基于Eurocat-X系统实时运行数据的短期空中交通流量预测

在对EuroCat-X系统实时运行数据进行深入分析的基础上,提出一种新的短期流量预测模型,与现有模型相比,它利用EuroCat-X系统强大的计算能力和丰富的信息资源,减少了自身的计算量和复杂度,而且从空中交通管制的角度直接、迅速获得航班动态更新的信息,提高了实时性,然后在REC数据分析系统上对该模型进行了实现,并将预测结果与实际情况进行对比,分析误差产生的原因。

基于GWO-HMM的空中交通网络流系统态势预测研究

针对空中交通流量管理部门如何更高效地实施流量管理的问题,本文将态势感知理论应用于空中交通网络流系统(ATNFS,air traffic network flow system),建立空中交通网络流系统的运行态势预测模型。首先,给出了空中交通网络流系统的态势感知过程,从节点和航线的角度筛选出航线饱和度、不正常航班率、节点饱和度、节点延误架次比、节点航班取消率5个态势要素,使用态势值作为态势理解的指标;其次,分析隐马尔可夫模型(HMM,hidden Markov model)的优势与不足,建立了基于灰狼优化(GWO,grey wolf optimization)算法和改进隐马尔可夫模型的态势预测模型;最后,使用某空中交通网络流系统的实际运行数据进行算例验证。结果表明,改进后的预测模型相较于原本的隐马尔可夫预测模型精度更高,预测结果更准确。

基于K近邻模型的空中交通流量短期预测

为了准确预测空中交通短期流量,减轻空管协调压力,基于K近邻算法构建了空中交通短期预测模型。首先,通过多次取K值比较相对误差来确定合适的K值。之后,对原有的K近邻模型进行改进,引入空间参数,提出了3种状态向量组合的K近邻模型:时间维度模型、向台航路-时间维度模型与时空参数模型。以某扇区雷达数据对该模型进行检测,结果表明:同时引入时空参数的K近邻模型误差最小,平均为14.16%;基于指数权重的距离衡量方式均能达到预测精度优化的效果;高斯权重预测法在时间维度模型下优于反函数法,引入空间参数则反之;指数权重距离下的反函数法预测的时空参数模型误差为13.94%。改进后的K近邻模型对不同流量情况都具有普适性,预测结果可为空中交通流量管理提供理论参考。

空中交通流量的短期预测

用霍尔特-温特斯模型对机场的短期空中交通流量进行预测,首先介绍了该模型的具体预测步骤,并采用面向对象的软件技术,设计开发了预测模型软件。该预测模型软件除了可以根据用户设定的平滑系数进行预测之外,还可以自动计算出预测效果较优的"最优平滑系数"。本文利用自1998年来首都机场各个月份的交通流量实际数据,对2006年的12个月份数据进行预测,经过与实际数据的比较发现相对误差在3%左右。结果表明,基于"最优平滑系数"的霍尔特-温特斯模型能较好的预测机场的短期空中交通流量,是一种为空中交通战略流量管理提供准确数据的有效方法。

基于分解集成方法的空中交通流量短期预测

为对空中交通流量进行短期预测,提出了基于分解集成方法的组合预测模型。首先,应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法将流量时序数据分解为若干个分量;其次,应用排列熵计算各分量的复杂度,复杂度高于0.5的归为高频分量,其余归为低频分量;然后,高频分量采用BP(back propagation)神经网络算法进行预测,低频分量采用最小二乘法进行预测;接着,对分量的预测结果进行加和集成,得到了最终的预测值。最后,采集实际运行数据进行算例分析。通过比较1~6 h和7~12 h的预测结果,本文模型在1~6 h的均等系数(equal coefficient,EC)值为0.905,准确度更高。与EMD-BP-OLS模型、BP模型进行比较,本文模型的评价指标均优于其他模型。通过比较60、30、15 min时间尺度数据的预测结果,60 min时间尺度的EC值为0.924,准确度最高。结果表明,提出的模型是可行的和有效的,更适用于短期流量预测。

区域船舶交通流量预测ChebNet-LSTM模型

针对船舶交通流量预测模型对船舶流量数据空间特征考虑较少的问题,建立一种由切比雪夫网络(Chebyshev network,ChebNet)和长短期记忆网络(long short-term memory,LSTM)组成的深度学习预测模型ChebNet-LSTM。ChebNet的K阶卷积算子有利于提取船舶流量数据的空间特征,而LSTM用于学习船舶流量数据的时间特征。选取舟山水域中船舶流量不同的3个区域进行船舶流量预测实验。结果表明,所提出的ChebNet-LSTM模型可以有效地提取船舶流量数据的时空特征,在各项评价指标上的表现均优于对比模型,预测精度得到较大提高,可以为水上交通智能航行提供数据支撑。

