专利汇可以提供基于灰色长短期记忆网络的管制空域战略流量预测方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于灰色长短期记忆网络的管制 空域 战略流量预测方法,属于空中交通流量管理技术领域。本发明包括如下步骤:步骤1:读取数据;步骤2:数据预处理;步骤3:利用灰色关联分析初步筛选影响因素;步骤4:利用主成分分析方法提取主要特征;步骤5:建立灰色战略流量 预测模型 ;步骤6:建立长短期记忆 网络战 略流量预测模型;步骤7:建立灰色长短期记忆网络组合预测模型。本发明能够为管制区的扇区划设、航路调整等空域结构优化提供科学依据,实现空域资源的有效利用,同时为管制区未来人员投入、财务投入以及固定资产投入等资源需求分配提供依据。,下面是基于灰色长短期记忆网络的管制空域战略流量预测方法专利的具体信息内容。
1.一种基于灰色长短期记忆网络的管制空域战略流量预测方法,其特征在于,包括如下步骤:
步骤1:读取数据
读取空中交通流量数据集,包括塔台、进近及区域年飞行架次,然后读取对应年份影响战略流量的因素数据集,包括全国及区域经济、人口、消费水平、各类交通方式运输量、交通业就业人员及固定资产投资、旅游、进出口额、航线条数、飞机架数各类指标;
步骤2:数据预处理
将空中交通流量数据集与影响因素数据集按照年份进行合并,然后对流量数据集及影响因素数据集进行缺失值和异常值进行处理;
步骤3:利用灰色关联分析初步筛选影响因素;
步骤4:利用主成分分析方法提取主要特征;
步骤5:建立灰色战略流量预测模型;
步骤6:建立长短期记忆网络战略流量预测模型;
步骤7:建立灰色长短期记忆网络组合预测模型。
2.根据权利要求1所述的基于灰色长短期记忆网络的管制空域战略流量预测方法,其特征在于,步骤2中对于数据集中的缺失值,采用均值法填补空缺的数据记录;对于数据中的异常值,利用插值法对异常值进行替换处理。
3.根据权利要求1所述的基于灰色长短期记忆网络的管制空域战略流量预测方法,其特征在于,步骤3的具体过程如下:
步骤3.1:首先将流量数据集作为参考向量,所有影响因素数据集作为比较向量,并采用初值化变换对参考向量和比较向量进行无量纲化处理;
步骤3.2:计算参考向量和任意比较向量之间的灰色关联系数向量ξ,计算公式为:
其中,Δ为所有比较向量与参考向量之差的绝对值,m为Δ中的最小值,M为Δ中的最大值,ρ∈[0,1]为分辨率系数;
步骤3.3:计算灰色关联系数向量中元素的平均值,得到参考向量与所有比较向量之间的灰色关联度;最后,根据关联度大小对影响因素进行筛选,得到初步筛选后的影响因素。
4.根据权利要求1所述的基于灰色长短期记忆网络的管制空域战略流量预测方法,其特征在于,步骤4的具体过程如下:
步骤4.1:对初步筛选得出的影响因素进行零均值标准化;
步骤4.2:计算筛选得出的影响因素的相关系数矩阵;
步骤4.3:计算相关系数矩阵的特征值与特征向量,特征值与特征向量的个数与筛选得到的影响因素个数相同;
步骤4.4:根据特征值计算主成分贡献率及累计贡献率:每个主成分的贡献率为对应的特征值与所有特征值之和的比值,累计贡献率即为累计的主成分贡献率之和。
5.根据权利要求1所述的基于灰色长短期记忆网络的管制空域战略流量预测方法,其特征在于,步骤5的具体过程如下:
步骤5.1:原始数据序列中的空中交通流量序列为:
其中 为空中交通流量的原始数据序列, 为第一年的空中交通流量数值,为第二年的空中交通流量数值, 为第n年的空中交通流量数值;
影响因素主要特征序列为:
其中: 为第一个主要特征的原始数据序列, 为第一个主要特征第一年的主要特征数值, 为第一个主要特征第二年的主要特征数值, 为第一个主要特征第n年的主要特征数值, 为第N-1个主要特征的原始数据序列, 为第N-1个主要特征第一年的主要特征数值, 为第N-1个主要特征第二年的主要特征数值, 为第N-1个主要特征第n年的主要特征数值;
步骤5.2:对原始数据序列进行一次累加生成处理,得到生成序列为:
其中, 为空中交通流量的生成序列, 为前一年的空中交通流量累加数值,为前两年的空中交通流量累加数值, 为前n年的空中交通流量累加数值,为第一个主要特征的生成序列, 为第一个主要特征前一年的主要特征累加数值,为第一个主要特征前两年的主要特征累加数值, 为第一个主要特征前n年的主要特征累加数值, 为第N-1个主要特征的生成序列, 为第N-1个主要特征前一年的主要特征累加数值, 为第N-1个主要特征前两年的主要特征累加数值, 为前n年的主要特征累加数值;
