为建立准确有效的空中交通短期流量预测模型,提高终端区管理效率,以进场交通流为对象进行研究。首先采用自回归移动平均(autoregressive moving average,ARMA)模型对流量时间序列进行初步线性预测,然后通过长短期记忆网络(long short te...为建立准确有效的空中交通短期流量预测模型,提高终端区管理效率,以进场交通流为对象进行研究。首先采用自回归移动平均(autoregressive moving average,ARMA)模型对流量时间序列进行初步线性预测,然后通过长短期记忆网络(long short term memory,LSTM)模型对线性预测后的残差序列进行非线性修正预测。考虑到冗余特征会降低LSTM模型预测精度的问题,采用自编码器(autoencoder,AE)模型对LSTM模型的天气以及流量特征输入进行自适应压缩优化,最后设置对比实验对ARMA-AE-LSTM模型的准确性、鲁棒性以及时效性进行验证。实验结果表明:预测绝对误差在1.3架以内的占比达到75%;LSTM模型的平均每轮迭代时间降低为1.014 s;与其他常用深度学习预测模型相比,ARMA-AE-LSTM模型的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)以及决定系数(r-squared,R2)评价指标分别改善了45.98%~67.66%、48.56%~67.35%、5.18%~21.07%;恶劣天气影响下,ARMA-AE-LSTM模型的鲁棒性更好。由此可见,该方法能够准确有效快速的预测空中交通流量。展开更多
为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势...为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势进行分析的基础上,建立6个描述终端区交通态势的指标。接着,构建反向传播(back propagation,BP)神经网络航班延误预测模型,将终端区交通态势指标、航班信息和天气环境数据等作为输入,航班延误时间作为输出,并利用粒子群优化算法(particle swarm optimization,PSO)优化BP神经网络进行训练。通过实例验证和分析,基于多机场终端区交通态势的航班延误预测能够有效提高预测准确率,同时,通过粒子群优化BP神经网络的预测模型预测准确率均高于一般的考虑交通态势的BP和遗传算法优化的BP神经网络模型(genetic algorithm and back propagation,GA-BP)。展开更多
文摘为建立准确有效的空中交通短期流量预测模型,提高终端区管理效率,以进场交通流为对象进行研究。首先采用自回归移动平均(autoregressive moving average,ARMA)模型对流量时间序列进行初步线性预测,然后通过长短期记忆网络(long short term memory,LSTM)模型对线性预测后的残差序列进行非线性修正预测。考虑到冗余特征会降低LSTM模型预测精度的问题,采用自编码器(autoencoder,AE)模型对LSTM模型的天气以及流量特征输入进行自适应压缩优化,最后设置对比实验对ARMA-AE-LSTM模型的准确性、鲁棒性以及时效性进行验证。实验结果表明:预测绝对误差在1.3架以内的占比达到75%;LSTM模型的平均每轮迭代时间降低为1.014 s;与其他常用深度学习预测模型相比,ARMA-AE-LSTM模型的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)以及决定系数(r-squared,R2)评价指标分别改善了45.98%~67.66%、48.56%~67.35%、5.18%~21.07%;恶劣天气影响下,ARMA-AE-LSTM模型的鲁棒性更好。由此可见,该方法能够准确有效快速的预测空中交通流量。
文摘为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势进行分析的基础上,建立6个描述终端区交通态势的指标。接着,构建反向传播(back propagation,BP)神经网络航班延误预测模型,将终端区交通态势指标、航班信息和天气环境数据等作为输入,航班延误时间作为输出,并利用粒子群优化算法(particle swarm optimization,PSO)优化BP神经网络进行训练。通过实例验证和分析,基于多机场终端区交通态势的航班延误预测能够有效提高预测准确率,同时,通过粒子群优化BP神经网络的预测模型预测准确率均高于一般的考虑交通态势的BP和遗传算法优化的BP神经网络模型(genetic algorithm and back propagation,GA-BP)。