ترجمه فارسی مقاله پیش‌بینی سری‌های زمانی با ریسک بالا: مطالعه میدانی صنعت حمل بار هوایی

چکیده

Time series forecasting in the air cargo industry presents unique challenges due to volatile market dynamics and the significant impact of accurate forecasts on generated revenue. This paper explores a comprehensive approach to demand forecasting at the origin-destination (O&D) level, focusing on the development and implementation of machine learning models in decision-making for the air cargo industry. We leverage a mixture of experts framework, combining statistical and advanced deep learning models to provide reliable forecasts for cargo demand over a six-month horizon. The results demonstrate that our approach outperforms industry benchmarks, offering actionable insights for cargo capacity allocation and strategic decision-making in the air cargo industry. While this work is applied in the airline industry, the methodology is broadly applicable to any field where forecast-based decision-making in a volatile environment is crucial.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی سریال های زمانی در صنعت بارهای هوایی چالش های منحصر به فردی را به دلیل پویایی بازار بی ثبات و تأثیر قابل توجه پیش بینی های دقیق بر درآمد حاصل از آن ارائه می دهد.در این مقاله به بررسی یک رویکرد جامع برای پیش بینی تقاضا در سطح مبدا (O & d) می پردازیم ، با تمرکز بر توسعه و اجرای مدل های یادگیری ماشین در تصمیم گیری برای صنعت بار هوایی.ما از ترکیبی از چارچوب متخصصان استفاده می کنیم ، و مدل های آماری و پیشرفته یادگیری عمیق را برای ارائه پیش بینی های قابل اعتماد برای تقاضای بار در یک افق شش ماهه فراهم می کنیم.نتایج نشان می دهد که رویکرد ما از معیارهای صنعت بهتر است و بینش های عملی را برای تخصیص ظرفیت بار و تصمیم گیری استراتژیک در صنعت بار هوایی ارائه می دهد.در حالی که این کار در صنعت هواپیمایی اعمال می شود ، این روش به طور گسترده ای برای هر زمینه ای قابل اجرا است که تصمیم گیری مبتنی بر پیش بینی در یک محیط بی ثبات بسیار مهم است.