基于组合模型的机场客流量预测方法研究

为了应对由于无法有效预测机场旅客流量所带来的安全风险、服务质量下降以及资源配置不当等问题,文章结合机器学习和深度学习的方法,构建了SARIMA-CNN-LSTM组合模型来预测机场客流量。模型首先利用SARIMA能够处理数据中线性和季节性成分的特点对数据进行预测,但SARIMA无法充分拟合非线性或复杂成分,从而产生拟合序列和残差序列,单独使用LSTM对残差序列进行处理时效果不太好,因此模型采用CNN-LSTM结构来处理残差序列,该结构利用CNN提取残差序列的非线性等复杂特征并降低维度,使序列适应LSTM的输入要求,利用LSTM模型捕捉CNN处理后的序列的长期依赖关系并进行非线性建模和预测,得到CNN-LSTM对残差序列的预测结果。最后,模型将SARIMA和CNN-LSTM预测的结果进行组合得到最终的预测结果。实验结果表明,文章所构建的组合模型具有良好的客流量预测效果,有助于机场工作安全高效的进行。

基于快速极限学习机和差分进化的机场噪声预测模型

该文针对传统机场噪声预测模型存在的建模成本高、实用性差的不足,引入时间序列相空间重构理论,提出一种新的基于快速极限学习机和差分进化算法的机场噪声一体化预测模型。该模型利用相空间重构理论对机场噪声时间序列进行重构,并使用快速极限学习机对重构的相空间矢量进行学习建模,同时采用改进的差分进化算法实现对重构参数和模型参数的同步优化选择,整个建模过程简洁高效,无需人工干预。实验结果表明,该一体化预测模型能较好地跟踪机场噪声的变化趋势,且具有较同类模型更小的预测误差。

飞机机场的信号噪声预测优化仿真研究

机场噪声预测对噪声的控制、机场周边的规划和航班计划的制定具有重要的指导作用。传统的机场噪声预测模型一般根据航空器NPD(噪声-推力-距离)曲线为基础预测噪声,缺少精确考虑特定外界条件对噪声传播的影响作用,导致其预测误差较大,但优点是预测较稳定。而基于机器学习的机场噪声预测模型虽综合考虑了特定外界环境对噪声的影响,但由于实际训练数据来源于实际监测点监测的历史数据,经常包涵错误信息,导致建立模型不准确等问题。针对上述问题,依靠实际监测点的噪声、气象数据,构建了朴素贝叶斯机场噪声修正预测模型,通过学习传统预测模型预测值相对于监测值的差值,修正传统预测模型由于客观外界因素造成的预测偏差,既保持传统模型预测稳定性,同时修正噪声关于外界环境造成的声音衰减。最后,通过对比实验可见,改进方法预测稳定性较高且具有一定的预测准确度。

基于空间拟合和神经网络的机场噪声预测集成模型

将集成学习方法引入到机场噪声预测中,提出一种基于空间拟合和神经网络的机场噪声预测集成模型.该模型采用空间拟合算法和BP神经网络算法构建基学习器,然后通过所提出的基于观察学习的异构集成算法将基学习器集成起来,获得集成的机场噪声预测结果.该模型通过集成多个异构机场噪声预测基学习器,能够有效提升预测准确率.实验结果表明,本文所提出的基于观察学习的异构集成算法,较之其他异构集成算法,在解决机场噪声预测问题上准确性更高、容错性更强.

基于模糊支持向量回归的机场噪声预测

在现行通用噪声计算模型基础上建立了一种基于模糊支持向量回归的机场噪声预测模型,通过计算样本的局部孤立因子来确定各个样本的模糊隶属度,以融入模糊支持向量回归算法中。最后,在某机场历史飞行数据的基础上,从对所提出模型的预测精度、抗干扰性、泛化能力进行了验证。结果表明,这种基于局部孤立因子的模糊支持向量回归算法能有效地预测机场周围的噪声等级,且该方法比标准支持向量回归具有更高的预测精度和更好的抗噪声能力。

基于区域残差和LSTM网络的机场延误预测模型

针对目前民航运输业对机场延误预测高精度的要求,提出一种基于区域残差和长短时记忆(RR-LSTM)网络的机场延误预测模型。首先,将机场的属性信息、气象信息和相关运行航班信息进行融合;然后,利用RR-LSTM网络对融合后的机场数据集进行特征提取;最后,构建Softmax分类器对机场延误分类预测。所提RR-LSTM网络模型既能有效提取机场延误数据的时间相关性,又能避免深层LSTM网络的梯度消失问题。实验结果表明,RR-LSTM网络模型预测准确率可达95.52%,取得了比传统网络模型更好的预测效果。其中,融合机场的气象信息和相关运行航班信息后,预测准确率可提高约11%。

基于GM-LSSVR机场噪声时间序列预测模型

随着我国民航事业的不断发展,机场噪声问题日益严重。针对机场噪声时间序列预测问题,在分析了噪声数据特点的基础上,提出了一种基于GM-LSSVR的噪声序列预测模型,即将机场噪声时间序列进行分解,并分别建立趋势项的GM(1,1)模型和剩余项的LSSVR模型,用于机场噪声预测值的计算。在某机场实测数据中的应用表明,该方法的准确度明显优于其他预测方法。

