本栏目责任编辑：唐一东人工智能ComputerKnowledgeandTechnology电脑知识与技术第19卷第3期(2023年1月）基于组合预测研究新冠疫情对民航客运量的影响陈宗楠（东北大学，辽宁沈阳110004)摘要：新冠疫情的暴发，很大程度上影响了人民的生产生活，民航业是受其影响最直接的行业之一。量化研究新冠疫情对民航客运量的影响，能帮助我国民航业在新冠疫情影响下更好地把握行业发展趋势。选取我国2009～2019年民航客运量月度数据，建立组合预测模型并通过验证，通过该组合模型预测新冠疫情后的2020～2021年客运量，并与实际数据作比较。试验结果显示，新冠疫情对我国民航业的影响是显著的，民航客运市场恢复至疫情前的规模尚需时日。关键词：新冠疫情；民航客运量；组合预测；SARIMA预测模型；BP神经网络中图分类号：G642文献标识码：A文章编号：1009-3044(2023)03-0016-03开放科学（资源服务）标识码(OSID)：1引言新冠病毒自2019年12月被发现以来，迅速蔓延至全球，给全世界的经济发展带来了不容小觑的影响，民航业是受疫情冲击最大的行业之一。吴婷婷等将新冠疫情与非典疫情作比较，提出新冠疫情短期内对交通运输行业会产生较大不利影响[1]。在新冠疫情的冲击下，我国民航市场受到了较大的损失，基于预测的角度研究疫情对民航业的影响，将为后疫情时代我国民航客运市场的恢复提供帮助。钱名军等运用GARCH模型对SARIMA预测模型的残差部分进行拟合，其构建的组合预测模型解决了残差的异方差性，预测精度更高[2]。AndreasK等比较了ARIMA模型与深度学习神经网络模型对民航需求预测的效果，研究结果显示航空客运量具有明显的季节趋势，神经网络模型进行的预测更全面[3]。本文选取SARIMA模型与BP神经网络模型构建并联式组合预测模型，追溯预测了疫情后的民航客运量，与实际数据进行比较，实现量化新冠疫情对民航客运市场影响的目标。2方法介绍2.1SARIMA模型季节差分自回归移动平均模型(SARIMA)由ARIMA模型衍生而来，对具有季节波动特征的时间序列进行季节差分处理，可以转化为ARIMA模型[4]。(1)自回归移动平均模型ARMA(p,q)AR(p)自回归模型可以理解为线性预测方法，即时间序列{}Xt当前时刻的观测值xt与过去p个时刻的观测值存在着线性关系。表达式如下：xt=φ0+φ1xt-1+⋯+φpxt-p+εt(1)MA(q)移动平均模型为时间序列{}Xt当前时刻的观测值xt可以由过去q个周期的随机扰动项的加权平均表示。表达式如下：xt=μ+εt-θ1εt-1-⋯-θqεt-q(2)ARMA(p,q)模型是AR(p)和M...
