[论文解读] Hong Kong Air Traffic: Explanation and Prediction based on Sparse Seasonal ARIMA Model

Shuwen Chai|arXiv (Cornell University)|Aug 12, 2021

Forecasting Techniques and Applications被引用 4

一句话总结

本文提出了一种稀疏季节性ARIMA模型 (0,1,1)×(4,1,0)₁₂，利用2004–2018年的历史数据来解释并预测香港的航空交通。该模型在95%置信区间内准确预测了2020年1月至7月的航班流量，并量化了重大干扰事件的影响，特别是政治动荡和COVID-19的影响，显示2020年2月至11月期间的航空交通量相比无这些事件影响下的预期水平下降了95%。

ABSTRACT

The monthly air traffic of a city is a time series with an obvious seasonal pattern, and is closely related to the economic situation and social environment of the city. In Hong Kong, for example, July, August, and October tend to be the peak season of traffic flow, while there is also a relatively fixed off-season. In the case of a stable social environment, a carefully identified and fitted seasonal ARIMA model can predict the traffic flow in the future months well. This work selects the air traffic data, including arrival and departure passengers of Hong Kong, after the financial crisis and before the political storm. A sparse seasonal ARIMA$(0,1,1) imes(4,1,0)_{12}$ is built, which can correctly predict the air traffic from January to July in 2020 within its $95\%$ confidence interval. Furthermore, this work decomposes the time-series and find that important events, like the financial crisis, political storm, and the COVID-19 outbreak, affect the level of air traffic to some extent. For example, the political storm and epidemic prevention and control that happened after 2019 made the air traffic drop significantly. According to my sparse seasonal ARIMA model, the air traffic from February to November in 2020 is only $5\%$ of what it should be without these two events. This is a valuable application of the time-series model in the air traffic loss estimation.

研究动机与目标

• 开发一个稳健的时间序列模型，用于预测具有显著季节性和趋势成分的香港航空交通量。
• 量化重大社会政治事件（如2019年政治动荡和2020年COVID-19大流行）对航空交通模式的影响。
• 评估稀疏季节性ARIMA模型在稳定与社会动荡条件下的预测性能。
• 展示时间序列模型如何被重新用于估算外部冲击（如大流行病或社会动乱）造成的经济损失和社会影响。

提出的方法

• 识别并拟合了一个稀疏季节性ARIMA模型 (0,1,1)×(4,1,0)₁₂，基于2004年至2018年的月度航空交通数据。
• 通过ADF单位根检验判断平稳性、自相关和偏自相关图（ACF/PACF）分析，以及信息准则（AIC/BIC）进行模型选择，模型诊断确认了其合理性。
• 使用2019年1月至7月的数据集进行验证，结果显示预测值在95%置信区间内准确。
• 在排除2019–2020年政治动荡数据后重新拟合模型，以隔离大流行病的影响，并将预测值作为基线。
• 通过计算预测值与实际值之间的差异来量化外部事件的影响，将‘损失’定义为与预期交通量的偏离程度。
• 应用时间序列分解方法以提取并分析长期趋势与季节性模式，支持对结构性变化的解释。

实验结果

研究问题

• RQ1 在社会稳定的条件下，稀疏季节性ARIMA模型对香港航空交通量的预测能力如何？
• RQ2 重大社会政治事件（如2019年政治动荡和2020年大流行病）对航空交通模式的干扰程度，在超出季节性和趋势效应之外有多大？
• RQ3 时间序列模型能否被重新用于估算由大流行病或社会动乱等外部冲击造成的经济损失或社会影响？
• RQ4 与模型预测水平相比，2020年底香港因COVID-19大流行导致的航空交通量损失有多大？
• RQ5 航空交通的季节性模式与长期趋势如何与旅游、节假日以及全球危机等经济和社会因素相关联？

主要发现

• 稀疏季节性ARIMA模型 (0,1,1)×(4,1,0)₁₂成功地在95%预测区间内预测了2020年1月至7月的航空交通量。
• 模型预测，若无政治动荡与大流行病影响，2020年2月至11月的航空交通量仅能达到预期水平的5%，表明损失高达95%。
• 最严重的中断发生在2020年4月，预测损失率相比基线预测达到99.95%。
• 该模型在2020年的预测值始终高于实际值，证实其在未重新估计的情况下无法适应突发社会冲击。
• 分解分析显示，7月、8月和12月为客流高峰，主要受旅游和节假日出行影响；而1月和2月则因农历新年出现次高峰。
• ADF检验结果确认原始序列具有非平稳性，支持在模型设定中同时采用一阶差分与季节差分。