随着民航市场竞争的日益加剧,收益管理日益成为民航业的重要管理和决策手段,而需求预测的准确率直接决定了收益管理的效果,从而在很大程度上决定了航空公司的收益。本文针对航班预订需求预测问题展开研究,根据已有销售数据对航班未来的预订需求进行预测。这是航班管理中的一项基础性工作,目前主要靠人工根据经验来估计需求量。对此给出科学准确的预测方法将对航班运营管理和舱位控制起到重要的支撑作用。本文提出了一种基于多模型集成的航空预订需求预测算法Flight Pred,对算法进行了总体设计和具体实现,并使用真实的航班运营数据进行了仿真验证和评估。本文的主要工作和贡献如下。1.提出了求解航班预定需求预测问题的一种算法—Flight Pred算法。在对航班预定需求预测问题和相关数据进行深入分析的基础上,对Flight Pred算法的框架结构、工作原理、融合策略等进行了具体设计,并对组成算法的三个主要模块进行了详细的设计,这三个模块分别是:基于梯度提升决策树的Light GBM模块、竞争门控深度神经网络DNN模块和时间序列循环神经网络Seq2Seq模块。Flight Pred算法将这三种各有优劣的预测模型集成在一起,取长补短,大大提高了预测精度。在航班需求预测问题上,这样设计的预测算法尚属首次提出。2.对Flight Pred航班需求预测算法的实现细节进行了具体设计。详细介绍了数据集的构建,描述了数据集的特征提取过程,通过数值实验分析了特征的添加对预测结果的影响。对Flight Pred预测算法各模块的超参数进行了详细分析并确定了各个超参数的取值。3.对Flight Pred算法进行了多层次的仿真实验分析和评估。首先对Flight Pred算法中各模块的单模型预测效果进行了仿真评估,包括梯度提升决策树模型Light GBM、竞争门控深度神经网络DNN模型、时间序列循环神经网络Seq2Seq模型。其次对这些模型自身在不同初始条件下形成的多个模型的融合预测效果进行了仿真分析。最后对Flight Pred算法的整体预测效果进行了仿真分析和评估。仿真实验结果表明,本文提出的Flight Pred航班需求预测算法具有很高的预测精度和稳定性,是一种非常实用的航班预订需求预测算法。