基于ARIMA模型的三亚机场客流量预测
基于ARIMA模型的海南省国内生产总值预测
基于ARIMA模型的海南省国内生产总值预测近年来，海南省的发展迅速，经济实力不断增强。
国内生产总值（GDP）作为衡量一个地区经济发展水平的重要指标，对于了解和预测地区经济发展具有重要意义。
本文将基于ARIMA模型对海南省未来一段时间的GDP进行预测，为相关部门提供参考和决策依据。
一、ARIMA模型简介ARIMA（Autoregressive Integrated Moving Average）模型是一种时间序列预测模型，能够对时间序列数据的趋势和季节性进行拟合和预测。
ARIMA模型包括自回归（AR）项、差分（I）项和移动平均（MA）项，通过对时间序列数据进行适当的差分或平滑处理，使得序列数据满足平稳性和白噪声的要求，然后建立ARIMA模型进行预测。
二、海南省GDP数据获取与处理我们需要获取海南省历年的GDP数据，并对其进行预处理。
海南省统计局、国家统计局等机构发布的年度GDP数据是我们获取数据的主要来源。
然后，对数据进行观察和处理，确定时间序列数据的平稳性和季节性特征，确定合适的ARIMA模型参数，并进行模型拟合和预测。
三、模型参数确定与数据拟合在建立ARIMA模型时，我们首先需要确定模型的阶数。
这一过程通常通过观察时间序列的自相关函数（ACF）和偏自相关函数（PACF）来确定。
ACF可以帮助我们确定移动平均项的阶数，PACF可以帮助我们确定自回归项的阶数。
然后，我们根据确定的阶数建立ARIMA模型，并对GDP数据进行拟合。
四、模型验证与预测在完成模型拟合后，我们需要对模型进行验证，确保模型的有效性和准确性。
主要通过残差的自相关性和偏自相关性来验证模型的拟合效果。
如果残差序列存在自相关性，则说明模型还需要进一步改进。
当我们验证模型有效后，就可以通过该模型对未来的GDP进行预测。
五、结果分析与展望通过ARIMA模型对海南省未来一段时间的GDP进行预测，我们可以得到相对准确的预测结果。
这对于相关部门进行经济规划和决策具有积极的意义。
基于ARIMA模型的人流量预测与调度优化
基于ARIMA模型的人流量预测与调度优化人流量预测与调度优化一直是城市规划和管理的重要课题，尤其是在大型城市和交通枢纽。
准确预测人流量可以帮助决策者更好地规划城市基础设施、改善交通状况、提升公共服务质量。
本文将针对人流量预测与调度优化的问题，基于ARIMA模型，对其方法及应用进行探讨。
第一部分：人流量预测方法介绍人流量预测是一种基于历史数据的时间序列预测方法。
ARIMA（自回归滑动平均模型）被广泛用于时间序列分析和预测。
其核心思想是通过对历史数据的分析和降维，寻找出可用于预测未来趋势的模型参数。
ARIMA模型包括自回归（AR）和滑动平均（MA）两个部分，再加上差分运算（I），用于处理非平稳时间序列。
通过对数据进行差分和拟合，ARIMA模型可以生成一组预测结果，从而实现人流量的预测。
第二部分：ARIMA模型在人流量预测中的应用1. 数据预处理在使用ARIMA模型进行人流量预测之前，需要对原始数据进行预处理。
包括数据清洗、数据平滑和异常值处理等，以确保数据的准确性和可靠性。
2. 模型参数估计ARIMA模型的核心是估计模型的参数。
这可以通过应用自相关函数（ACF）和偏自相关函数（PACF）进行模型识别和参数估计来实现。
通过选择合适的模型阶数，可以更好地适应数据的特征，从而提高预测准确性。
3. 模型评估与优化ARIMA模型的性能评估是确保其预测结果准确的关键步骤。
常用的评估指标包括均方根误差（RMSE）、平均绝对百分比误差（MAPE）等。
通过不断优化模型参数和调整模型结构，可以提高人流量预测的准确度。
第三部分：基于ARIMA模型的人流量调度优化人流量调度优化是指在预测的基础上，通过合理调整和分配资源，实现城市交通和公共服务的高效优化。
在基于ARIMA模型的人流量预测基础上，我们可以进行以下优化方法的应用：1. 预测结果的实时监控通过将ARIMA模型与实时数据流相结合，实现人流量预测结果的实时监控。
当实际人流量与预测结果出现较大偏差时，可以及时采取调度措施，如增加交通运力、调整路线等，以保证人流量的稳定和畅通。
基于ARIMA模型的海南省国内生产总值预测
基于ARIMA模型的海南省国内生产总值预测近年来，随着我国经济的不断发展，海南省已然成为了经济发展最为迅速的地区之一。
随着人们现代生活方式的逐渐普及和经济全球化的不断深化，一些新兴产业逐渐兴起，海南省的经济增长势头也愈加强劲。
因此，科学准确地预测海南省国内生产总值对于进行科学规划和经济发展十分必要。
本文基于ARIMA模型，对海南省国内生产总值进行预测，以期为相关决策人员提供一些有用的信息和参考。
一、ARIMA模型简介ARIMA模型全称为自回归(AR)综合移动平均(MA)模型。
将时间序列数据分解后，相应的模型是基本的AR、MA、ARMA和ARIMA模型。
1. 自回归(AR)模型：AR(p)模型意为现在的时间点的y值以前p个时间点的y值和一个具有白噪声的误差项所决定。
2. 移动平均(MA)模型：MA(q)模型意为本期的误差值与前q个期的误差有关，要根据前q个的白噪声误差，同时与一个常数项的线性组合。
3. 自回归移动平均(ARMA)模型：ARMA(p,q)模型则将AR、MA模型结合起来，含义是将自回归及移动平均融合在一起。
4. 差分时间序列及自回归移动平均差分(ARIMA)模型:ARIMA(p,d,q)模型引入了I（差分时间序列）这个概念，通过差分后的自回归移动平均（ARMA）模型。
ARIMA模型的简单做法是将时间序列进行差分直至稳定，再根据自相关函数ACF和偏自相关函数PACF来确定AR的阶数p和MA的阶数q，最后拟合出ARIMA(p,d,q)模型。
二、海南省国内生产总值的时间序列分析1. 数据来源本文所使用的数据来自于国家统计局发布的《海南省国民经济和社会发展统计公报》。
2. 数据处理由于时间序列的数据通常包含趋势、季节性、噪声等多个成分，为了方便后续分析，需要进行平稳性检验、自相关性检验等操作。
通过对数据可视化分析得出：由于数据存在趋势和季节性，在进行预测时需要进行处理。
基于 ARIMA 模型的海南旅游者人数预测
通过 整理 海南省 旅游 统计 的相 关数据 ， 可 以得 到
海南 省历 年接 待旅游 者人 数 的数 据 如表 １ 所示 。
旅 游经 济 的发展 规模 、 水平 及 趋 势 ， 有 利 于 旅 游接 待
地掌握 旅 游流 的变化 规律 ， 预先 做好 应对 旅游 者人数
表 １ 海南省 ２ ０ １ ０年 １月 至 ２ ０ １ ３年 １ １月 接 待旅 游 者 人 数
２ ６ ７ ． ７
２ ０ １ ３年 １ ０月
