1. 研究目的与意义
需求预测是航空运输规划、组织运营以及设计的重要基础性工作，也是航空资源计划调度的重要依据。然而，航空需求受到众多不确定因素影响，比如经济因素、社会突发事件、自然灾害等。根据2月5日国际航空运输协会（IATA）统计数据，受新型冠状肺炎疫情的影响，2020年全球航空客运需求将下降7-11%，由此造成营运收入损失将高达1130亿美元，也是自2009年以来首次出现低于5.5%的增长率。这种需求的不确定性，对航空运输行业产生了巨大的冲击影响。因此，科学分析航空客运市场需求发展趋势，提高需求预测的准确性，将对航空公司和机场等部门做出更好的运营决策，为航空公司制定航班计划、运输规划、运力安排以及市场拓展和未来发展提供重要依据，对于提升市场竞争力和应变能力具有重要现实意义。
2. 研究内容和预期目标
针对航空客运需求预测问题，本文提出将Bagging与指数平滑法相结合的模型，以提高预测精度。本文使用到的航空客运量月度数据来自国家统计局（http://data.stats.gov.cn/easyquery.htm?cn=A01），数据的时间范围为2005年1月-2019年12月，共有180条数据。
本文首先对客运量数据进行时间序列分析，分别将序列分解为季节项、随机项和趋势项，再将Bagging算法（Bootstrap aggregating，又称装袋算法）与 Holt Winter 的指数平滑预测方法相结合利用该n个训练集，可得到n个训练结果，最后运用取平均值或多数票等策略得到算法的分析结果，其主要优点是可以并行生成学习器且相互间不存在依赖关系。Bagging算法对于小样本数据集效果较好，在机器学习领域取得了很好的应用效果。
3. 国内外研究现状
通常的预测方法包括计量回归分析法、时间序列法、神经网络机器学习算法等。Erma Suryani（2010）等人建立了系统动力学框架对航空客运需求进行预测，研究了客运需求系统内部诸多因素之间的反馈关系，但是系统动力学仿真结果的可靠性很大程度上依赖于模型对模拟对象结构的刻画，而一些经济系统是非结构化的；Panarat Srisaeng与Glenn Baxter（2015）等人构建了航空客运需求量的人工神经网络模型，结合社会经济学的理论研究了影响澳大利亚航空客运量的外部因素；同年，任新惠、唐少勇（2015）基于系统动力学原理构建了航空客运需求系统的因果关系并引入计量经济学构建数学模型，不仅考虑了历史数据对预测结果的的相关性，也考虑了外部因素的综合影响；蔡文婷, 彭怡（2019）等人分析了影响客运需求的多种因素，构建了多元回归预测模型，但由于影响需求的因素的不确定性，该方法只适用于中短期且预测准确程度不高；梁小珍、郭战坤（2020）等人对客运需求序列进行分解重构，对代表不同经济含义的子序列采用合适的方法进行预测，如较为简单的序列采用计量经济学模型，复杂的序列采用机器学习模型，该研究有效提高了客运需求的预测性能；最近，相关学者（2020）提出了基于变分模式分解（VMD）、自回归滑动平均模型（ARMA）和核极值学习机（KELM）的短期预测混合方法（VMD-ARMA/KELM-KELM），该方法在精度和鲁棒性分析方面比其他基准模型有明显的优势。
4. 计划与进度安排
第一章 引言
本章首先剖析了研究的背景与现状，并就该选题的理论模型和现实意义进行阐述，随后对国内外有关航空客运需求量的预测研究进行文献综述，对本文的可能创新点简要说明。
第二章 研究方法
5. 参考文献
[1] Erma Suryani,Shuo-Yan Chou,Chih-Hsien Chen．Air passenger demand forecasting and passenger terminal capacity expansion: A system dynamics framework[J]．Expert systems with applications,2010,37(3):2324-2339
[2] Panarat Srisaeng,Glenn Baxter,Graham Wild . Using an artificial neural network approach to forecast Australia''s domestic passenger air travel demand [J].World review of intermodal transportation research,2015(5),3:281-313
[3] 任新惠, 唐少勇. 我国航空旅客运输需求预测——基于计量经济学与系统动力学组合模型[J]. 交通运输研究, 2015,1(01):92-98.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
