在民航领域,如何及时准确地把握民航市场需求变化,是摆在民航业面前的核心问题。精准的航班需求预测模型可以帮助民航业提前感知市场需求、提高民航服务质量和企业收益管理水平。传统的航班需求预测建模以历史客运订单数据为基础,其及时性、敏感性和准确性都受到数据基础的限制。幸运的是,各在线售票网站不断累积的用户机票查询数据,能够有效地弥补这些缺陷。因此,本文将通过对机票查询数据进行分析挖掘来预测航班需求。本文首先从多个角度对影响航班需求的因素进行了分析。分析结果发现,在由大量航线构成的航线网络中,很多航线之间都存在复杂的相互影响,而传统的时间序列分析方法却无法捕捉到这些关联信息。近年来,作为神经网络领域的一个重要研究分支,卷积神经网络可以自动提取输入数据内部的关联特征而不需要显式的构造,从而减少人为构造特征带来的误差。因此,本文利用卷积神经网络对航线网络上的查询量矩阵进行多层卷积操作,以捕捉从局部到更远距离的空间依赖关系,从而对航线网络中不同航线之间的相互影响进行建模。针对航线网络中的航班需求预测问题,本文提出了一种新颖的基于深度时空残差网络的航班需求预测模型DSTRN-FRP。该模型首先将用户查询量时间序列数据按照一定的规则转换成具有时间和空间特点的航线网格图序列;接着从查询日期和出发日期两个时间维度上提取出4个不同时间范围的航线网格图片段,并将它们作为预测模型的输入;然后分别设计残差网络来同时捕捉查询数据的时间依赖和基于航线网络的空间依赖关系,并给每一个残差网络的输出结果分配不同的权值并进行融合,同时设计一个全连接网络以自动捕获查询日期与出发日期之间的时间间隔、出发日期的星期属性、工作日属性、节假日属性等外部影响因素;最后将各残差网络融合后的输出结果和从外部影响因素网络获得的输出结果通过聚合函数处理得到未来一段时间内的机票查询量预测值。在由某民航机票全球分销系统(GDS)服务商提供的真实历史查询数据集上进行了实验,实验结果表明,DSTRN-FRP模型相比ARIMA、LSTM等6种常用的或最新的时间序列预测方法具有明显的性能优势,表明本文提出的DSTRN-FRP模型可以有效地预测航班需求。