一种应用于航路扇区交通的概率密度预测系统技术方案

本发明专利技术涉及一种航路扇区交通概率密度预测系统，包括：样本获取模块适于获取预设时间内航路扇区的交通流量作为样本；样本分析模块适于样本进行数据分析；第一预测结果预测模块根据样本数据分析结合模型参数选择进行概率性预测航路扇区交通需求，并获得第一预测结果。通过将神经网络与分位数回归方法结合，进而获得未来某天连续交通需求数据的若干分位数。然后，利用这些连续的条件分位数，通过核密度估计方法得到了未来某天交通需求连续的概率密度函数和概率密度曲线图。由此不仅可以得到具体的点预测值及其的变化区间，同时也可以得到航路扇区交通需求预测变化区间各值的概率，得到当天较准确的点预测值。

【技术实现步骤摘要】
一种应用于航路扇区交通的概率密度预测系统
本专利技术涉及航空领域，具体涉及一种航路扇区交通概率密度预测系统。
技术介绍
随着中国航空运输业的飞速发展，空中交通拥挤日益凸显，并不断从终端区向航路网络蔓延。为了缓解日益频发的航路拥堵，需要实施科学的拥挤管理手段，其前提之一就是准确、客观地预测交通需求。根据当前空域拥挤管理运行实际，主要通过基于航迹推测的需求预测方法实现，即以航空器运动方程为依据确定每架航空器的运行轨迹，预测未来一段时间内每架航空器的位置，进而推算出各时段内通过某空域的航空器数量。此方式下的最终预测结果通常以确定性形式表现，即一定预测时间尺度下空域中所对应的交通需求预测结果是一个确定的数值。这种确定性的预测结果虽然在一定程度上可以满足空域拥挤管理需求，但是却存在若干不足：首先，尽管在预测过程中可能考虑了航空器运行过程中诸多不确定因素对预测结果的影响(例如，非计划内的航班取消、进离场时间改变等随机事件对航空器运行时间造成的偏差，天气原因造成的航班飞行路径或高度非计划内改变等)，这种确定性预测结果的表示方式却在一定程度上无法充分体现出不确定性因素的实际影响及其程度；此外，由于预测模型、输入数据、系统固有缺陷等客观原因，确定性结果的精确性就会随之下降，那么这种精确性的损失程度也无法体现在预测结果中。
技术实现思路
本专利技术的目的是提供一种航路扇区交通概率密度预测系统。为了解决上述技术问题，本专利技术提供了一种航路扇区交通概率密度预测系统，包括：样本获取模块适于获取预设时间内航路扇区的交通流量作为样本；样本分析模块适于样本进行数据分析；第一预测结果预测模块适于根据样本数据分析结合模型参数选择进行概率性预测航路扇区交通需求，并获得第一预测结果。本专利技术的有益效果是，本专利技术提供了一种航路扇区交通概率密度预测系统，包括：样本获取模块适于获取预设时间内航路扇区的交通流量作为样本；样本分析模块适于样本进行数据分析；第一预测结果预测模块适于根据样本数据分析结合模型参数选择进行概率性预测航路扇区交通需求，并获得第一预测结果。航路扇区交通概率密度预测系统基于现有系统中能够获取的航路扇区交通流量历史数据进行预测。利用神经网络极其强大的非线性自适应能力，以及分位数回归对解释变量更加精细刻画的优点，通过将神经网络与分位数回归方法结合，进而获得未来某天连续交通需求数据的若干分位数。然后，利用这些连续的条件分位数，通过核密度估计方法得到了未来某天交通需求连续的概率密度函数和概率密度曲线图。由此不仅可以得到具体的点预测值及其的变化区间，同时也可以得到航路扇区交通需求预测变化区间各值的概率，得到当天较准确的点预测值。附图说明下面结合附图和实施例对本专利技术进一步说明。图1是专利技术提供的航路扇区交通概率密度预测系统的智能终端的原理框图；图2是专利技术提供的航路扇区交通概率密度预测系统的原理框图；图3是中南区域航路扇区AR05；图4是某航路扇区AR05交通流量自然变化趋势；图5(a)-(b)是样本数据分布检验；图6(a)-(i)是2017年5月22日9:00-9:15航路扇区AR05交通需求概率密度分布；图7(a)-(b)是2017年5月22日9:00-9:15航路扇区AR05交通需求预测值及误差；图8(a)-(f)是概率性预测方法与经典BP神经网络预测方法数据处理前后的误差比较；图9(a)-(b)是2017年5月22日9:00-9:15航路扇区AR05交通需求预测值及误差(BPAfter)；图10是2017年5月22日-30日9:00-9:15航路扇区AR05交通需求预测结果及误差；图11(a)-(f)是2017年5月22日-30日9:00-9:15航路扇区AR05两种预测方法预测结果误差分析；具体实施方式现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。请参阅图1，是本专利技术实施例提供的航路扇区交通概率密度预测系统的智能终端300的方框示意图。可以包括航路扇区交通概率密度预测系统200、存储器210、存储控制器220、处理器230、外设接口250、显示触摸屏240。存储器210、存储控制器220、处理器230、外设接口250、显示触摸屏240各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可以通过一条或多条通讯总线或信号线实现电性连接。航路扇区交通概率密度预测系统200可以包括至少一个可以软件或固件的形式存储于存储器210中或固化在智能终端300的操作系统中的软件模块，例如手航路扇区交通概率密度预测系统200所包括的软件功能模块及计算机程序等。其中，存储器210可以是，但不限于，随机存取存储器(RandomAccessMemory，RAM)，只读存储器(ReadOnlyMemory，ROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，PROM)，可擦除只读存储器(ErasableProgrammableRead-OnlyMemory，EPROM)，电可擦除只读存储器(ElectricErasableProgrammableRead-OnlyMemory，EEPROM)等。其中，存储器210用于存储程序，处理器230在接收到执行指令后，执行所述程序。处理器230以及其他可能的组件对存储器210的访问可以在存储控制器220的控制下进行。处理器230可能是一种集成电路芯片，具有信号的处理能力。上述的处理器230可以是通用处理器，包括中央处理器(CentralProcessingUnit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本专利技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。外设接口250将各种输入/输出装置耦合至处理器230以及存储器210.在一些实施例中，外设接口250、处理器230以及存储控制器220可以在单个芯片中实现，在其他一些实施例中，他们可以分别由独立的芯片实现。显示触摸屏240用于接收外部的触摸操作，并将外部操作发送给处理器230处理，从而将外部表的操作转化为手势轨迹。可以理解，图1所示的结构仅为示意，智能终端300还可以包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或者其组合实现。下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，本文档来自技高网...

