Моделирование временных рядов нерегулярных воздушных перевозок на основе ARIMA

Прогнозирование спроса на нерегулярные авиаперевозки имеет важное значение для эффективного распределения ресурсов, оперативного планирования и принятия решений. В этой статье мы исследуем использование модели ARIMA (авторегрессивное интегрированное скользящее среднее) для прогнозирования нерегулярных авиаперевозок. Модель ARIMA – это широко используемый метод прогнозирования временных рядов, который сочетает в себе компоненты авторегрессии (AR), разности (I) и скользящего среднего (MA). Он успешно применяется в различных областях и может быть адаптирован для выявления закономерностей и тенденций в данных о нерегулярных авиаперевозках. Для прогнозирования спроса на нерегулярные авиаперевозки сначала собираются исторические данные, включая соответствующие переменные. Данные предварительно обрабатываются, выявляются и устраняются любые пропущенные значения, выбросы или тенденции, которые могут повлиять на производительность модели. Затем к предварительно обработанным данным применяется модель ARIMA, при этом используются такие методы, как идентификация модели, оценка параметров и диагностика модели. Модель ARIMA фиксирует взаимосвязи между прошлыми наблюдениями и использует их для прогнозирования будущего спроса на нерегулярные авиаперевозки. Результаты прогнозирования модели ARIMA дают представление об ожидаемых уровнях спроса, пиковых периодах и потенциальных колебаниях нерегулярных авиаперевозок. Эти прогнозы позволяют лицам, принимающим решения, оптимизировать распределение ресурсов, планировать доступность самолетов и повышать эксплуатационную эффективность. Однако важно отметить, что точность прогнозов ARIMA зависит от различных факторов, включая качество и репрезентативность данных, соответствующий выбор параметров модели и стабильность основных закономерностей в данных временных рядов. Регулярная оценка и уточнение модели имеют решающее значение для поддержания точности прогнозирования.

1. Tang X., Deng G. Prediction of civil aviation passenger transportation based on ARIMA model // Open Journal of Statistics. 2016. Vol. 6, no. 5. Pp. 824–834. DOI: 10.4236/ojs.2016.65068

2. Samagaio A., Wolters M. Comparative analysis of government forecasts for the Lisbon Airport // Journal of Air Transport Management. 2010. Vol. 16, iss. 4. Pp. 213–217. DOI: 10.1016/j.jairtraman.2009.09.002

3. Scarpel R.A. Forecasting air passengers at São Paulo international airport using a mixture of local experts model // Journal of Air Transport Management. 2013. Vol. 26. Pp. 35–39. DOI: 10.1016/j.jairtraman.2012.10.001

4. Profillidis V.A. Econometric and fuzzy models for the forecast of demand in the airport of Rhodes // Journal of Air Transport Management. 2000. Vol. 6, iss. 2. Pp. 95–100. DOI: 10.1016/S0969-6997(99)00026-5

5. Profillidis V.Α. An ex-post assessment of a passenger demand forecast of an airport // Journal of Air Transport Management. 2012. Vol. 25. Pp. 47–49. DOI: 10.1016/j.jairtraman.2012.08.002

6. Zhang G.P. Time series forecasting using a hybrid ARIMA and neural network model // Neurocomputing. 2003. Vol. 50. Pp. 159–175. DOI: 10.1016/S0925-2312(01)00702-0

7. Andreoni A., Postorino M.N. (2006). A multivariate ARIMA model to forecast air transport demand [Электронный ресурс] // European Transport Conference (ETC). France: Strasbourg, 2006. 14 p. URL: https://trid.trb.org/View/846533 (дата обращения: 10.11.2023).

8. Taneja K. (2016). Time series analysis of aerosol optical depth over New Delhi using Box-Jenkins ARIMA modeling approach / K. Taneja, S. Ahmad, K. Ahmad, S.D. Attri // Atmospheric Pollution Research. 2016. Vol. 7, iss. 4. Pp. 585–596. DOI: 10.1016/j.apr.2016.02.004

9. Suhartono, S., Lee M.H., Prastyo D.D. Two levels ARIMAX and regression models for forecasting time series data with calendar variation effects [Электронный ресурс] // AIP Conference Proceedings, 2015. Vol. 1691, issue 1, ID: 050026. DOI: 10.1063/1.4937108 (дата обращения: 10.11.2023).

10. Ge M. ARIMA-FSVR hybrid method for high-speed railway passenger traffic forecasting / M. Ge, Zh. Junfeng, W. Jinfei, H. Huiting, Sh. Xinghua, W. Hongye [Электронный ресурс] // Mathematical Problems in Engineering. 2021. Vol. 2021. ID: 9961324. 5 p. DOI: 10.1155/2021/9961324 (дата обращения: 10.11.2023).

11. Box G.E.P., Jenkins G.M., Reinsel G.C. Time series analysis: Forecasting and control. New York, John Wiley & Sons Inc., 2008. 755 p. DOI: 10.1002/9781118619193

12. Box G.E.P., Tiao G.C. Intervention analysis with applications to economic and environmental problems // Journal of the American Statistical Association. 1975. Vol. 70, no. 349. Pp. 70–79.

13. Ren G., Gao J. Comparison of NARNN and ARIMA models for short-term metro passenger flow forecasting [Электронный ресурс] // Proceedings of the 19th COTA International Conference of Transportation Professionals. China, Nanjing. DOI: 10.1061/9780784482292.119 (дата обращения: 10.11.2023).

14. Tsai T.-H., Lee C.-K., Wei C.-H. Neural network based temporal feature models for short-term railway passenger demand forecasting // Expert Systems with Applications. 2009. Vol. 36, iss. 2. Pp. 3728–3736. DOI: 10.1016/j.eswa.2008.02.071

15. Ni L., Chen X., Qian H. ARIMA model for traffic flow prediction based on wavelet analysis [Электронный ресурс] // Proceedings of the 2nd International Conference on Information Science and Engineering IEEE. China, Hangzhou, 2010. Pp. 1028–1031. DOI: 10.1109/ICISE.2010.5690910 (дата обращения: 10.11.2023).

16. Xie Y., Zhang P., Chen Y. A fuzzy ARIMA correction model for transport volume forecast [Электронный ресурс] // Mathematical Problems in Engineering. 2021. Vol. 2021. ID: 6655102. 10 p. DOI: 10.1155/2021/6655102 (дата обращения: 10.11.2023).

17. Khan M.M.H., Muhammad N.S., ElShafie A. Wavelet based hybrid ANN-ARIMA models for meteorological Drought forecasting [Электронный ресурс] // Journal of Hydrology. 2020. Vol. 590. ID: 125380. DOI: 10.1016/j.jhydrol.2020.125380 (дата обращения: 10.11.2023).

18. Wu J. Hybrid model of ARIMA model and GAWNN for dissolved oxygen content prediction / J. Wu, Z.B. Li, L. Zhu, C. Li // Transactions of the Chinese Society for Agricultural Machinery. 2017. Vol. 48, pp. 205–210. DOI: 10.6041/j.issn.1000-1298.2017.S0.033