《表4 TEI@I模型与基准模型的预测效果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于TEI@I方法论的航空客运需求预测模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:本文根据AIC最小准则确定ARIMA和SARIMA模型的阶数，由于原始序列和子序列建模时模型阶数都不太一样，而表中涉及到的模型多达16个，因此关于模型阶数这里不一一列出。另外，两个机场航空客运量原始序列具有明显的趋势性，在检测数据的平稳性时采用带有趋势项和截距项的ADF方

以上是对线性和非线性成分的建模，考虑到确定不规则事件影响的大小带有很强的主观性，同时，简单将线性和非线性成分集成后的预测结果精度已经很高，因此本文在集成预测结果时，暂不考虑不规则事件的影响。由此可得上海浦东机场和深圳宝安机场航空客运量预测结果如表4所示。同时，为了更好地验证本文所提出的预测模型的优越性，表4还给出了以下4类对比模型的预测结果:（1）单一预测模型（ARIMA、SARIMA、BP神经网络和LSTM模型）；（2）普通的分解集成模型（EEMD-BP、EEMD-LSTM和EEMD-ARIMA）；（3）只进行数据特征分析（记为DCD）但不进行聚类重构的模型（EEMD-DCD-BP-ARIMA和EEMD-DCD-LSTM-ARIMA）；（4）聚类重构（记为CR）后不进行长程相关性分析建立的模型（EEMD-DCD-CR-BP-ARIMA和EEMD-DCD-CR-LSTM-ARIMA）。以上选择的对比模型都是本文所提出模型的组成部分。