３ ２ ２ ． ５ ５
２ ０ １ ３年 １ １月
３ ９ ２ ． ９ ３
２ ０ １ ３年 １ ２月
１ ． ２ 数 据特 征
应用 Ｓ Ｐ Ｓ Ｓ软件 ， 绘 制 表 １中数 据 的序 列 图 ， 如
２ Ｏ ｌ Ｏ年 １ ２月
２ ６ ８ ． ３ ４
时 间
人 数
２ ０ １ １年 １月
２ ６ ０ ． ２ ３
２ ０ １ １年 ２月
２ ５ ３ ． ７ ３
２ ０ １ １年 ３月
２ ５ ８ ． ６ ４
２ ０ １ １年 ４月
２ ３ ８ ６ ２
２ Ｏ１ １年 ５月
２ ２ ４ ． ５ ４
２ ０ １ １年 ６月
２ Ｏ ２ ． Ｏ ３ Fra bibliotek时 间
人 数
２ ０ １ １年 ７月
２ ３ １ ． ５ ４
２ ０ １ １年 ８月
２ ３ ８ ． ７ ４
２ ０ １ １年 ９月
２ １ ３ ． ３ ５
２ ０ １ １年 １ Ｏ月
２ ４ ３ ． ２ ６
科
ｒ
作 为一 种社 会经 济活 动 ， 旅游 活 动 的基 本要 素有 三个 ， 即旅 游者 、 旅 游 对 象 和旅 游 业 。这 三 个 要 素 紧
基于ARIMA模型的海南省国内生产总值预测
基于ARIMA模型的海南省国内生产总值预测我觉得这是一个相当有趣的话题，我很乐意为您提供关于ARIMA模型的海南省国内生产总值预测的文章。
海南省位于中国的最南端，是一个美丽的热带岛屿，这里拥有丰富的自然资源和独特的旅游资源。
随着中国经济的不断发展，海南省的国内生产总值（GDP）也在逐步增长。
对于政府决策者和企业来说，准确预测未来的GDP增长趋势是十分重要的，这有助于合理安排资源和制定经济政策。
时间序列分析是一种能够预测未来数据趋势的方法，而ARIMA模型正是其中的一种经典模型。
ARIMA模型即自回归滑动平均模型，它是一种基于时间序列数据的预测方法，可以很好地适用于GDP数据的预测。
ARIMA模型可以根据历史数据的相关性和趋势来预测未来的数据，因此它十分适用于GDP增长趋势的预测。
我们需要收集海南省历年的GDP数据，并对其进行初步的数据分析。
使用统计学方法，我们可以对数据进行平稳性检验和相关性分析，从而确定ARIMA模型的参数。
接着，我们可以利用收集到的历史数据对ARIMA模型进行参数估计。
参数估计是ARIMA模型建立过程中的一个关键步骤，它可以帮助我们确定模型的自回归阶数、滑动平均阶数和差分阶数。
这些参数将直接影响到模型的预测效果，因此需要进行准确的估计。
在确定了模型的参数之后，我们就可以利用ARIMA模型对未来的GDP数据进行预测了。
这将包括预测未来一段时间内的GDP增长趋势，以及未来的GDP数值。
通过对ARIMA模型的预测结果进行分析，我们可以获得对未来GDP增长的一定程度的理解，并做出相应的战略规划和政策决策。
ARIMA模型可以为海南省的GDP预测提供一种有效的方法，它可以帮助政府决策者和企业做出更准确的经济决策。
我们也需要注意到ARIMA模型仍然是一种经典模型，它的预测效果可能会受到多种因素的影响。
在使用ARIMA模型进行GDP预测时，我们需要将其结果结合实际情况进行综合分析，并做出相应的调整和修正。
ARIMA模型的参数估计与预测
ARIMA模型的参数估计与预测ARIMA模型是一种常用于时间序列分析和预测的统计模型。
它可以通过对历史时间序列数据的分析来估计未来的趋势和周期性。
在进行ARIMA模型的参数估计和预测之前，我们首先需要了解ARIMA模型的组成和基本原理。
ARIMA模型是由自回归（AR）、差分（I）、移动平均（MA）这三个部分组成的。
自回归部分表示当前值与一些过去值的相关关系，差分部分对时间序列进行平稳化处理，移动平均部分则表示当前值与过去观测误差的相关关系。
这三个部分的组合可以通过ARIMA(p,d,q)进行表示，其中p、d和q分别代表AR部分的阶数、差分部分的阶数和MA部分的阶数。
在进行ARIMA模型的参数估计时，我们首先需要确定模型的阶数。
一种常用的方法是通过观察自相关图（ACF）和偏自相关图（PACF）来选择合适的阶数。
ACF表示观测值与滞后值之间的相关性，PACF表示观测值与滞后值之间的纯相关性。
根据ACF和PACF的图形特征，我们可以识别出模型中的AR和MA部分的阶数。
确定模型阶数后，我们可以使用最大似然估计（MLE）方法对模型的参数进行估计。
MLE方法是一种常用的参数估计方法，通过最大化在观测值给定情况下参数的可能性来估计参数值。
在ARIMA模型中，MLE方法可以用来估计AR和MA模型中的系数。
通过最大似然估计，我们可以得到ARIMA模型的最佳参数估计值。
在进行ARIMA模型的预测时，我们可以使用模型的参数估计值和历史观测值来预测未来的值。
预测方法可以采用递归方式，即使用已知的观测值和模型参数来计算未知的观测值。
这样，我们可以根据已知的历史观测值来预测未来的趋势和周期性。
ARIMA模型的参数估计和预测可以应用于各种领域的时间序列数据分析，包括股票价格预测、经济指标分析、气象数据预测等。
通过对时间序列数据的建模和分析，我们可以预测未来的趋势和变化，为决策提供参考。
除了ARIMA模型，还有其他一些时间序列分析和预测的方法和模型，如指数平滑法、回归模型等。
基于ARIMA模型的城市交通流量预测与控制
基于ARIMA模型的城市交通流量预测与控制城市交通流量预测与控制是现代城市规划和管理中的重要问题。
随着城市化的进程和人口的不断增长，交通拥堵已成为城市发展面临的主要挑战之一。
针对这一问题，利用时间序列分析中的ARIMA模型可以对城市交通流量进行准确预测，并为交通管理决策提供有力支持。
ARIMA模型是一种基于时间序列的统计模型，广泛应用于经济、金融、气象等领域的预测和分析中。
其核心思想是通过对时间序列的历史数据进行分析，识别出其中的趋势和季节性成分，并利用这些信息进行未来的预测。
在城市交通流量预测中，ARIMA模型可以通过分析历史的交通流量数据，捕捉其中的周期波动、趋势演变和季节性变化，从而预测未来的交通流量。
通过合理地选择ARIMA模型的参数，可以准确地描述和预测交通流量的变化趋势。
这对于城市交通的规划和管理具有重要意义。
首先，ARIMA模型可以帮助交通管理部门预测城市交通流量的变化趋势和周期波动。
通过对历史数据的回归分析，可以确定ARIMA模型中的自回归(AR)、差分(I)和移动平均(MA)的阶数，从而准确地描述交通流量的变化规律。
基于该模型，交通管理部门可以提前制定相应的交通调控措施，以应对未来交通流量的变化。
例如，在交通高峰期采取交通限行、交通信号优化等措施，可以有效缓解交通拥堵，提高交通效率。
其次，ARIMA模型还可以帮助交通管理部门预测城市交通流量的季节性变化。
城市交通流量往往呈现出明显的季节性特征。
