高风险情境下的时间序列预测：空货运行业实证研究
机器学习
2024-08-15 v2 系统与控制
系统与控制
摘要
空货运行业的时间序列预测呈现独特挑战，因市场动态波动且准确预测对收入影响显著。本文探讨了针对起降点（origin-destination, O&D）层面的需求预测的综合方法，聚焦于开发和实现机器学习模型以支持决策。我们利用专家混合框架，结合统计模型和先进深度学习模型，为货运需求提供六个月预测的可靠结果。结果表明，我们的方法超越了行业基准，为货运容量分配和战略决策提供可操作见解。虽然本工作应用于航空公司行业，但方法论适用于任何预测驱动决策在波动环境中至关重要的领域。
引用
@article{arxiv.2407.20192,
title = {Time series forecasting with high stakes: A field study of the air cargo industry},
author = {Abhinav Garg and Naman Shukla and Maarten Wormer},
journal= {arXiv preprint arXiv:2407.20192},
year = {2024}
}
备注
The 10th Mining and Learning from Time Series Workshop: From Classical Methods to LLMs. SIGKDD, Barcelona, Spain, 6 page