李思如

摘 要：本文基于我国1999—2020年民航客运量的月度数据，分别用传统的统计计量方法（SARIMA模型）和深度学习方法（LSTM神经网络）建立模型，评估并预测航空客运量。对比结果表明：相比传统SARIMA模型，LSTM模型对民航客运量的预测效果更好。

关键词：旅客运输量;航空公司;深度学习;季节ARIMA模型;LSTM模型

中图分类号：TP391.3     文献标识码：A     文章编号：1003-5168（2021）36-0018-04

Prediction of Air Passenger Traffic of SARIMA Model and LSTM Neural Network

LI Siru

（School of Statistics and Information，Shanghai University of International Business and Economics，Shanghai 201620）

Abstract： The article is based on the monthly data of civil aviation transportation in China from 1999 to 2020， and the model is established with traditional statistical metering methods （SARIMA models） and depth learning methods （LSTM neural networks） to assess and predict airline transport. The comparison results show that：compared to traditional SARIMA models， the LSTM model has better forecasting effects on civil aviation passenger traffic.

Keywords： passenger transportation; airline; deep learning; season ARIMA model; LSTM model

民航运输业不断向前发展，且经济全球化必然要求航空运输全球化。高质量的民航市场需求预测和发展规划是国民经济与民航运输业协调发展的前提[1]。

对航空公司客运量的预测，大部分采用的是传统的时间序列预测模型和机器学习预测模型。其中，传统的时间序列预测模型[2]包括自回归移动平均模型[ARIMA]、向量自回归模型[VAR]、广义自回归条件异方差模型[GARCH]等。尧姚等[3]建立[ARIMA-BP]组合模型以及[ARIMA]模型对我国民航客运量进行了预测，结果表明，组合模型的预测精度更高。孙亚兰[4]采用季节时间序列模型[SARIMA]预测航空客运量，较好地反映了航空客运短期发展现状。虽然这些预测模型已经得到了较好的实践验证，但由于时间序列变化莫测，以及模型建立的各种假设条件的局限性，难以确保线性预测模型的精度。近年来，深度学习方法不断发展和成熟，其中包含卷积神经网络[CNN]、循环神经网络[RNN]、长短期记忆网[LSTM]等。这些模型更适合输入多种类型数据，并能够拟合变量间各种复杂的关系，一定程度上可以避免过拟合，[RNN]拓展衍生出了[LSTM]，其已被证明在时间序列预测中能更好地模拟数据的长期依赖性，能记忆数据间的长期关系[5]。……