用于航空客座率预测的双时序 LSTM 与混合注意力：融合航班内与航班间预订动态
人工智能
2026-05-13 v1 机器学习
摘要
准确的短期需求预测对航空公司收益管理至关重要，然而现有大多数系统未能满足这一需求，因为当前模型将预订数据视为单一时间维度，要么是特定航班的预订累积，要么是同一航线历史预订概况。这种单维度视角丢弃了另一时间流所携带的信息，并且预测绝对旅客数量在计划机型变更导致总座位容量改变时，会引入额外的运营脆弱性。本研究同时解决了这两个局限性。我们提出了一种集成注意力机制的双流长短期记忆网络（LSTM）框架，该框架同时处理两个互补的输入序列：一个水平序列，捕捉航班在起飞前数日内的预订累积情况；一个垂直序列，捕捉历史航班在固定起飞前日数偏移量下的航班间预订模式。我们开发并评估了多种双流架构变体，结合了自注意力、交叉注意力以及带有拼接、残差和门控融合策略的混合注意力。在孟加拉国国家航空公司——Biman Bangladesh Airlines (BBA) 的真实预订数据上的实验表明，所提出的混合模型实现了 2.8167 的平均绝对误差和 0.9495 的决定系数（），优于单流基线、基于树的模型以及先前应用于同一数据的三种双 LSTM 架构。在四个航班类别对（国内与国际、直达与中转、高频与低频、短程与中程与远程）上的验证证实，该模型能够在运营上多样化的航线类型中泛化。Biman Bangladesh Airlines (BBA) 已正式将此方法集成到其运营中。
引用
@article{arxiv.2605.11569,
title = {Dual-Temporal LSTM with Hybrid Attention for Airline Passenger Load Factor Forecasting: Integrating Intra-Flight and Inter-Flight Booking Dynamics},
author = {ASM Nazrul Islam and Md. Hasanul Kabir and Md. Liakot Ali and Joydeb Kumar Sana},
journal= {arXiv preprint arXiv:2605.11569},
year = {2026}
}