航空货运在货物运输中占有重要的地位,是国家重要的战略资源,在国内及国际间的贸易中扮演着不可或缺的角色。对航空货运量进行的科学预测是航空公司制定基础设施规划和总体投资决策的重要依据。然而,货运量数据呈现的高波动性、非平稳性和非线性特征,导致预测的准确性难以保障,这使得建立科学而又稳健的预测方法成为了富有挑战性的研究课题。因此,为有效降低航空货运量预测中的复杂度和不确定性,提高模型的预测精度,在分析现有货运量预测研究的长处与不足的基础上,结合二次分解集成策略提出两种预测框架--确定性预测框架与不确定性预测框架,框架内容分别如下:（1）基于二次分解集成的航空货运量确定性预测框架。针对航空货运量预测精度低于预期的问题,提出基于二次分解集成策略的航空货运量预测模型,建立四种二次分解策略以寻求减少随机因素干扰的有效途径。该框架主要包括数据分解阶段与预测集成阶段。具体地,利用自适应噪声完备集成经验模态分解（CEEMDAN）、变分模态分解（VMD）与基于局部加权回归的时间序列分解（STL）三个分解算法,创新性地构造四种二次分解策略对货运量数据进行有效特征处理。此后,针对各分量数据特征,选取线性回归（LR）、季节性差分自回归移动平均（SARIMA）与支持向量回归（SVR）模型进行预测,并将有效特征预测结果集成得到最终结果。（2）基于二次分解集成的航空货运量不确定性预测框架。针对航空货运量数据的波动性和不确定性,引入Bootstrap方法进行不确定性估计,提出一种基于STL与Bootstrap方法的区间预测方法。首先通过STL对数据序列进行分解;其次选取LR模型和SARIMA模型对分量进行预测,并使用Bootstrap方法对白噪声分量做重采样处理;最后将预测结果与处理后的白噪声进行重构,利用分位数构造概率区间进行不确定性量化。为了验证所提出框架的合理性和实用性,选择北京首都机场、上海浦东机场、广州白云机场与深圳宝安机场的航空货运量数据为研究对象,分别构建多个基准模型进行对比实验。实验结果表明,对于确定性预测研究,构造的二次分解方法能有效降低原始数据内部干扰,在数据降噪方面显示出优异性能;对于不确定性预测研究,构建的区间能够有效地量化不确定性,为区间预测提供一种新的研究思路。因此,所构造的基于二次分解确定性和不确定性预测综合集成学习框架,不但给航空货运的管理和运营提供了技术参考,也为处理高复杂性和高波动性数据特征的预测问题提供了借鉴。