📚 课程目录第3章趋势预测的基本概念

3、趋势预测的基本概念：预测类型（定性/定量）、预测时间尺度（短期/中期/长期）、预测精度与误差度量（MAE、RMSE、MAPE）

航空服务业的趋势预测，本质上是在不确定性中寻找相对确定的路径。无论是航线网络规划、机队配置、客舱服务升级，还是地面保障资源调度，管理者都需要回答三个核心问题：用什么方法预测？预测多长的时间跨度？预测结果可信度有多高？这三个问题分别对应预测类型、预测时间尺度与预测精度度量。本章将系统梳理这三个基本概念，并结合航空服务场景说明其应用逻辑。

3.1 预测类型：定性预测与定量预测

核心原理

预测类型的划分依据是数据基础与推理逻辑。定性预测依赖专家经验、判断和主观信息，适用于数据稀缺、环境剧变或全新业务场景；定量预测则基于历史数据的统计规律或因果关系，通过数学模型外推未来。在航空服务领域，两者并非互斥，而是经常组合使用——例如用定性方法设定长期战略情景，用定量方法做短期运力优化。

判断方法

数据可得性：若历史数据少于3年或存在结构性断点（如疫情、并购），优先考虑定性方法。
环境稳定性：政策法规、油价、汇率等外部变量波动剧烈时，定量模型的假设基础会被削弱。
决策层级：战略层（如是否开通新洲际航线）多用定性；运营层（如明日值机柜台开放数量）多用定量。
成本与时效：定性预测通常更快、成本更低，但主观偏差较大；定量预测需要数据清洗和建模投入。

对比维度	定性预测	定量预测
数据基础	专家意见、调研、类比	历史时间序列、面板数据
典型方法	德尔菲法、情景分析、头脑风暴	ARIMA、回归、指数平滑、机器学习
适用场景	新航线开辟、突发危机应对	月度旅客量、航班正常率预测
优点	灵活、能捕捉突变	客观、可重复、可检验
局限	主观性强、难以标准化	对数据质量要求高、外推失效风险

案例拆解：后疫情时代国际航线恢复预测

2023年初，某航空公司计划恢复中美航线运力。历史数据仅有2019年及之前的完整记录，2020-2022年数据因疫情严重失真。若直接使用定量模型（如ARIMA）外推，模型会将疫情期间的低谷视为正常波动，导致预测严重偏低。该航司采用定性+定量混合策略：

邀请10位行业专家进行两轮德尔菲调查，评估签证政策、航权谈判、燃油成本等关键变量；
以2019年同期数据为基准，用回归模型估计“正常需求弹性”；
将专家判断的“恢复系数”（0.6~0.9）乘以基准预测值，形成区间预测。

最终预测2023年Q4恢复至2019年同期的72%，实际值为68%，误差在可接受范围内。复盘发现，单纯使用定量模型预测值为45%，偏差显著。此案例说明：当数据生成机制发生改变时，定性校准是必要的修正环节。

常见误区：认为定量预测一定优于定性预测。实际上，在数据缺失或环境剧变时，过度依赖历史数据外推会产生“精确的错误”。建议建立“定性框架+定量计算+交叉验证”的三层机制。

3.2 预测时间尺度：短期、中期与长期

核心原理

时间尺度决定了预测的颗粒度、方法选择与更新频率。航空服务中，短期预测服务于日常运营调度，中期预测支撑资源规划，长期预测引导战略投资。不同尺度的预测误差容忍度差异显著——短期预测允许误差范围更小，因为直接影响当日航班保障；长期预测则更关注趋势方向而非精确数值。

操作流程

明确决策周期：先确定预测结果用于何种决策（如明日排班 vs 五年机队规划）。
选择数据粒度：短期用小时/日数据，中期用周/月数据，长期用季度/年度数据。
匹配模型复杂度：短期可用简单移动平均或指数平滑；中期适合ARIMA或回归；长期需结合情景分析。
设定更新频率：短期预测每日滚动更新，中期每周/每月更新，长期每季度/半年修订。

尺度	时间范围	典型决策	常用方法	数据粒度
短期	1天~3个月	航班排班、值机柜台分配、餐食配备	移动平均、指数平滑、朴素法	小时/日
中期	3个月~2年	运力投放、航线网络调整、人员招聘	ARIMA、回归分析、趋势外推	周/月
长期	2年以上	机队采购、基地建设、战略转型	情景分析、德尔菲、系统动力学	季度/年