比如，节假日期间和工作日的交通流量存在较大的差异。
利用ARIMA模型可以对这种季节性的变化进行预测，交通管理部门可以据此制定针对性的交通调控策略。
例如，在假期期间增加公共交通的运力，加强周边道路的管控，可以更好地适应交通流量的变化。
此外，ARIMA模型还可以用于判断城市交通流量的异常情况。
在交通管理中，突发事件（如事故、道路施工等）可能会导致交通流量的异常波动。
利用ARIMA模型，可以建立交通流量的上下限模型，当实际流量超出这些限制时，可以发出预警信号，交通管理部门可以及时采取相应的应急措施，以保障交通的安全和畅通。
基于大数据分析的航空客流量预测模型
基于大数据分析的航空客流量预测模型随着全球化的不断发展和人们生活水平的提高，航空旅行成为人们出行的重要方式之一。
航空客流量的预测对于航空公司的经营决策具有重要意义。
大数据分析技术的应用，为航空客流量预测提供了一种新的解决方案。
本文将介绍基于大数据分析的航空客流量预测模型的原理和应用。
一、背景描述航空客流量预测对于航空公司有着重要的意义。
准确的客流量预测可以帮助航空公司合理安排航班资源、提前制定航空票价策略、优化机场资源等，从而提高运营效率、降低成本、提升服务水平。
二、基于大数据分析的航空客流量预测模型的原理1.数据收集大数据分析的核心在于数据的收集与整理。
航空客流量预测模型需要收集大量的航空数据，包括航班信息、机票销售数据、机场设施等。
这些数据可以通过航空公司的数据平台、机场的数据中心以及第三方数据供应商等渠道获取。
2.数据清洗与整理收集到的原始数据通常需要经过清洗与整理，以消除噪声、纠正错误、统一格式等。
清洗与整理后的数据可以提高预测模型的准确性和可靠性。
3.特征提取在航空客流量预测模型中，选择适当的特征对于提高模型的性能至关重要。
特征提取是将原始数据转化为具有代表性的特征变量的过程。
基于航空客流量预测模型的特征可以包括航空公司、航班日期、航班时间、航线、机场等。
4.模型选择与构建在大数据分析的框架下，常用的航空客流量预测模型包括回归模型、时间序列模型、神经网络模型等。
根据实际情况，选择适合的模型进行建立。
5.模型训练与优化模型训练是基于已有数据集对预测模型进行参数估计的过程。
训练完成后，还可以通过进一步的优化算法来提高模型的预测准确性。
6.预测与评估模型训练完成后，可以使用该模型对未来的航空客流量进行预测。
同时，还需要对模型的预测结果进行评估，以确保模型的预测准确性。
三、基于大数据分析的航空客流量预测模型的应用1.航班资源调配航空客流量的预测可以帮助航空公司合理安排航班资源，根据预测结果对航班进行优化调度，以满足不同时间段的客流需求，减少排队时间和延误情况。
机场旅客吞吐量预测方法研究（交通运输规划与管理专业优秀论文）
南京航空航天大学硕士学位论文摘要近几年，城市化水平的提高、城乡地面交通网络的逐步完善，促成了地区机场群的形成。
这些机场群的出现给机场旅客吞吐量的预测带来了难题。
本文分析了目前机场旅客吞吐量常用预测方法的特点及影响机场旅客吞吐量形成的各种因素。
在此基础上根据处于机场群中各机场旅客吞吐量形成的特性，考虑到机场与机场之间的竞争因素的影响，结合巢式离散模型在城市交通方式选择中预测的原理将机场之间的竞争因素引入到机场旅客吞吐量的预测方法中。
本文先使用回归预测法对机场辐射区域内的旅客需求量进行预测，然后使用巢式离散选择模型建立机场选择巢式离散模型，使用该模型求出的效用函数对区域内总的旅客需求量进行重新分配，从而得到具体某机场的旅客吞吐量。
使用这种预测方法不仅考虑了机场所处地区社会经济条件对机场旅客吞吐量的影响，也考虑了区域内机场之间的竞争因素。
在理论研究的基础上本文还结合苏南（硕放）机场的实际对机场群中某一机场进行了航空旅客吞吐量的预测，并且就苏南（硕放）机场的发展提出了一些个人的看法。
关键词：机场群，需求量预测，旅客吞吐量预测，巢式离散模型，回归分析I机场旅客吞吐量预测方法研究IIAbstractThese years, the improvements of the level of urbanization and transport network havepromoted the formation of regional airports systems. The emergence of these airport groups brought new problems to the airport passenger throughput prediction. This paper analyzed the characteristics of the common methods for predicting the airport passenger throughput and the influence factors of the airport passenger throughput. Based on these analysis results, in accordance with the formation characteristics of passenger throughput of the airport in the airport groups, this paper used the Nested-Logit model which is often used in forecasting the city traffic choose activities in forecasting the airport passenger throughput. And this method considers the competition factor between the airport and nearly airports.First this text used the regression method to forecast the region passenger total demand. Then it used the Nested-Logit model to establish the airport choice Nested-Logit model. Used the utility function which is obtained by this model, the text redistributed the total demand and obtained the passenger throughput of the specific airport. This