基于GA-BP模型的国产民机落地剩油预测研究

针对全球碳排放量和航油价格的增加,需提升国产民机的竞争力。研究提出基于GA-BP神经网络的ARJ21飞机落地剩油预测,先进行相关性分析,筛选出与落地剩油关联较大的6个参数,再分别采用BP神经网络模型和GA-BP神经网络模型对落地剩余油量进行预测,对比两个模型的预测结果和准确度,进行误差分析。结果表明,GA-BP神经网络模型比BP神经网络模型的预测精度提高了2.7%,且GA-BP神经网络模型预测精度均在97%以上,预测效果更优。研究可为航空公司油量监控和国产民机节油策略等方面的研究提供算法支持。

基于SVR-随机森林模型的民机落地剩油预测研究

针对国产民机落地剩油的预测与单一算法预测精度较低的问题,本文提出了一种基于支持向量回归机(SVR)与随机森林(RF)算法组合的预测模型对国产民机落地剩油做预测。灰色关联度分析得到落地剩油关联度较高的因素,简化模型输入量;采用单一的SVR算法与RF算法进行落地剩油预测,利用倒数误差法将两个单一算法组合起来对落地剩油做预测。实例验证,单一的预测模型准确率为81.21%、83.91%;组合模型的准确率为93.2%,提高了落地剩油预测的精度,有利于飞机在安全飞行的前提下合理减少额外油,提高经济效益。

基于改进BP神经网络的飞行落地剩油预测方法

针对落地剩油的监测方法有限、监控效率低等问题,提出了一种基于改进BP神经网络的飞行落地剩油预测方法。首先,采用相关性分析以及主成分分析方法简化模型,将飞行前可获得的19个参数转化为8个主成分;然后,考虑到BP神经网络存在收敛速度慢、易陷入局部极小值等问题,将遗传算法(GA)与BP神经网络相结合,构建GA-BP落地剩油量预测模型。仿真结果表明,该模型预测准确度超过95%,与传统BP神经网络相比,最大相对误差下降了5.08%,平均相对误差下降了0.79%,提高了落地剩油预测的精度和稳定性,为合理管控飞机燃油工作提供了理论依据和技术支持。