空中交通流量混沌预测方法及系统、存储介质、终端技术方案

本发明专利技术公开了一种空中交通流量混沌预测方法及系统、存储介质、终端。其中，空中交通流量混沌预测方法，包括如下步骤：构建空中交通流量混沌时间序列预测模型；判断所述空中交通流是否具有混沌特性；若有，则对空中交通流量时间序列进行归一化处理；根据归一化处理后的空中交通流量时间序列，确定相空间重构参数延迟时间和嵌入维度；利用确定的延迟时间和嵌入维度，对归一化处理后的空中交通流量时间序列进行相空间重构；将相空间重构后的空中交通流量时间序列输入到构建的空中交通流量混沌时间序列预测模型中进行预测。通过实际交通流数据对模型进行验证，相比传统方法利用本申请对空中交通流量时间序列具有更好预测精度和预测速度。测速度。测速度。

【技术实现步骤摘要】
空中交通流量混沌预测方法及系统、存储介质、终端


[0001]本专利技术涉及空中交流流量预测
，具体涉及一种空中交通流量混沌预测方法及系统、存储介质、终端。

技术介绍

[0002]针对空中交通流的非线性混沌特征，业内对基于非线性理论的预测方法开展了研究。例如，现有技术中公开了针对空中交通流的混沌特性，构建的改进加权一阶局域法的预测模型进行预测的方案；以7天为时间尺度建立时间序列模型，对空中交通流量进行预测的方案等。在智能预测方法方面，现有技术中公开了将灰色预测模型和BP神经网络相结合，建立了灰色BP神经网络预测模型的方案；结合神经网络与回归分析法预测空中交通流量的方案等。
[0003]现有技术中公开了较多的相关技术方案，但是，对于空中交通流量预测的研究仍至少存在以下不足：（1）在智能预测方法方面，尽管具有较强的自学习能力，但是相关技术方案中，并未针对空中交通流的特征对所采用方法的参数等进行优化，预测方法与空中交通系统相关性较差，导致预测精度和效率较差，且未考虑空中交通系统固有的混沌特性，导致对非线性系统拟合较差；（2）在基于混沌理论的预测过程中，相关方法并未进行针对性的改进而是直接套用，例如在研究中广泛使用的Cao方法，其参数选择主观性较大，不能完全反映空中交通系统的内在特征，导致预测结果不稳定。