forecast method not only has considered the influence of the social and economic condition in the airport radiation areas, but also has considered the competition and promotion factors between the region airports. On the basis of theoretical study, this article forecasted the Su Nan (Shuo Fang) Airport passenger throughput with actual condition of this airport, and gave some personal opinion about the development of the Su Nan (Shuo Fang) Airport at last.Key words: multi-airports group, airport passenger throughput, demand forecasting, Nested-Logit model, Regression analysis知识水坝为您整理南京航空航天大学硕士学位论文图表清单图2.1 递减法 (7)图2.2 三层B-P网结构示意图 (8)图2.3 1991-2006年我国GDP与机场旅客吞吐量 (11)图2.4 1991-2006年我国人口与机场旅客吞吐量 (11)图2.5 1994-2006我国旅游人数与机场旅客吞吐量 (12)图2.6 06年长三角十机场旅客吞吐量比例与机场所在地相关经济指标比例 (13)图2.7本文预测方法流程图 (16)图3.1 NL模型结构示意图 (21)图4.1 机场竞争NL模型框架图 (25)图4.2 NL参数标定方法流程图 (26)图4.3 NR迭代算法 (31)图5.1无锡机场所处地理位置图 (35)图5.2 无锡硕放机场30-120分钟通勤时间内辐射区域 (37)表1.1 世界主要区域机场群各类机场的组成比率 (1)表1.2 长三角地区主要运输机场 (1)表1.3 长三角主要机场2001-2006旅客吞吐量所占份额 (1)表2.1 长三角地区各机场基础设施及运力水平统计表（06年） (14)表4.1 影响旅客选择机场的决定因素 (25)表4.2 机场竞争NL模型特性变量的选择 (27)表4.3 机场竞争NL模型数据整理 (28)表4.4 参数t值检验结果 (31)表5.1 1993-2006年无锡硕放机场旅客吞吐量和飞机起降架次 (33)表5.2 各不同等级道路时速 (37)表5.3 1999-2006年无锡硕放机场辐射区域内某些经济指标占全国总量的比例 (38)表5.4 1999-2006年无锡硕放机场辐射范围内的经济指标及机场的业务量 (38)表5.5 1999-2006年无锡硕放机场辐射范围内财政收入数据（单位：亿元） (39)表5.6 2000-2006苏南机场辐射范围内航空旅客需求总量预测值、实际值与误差（单位：万人次） (40)表5.7 2000-2007年无锡硕放机场辐射区域内各城市民航旅客需求量预测值 (40)表5.8 06年各地到各机场的民航旅客比例预测值（%） (41)V知识水坝为您整理机场旅客吞吐量预测方法研究VI 表5.9 2000-2007年各地将无锡硕放机场作为始发或达到机场的客流量预测 (42)表5.10 06年无锡地区客流量的流向 (43)表5.11 06年无锡硕放机场旅客吞吐量多种预测方法的预测结果与相对误差 (43)表5.12 苏南（硕放）机场旅客吞吐量及机场设计能力 (44)承诺书本人郑重声明：所呈交的学位论文，是本人在导师指导下，独立进行研究工作所取得的成果。
基于ARIMA模型的我国民航客运量时序分析
文章编号：1671－4067（2019）01－0018－03基于AＲIMA模型的我国民航客运量时序分析王蓉（江苏联合职业技术学院无锡汽车工程分院，江苏无锡214000）摘要：我们从国家统计局官网下载了我国民航客运量月度数据序列，对此序列经过对数变换和差分使之平稳化，然后建立了AＲIMA模型。
经实证检验，所得模型较为合理，所得到的预测结果具有一定参考价值。
关键词：民航客运；差分；时间序列；AＲIMA中图分类号：F562文献标识码：A随着全球化和“一带一路”的推进，世界各国商务人士的往来交流更加频繁；随着人均GDP和人均可支配收入等各项指标的高速增长，我国越来越多的居民有了更多更高层次的消费需求。
得益于我国多年的高速铁路、高速公路和机场等基础设施的建设，更多的居民在远距离出行时选择了民航。
由此我国的民航客运数据在规模数量上发展很快，对它进行量化分析有很强的现实意义。
本文将以时间序列分析为手段，借助SAS统计软件［1］的AＲIMA过程，分析我国交通运输业旅客运输量中的逐月民航客运量数据，并对未来一段时间的发展进行预测。
1时间序列分析概念时间序列分析是一种根据动态数据揭示系统动态结构和规律的统计方法，是统计学科的一个分支。
它的基本思想是根据系统有限长度的运动记录（观察数据），建立能够比较精确地反应时间序列中所包含的动态依存关系的数学模型，并借此对系统的未来行为进行预报。
Box和Jenkins［2］在总结前人研究成果的基础上，系统地阐述了对求和自回归移动平均AＲIMA模型的识别、估计、检验及预测的原理及方法。
为了纪收稿日期：2018－12－20作者简介：王蓉（1981－），女，浙江绍兴人，讲师．念Box和Jenkins对时间序列发展的特殊贡献，现在人们也常把AＲIMA模型称为Box－Jenkins模型［3］。
其做法是先将时间序列数据用变换及差分等方法平稳化，然后对该平稳序列求出其自相关和偏自相关函数，根据这两个指标的拖尾和截尾的表现特征进行模型识别和参数定阶，进而估计参数和序列预测。
基于ARIMA模型的机场吞吐量预测与分析
中国航班CHINA FLIGHTS机场之窗AIRPORT WINDOW20基于ARIMA模型的机场吞吐量预测与分析陈浩 程先宁 谢佳欣|重庆邮电大学摘要：机场的吞吐量数据对于机场及其周边商户采取决策具有重大意义。
上海浦东机场是我国颇具代表性的机场之一，因此本文选取上海浦东机场作为研究对象。
根据上海市出租车的行驶情况与机场的航班安排，考虑进港航班具有周期性变化，建立以ARIMA 模型为基础的动态时间序列，并运用BTC 准则平衡猜测误差，得到预测客流量。
关键词：数据分析；ARIMA 模型机场拥有庞大的旅客吞吐量，预测未来的旅客吞吐量对安检、应急事件等机场服务以及周边商户、出租车的决策具有重要意义。
