《表2 内存方案比较：基于Bagging指数平滑方法的航空客运需求预测》

  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Bagging指数平滑方法的航空客运需求预测》

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

万人

基于以上训练模型，在测试数据集（2018?01—2019?12共24个月的月度航空需求数据）上进行预测分析。本文采用Bagging指数平滑、ARIMA、NN和简单指数平滑（SES）方法对相关数据进行了预测分析，其模型预测结果如表2所示，可见，Bagging指数平滑方法具有最小的预测误差。值得注意的是，NN方法的预测效果表现最差，这可能与航空客运需求样本量较小有关，也从侧面说明应用机器学习算法进行数据分析时应注意提升数据样本规模，以便提高学习和泛化能力。不同方法的预测值与实际值拟合曲线图如图6所示，可见，Bagging指数平滑方法能够较好地拟合真实值，方法可行且有效。