Гибридная модель прогнозирования нерегулярных пассажирских авиаперевозок

В статье предлагается гибридная модель на основе ARIMA-Fuzzy для прогнозирования временных рядов нерегулярных пассажирских авиаперевозок. Как известно, модель ARIMA применяется для выявления линейных тенденций и закономерностей в данных временных рядов, а также для прогнозирования. Изучение научной литературы показывает, что модель ARIMA имеет свои ограничения в управлении нелинейностью и случайными изменениями во время прогнозирования. Поскольку процесс нерегулярных авиаперевозок как стохастический процесс зависит от случайных изменений, указанная модель не позволяет описывать весь процесс. По этой причине модель ARIMA не дает достаточно эффективных результатов для моделирования нелинейных и случайных изменений данных в процессе нерегулярных авиаперевозок. В связи с этим для повышения точности прогноза в исследовании применяется гибридная модель, основанная на модели авторегрессии ARIMA вместе с нечеткой моделью случайных отклонений. Апробация разработанной гибридной модели осуществлена на примере прогнозирования пассажиропотоков нерегулярных рейсов в Азербайджане. Полученные результаты показывают, что модель в таком виде обеспечивает более надежные и эффективные прогнозы по сравнению с применением независимых моделей.

1. Aghayev N., Nazarli D. Support vector machines for forecasting non-scheduled passenger air transportation // Problems of Information Technology. 2024. Vol. 15, no. 1. Pp. 3–9. DOI: 10.25045/jpit.v15.i1.01

2. Li C. Combined forecasting of civil aviation passenger volume based on ARIMA-REGRESSION // International Journal of System Assurance Engineering and Management. 2019. Vol. 10. Pp. 945–952. DOI: 10.1007/s13198-019-00825-6

3. Ramadhani S., Dhini A., Laoh E. Airline passenger forecasting using ARIMA and artificial neural networks approaches [Электронный ресурс] // Proceedings of the 7th International Conference on ICT Smart Society (ICISS 2020). Pp. 1–5. DOI: 10.1109/ICISS50791.2020.9307571 (дата обращения: 18.12.2024).

4. Asrah N. Time series forecasting of the number of Malaysia airlines and AirAsia passengers / N. Asrah, M. Nor, S. Rahim, W. Leng [Электронный ресурс] // Journal of Physics: Conference Series. 2018. Vol. 995. ID: 012006. DOI: 10.1088/1742-6596/995/1/012006 (дата обращения: 18.12.2024).

5. Jin F. Forecasting air passenger demand with a new hybrid ensemble approach / F. Jin, Y. Li, S. Sun, H. Li [Электронный ресурс] // Journal of Air Transport Management. 2020. Vol. 83. ID: 101744. DOI: 10.1016/j.jairtraman.2019.101744 (дата обращения: 18.12.2024).

6. Madhavan M. Short-term forecasting for airline industry: the case of Indian air passenger and air cargo / M. Madhavan, M.A. Sharafuddin, P. Piboonrungroj, C.-C. Yang // Global Business Review. 2023. Vol. 24, iss. 6. Pp. 1145–1179. DOI: 10.1177/0972150920923316

7. Nguyen Q.H., Tran P.Q., Ngo P.D. (2025). Air cargo traffic forecasting model: An empirical study in Vietnam using the SARIMA-X/(E)GARCH model [Электронный ресурс] // Research in Transportation Business & Management. 2025. Vol. 59. ID: 101268. DOI: 10.1016/j.rtbm.2024.101268 (дата обращения: 18.12.2024).

8. Anguita J.G.M., Olariaga O.D. Air cargo transport demand forecasting using ConvLSTM2D, an artificial neural network architecture approach [Электронный ресурс] // Case Studies on Transport Policy. 2023. Vol. 12. ID: 101009. DOI: 10.1016/j.cstp.2023.101009 (дата обращения: 18.12.2024).