技术实现思路

[0004]针对上述
技术介绍
中指出的技术问题，本专利技术的目的在于提供一种空中交通流量混沌预测方法及系统、存储介质、终端。
[0005]为实现上述目的，本专利技术提供的技术方案如下：第一方面本专利技术提供了一种空中交通流量混沌预测方法，包括如下步骤：步骤1：构建空中交通流量混沌时间序列预测模型，所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络；步骤2：计算不同时间尺度的空中交通流量时间序列的Lyapunov指数，根据Lyapunov指数判断所述空中交通流是否具有混沌特性；若有，则对空中交通流量时间序列进行归一化处理；步骤3：根据归一化处理后的空中交通流量时间序列，确定相空间重构参数延迟时间和嵌入维度，其中，所述嵌入维度的值使用基于虚假最邻近点法的改进Cao方法确定；步骤4：利用步骤3确定的延迟时间和嵌入维度，对归一化处理后的空中交通流量时间序列进行相空间重构，其中相空间重构后空中交通流量时间序列向量空间的维度等于
步骤3确定的嵌入维度值；步骤5：将相空间重构后的空中交通流量时间序列输入到步骤1构建的空中交通流量混沌时间序列预测模型中进行预测；其中，空中交通流量混沌时间序列预测模型中输入层个数确定为步骤3确定的嵌入维度值，输出层个数确定为1。
[0006]第二方面与上述方法相对应地，本专利技术还提供了一种空中交通流量混沌预测系统，包括如下单元：空中交通流量混沌时间序列预测模型构建单元、空中交通流量时间序列归一化处理单元、相空间重构参数确定单元、相空间重构单元、预测单元；所述空中交通流量混沌时间序列预测模型构建单元用于构建空中交通流量混沌时间序列预测模型，所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络；所述空中交通流量时间序列归一化处理单元用于计算不同时间尺度的空中交通流量时间序列的Lyapunov指数，根据Lyapunov指数判断所述空中交通流是否具有混沌特性；若有，则对空中交通流量时间序列进行归一化处理；所述相空间重构参数确定单元用于根据归一化处理后的空中交通流量时间序列，确定相空间重构参数延迟时间和嵌入维度，其中，所述嵌入维度的值使用基于虚假最邻近点法的改进Cao方法确定；所述相空间重构单元利用相空间重构参数确定单元确定的延迟时间和嵌入维度，对归一化处理后的空中交通流量时间序列进行相空间重构，其中相空间重构后空中交通流量时间序列向量空间的维度等于相空间重构参数确定单元确定的嵌入维度值；所述预测单元将相空间重构后的空中交通流量时间序列输入到空中交通流量混沌时间序列预测模型中进行预测；其中，空中交通流量混沌时间序列预测模型中输入层个数确定为相空间重构参数确定单元确定的嵌入维度值，输出层个数确定为1。
[0007]第三方面与上述方法相对应地，本专利技术还提供了一种存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述的空中交通流量混沌预测方法。
[0008]第四方面与上述方法相对应地，本专利技术还提供了一种终端，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述的空中交通流量混沌预测方法。
[0009]与现有技术相比，本专利技术的有益效果是：通过实际交通流数据对模型进行验证，相比传统方法利用本申请对空中交通流量时间序列具有更好预测精度和预测速度。
附图说明
[0010]图1所示为本申请实施例提供的方法流程示意图。
具体实施方式
[0011]下面将结合本专利技术实施例中的附图，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。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动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。
[0012]如图1所示，本实施例提供了一种空中交通流量混沌预测方法，包括如下步骤：步骤1：构建空中交通流量混沌时间序列预测模型，所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络；其中，所述构建空中交通流量混沌时间序列预测模型，具体如下：步骤1.1：基于混沌特性构建径向基函数神经网络；其中，所述径向基函数神经网络的结构如下：第1层为输入层；输入层将输入信号传递到径向基函数神经网络，其中，空中交通流量时间序列作为网络输入矢量，x为空中交通流量时间序列值，N为空中交通流量时间序列长度；第2层为隐含层；隐含层采用的径向基函数是一种局部分布的中心点径向对称衰减的非负非线性函数，具体采用高斯基函数，如下式：式中，；M为隐含层节点个数；X为网络输入矢量；为隐含层节点的输出；C
i
