【技术实现步骤摘要】
基于BP神经网络和最小二乘法的空中交通流量短期预测方法
本专利技术涉及空中交通流量管理领域，特别涉及一种基于BP神经网络和最小二乘法的空中交通流量短期预测方法，用于空中交通流量的短期预测，为实施流量管理措施提供准确的流量预测值。
技术介绍
流量预测是空中交通管理的重要内容，流量预测一般分为中长期预测与短期预测，中长期预测可以为航空公司运营调整、机场建设和改造提供参考，流量短期预测可以为管制员提供辅助决策信息，对优化交通流和减少延误更具现实意义。空中交通流量短期预测对于空中交通流优化与管理的有效性和精准性具有导向作用，是空中交通流量管理中迫切需要解决的基础性问题。目前对于空中交通流短期量预测方法主要分为4类：基于航迹的预测方法，该方法简单易行，但在航路飞行时，不确定因素较多，预测精度较差，并且航班量巨大时，运算较为复杂，速度较慢。基于数理统计的预测方法，主要考虑了空中交通流的线性特征，操作较为简便，但对非线性因素考虑不足，具有局限性。智能预测方法，具有较强的自学习能力、适应性和鲁棒性，可以在大量的数据中...
【技术保护点】
1.一种基于BP神经网络和最小二乘法的空中交通流量短期预测方法，利用计算机作为预测平台，其特征在于：/n计算方法首先建立计算系统，计算系统由软件模块构成，其中第一模块安装流量时间序列分解模块，根据实际工作需要，针对某个具体扇区进行集合经验模态分解；第二模块安装复杂度检验模块，通过复杂度检验将这些分量分为高频和低频；第三模块安装分量预测模块，高频的分量采用BP神经网络进行预测，低频的分量使用最小二乘法进行预测；第四模块安装集成预测模块，对各分量预测的结果采用线性加和进行集成预测，得最终的预测结果；所述流量时间序列分解模块、复杂度检验模块、分量短期预测模块和集成预测模块用作基于...
【技术特征摘要】
1.一种基于BP神经网络和最小二乘法的空中交通流量短期预测方法，利用计算机作为预测平台，其特征在于：
计算方法首先建立计算系统，计算系统由软件模块构成，其中第一模块安装流量时间序列分解模块，根据实际工作需要，针对某个具体扇区进行集合经验模态分解；第二模块安装复杂度检验模块，通过复杂度检验将这些分量分为高频和低频；第三模块安装分量预测模块，高频的分量采用BP神经网络进行预测，低频的分量使用最小二乘法进行预测；第四模块安装集成预测模块，对各分量预测的结果采用线性加和进行集成预测，得最终的预测结果；所述流量时间序列分解模块、复杂度检验模块、分量短期预测模块和集成预测模块用作基于BP神经网络和最小二乘法的空中交通流量短期预测方法的实现平台；
基于BP神经网络和最小二乘法的空中交通流量短期预测分为三个阶段，第一阶段先通过经典模态分解对数据的时间尺度特征进行分解；
第二阶段通过计算排列熵来确定分量的复杂度，将其分为高频与低频分量；
第三阶段对高频分量采用BP神经网络进行预测，对于低频分量采用最小二乘法进行预测；
第四阶段对各分量预测的结果采用线性加和进行集成预测，得最终的预测结果；其具体步骤如下：
第一阶段：利用经典模态分解对时序数据进行分解；
步骤1：按照式(1)对原信号添加白噪声
Y(t)＝X(t)+ω(t)(1)
其中，ω(t)表示白噪声，X(t)表示原信号，Y(t)表示添加白噪声的信号；
步骤2：按照式(2)进行EMD分解
其中，ci(t)表示n个模态分量，r(t)表示一个残差；
步骤3：重复步骤(1)和(2)m次，对信号Y(t)加入不同的白噪声，得到m组模态分量和m个残差，所添加的白噪声应符合式(3)
其中，εn表示输入信号与经过EEMD分解后分量加和的误差，ε表示所加白噪声的幅值系数，m表示添加白噪声的次数；
步骤4：按照式(4)对得到的数据求均值，得到最终的模态分量，
其中，imfi(t),i＝1,2......,n表示最终的n个模态分量；
步骤5：按照式(5)对得到的数据求均值，得到最终的残差，
其中，res(t)表示最终的残差；
第二阶段：计算排列熵来确定分量的复杂度；
步骤1：使用平均互信息估计相空间重构的延迟时间；
步骤2：使用虚假最近邻点算法估计相空间重构的嵌入维数；
步骤3：按照式(6)对得到原始时间序列转换成嵌入向量
Xt＝{xt,xt+τ,xt+(m-1)τ},(t＝1,...,T-(m-1)τ)(6)
其中，xt,(t＝1,2,...,T)为原始时间序列，Xt为嵌入维数为m，延迟时间滞后期为τ的嵌入向量；
步骤4：将每个向量xt按递增顺序排列得到在给定嵌入维数m的情况下序列共有m！...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。