本文选取浦东机场作为研究对象，使用ARIMA 模型，针对机场的航班安排，以历史每小时旅客吞吐量来进行时间序列分析。
本文采取的ARIMA 模型是一种时间序列预测方法，可应用在GDP 预测、短时交通流实时自适应预测[2]等多个领域。
1 ARIMA 模型的原理ARIMA 模型又叫自回归积分滑动平均模型，是一种时间序列预测方法。
通过将非平稳时间序列转化为平稳时间序列，将预测对象随时间推移而形成的数据序列用一定的数学模型来近似描述。
此题中我们利用此模型求取根据时间不断变化，并具有前后相关性的客流量大小，以此帮助出租车司机预测未来的客流量。
ARIMA 模型通常分为以下四个过程[3]：1.1自回归模型AR自回归模型AR 只适用于预测与自身前期相关的现象，并且时间序列需满足平稳性的要求。
于是确定一个阶数p，表示用来预测的p 阶段历史值。
因此可利用历史客流量值的线性组合描述未来某个时刻的客流量。
则一个p 阶的自回归模型的公式表示为：(1)上式p 为自回归阶数，ψ是常数项，εt为白噪声目标是当前值所受到的外部的干扰。
1.2移动平均模型MAMA 模型利用之前时刻的误差项的线性组合，将其累加，能有效消除预测中的随机波动，可以用q 阶自回归方程表示：(2)1.3自回归移动平均模型ARMA 由AR 模型和MA 模型相结合，便产生一个新的自回归移动平均模型ARMA，AMRA 模型表明所预测的结果受到当前的状态和环境的干扰，其回归方程如下：(3)1.4 ARIMA 模型将AR 模型、MA 模型和差分法结合，就得到了ARIMA(p,d,q)模型（其中p 为自回归项，q 为移动平均项数，d 是差分阶数）。
基于时间序列的机场短时段值机客流量预测
计算机仿真
2020年2月
基于时间序列的机场短时段值机客流量预测
衡红军，任鹏
(中国民航大学计算机科学与技术学院，天津300300) 摘要:在机场向数字化运营的转型过程中，为了实现航站楼内高效的运作以及资源的合理分配,从而对短时段的值机客流量 的预测提出了更高的要求。通过对机场历史数据的统计和分析，结合航班的DOW特性,分析值机客流量的相关影响因素， 以每小时的值机客流量为研究对象，构建基于时间序列的动态回归ARIMAX模型。实验结果表明，上述模型相对于传统的 预测模型,预测精度更高，拟合效果更精确，有效地预测了航站楼内短时段的值机旅客人数，为航站楼内资源的动态分配和 优化提供了不可或缺的决策支持。 关键词:时间序列；客流量预测;航站楼 中图分类号:TP39 文献标识码：B
研究相对较少。其中，对于短时段的客流量预测的研究则更 少。上述文献中客流量预测均是基于航班、航线或者航空公 司的研究角度，以月和天为最小周期进行分析预测,突出了 时间因素的作用，未考虑其它因素对预测序列的影响。对航 站楼短时段值机客流量而言，在实际值机环节中会受到航班 计划，值机方式等多方面因素的影响，导致时间序列存在跳 跃变化。传统的时间序列的预测方法更适用于渐进变化的 趋势预测,预测结果难以成为航站楼资源动态调整的辅助决 策依据。为了对航站楼内值机柜台资源及相关服务人员进 行实时动态分配,通过对机场历史信息数据的统计和分析， 并结合航班的DOW策略特性(day of week)以及值机方式的 选择性分析，从航站楼的角度思考值机客流量的预测问题， 以小时作为分析周期，运用分类预测和协整理论的思想，建 立带有输入变量的ARIMAX模型进行预测。本文所建模型 与传统的时间序列模型相比，具有更小的信息量和更高的拟 合度，提高了预测精度，减小了预测偏差。ARIMAX模型实 现了航站楼短时段内值机客流量的动态预测，有助于航站楼 合理开放值机柜台和配备工作人员，更快地协助旅客办理值 机，具有应用价值。机场客流量的预测方法主要有时来自序列［7'9J,J4\回归
基于机器学习的航空客流量预测研究
基于机器学习的航空客流量预测研究航空客流量预测是航空公司和机场管理人员需要处理的一个重要问题。
如何准确地预测航空客流量，不仅对于航空公司合理安排乘客流量、提高客户体验有着重要的作用，同时对于机场的规划和管理也至关重要。
因此，开展基于机器学习的航空客流量预测研究十分必要，它可以为航空公司和机场管理人员提供更加准确的决策支持，提高效率，减少成本。
一、航空客流量预测的意义航空客流量预测是航空公司和机场管理人员需要处理的一个重要问题，它涉及到航班计划、航线调度、乘客服务、航空货运等方面。
对于航空公司来说，如果能够准确地预测客流量，不仅可以合理调整航班计划和航线，更可以为乘客提供更好的服务。
对于机场来说，客流量的预测可以为机场规划提供更加准确的数据，确保机场设施的合理利用，提高运营效率。
二、机器学习在航空客流量预测中的应用随着大数据时代的到来，越来越多的机器学习算法被应用在航空客流量预测中。
其中，最常用的机器学习算法有：决策树、支持向量机、神经网络和随机森林。
1. 决策树决策树是一种基于树形结构进行决策的算法，它通过递归地询问问题，将数据集分成一系列的子集，直到子集中的数据属于同一类别为止。
在航空客流量预测中，决策树可以通过对历史客流量的分析，建立模型对未来客流量进行预测。
2. 支持向量机支持向量机是一种基于统计学习理论的机器学习算法，它通过将高维空间映射到低维空间，来进行分类或回归分析。
在航空客流量预测中，支持向量机可以通过建立数据模型，对未来客流量进行预测。
3. 神经网络神经网络是一种基于人工神经网络的机器学习算法，它通过神经元之间的连接和模拟，进行分类或回归分析。
在航空客流量预测中，神经网络可以通过对历史的客流量数据进行分析，建立预测模型，对未来的客流量进行预测。
4. 随机森林随机森林是一种基于多个决策树组成的机器学习算法，它通过随机地选择特征和样本数据，来调整模型的泛化能力，在航空客流量预测中，随机森林可以通过对历史数据进行分析，建立预测模型，对未来的客流量进行预测。
基于机器学习的航空旅客流量预测与优化
基于机器学习的航空旅客流量预测与优化航空旅客流量预测与优化是航空业中一个关键的问题。
准确地预测旅客流量能够帮助航空公司更好地安排航班计划、调配资源，以提供更好的服务和利润最大化。
通过机器学习技术的应用，可以有效地解决这个问题。
本文将探讨基于机器学习的航空旅客流量预测与优化的方法和应用。
在航空业中，旅客流量的预测是一个复杂而挑战性的问题。
旅客流量受到众多因素的影响，如航班时间、目的地、航空公司、舱位等。
传统的预测方法主要基于统计学模型，如时间序列分析等，但由于数据的复杂性和变动性，这些方法往往无法准确预测航空旅客流量。
机器学习技术的出现为航空旅客流量预测提供了新的解决方案。
相比传统的统计学方法，机器学习可以更好地处理大规模和复杂的数据。
