机与现代化, 2024, 0(11): 7-12.
[2]	曹宁1, 徐根祺2, 张雯3, 许又文1, 何盼情1. 基于AFSPSO-ν-SVM的山洪灾害预测方法研究#br# #br#[J]. 计算机与现代化, 2024, 0(05): 33-37.
[3]	刘付琪, 张达, 宋建华, 王海东. 基于CNN-BiLSTM的液压系统故障诊断[J]. 计算机与现代化, 2023, 0(09): 10-19.
[4]	冀心成, 汪衍凯, 张迎, 许彦杰. 贝叶斯优化梯度提升树的室内日光照度分布预测[J]. 计算机与现代化, 2023, 0(09): 44-50.
[5]	张志霞, 谢宝强. 基于FCGA-LSTM与迁移学习的天然气负荷预测[J]. 计算机与现代化, 2023, 0(07): 7-12.
[6]	李世佳, 侯丽娟, 汤斌, 杨柳, 刘恒, . 基于ICEEMDAN-BiLSTM-ARIMA组合模型的桥梁健康监测数据预测模型#br#[J]. 计算机与现代化, 2023, 0(07): 36-42.
[7]	徐涯昕, 何泽恩, 徐绪堪. 基于CNN-BiLSTM网络的数控机床故障文本自动分类[J]. 计算机与现代化, 2023, 0(04): 7-14.
[8]	王运乾, 王以松, 陈攀峰, 邹龙. 融合注意力机制的药用植物文本命名实体识别[J]. 计算机与现代化, 2021, 0(11): 100-105.
[9]	陈晓雷, 王星星, 申浩阳. 智慧农业中时序数据组合预测模型[J]. 计算机与现代化, 2021, 0(09): 121-126.
[10]	周勇强, 朱跃龙. 基于SFLA-CNN和LSTM组合模型的水位预测[J]. 计算机与现代化, 2021, 0(04): 1-7.
[11]	魏健, 赵红涛, 刘敦楠, 加鹤萍 . 基于集成模型的超短时负荷预测方法[J]. 计算机与现代化, 2021, 0(03): 12-17.
[12]	徐肖遥, 张鹏飞, 蒋剑. 基于EMD-GAELM-ARIMA算法的大坝变形预测[J]. 计算机与现代化, 2020, 0(07): 1-5.
[13]	侯星晨, 王锦. 基于自适应注意模型的图像描述[J]. 计算机与现代化, 2020, 0(06): 95-.
[14]	李思雨 . 基于极限学习机的组合软件可靠性模型研究[J]. 计算机与现代化, 2019, 0(11): 44-.
[15]	徐高扬，刘姚. LSTM网络在台风路径预测中的应用[J]. 计算机与现代化, 2019, 0(05): 64-.