喜迎假期，你和朋友計劃坐飛機出游，去去班味。

吃著火鍋唱著歌來到機場，結果卻被告知飛機超員了，你不能登機。氣不氣？

反正換作是我，必然會怒發沖冠，憑欄處，掏出手機寫小作文。

很不幸，你遇到了讓人很不爽但合規的小概率事件：機票超售，即航空公司售出的機票數比航班座位數多。

航司搞機票超售的目的很簡單：寧愿冒著有乘客飛不走的風險，也不能讓座位空著。

沒辦法，窮怕了。

2024年全世界航空業凈利潤只有3.3%，平均拉一名乘客能賺47塊錢。中國航空公司的日子更不好過，面對高鐵的競爭，南航、東航和國航這三大航全部賠錢。

為了掙錢，航空公司各出奇招，除了我們熟悉的“動態票價”，還有大部分人未曾聽說但早已成為國際慣例的機票超售。

機票超售雖然本質上違約，但已被監管部門接受。國家民航局出臺的有《公共航空運輸航班超售處置規范》，指導航空公司如何合理搞機票超售，出矛盾了怎么處理。

航空公司也有自己更具體的規定，比如廈航就詳細列出了賠償標準。如果你因為超售被滯留且飛國內，大概率會得到650塊錢賠償。

航空公司機票超售的比例一般在3%-5%的區間，如果你至今沒遇到過超售，那主要原因只有一個：飛的不夠多。

如果你不幸遇到了，那么“恭喜”你，千把塊錢賠償到手。氣歸氣，別和錢過不去。

具體航司怎么通過機票超售賺錢，下面簡單算個賬。

假設一個航班有150個座位，航司共賣了155張票，超售5張，每張票1000元，暫時進賬5000元。

如果臨起飛前有至少5個人放棄登機或者退票，那么皆大歡喜，飛機正常起飛，航司多賺5000元。

如果退票人數只有3人，最終將有2人無法登機，那么航司給其退票及賠償2人共1300元，最終多賺1700元。

如果沒人退票，最終將有5人無法登機，那么航司給其退票及賠償5人共3250元。一通操作猛如虎，最后凈賠3250。

顯然，機票超售是個技術活，操作不好可能翻車。一般情況下，出現的矛盾都能用錢解決。但二般情況下，就可能極度尷尬。

比如2017年，美國聯合航空機票超售導致4人無法登機，機上所有人都不同意下飛機，給錢也不下。

最后通過搖號選出4位乘客，被強行拖下飛機，場面十分難看。公司股票還因此下跌，市值蒸發3億美元。

機票超售很考驗航空公司“預測未來”的能力——精準預測未來一段時間的乘客人數。

所謂“預測未來”的能力，就是機器學習領域的“時序預測”，即基于歷史數據預測未來一段時間內的數據。

時序預測一直是機器學習領域的熱門方向，網上有很多“手把手”教你做時序預測的大神，貢獻出自己精心打磨的Python代碼。

然而，單單Python語言就足以勸退廣大非科班出身的人：“我就只想做個預測，結果卻啃了半個月的《Python從入門到放棄》”。

這合理嗎？這不合理。土木老哥為什么要研究如何煉鋼燒水泥？單單打灰就已經很累了。

數據建模軟件DTEmpower就是代碼過敏者的福音，讓你完全零代碼實現機器學習。

軟件內置非常豐富的時序數據操作節點和時序預測算法，像頻率濾波、白噪聲檢測、異方差檢測這些時序數據常用處理步驟，以及經典的時序模型ARIMA等，都被封裝進節點。

你做時序預測時，只需掌握數據建模知識，具體代碼怎么實現，你忽略之。

DTEmpower的內置案例就有航空乘客時序預測模型，手把手帶你用歷史數據“預測未來”，歡迎到天洑官網下載試用。

民航領域的預測場景有很多，除了客運量預測，還有飛機航跡預測、旅客訂座需求預測、不正常航班預測、民航不安全時間預測等，這些預測支撐起了龐大航空業的安全健康運行。

在更大的范圍，工業設備的故障預測、股票價格預測、電力負荷預測、交通流量預測等等，也都是時序預測的實際應用，要不說數據是21世紀最寶貴的資源呢。

快到天洑官網下載體驗DTEmpower，從歷史數據中挖掘信息，預測未來！