9. Alexander D.W., Merkert R. Appli­cations of gravity models to evaluate and forecast US international air freight markets post-GFC // Transport Policy. 2021. Vol. 104. Pp 52–62. DOI: 10.1016/j.tranpol.2020.04.004

10. Nieto M.R., Carmona-Benítez R.B. ARIMA + GARCH + Bootstrap forecasting method applied to the airline industry // Journal of Air Transport Management. 2018. Vol. 71 (C). Pp. 1–8. DOI: 10.1016/j.jairtraman.2018.05.007

11. Tolcha T.D. The state of Africa’s air transport market amid COVID-19, and forecasts for recovery [Электронный ресурс] // Journal of Air Transport Management. 2023. Vol. 108. ID: 102380. DOI: 10.1016/j.jairtraman.2023.102380 (дата обращения: 18.12.2024).

12. Aljanabi M.R. SVD-based adaptive fuzzy for generalized transportation / M.R. Aljanabi, K. Borna, Sh. Ghanbari, A.J. Obaid // Alexandria Engineering Journal. 2024. Vol. 94. Pp. 377–396. DOI: 10.1016/j.aej.2024.03.020

13. Tanwar R., Agarwal P.K. Assessing travel time performance of multimodal transportation systems using fuzzy-analytic hierarchy process: A case study of Bhopal City [Электронный ресурс] // Heliyon. 2024. Vol. 10, iss. 17. DOI: 10.1016/j.heliyon.2024.e36844 (дата обращения: 18.12.2024).

14. Djimasbe R. Development of an ARIMAX model for forecasting airport electricity consumption in Accra-Ghana: The role of weather and air passenger traffic / R. Djimasbe, S. Gyamfi, C.D. Iweh, B.N. Ribar [Электронный ресурс] // e-Prime – Advances in Electrical Engineering, Electronics and Energy. 2024. Vol. 9. ID: 100691. DOI: 10.1016/j.prime.2024.100691 (дата обращения: 18.12.2024).

15. Hopfe D.H., Lee K., Yu C. Short-term forecasting airport passenger flow during periods of volatility: Comparative investigation of time series vs. neural network models [Электронный ресурс] // Journal of Air Transport Management. 2024. Vol. 115. ID: 102525. DOI: 10.1016/j.jairtraman.2023.102525 (дата обращения: 18.12.2024).

16. Carmona-Benitez R.B., Nieto M.R. SARIMA damp trend grey forecasting model for airline industry [Электронный ресурс] // Journal of Air Transport Management. 2020. Vol. 82. ID: 101736. DOI: 10.1016/J.JAIRTRAMAN.2019.101736 (дата обращения: 18.12.2024).

17. Sun S. Nonlinear vector auto-regression neural network for forecasting air passenger flow / S. Sun, H. Lu, K. Tsui, S. Wang // Journal of Air Transport Management. 2019. Vol. 78. Pp. 54–62. DOI: 10.1016/j.jairtraman.2019.04.005

18. Shramenko N., Muzylyov D. Forecasting of overloading volumes in transport systems based on the fuzzy-neural model. In book: Advances in Design, Simulation and Manufacturing II. Springer International Publishing, Cham, 2019. Pp. ­311–320. DOI: 10.1007/978-3-030-22365-6_31

19. Souza J.A.F. A forecasting model based on ARIMA and artificial neural networks for end-of-life vehicles / J.A.F. Souza, M.M. de Silva, S.G. Rodrigues, S.M. Santos [Электронный ресурс] // Journal of Environmental Management. 2022. Vol. 318, ID: 115616. DOI: 10.1016/j.jenvman.2022.115616 (дата обращения: 18.12.2024).

20. Gu W. Civil Aviation Passenger Traffic Forecasting: Application and Comparative Study of the Seasonal Autoregressive Integrated Moving Average Model and Backpropagation Neural Network / W. Gu, B. Guo, Z. Zhang, H. Lu [Электронный ресурс] // Sustainability. 2024. Vol. 16, iss. 10. ID: 4110. DOI: 10.3390/su16104110 (accessed: 18.12.2024).

21. Aghayev N., Nazarli D. Forecasting models of non-scheduled passenger air transportation through regression analysis // Scientific Journal. 2023. Vol. 25, no. 4. Pp. 13–22. DOI: 10.30546/EMNAA.2023.25.4.2