基于观察学习的机场噪声监测点关联预测研究

针对机场噪声监测点设备损坏和老化导致噪声数据采集异常的问题,寻求软件解决方案。在分析监测点之间关联性的基础上,建立了一种基于观察学习的机场噪声监测点关联预测模型。首先,通过衡量失效监测点和其余正常监测点之间的关联性来筛选出关联度高的监测点;接着,利用BP神经网络集成建立回归预测模型。提出了一种"基于学习成果优异度加权"的观察学习算法,解决了小样本的欠拟合问题,提升了模型泛化能力。基于某机场实测数据的实验表明,所提出的预测模型具有较好的预测能力,并且改进后的算法比标准的观察学习算法更为稳定,效率更高。

基于气象因素的机场进离港延误预测

针对机场延误预测过程中难以提取延误传播时空特征、预测结果受天气扰动大的问题,提出了基于气象因素的时空图卷积网络(meteorology-based spatio-temporal graph convolutional networks, MSTGCN)机场延误预测模型。该模型使用图卷积神经网络(graph convolutional neural network, GCNN)与门控卷积神经网络(gated convolutional neural network, Gated CNN)挖掘机场延误的时空特征,同时加入气象特征提取模块对机场延误时间进行预测。实验结果表明,该模型在中短时预测上的表现均优于其他对比模型;相较于不考虑气象因素的模型,MSTGCN对未来1 h、4 h和12 h预测的平均绝对误差分别降低了7.03%,7.93%,11.54%,对预测结果起到了极大的修正作用。

基于SVR选择性集成的机场噪声预测模型研究

机场噪声预测对机场规划设计、航班计划制定以及机场噪声控制具有十分重要的作用。针对机场周围各个监测点上的单飞行事件进行噪声预测。由于机场噪声数据的复杂性,用单一的SVR方法对其预测往往得出局部优化结果,不能达到理想的预测效果,针对这一问题,提出一种基于SVR选择性集成的机场噪声预测方法,通过Adaboost方法对机场噪声数据进行采样训练得到多个SVR预测模型,并结合一种排序方法对预测模型进行选择集成得到最终机场噪声预测值,取得了较好的预测效果。

基于改进模糊支持向量回归模型的机场能源需求预测

针对离群点在机场能源数据的预测和分析中存在干扰等问题,建立了一种基于改进模糊支持向量回归(FSVR)的机场能源需求预测模型。首先,采用模糊统计法对测试样本集、系统参数和模型输出进行分析,推导出符合其数据分布的基本隶属函数形式;其次,结合例证法、专家经验法对隶属函数进行"再学习",逐步修改和完善正态隶属函数a、b参数值,半梯形隶属函数边界参数值及三角隶属函数p、d参数值,以此消除或减少不利数据挖掘的离群点,同时保留有效关键点;最后,结合支持向量回归(SVR)算法,建立预测模型,并验证了该模型的可行性。实验结果表明,与反向传播(BP)神经网络方法相比,FSVR方法的预测准确率提高了2.66%,对离群点的识别率提高了3.72%。

基于混合编码和长短时记忆网络的机场延误预测方法

为充分利用机场延误状态信息的时间相关性,提高机场延误预测精度,提出一种基于混合编码和长短时记忆网络(Long Short Term Memory,LSTM)的机场延误预测方法。该方法首先将机场信息、航班信息和气象信息进行数据预处理,得到机场延误数据;然后,利用LSTM网络对机场延误数据进行特征提取;最后,构建Softmax分类器对机场延误分类预测。实验结果表明,本文基于机场延误数据在数据预处理阶段提出的混合编码方法,可使预测准确率提高约5%。同时,利用LSTM网络来提取数据的时间相关特征信息,网络模型的预测准确率最终可达94.01%。并且利用不同机场数据对网络的普适性分析结果表明,该算法更适合于原始数据量大的中大型枢纽机场。

基于Skip-LSTM的机场群延误预测模型

针对目前机场群发展不平衡,国际枢纽机场的延误率居高不下,航班时刻短缺,资源紧张,而区域枢纽机场却存在资源空闲的问题,提出一种基于跳过门的长短时记忆网络(Skip-LSTM,Skip Long Short Term Memory)的机场群延误预测模型。该模型首先将机场群中各个机场的信息,机场群航班信息以及机场群地区的气象信息进行融合及处理,然后搭建Skip-LSTM网络对融合后的数据信息进行特征提取,最后利用Softmax分类器对机场群的延误状况进行分类预测。Skip-LSTM网络在传统的长短时记忆网络(LSTM,Long Short Term Memory)的基础上增加了Skip门,能更加充分地提取机场群数据信息的时间相关性,获得更高的准确率。实验结果表明,基于Skip-LSTM的机场群延误预测模型的准确率可达95.35%,预测性能优于传统的网络模型,能对机场群的延误状况进行有效的预测。