实战场景：航空公司年度运力规划

某低成本航空公司需要制定2025年运力计划。公司采用“三尺度联动”策略：

短期（2025年Q1）：基于2024年Q4的订座数据，使用指数平滑法预测春运期间日均旅客量，用于确定临时加班航班数量。
中期（2025全年）：利用ARIMA模型结合GDP增速、油价等外生变量，预测各月旅客量，用于安排飞机检修窗口和机组排班。
长期（2025-2028）：通过情景分析设定“乐观/基准/悲观”三种增长路径，评估是否需要引进新飞机或开辟新基地。

该案例的关键在于：不同尺度的预测结果必须衔接一致。若中期预测显示Q3运力过剩，短期预测则需相应调减加班计划，避免资源浪费。

经验提醒：短期预测模型应保持简洁，过度复杂的模型在数据波动时反而更不稳定。长期预测则要定期用实际数据校准情景假设，避免“刻舟求剑”。

3.3 预测精度与误差度量：MAE、RMSE、MAPE

核心原理

误差度量是评估预测模型性能的标尺。三个指标各有侧重：MAE（平均误差）反映平均偏差幅度，单位与原始数据一致；RMSE（均方根误差）对较大误差施加更高惩罚，适合需要避免极端偏差的场景；MAPE（平均百分比误差）以相对比例表示误差，便于跨业务单元比较。在航空服务中，选择哪个指标取决于业务容忍度——例如航班配餐量预测更关注MAE（避免浪费），而安全相关预测则需关注RMSE（防止极端偏差）。

计算方法与判断标准

MAE  = (1/n) × Σ|yᵢ - ŷᵢ|
RMSE = √[(1/n) × Σ(yᵢ - ŷᵢ)²]
MAPE = (100%/n) × Σ|yᵢ - ŷᵢ| / |yᵢ|

其中 yᵢ 为实际值，ŷᵢ 为预测值，n 为样本数量。判断标准因业务而异：

旅客量预测：MAPE < 10% 为优秀，10%-20% 为可接受，>20% 需改进模型。
航班延误时长预测：RMSE 应控制在15分钟以内，否则影响中转衔接。
餐食配备预测：MAE 应小于日均配餐量的5%，避免过度浪费或短缺。

案例拆解：某机场旅客量预测模型评估

某国际机场开发了三种旅客量预测模型，使用2024年1-6月数据训练，7月数据验证。结果如下：

模型	MAE（人次/日）	RMSE（人次/日）	MAPE（%）
移动平均（7日）	2,850	3,920	8.2%
ARIMA(1,1,1)	2,310	3,150	6.7%
随机森林	2,050	3,480	5.9%

分析过程：随机森林的MAE和MAPE最优，但RMSE高于ARIMA，说明其在个别极端日期（如台风导致大面积延误）预测偏差较大。机场最终选择ARIMA作为主模型，原因在于：RMSE对极端误差的惩罚更符合运营安全需求——即使平均误差稍高，但不会出现单日严重失准的情况。

  复盘要点：选择误差指标时，不能只看单一指标。建议同时计算MAE、RMSE、MAPE，并绘制误差分布直方图。若误差呈正态分布，RMSE与MAE差异不大；若存在长尾，则需警惕极端情况。

常见误区与总结

误区一：追求MAPE最小化而忽略实际业务量级。例如日均100人次的支线机场，MAPE 15% 的误差仅15人，影响不大；但枢纽机场日均15万人次，MAPE 1% 就意味1500人误差。
误区二：将训练集误差当作预测精度。模型在训练集上表现优异，不代表未来预测准确，必须使用留出集或时间序列交叉验证。
误区三：忽视误差的时间分布。若误差集中在节假日或极端天气，即使整体指标良好，也需要针对性优化。

总结而言，趋势预测的基本概念构成了航空服务决策的基石。预测类型决定了方法论框架，时间尺度界定了分析边界，误差度量提供了质量标尺。在实际应用中，三者需要联动考虑：短期定量预测用MAE监控日常精度，中期混合预测用MAPE评估整体表现，长期定性预测则需结合情景偏差进行定期复盘。只有建立完整的预测管理体系，才能在动态变化的航空市场中做出稳健决策。