为高斯函数的中心矢量；为矢量的Euclid范数；为第i个隐节点的标准化常数；第3层为输出层；是一种由隐含层到输出层的线性映射，如下式：式中，y是输出层的输出；是隐含层与输出层之间的加权系数；是隐含层第i个节点的输出；b是输出层的阈值。
[0013]步骤1.2：利用遗传算法对径向基函数神经网络进行优化。
[0014]其中，利用遗传算法对径向基函数神经网络进行优化，具体如下：步骤1.2.1：以径向基函数的中心矢量C
i
和隐含层与输出层之间的加权系数和输出层的阈值b为待优化网络参数，采用实数编码形式初始化种群个体；步骤1.2.2：计算种群个体适应度，以均方误差为种群个体的适应度函数，以种群个体所获得的神经网络参数对径向基函数神经网络进行训练；步骤1.2.3：判断本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种空中交通流量混沌预测方法，其特征在于，包括如下步骤：步骤1：构建空中交通流量混沌时间序列预测模型，所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络；步骤2：计算不同时间尺度的空中交通流量时间序列的Lyapunov指数，根据Lyapunov指数判断所述空中交通流是否具有混沌特性；若有，则对空中交通流量时间序列进行归一化处理；步骤3：根据归一化处理后的空中交通流量时间序列，确定相空间重构参数延迟时间和嵌入维度，其中，所述嵌入维度的值使用基于虚假最邻近点法的改进Cao方法确定；步骤4：利用步骤3确定的延迟时间和嵌入维度，对归一化处理后的空中交通流量时间序列进行相空间重构，其中相空间重构后空中交通流量时间序列向量空间的维度等于步骤3确定的嵌入维度值；步骤5：将相空间重构后的空中交通流量时间序列输入到步骤1构建的空中交通流量混沌时间序列预测模型中进行预测；其中，空中交通流量混沌时间序列预测模型中输入层个数确定为步骤3确定的嵌入维度值，输出层个数确定为1。2.根据权利要求1所述的空中交通流量混沌预测方法，其特征在于，步骤1中，所述构建空中交通流量混沌时间序列预测模型，具体如下：步骤1.1：基于混沌特性构建径向基函数神经网络；步骤1.2：利用遗传算法对径向基函数神经网络进行优化。3.根据权利要求2所述的空中交通流量混沌预测方法，其特征在于，步骤1.1中，所述径向基函数神经网络的结构如下：第1层为输入层；输入层将输入信号传递到径向基函数神经网络，其中，空中交通流量时间序列作为网络输入矢量，x为空中交通流量时间序列值，N为空中交通流量时间序列长度；第2层为隐含层；隐含层采用的径向基函数是一种局部分布的中心点径向对称衰减的非负非线性函数，具体采用高斯基函数，如下式：式中，；M为隐含层节点个数；X为网络输入矢量；为隐含层节点的输出；C
i
为高斯函数的中心矢量；为矢量的Euclid范数；为第i个隐节点的标准化常数；第3层为输出层；是一种由隐含层到输出层的线性映射，如下式：式中，y是输出层的输出；是隐含层与输出层之间的加权系数；是隐含层第i个节点的输出；b是输出层的阈值。4.根据权利要求3所述的空中交通流量混沌预测方法，其特征在于，步骤1.2中，利用遗
传算法对径向基函数神经网络进行优化，具体如下：步骤1.2.1：以径向基函数的中心矢量C
i
和隐含层与输出层之间的加权系数和输出层的阈值b为待优化网络参数，采用实数编码形式初始化种群个体；步骤1.2.2：计算种群个体适应度，以均方误差为种群个体的适应度函数，以种群个体所获得的神经网络参数对径向基函数神经网络进行训练；步骤1.2.3：判断训练后的径向基函数神经网络是否达到预定精度或进化代数预设值；若是，则将对应的种群个体作为最优种群个体，输出最优种群个体的神经网络参数，跳到步骤1.2.5；若否，继续迭代，跳到步骤1.2.4；步骤1.2.4：首先，采用轮盘赌方法选择种群个体，然后，利用算术交叉方法进行种群个体交叉，同时引入变异算子，变异概率取0.05，进行种群个体变异；跳到步骤1.2.3；步骤1.2.5：以最优种群个体的神经网络参数作为径向基函数神经网络的参数，利用最优种群个体所产生的新的中心矢量C
i
、隐含层与输出层之间的加权系数和输出层的阈值b进行训练，使径向基函数神经网络特性符合实际的扇区交通运行特性。5.一种空中交通流量混沌预测系统，其特征在于，包括如下单元：空中交通流量混沌时间序列预测模型构建单元、空中交通流量时间序列归一化处理单元、相空间重构参数确定单元、相空间重构单元、预测单元；所述空中交通流量混沌时间序列预测模型构建单元用于构建空中交通流量混沌时间序列预测模型，所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络；所述空中交通流量时间序列...

【专利技术属性】
技术研发人员：王莉莉，赵云飞，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：