机器学习算法可以根据历史数据来学习和推断未来的趋势和模式，从而准确预测航空旅客流量。
在航空业中，常用的机器学习算法包括回归分析、决策树、神经网络和支持向量机等。
首先，回归分析是一种常用的机器学习方法，可以根据历史数据来建立一个数学模型，然后通过该模型来预测未来的旅客流量。
回归分析可以考虑多个因素的影响，并确定它们与旅客流量之间的关系。
例如，可以考虑航班时间、航线距离、季节性因素等。
通过回归分析，航空公司可以更好地了解旅客流量和这些因素之间的关系，从而更准确地预测未来的旅客流量。
其次，决策树是一种常用的机器学习算法，可以将一个问题分解成一系列的决策过程，从而得到最终的预测结果。
在航空旅客流量预测中，决策树可以根据不同的特征，如航班时间、目的地等，将旅客流量划分成不同的类别或者区间。
通过这种方式，航空公司可以根据不同的特征来预测旅客流量，并相应地调整航班计划和资源分配。
此外，神经网络是一种模拟人脑神经系统的机器学习算法，可以通过训练来学习和适应不同的模式和规律。
在航空旅客流量预测中，神经网络可以根据历史数据来学习和预测未来的旅客流量。
神经网络可以处理大规模和复杂的数据，并能够通过多层次的网络结构来提取旅客流量中的隐藏模式和规律。
基于机器学习的航空客流预测模型研究与应用
基于机器学习的航空客流预测模型研究与应用航空客流预测是航空运输领域的重要问题之一。
据统计，航空客运量的准确预测对航空公司运营决策、航班调整、机场规划和航空资源分配等方面都具有重要意义。
随着机器学习技术的迅速发展和应用，基于机器学习的航空客流预测模型成为了研究热点。
本文将探讨基于机器学习的航空客流预测模型的研究与应用。
首先，我们需要明确航空客流预测模型的目标。
航空客流预测模型旨在根据历史客流数据和相关影响因素，预测未来一段时间内的客流量。
这可以帮助航空公司合理安排航班计划、优化资源配置和提高服务质量。
因此，一个好的航空客流预测模型应具备准确性、实时性和可解释性。
机器学习作为一门出色的数据分析和模式识别方法，可以利用历史客流数据和相关影响因素进行航空客流预测。
常用的机器学习算法包括回归算法、决策树算法、神经网络算法、支持向量机算法等。
每种算法都有其优势和适用场景，需要根据具体问题的需求来选择合适的模型。
在航空客流预测中，常用的影响因素包括航班时间、航线距离、票价、航空公司等。
通过对这些影响因素的分析，可以借助机器学习模型揭示其对航空客流的影响规律。
例如，基于回归算法的航空客流预测模型可以对不同影响因素的权重进行建模，从而实现客流量的准确预测；基于决策树算法的模型可以帮助航空公司进行航班调整决策，以适应客流的波动。
此外，航空客流预测模型还需考虑时间序列数据的特点。
航空客流数据通常呈现出周期性、趋势性和随机性的特征。
为了更好地捕捉这些特征，可以使用时间序列分析方法和时序预测模型，如ARIMA模型、指数平滑法和神经网络模型等。
这些方法能够根据历史数据的变化趋势和周期性进行客流量的预测，通常能够提高预测结果的准确性。
在模型构建过程中，还应考虑数据的质量和可用性。
航空客流数据通常具有稀疏性、缺失值和噪声干扰等问题。
为了应对这些问题，可以采用数据清洗、数据填充和异常值处理等技术。
此外，还可以结合多源数据进行客流预测，例如天气数据、经济数据和航空公司内部数据等，以提高模型的预测能力。
基于小波分析和ARIMA模型的假期客流量预测分析
基于小波分析和ARIMA模型的假期客流量预测分析假期客流量预测对于旅游行业和交通运输行业来说是十分重要的，可以帮助企业进行人员和资源的合理安排，提前做好准备，以应对客流量的高峰期。
基于小波分析和ARIMA模型的假期客流量预测分析就是一种常用的方法。
本文将介绍小波分析和ARIMA模型的原理，并结合实例进行分析和预测。
小波分析是一种在时频域上对信号进行分析的方法。
它可以将信号在时域和频域上同时展示出来，从而更好地理解信号的特征。
小波分析可以通过将信号与特定的母小波进行卷积，得到信号在不同时间和频率上的分量。
通过分析信号的不同分量，可以更好地了解信号的周期性和趋势性，并进行预测。
ARIMA模型（自回归移动平均模型）是一种广泛应用于时间序列预测的统计模型。
它通过对时间序列的自相关和移动平均进行建模，来预测未来的数据。
ARIMA模型包括自回归（AR）、差分（I）和移动平均（MA）三个部分。
自回归部分考虑了前期观测值对当前观测值的影响，移动平均部分考虑了随机误差对当前观测值的影响，差分部分考虑了观测值的时间序列特征。
对于假期客流量的预测分析，可以将小波分析和ARIMA模型结合起来进行分析。
对假期客流量的历史数据进行小波分析，找出客流量的周期性和趋势性。
可以使用小波变换将客流量信号分解为不同的频率成分，并观察各个分量的变化趋势。
然后，使用ARIMA模型对客流量的趋势进行建模，考虑历史观测值对当前观测值的影响。
结合小波分析和ARIMA模型的结果，对未来的假期客流量进行预测。
以某个旅游景点为例，该景点每年都有明显的高峰期，在假期期间客流量会显著增加。
我们可以收集该景点历年的假期客流量数据，进行小波分析和ARIMA模型的预测分析。
对假期客流量数据进行小波分解。
通过小波变换，将客流量信号分解为不同的频率分量。
观察各个分量的变化趋势，找出客流量的周期性和趋势性。
然后，对客流量的趋势进行ARIMA建模。
根据历史观测值的自相关和移动平均情况，选择适当的ARIMA模型。
基于小波分析和ARIMA模型的假期客流量预测分析
基于小波分析和ARIMA模型的假期客流量预测分析一、引言随着经济的发展和人民生活水平的提高，节假日成为人们休闲娱乐和旅行的好时机。
对节假日客流量进行准确预测，可以帮助旅游机构和交通运输部门合理安排资源，提前做好准备，提高服务质量，满足广大市民的需求。
本文将结合小波分析和ARIMA模型，对假期客流量进行预测分析。
二、相关理论1. 小波分析小波分析是一种时间-频率分析方法，可以将信号分解为不同频率的成分，并分析其在不同时间尺度上的特征。
小波分析广泛应用于信号处理、图像处理等领域。
2. ARIMA模型ARIMA模型是一种经典的时间序列模型，由自回归(AR)、差分(Integration)和移动平均(MA)三部分组成。
ARIMA模型可以拟合和预测时间序列数据，用于分析时间序列的趋势、季节性和随机性。
三、数据准备本文以某城市2017年到2021年的节假日客流量数据作为分析对象，数据包括日期和客流量两个变量。
将数据按照日期进行排序，得到时间序列数据。
1. 数据平滑对时间序列数据进行平滑处理，消除噪声干扰。
可以选择小波分析中的Daubechies小波函数进行平滑，得到平滑后的时间序列数据。
将平滑后的时间序列数据进行小波分解，得到不同尺度上的系数。