基于长短期记忆网络与支持向量回归的空中交通流量预测研究

由于航空运输的高速发展,空中交通流量日益增大,空中交通流量预测难度不断增加。为提高空中交通流量预测的精确度,通过运用支持向量回归(SVR)和长短期记忆网络(LSTM)2种方式对广播式自动相关监视(ADS-B)数据进行处理。结果表明,LSTM预测方法对交通流误差有较好的控制,具有较好的预测精度。SVR模型和LSTM模型都能很好地捕捉非线性特征与交通流之间的内在关系。发现航路点流量时间序列曲线的趋势性越明显,预测曲线的拟合度越高;时间序列曲线的波动幅度越大,预测曲线拟合度越差。LSTM预测方法的均方根误差为2.56,SVR预测方法的均方根误差为3.59,航路点流量时间序列趋势的明显性直接影响模型的预测精准度。

考虑外部因素的MCNN-ABiLSTM交通流量预测模型

针对交通流量序列的时间依赖性、空间相关性及易受外部因素的干扰等问题,提出一种基于多尺度卷积神经网络和融合注意力机制的双向长短期记忆神经网络自适应融合预测模型(MCNN-ABiLSTM模型)。通过串联的多尺度结构增强卷积神经网络的特征提取能力,融合注意力机制的双向长短期记忆网络提升对时序特征的连续性、周期性的挖掘能力,将2个分支特征自适应融合以提升交通流量预测的准确性。同时,通过计算各路口时序流量的皮尔逊相关系数分析交通流量的空间相关性,并提出改进粒子群算法(IPSO)设置外部因素标签值。实验结果表明,MCNN-ABiLSTM模型比其他基线模型预测准确性更高,RMSE、MAE以及MAPE均有明显下降。

机场场面交通流量预测方法研究

针对机场场面交通可获数据的局限性,为精准提取机场交通数据时空特征及预测场面交通流量。首先,基于推出控制理论,建立机场场面运行数值仿真模型,得到因数据局限无法获取的预测指标;其次,搭建卷积神经网络(CNN)与长短期记忆网络(LSTM)组合预测模型提取时空特征;最后,以河南郑州机场为例进行试验验证,比较模型在不同训练数据量下的预测性能与误差指标,结果表明基于仿真指标的预测模型预测结果精确度高且性能稳定。

基于堆叠长短期记忆网络的互联网流量预测

对互联网流量的有效预测是网络运营商进行网络优化的重要组成部分,为了提高互联网流量的有效预测,本文提出了一种堆叠长短期记忆网络(LSTM)模型来预测未来的互联网流量。首先,介绍了堆叠LSTM的网络结构。然后构建了4种不同堆叠层数的LSTM网络结构,并利用欧洲11个城市的ISP互联网流量和英国学术网流量数据集进行实验对比,确定了当堆叠层数为2层时,预测的精确度最高。最后为了验证该模型的有效性,通过均方根误差和平均绝对误差这两个衡量标准,与DBN、GRU、HA模型进行比较。实验结果表明,基于堆叠的LSTM预测模型较其它模型的RMSE值和ER值均有所降低。

基于SCBANet模型的九寨沟景区客流量短期预测

针对景区客流量短期预测时存在的特征提取能力差、预测误差大、难以捕捉非常规变化等问题,提出了一种神经网络模型SCBANet,该模型结合了时空归一化、卷积神经网络、双向长短期记忆网络以及注意力机制。首先利用时空归一化的两个模块分别对客流量数据的高频分量与局部分量进行细化;然后利用卷积神经网络对处理后的数据进行特征提取,接着双向长短期记忆网络利用提取到的特征进行景区客流量的预测,最后使用注意力机制捕捉过去不同时间频次对景区客流量的影响,从而提高预测的精确度并捕捉非常规变化。实验结果表明,与其他算法相比,SCBANet模型预测误差可下降97.63%,对未来一周景区客流量预测的每日相对误差均在4%以下,因此更适用于景区短期客流量的预测。

考虑周期性波动因素的中长期空中交通流量预测

为准确把握空域单元交通流量的变化趋势和周期性波动规律,综合考虑气候、季节、交通需求等因素,通过分析中长期历史流量数据,在线性增长模型的基础上,建立了考虑周期性波动因素的空中交通流量动态线性改进模型,采用贝叶斯状态估计和预测方法对模型进行求解,提出了一种根据空域单元流量时序数据预测中长期流量及其变化趋势的预测方法.利用国内典型空域单元实际流量数据,对比分析了上述两种模型的预测性能.实例研究表明:与线性增长模型的预测结果相比,本文模型的流量预测结果更符合我国的实际情况,反映了流量周期性波动特点,年流量预测结果的平均绝对误差从3.14%下降到了1.71%,预测误差的标准差从2.01%下降到了0.02%.

基于改进加权一阶局域法的空中交通流量预测模型

空中交通流量精准预测是实施空中交通控制和管理的重要前提.针对空中交通流量时间序列的内在混沌动力特性,研究了基于改进加权一阶局域法的混沌交通流量时间序列预测模型.首先,提出了一种临近相点演化加权的改进一阶局域预测法,并通过在预测过程中构建误差序列进行预测结果修正;其次,利用关联维数出现饱和现象验证了4组不同统计时间间隔的实测空中交通流量时间序列均存在混沌特性;最后,在对空中交通流量时间序列进行相空间重构的基础上,利用改进加权一阶局域预测方法进行了流量预测结果的对比实验.结果表明,4组空中交通流量时间序列预测精度均有提高,时间尺度为10 min的流量预测效果最好,预测相对误差减小了29.7%.