基于立方分解模型的机场噪声预测方法

机场噪声影响已成为阻碍机场发展的重要问题,而机场噪声实时预测是机场噪声研究的一个重要方面,对机场噪声监测及机场噪声影响规律的研究有着重要意义。由于机场噪声实时预测问题可以形式化为矩阵填充问题,论文首先使用协同过滤算法中的矩阵分解模型进行求解,然后根据机场噪声的影响因素的数据特征,提出了一种基于立方分解模型的机场噪声预测方法。通过实验表明,与矩阵分解模型相比,基于立方分解模型的机场噪声预测方法预测精度有了很大提高。

关于多跑道机场噪声优化预测方法

多跑道机场噪声预测是机场规划和改扩建的重要基础,随着机场跑道数量的增加,航班、跑道、飞行程序之间组合更加多样化,机场噪声预测问题更加复杂。为了得到可靠性高的预测结果,根据不同跑道的航迹聚类和机型聚类,把聚类结果的每簇中心航迹和代表机型数据组合导入INM(Intergrated Noise Models)计算噪声值构成噪声数据库,通过贝叶斯分类算法构建了一个采用贝叶斯分类的多跑道机场噪声预测模型。输入航班号、机型、航迹、目的地、出港点等基础数据即可快速确定航迹、机型所属类别和跑道号,然后查询噪声数据库得到噪声预测结果。实验结果表明,上述模型能够在一定误差范围内方便快捷地预测出机场周围敏感点的噪声,从而验证了预测模型的合理性和有效性。

基于ST-LightGBM的机场离港航班延误预测

机场间的延误时空关系复杂,多数研究只聚焦于时间维相关性,导致延误预测精度不高.提出一种融合多机场时空相关性的ST-LightGBM模型预测机场离港航班延误.首先,构建多机场延误时空图数据;然后,通过图卷积神经网络提取延误信息空间特征,同时长短时记忆网络对机场各节点延误时间序列进行时间特征提取,形成具有时空相关性的二维特征向量;最后,将时空维特征向量输入LightGBM实现机场离港航班延误数量预测,在训练过程中引入贝叶斯优化算法进行参数寻优.结合真实数据实验,对中国枢纽机场延误数据进行时空维度关系提取并预测.结果表明,本文模型相比于其他基准模型具有较好的预测准确性.

基于多Agent的机场鸟情预测预报系统研究

机场鸟情预测预报具有复杂性和分布性的特点,传统的面向结构和对象的方法已经不能给出一个描述系统行为以及互相之间信息交换的统一模型。论文采用面向Agent信息系统建模方法将现实世界看做多个具有自主行为的实体,提出了基于多Agent的中国机场鸟情预测预报系统的组织形式,即中央鸟情预测预报管理中心Agent、区域鸟情预测预报管理中心Agent和三级鸟情预测预报管理Agent。详细描述了各个Agent的功能以及之间的工作方式和合作机制,为中国机场鸟情预测预报系统的建立提供了理论依据。

基于卡尔曼滤波的机场噪声预测异构集成策略

为有效解决机场噪声预测问题,提升预测结果的适应性以及准确性,提出一种基于卡尔曼滤波的机场噪声预测异构集成策略。将已有预测方法归纳为两类:时间序列预测和关联分析预测,根据现行噪声标准构建同时适用两类方法的训练数据集;采用卡尔曼滤波对两类方法的预测结果进行优化,将两类方法的结果集成到同一时间维度上对未来噪声进行预测。实验结果表明,该集成策略能将两类预测方法合理结合起来,显著提高预测准确率。

基于联邦学习在机场旅客量的预测

基于航空乘客的出行预测对民航机场的建设和运行有重要影响,但是由于数据量不够的原因,致使旅客预测会存在偏差,若将不同的机场数据集结起来训练会涉及商业机密。因此本文提出基于联邦学习的旅客吞吐量的预测方法,首先对参与训练的机场数据进行预处理与归一化,然后使用逻辑回归模型进行训练,同时使用同态加密来保证数据的隐私安全,最终通过服务器的聚合训练出一个泛化能力强的模型。此外,本文还使用了真实的机场吞吐量数据证明该模型的可行性与有效性。

基于注意力机制优化EDM机场客流量预测

针对标准编码解码模型(Encoder-Decoder Model, EDM)对于时间序列数据提取能力弱的问题,提出一种融合双向长短时记忆网络(Bi-directional Long Short-Term Memory, Bi-LSTM)和注意力机制(Attention)的编码解码模型.通过Bi-LSTM对输入数据从正反两个方向进行特征提取,基于注意力机制将所得到的特征根据不同时刻分配不同权重,根据解码阶段的不同时刻生成相应背景变量,进而实现对机场客流量的预测.选取上海虹桥机场为例用该算法进行实验仿真,实验结果表明,本文所提方法与RNN、LSTM相比,平均标准误差降低了57.9%以上,为机场客流量预测提供了一种新的思路.