【技术保护点】
1.一种航路扇区交通概率密度预测系统，其特征在于，包括：样本获取模块适于获取预设时间内航路扇区的交通流量作为样本；样本分析模块适于样本进行数据分析；第一预测结果预测模块适于根据样本数据分析结合模型参数选择进行概率性预测航路扇区交通需求，并获得第一预测结果。

【技术特征摘要】
1.一种航路扇区交通概率密度预测系统，其特征在于，包括：样本获取模块适于获取预设时间内航路扇区的交通流量作为样本；样本分析模块适于样本进行数据分析；第一预测结果预测模块适于根据样本数据分析结合模型参数选择进行概率性预测航路扇区交通需求，并获得第一预测结果。2.如权利要求1所述的航路扇区交通概率密度预测系统，其特征在于，样本分析模块包括：模型建立单元适于创建神经网络分位数回归模型；获得预测数据的分位数。3.如权利要求2所述的航路扇区交通概率密度预测系统，其特征在于，模型建立单元包括：目标函数获取子单元，适于获取目标函数；神经网络分位数回归模型的表达式为：其中，θ为分位点，u(θ)＝{uij(θ)}i＝1，2，...，n；j＝1，2...，J为输入层与隐含层之间的待估权重矩阵；v(θ)＝{vj(θ)}j＝1，2，...，J为隐含层与输出层之间的连接权重向量；优化求解神经网络分位数回归模型的表达式得出目标函数：其中，ρθ表示在θ分位点的权重系数，Yi为响应变量；f[x，u(θ)，v(θ)]为由权重向量u(θ)和v(θ)复合而成的非线性函数。4.如权利要求3所述的航路扇区交通概率密度预测系统，其特征在于，模型建立单元还包括：目标函数优化子单元，即在目标函数加入了相应的惩罚参数项，得到新目标函数，即其中，λ1、λ2为惩罚参数，λ1用于优化输入层与隐藏层之间的待估权重矩阵的权值，λ2则用于优化隐含层与输出层之间的连接权重向量的权值，...

【专利技术属性】
技术研发人员：田文，郭怡杏，杨帆，郑哲，张颖，胡明华，张洪海，徐汇晴，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏,32