考虑随机因素的空中交通流量预测模型研究

空中交通流量受多种因素影响,其中具有一定的随机成分,因此可通过将空中交通流量分为确定成份和随机成份来进行流量预测。确定成份主要由国民经济发展、行政调控政策等因素决定;随机成份主要由气候、石油价格等因素导致。建立的预测模型分为趋势项和随机项两部分,根据大量的数据仿真,采用指数平滑模型描述趋势项;应用正弦函数刻化随机成分。通过利用华东地区年飞行流量的仿真验证,建立的模型能够更为精确地预测空中交通流量(ATF),能为航空各级决策部门制定发展规划提供重要依据。

基于时间序列的空中交通流量灰预测模型算法

利用灰色预测理论,给出了一种空域内空中交通流量进行预测分析的算法——空中交通流量灰预测法,并利用Matlab软件作为计算工具,对管制区域、机场等空域流量的预测进行了仿真,计算结果以图表和图形的形式给出直观说明,验证了该算法的有效性。

新型组合预测模型在空中交通流量预测的应用

民航运输业的快速发展使空中交通流量迅猛增加,如何准确预测未来的交通流量是关乎到行业资源高效分配、战略合理部署的一个重要问题。因此,国内外众多专家对空中交通流量的预测进行了大量研究,提出了诸多模型和方法。针对目前空中交通流量预测中存在的缺陷与不足,提出并建立了一种适用于民航的新型组合预测模型。将趋势外推法拟合的结果作为多元回归分析法的复合时间变量组,并利用主成份分析法实现了复合时间变量组与其他影响因素变量的有机结合,建立了趋势外推法和多元回归分析法的组合预测模型。以上海终端区的空中交通流量预测为例,借助SPSS数据统计软件进行研究分析,通过对预测结果的各项精度检验,与传统方法相比较,证实本预测模型的优越性。

空中交通流量统计和预测系统的设计与实现

采用面向对象的Client/Serve结构开发工具Delphi6.0,设计和实现了流量统计与预测系统。该系统通过流量统计和预测模块,实现了对用户指定时间范围和空间范围的空中交通流量进行有效地统计,并结合历史数据对全国性或大区域范围内的长期流量进行预测。上述各类数据的综合分析将为中国民航,尤其是空管系统的建设发展提供科学的量化依据。

基于GA、RBF和改进Cao方法的空中交通流预测方法

针对传统空中交通流量预测方法精度不足、时效性差的问题,考虑空中交通流量时间序列的混沌特征,在相空间重构理论的基础上,研究了结合遗传算法(GA)、径向基(RBF)神经网络与改进Cao方法的空中交通流量预测方法。为降低传统Cao方法人为参数选择引入的误差,提高相空间重构精度,通过判定虚假邻近点,以及迭代比较嵌入维度离差和可接受偏差,确定重构相空间嵌入维度值的选择标准,进而得到重构后的空中交通流量时间序列数据;为提升径向基神经网络预测精度并降低参数误差,使用遗传算法优化RBF神经网络的中心矢量、加权系数和输出层阈值,再通过最优系数标定后的神经网络对重构后的时间序列进行预测;利用实际空中交通流量数据进行仿真以验证方法的有效性,并结合最大Lyapunov指数和预测结果分析了预测的时效性以及时间尺度对精度影响。结果显示:(1)改进后的预测方法具有更好的非线性拟合能力,提高了交通流量时间序列的预测精度;(2)以5 min时间间隔预测为例,相比传统RBF神经网络,改进方法的平均绝对误差、均方误差以及平均绝对百分比误差分别降低了19.44%、34.78%和27.21%;(3)相比反向传播(BP)神经网络和长短期记忆(LSTM)神经网络,所提方法的平均绝对误差分别降低了36.20%和16.10%,运行速度分别提高了27.42%和35.00%。综上所述,所提方法能更好地解析系统的混沌特性,提升空中交通流量预测精度与速度。

空中交通流量的灰色预测方法应用

空中交通流量的预测方法的研究对我国民航发展具有指导性意义。预测的方法有很多种,空中交通流量的复杂性、非线性和不确定性,可以将灰色预测算法应用到进近空域内的空中交通流量预测。相对于传统线性预测方法,灰色预测可以将目标函数曲线与预测函数曲线更好地进行拟合。

基于灰色神经网络的空中交通流量预测方法

空中交通流量预测是空中交通管理领域的研究热点。针对空中交通流量的复杂性、非线性和不确定性,提出一种基于灰色神经网络算法进近空域内的空中交通流量预测方法。将灰色系统与人工神经网络相结合构成的灰色神经网络预测模型,优于单一的灰色预测方法和人工神经网络预测方法。