步骤5.3:利用一次累加生成数列拟合微分方程,即:
其中 表示空中交通流量的生成序列对时间t求导, 表示第二个主要特征的生成序列,由最小二乘法求出参数列a,b2,b3,…,bN;解上述微分方程,得时间响应函数,即:
其中: 表示第一年空中交通流量的累加预测值, 表示第二年空中交通流量的累加预测值,bj表示微分方程中求解出的第j个参数, 表示第j-1个主要特征前两年的主要特征累加数值, 表示第j-1个主要特征前n年的主要特征累加数值, 表示第n年空中交通流量的累加预测值;
步骤5.4:对时间响应函数求导还原得预测方程,最终获得对历史年份的空中交通流量的预测值
其中: 表示第一年空中交通流量的预测值, 表示第二年空中交通流量的预测值, 表示第n-1年空中交通流量的累加预测值, 表示第n年空中交通流量的预测值。
6.根据权利要求1所述的基于灰色长短期记忆网络的管制空域战略流量预测方法,其特征在于,步骤6的具体过程如下:
步骤6.1:初始化长短期记忆网络参数
步骤6.1.1:输入层、输出层设置
当构建流量预测神经网络的输入层和输出层时,每批次训练的样本数,初始设置为1;
时间步,初始设置为1;输入特征;输出特征;初始化的输入层权重和偏置;初始化的输出层的权重和偏置;
步骤6.1.2:长短期记忆网络层设置
搭建长短期记忆网络层时,初始化激活函数统一选择tanh函数和sigmoid函数;初始化网络层数设置为1层,网络节点数设置为10个;初始化网络层权值和偏置;
步骤6.1.3:损失函数设置
在流量预测神经网络中选择回归模型中收敛速度较快的平方差损失函数;
步骤6.2:设定网络输入层特征和输出特征
步骤6.2.1:构建输入样本向量
输入样本为某时刻的飞行流量及根据灰色关联分析和主成分分析法得出的辅助变量的信息;
步骤6.2.2:构建输出样本向量
对应的输出样本向量为之后某个时刻的飞行流量的信息;
步骤6.2.3:数据标准化
对输入样本向量和输出样本向量,拟利用零均值标准化方法进行,生成无量纲的训练数据集;
步骤6.3:模型训练及评价
根据80%的样本作为训练集和20%的样本作为测试集对样本进行划分,然后对训练集的输入样本向量和输出样本向量,根据不同的每批次样本数、时间步、训练周期数、隐层数量及节点数对神经网络进行训练:通过使预测输出与实际输出构成的损失函数最小化,不断更新各类权重和偏置值,最后根据测试集评价模型预测效果,并选择平均绝对百分误差作为评价指标。
7.根据权利要求6所述的基于灰色长短期记忆网络的管制空域战略流量预测方法,其特征在于,步骤7的具体过程如下:
步骤7.1:首先采用灰色预测模型和神经网络模型分别进行预测,得到模型在测试集上的预测结果,并使用平均绝对百分误差对预测模型预测效果进行评价得到两种模型在测试集上的误差;
步骤7.2:对两种模型进行加权组合,以步骤6.1中两种模型在测试集上误差的加权和为目标函数,通过使目标函数值最小化,以各个权重之和为1为约束条件进行求解,得出最优的加权系数,组合模型的预测结果即为两种模型预测值的加权和。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
基于ADS-B的S模式二次雷达信息融合系统及其融合方法 | 2020-05-11 | 124 |
一种基于所需到达时间的管制辅助决策指令生成方法 | 2020-05-11 | 148 |
基于空中交通管制员陆空通话语音的疲劳监测方法 | 2020-05-16 | 566 |
一种终端区B类空域划设的方法 | 2020-05-08 | 821 |
一种基于多级物元熵权的拥堵热点空域扇区识别方法 | 2020-05-12 | 511 |
用于提供服务的运载工具系统和方法 | 2020-05-15 | 607 |
基于卷积神经网络的航空器尾涡识别方法及系统 | 2020-05-15 | 109 |
一种基于HLA的海基JPALS仿真设计方法 | 2020-05-17 | 576 |
一种基于核密度估计的飞机速度异常识别方法 | 2020-05-15 | 429 |
片上系统 | 2020-05-08 | 682 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。