《表4 TEI@I模型与基准模型的预测效果对比》
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。
图表编号 | XD00161103800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.31 |
作者 | 梁小珍、张倩文、杨明歌 |
绘制单位 | 上海大学管理学院、上海大学管理学院、上海大学管理学院 |
更多格式 | 高清、无水印(增值服务) |