选择合适的小波基函数和尺度，可以分析不同频率的客流量变化。
3. 周期性分析通过分析小波系数的幅度和相位，可以确定客流量的周期特征。
根据小波系数的能量分布和周期性变化规律，可以预测未来假期客流量的波动趋势。
1. 时间序列平稳性检验使用ADF检验或KPSS检验判断时间序列数据的平稳性。
如果时间序列数据不平稳，可以进行差分运算，将其转化为平稳序列。
2. 计算自相关系数和偏自相关系数根据平稳序列计算自相关系数和偏自相关系数。
自相关系数和偏自相关系数的图形可以帮助判断ARIMA模型的阶数。
根据自相关系数和偏自相关系数的分析，选择合适的ARIMA模型阶数进行拟合。
使用最小二乘法估计ARIMA模型的参数，并进行模型的诊断检验。
交通流量预测中的ARIMA模型及改进方法
交通流量预测中的ARIMA模型及改进方法交通流量预测在城市规划、交通管理和智能交通系统等领域具有重要的应用价值。
ARIMA模型是一种常用的时间序列分析方法，可以用于交通流量的预测。
本文将介绍ARIMA模型的基本原理，并探讨一些改进方法，以提高交通流量预测的准确性和稳定性。
一、ARIMA模型的基本原理ARIMA模型是一种广泛使用的经典时间序列分析方法，其全称为自回归移动平均模型(ARIMA, Autoregressive Integrated Moving Average)。
ARIMA模型包括三个部分，自回归(AR)、差分(Integrated)和移动平均(MA)。
下面分别介绍这三个部分的含义。
1. 自回归(AR)部分自回归是指时间序列当前值与前面p个时刻的值之间的关系。
AR(p)模型可以表示为：其中，yt表示时间序列的当前值，φi表示自回归系数，εt表示白噪声误差。
2. 差分(Integrated)部分差分是指对时间序列进行d次差分，以消除非平稳性。
差分的目的是使得时间序列更加平稳，便于建模和预测。
3. 移动平均(MA)部分移动平均是指时间序列当前值与过去q个误差项之间的关系。
MA(q)模型可以表示为：其中，θi表示移动平均系数。
ARIMA模型即为将AR、差分和MA三个部分相结合的模型，可以表示为ARIMA(p, d, q)。
二、ARIMA模型的改进方法尽管ARIMA模型在交通流量预测中有较好的效果，但仍然存在一些问题，如对非平稳序列的建模困难、模型参数的选择和模型的稳定性等。
下面将介绍几种常用的ARIMA模型改进方法。
1. 季节性ARIMA模型(SARIMA)SARIMA模型适用于具有明显季节性变化的交通流量预测。
其改进之处在于增加了季节性差分，并引入季节性自回归和季节性移动平均项。
SARIMA模型可以表示为SARIMA(p, d, q)(P, D, Q)s。
2. 自适应ARIMA模型(ARIMA-GARCH)ARIMA-GARCH模型利用GARCH模型对ARIMA模型的残差进行建模，提高了对时间序列波动性变化的估计能力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2018年软 件2018, V ol. 39, No. 7基金项目: 海南省自然科学基金项目（批准号：618QN258）、三亚市院地科技合作项目（批准号：2014YD52）作者简介: 刘夏(1983-)，男，副教授，主要研究方向：计算机应用；欧志鹏(1973-)，男，讲师，主要研究方向：管理学。
通讯联系人: 李苑辉(1982-)，男，讲师，主要研究方向：数据挖掘。
基于ARIMA 模型的三亚机场客流量预测李苑辉，刘 夏，欧志鹏（三亚航空旅游职业学院 人文社科学院，海南 三亚 572000）摘 要: 通过对2008年1月至2016年12月三亚机场的客流量数据进行分析，发现其具有趋势和季节的规律。
通过构建机场客流量的ARIMA 预测模型并进行检验，结果表明，ARIMA 模型对客流量数据有着较好的拟合效果，预测误差较小，可应用于机场旅客吞吐量的短期预测，为机场的运营管理提供相应决策依据。
关键词: 客流量；ARIMA 模型；预测中图分类号: O211.61 文献标识码: A DOI ：10.3969/j.issn.1003-6970.2018.07.009本文著录格式：李苑辉，刘夏，欧志鹏. 基于ARIMA 模型的三亚机场客流量预测[J]. 软件，2018，39（7）：42-47Passenger Flow Forecast of Sanya Airport Based on ARIMA ModelLI Yuan-hui, LIU Xia, OU Zhi-peng(School of Humanities and Social Sciences, Sanya Aviation and Tourism College. Sanya 572000, China )【Abstract 】: By analyzing the passenger flow data of Sanya Airport collected from January 2008 to December 2016, the general trend and seasonal variation regular-ity of the passenger flow can be found. By constructing and testing the ARIMA forecast model, the results show that the ARIMA model has a good fitting effect on the passenger flow data, and its forecast error is small. Therefore, this model can be applied into the short-term forecast of airport pas-senger flow, and help to provide the corresponding decision-making basis for the airport operation man-agement. 【Key words 】: Passenger flow; ARIMA model; PredictionIntroduction0 引言三亚凤凰国际机场于1994年7月1日正式通航，初期的设计保障规模为旅客年吞吐量150万人次.2007年，凤凰机场年旅客吞吐量突破500万人次；2011年，突破1000万人次；2017年，超过1938万人次，逼近2000万人次大关。
目前凤凰机场的客流量已经远远超过其设计保障能力，航站楼已处于超负荷运行状态，造成了机场客运高速增长与发展空间严重不足的矛盾，影响国际旅游岛的形象，增加了机场安全运营风险。
