基于季节时间序列模型民航客运需求预测分析.docVIP

基于季节时间序列模型民航客运需求预测分析 　　摘要：随着经济的不断发展，人们的生活水平不断提升，消费理念也有很大改变，民用航空运输业也获得了飞速发展，越来越多的人选用航空这一交通方式出行。文章主要介绍了季节时间序列模型，并使用1998年1月至2013年5月的月度数据建立SARIMA模型，并对2013年的民航客运量进行预测分析。通过使用SARIMA模型对我国民航客运量进行预测，以期对民航企业制定合理的运营决策提供一些参考。 　　关键词：民航客运量 SARIMA模型 预测 　　一、引言 　　近年来，作为国民经济和社会发展的重要行业和先进的交通运输方式，民用航空业伴随着经济的迅猛发展也不断发展壮大，发展势头强劲。航空旅客运输量持续快速增长，运输能力显著增强，2012年民航客运量累计达3.19亿人次，同比增长9.2%。民航旅客运输业在我国改革开放和现代化建设中发挥着越来越大的作用。工信部发布《民用航空工业中长期发展规划（2013-2020年）》，提出到2020年，民用飞机产业年营业收入超过1000亿元。不久的将来我国民航旅客运输能力必将进一步提升。然而，面对难得的机遇，要求航空企业制定合理的运营决策。对民航客运量做出科学的和高精度的预测结果就能够给航空企业发展和企业运营决策提供一些有价值的参考信息，促进企业更好的进行收益管理。需求预测是航空企业制定长短期业务计划的一个关键要素。本文通过采用民航客运量月度数据建立SARIMA模型对2013年的客运需求进行分析预测，并对模型预测的精度进行分析。 　　二、文献回顾 　　国内外学者对航空客运需求进行相关研究的文献有很多。其中，采用灰色模型、GMDH模型、模糊神经网络模型、判别分析-VAR预测模型和ARIMA模型进行研究的学者较多。Jennifer C.H.Min、Hsien-Hung Kung和Hsiang Hsiliu 采用综合自回归移动平均（ARIMA）干预模型（也称干预分析）的方法来分析不同因素对台湾航空客运需求的影响。 Alekseev K.P.G和Seixas J.M 采用人工神经网络模型来预测巴西的航空客运需求，预测结果以便于支持管理决策。Orhan Sivrikaya 采用半对数回归模型预测国内航空需求，其预测结果与实际的客运量十分接近，预测的精度水平很高。国内学者中，覃频频和黄大明分别建立模糊时间序列模型以及灰色模型来预测客运需求，并与其他经济计量模型预测结果进行对比表明：模糊时间序列模型的预测外推能力也较强，并且与灰色模型相比，具有不需要大量时间序列样本的优点。戴特奇采用时间序列模型的干预分析方法来分析外部冲击对民航客运量产生什么样的影响以及多大的影响。邓洁君和罗利分别建立了多元线性回归模型和GMDH模型对成都民航客运量进行预测，并分析了预测误差，结果表明GMDH模型具有较强的预测推广能力。除此之外，国内外学者对航空运输方面的研究成果还有很多，但是综上所述采用SARIMA 模型进行民航客运量预测的研究文献较少，而且民航运输量具有明显的的季节性变化，因此采用SARIMA 模型对我国民航客运量进行预测分析是合理的。 　　三、研究方法与数据准备 　　（一）研究方法 　　季节时间序列模型来源于综合自回归移动平均模型（ARIMA模型）。ARIMA模型的表达式为ARIMA（p，d，q），其中p表示自回归算子的滞后阶数，q表示移动平均算子的滞后阶数，d表示差分次数。ARIMA（p，d，q）模型的一般表达式为 　　（1） 　　式中，表示平稳的自回归算子，表示可逆的移动平均算子，d表示差分次数，表示随机扰动项，并且。然而，在某些时间序列中，存在明显的季节性变化。这种季节性是由于气候变动、商业实践及预期或其他原因引起的，是以一定时期为周期而变动的。因此把这种具有周期性变动的序列称为季节性序列。因此，遇到这种序列时需要使用季节时间序列模型（seasonal ARIMA model）来描述，用SARIMA表示，较早文献也称其为乘积季节模型（multipolication seasonal model）。季节时间序列模型的一般表达式为 　　（2） 　　式中，下标P，Q，p，q分别表示季节与非季节自回归、移动平均算子的最大滞后阶数，和分别表示P阶季节自回归算子和Q阶季节移动平均算子，分别表示p阶自回归算子和q阶移动平均算子，d，D分别表示非季节和季节性差分次数，表示随机扰动项，并且。式（2）称作阶季节时间序列模型或乘积季节模型。 　　（二）数据准备 　　本文使用我国民航客运量1998年1月至2013年5月的月度数据建立SARIMA模型，民航客运量变量用y表示。其中对2003年五六月份数据进行修匀处理，其中采用1998年1月至2012年5月的月度数据建立SARIMA模型，并进行样本外预测，用2012年6