机场客流量预测对于机场未来规划和管理措施改进有重要意义。
科学准确地预测凤凰机场客流量的发展趋势，是确定合理的交通设施规模的基础、保证机场设施高效率使用的前提，能够为机场运营管理提供科学决策依据。
1 旅客吞吐量数据本研究选择2008~2017年三亚凤凰机场的月度旅客吞吐量作为研究数据，共120个数据样本，其中2008~2016年108个样本作为训练集进行建模，2017年12个样本作为测试集，检验预测模型的性能。
具体数据如表1所示。
2 构建预测模型2.1 选择预测方法为达到较高精度的预测成果，国内外许多学者对不同的预测模型进行了广泛研究[1-3]。
预测客流量的方法很多，据不完全统计，世界上大约有约300李苑辉等：基于ARIMA 模型的三亚机场客流量预测43《软件》杂志欢迎推荐投稿：cosoft@表1 2008～2017年三亚机场旅客吞吐量月度统计表（单位：万人）Tab.1 Monthly Statistics of Passenger Flow of Sanya Airport from 2008 to 2017 (unit: 10,000 people)年年月 2008 2009 2010 2011 2012 月2013 2014 2015 2016 2017 1 59.54 83.34 118.69 113.26 139.12 1 138.45 162.96 170.05 177.00 194.46 2 63.10 80.93 124.52 120.14 128.65 2 151.21 165.34 173.31 179.19 187.38 356.56 71.54 101.22 101.35 115.533 132.48 144.81 168.27 159.79 183.134 42.14 55.77 75.16 76.42 86.17 4 90.44 103.59 121.18 130.04 150.765 36.25 49.40 63.61 69.41 67.98 5 81.37 97.03 112.10 120.02 142.506 31.39 43.52 54.54 60.81 60.39 6 73.56 87.30 101.28 112.47 135.84 7 43.50 55.51 61.84 69.31 75.45 7 86.92 104.98 115.62 125.87 142.88 8 45.63 57.80 64.05 69.52 77.53 8 93.28 113.99 123.96 137.79 153.11 9 39.78 45.06 50.50 59.69 66.43 982.24 97.96 106.35 125.10 135.7710 51.72 65.99 50.38 73.34 82.25 10 96.85 117.73 126.95 138.22 152.59 11 60.39 87.78 73.29 104.75 107.86 11 120.47 141.84 139.78 153.48 171.24 12 70.62 97.50 91.59 118.18 126.96 12 139.41 156.70 160.35 177.14 189.33 数据来源：三亚旅游官方政务网/tongji_yue.asp种方法，其中有150多种比较成熟，30多种比较常用，10多种使用比较普遍,但根据不同的标准，大体分为两类：一类是线性理论和非线性理论，另一类是定性预测法和定量预测法，但总体都包括：时间序列模型、灰色预测模型、专家预测模型、指数平滑法、神经网络、支持向量机、趋势外推法、回归分析法等[4]。
国内学者用不同的模型对机场客流量进行预测研究，取得了一些成果。
例如，王婷婷（2017）运用灰色马尔科夫模型对贵阳龙洞堡机场2006-2016年的旅客吞吐量数据进行预测，结果证明灰色马尔科夫预测模型拥有较好的预测精度，平均年误差为3.38%[5]。
刘夏（2016）将Holt-Winter 季节模型、ARMA 模型和线性回归模型加权组合对三亚机场客流量进行预测，经验证该方法可以作为有效预测机场客流量，平均年误差为3.98%[4]。
黄邦菊（2013）建立了多元线性回归模型预测西南某机场的旅客吞吐量，平均年误差为2.49%[6]。
屈拓（2012）将灰色模型和BP 神经网络相结合，建立组合预测模型，预测成都机场的旅客吞吐量，平均误差为2.74%[7]。
由此观之，不同模型的预测精度有着明显的差别。
而在短期预测方面，ARIMA 模型是一种精确度较高的方法，国内学者已经应用于不同领域的预测。
例如，薛冬梅（2010）根据吉林省过去十六年的全社会固定资产投资总额数据，运用ARIMA(3,1,2)模型对吉林省今后五年的全社会固定资产投资进行了预测分析[8]。
周叶（2010）根据2002年1月至2009年12月我国航空货运量月度数据，采用ARIMA (1,1,1)模型，对往后六个月的货运量进行了预测[9]。
张小斐（2006）以1978~2003年我国的国内生产总值作为样本资料，采用平滑ARIMA(1,1,2)时序模型，对往后四年的我国国内生产总值作出预测[10]。
以上拟合值均与实际观察值非常接近（误差小于5%），具有较高的预测精度，表明ARIMA(p,d,q)模型应用于短期的时间序列预测是有效可行的。
一个地方的机场旅客吞吐量受到当地产业结构、节假日安排、航线安排、机票定价和气候等多种不同因素的影响，往往兼具周期性和非线性变化的特性。
三亚作为旅游城市，淡旺季差异明显，来访旅客月度数量纵向比较波动较大（见表1），具有明显的季节性特征。
因旅客吞吐量月度数据包含季节变化，考虑采用ARIMA(sp,sd,sq)S(1)季节模型.因此，本文拟综合ARIMA(p,d,q)模型与ARIMA (sp,sd,sq)S(1)季节模型，构建复合季节模型，对三亚机场的旅客吞吐量进行预测分析，以期为本地的航空客运市场调控和发展提供理论支持。
2.2 ARIMA 模型简介ARIMA 模型，又叫求和自回归移动平均（Auto Regressive Integrated Moving Average ）模型, 简记为ARIMA(p, d, q)模型，是由美国学者博克思（Box ）第39卷 第7期 软 件44《软件》杂志欢迎推荐投稿：cosoft@和英国学者詹金斯（Jenkins ）于20世纪70年代提出的时间序列预测模型，又称为Box-Jenkins 模型，亦简称B-J 模型。
其建模思想是将预测对象随时间变化形成的序列看作是一个随机序列，并用相应的数学模型加以近似描述，通过对相应数学模型的分析研究，更本质地认识这些动态数据的内在结构和复杂特性，从而达到在最小方差意义下的最佳预测。