[發明專利]基于BP神經網絡和最小二乘法的空中交通流量短期預測方法

在審

• 申請號: 202110279053.1
• 申請日: 2021-03-16
• 公開（公告）號: CN112990576A
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 王飛
• 申請（專利權）人: 中國民航大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F30/27;G06N3/04;G06N3/08;G06F17/18
• 代理公司: 天津中環專利商標代理有限公司 12105
• 代理人: 李美英

本發明公開了一種基于BP神經網絡和最小二乘法的空中交通流量短期預測方法，本方法通過安裝流量時間序列分解模塊、復雜度檢驗模塊、分量預測模塊和集成預測模塊；按照15min、30min、60min的統計尺度構造流量時間序列，應用EEMD方法將流量時序數據分解為若干個分量；其次，應用排列熵計算各分量的復雜度；然后，高頻分量采用BP神經網絡算法進行預測，低頻分量采用最小二乘法進行預測；接著，對分量的預測結果進行加和集成，得到了最終的預測值。應用本方法可以為準確掌握空中交通態勢、精準實施流量管理措施提供科學判據。

技術領域

本發明涉及空中交通流量管理領域，特別涉及一種基于BP神經網絡和最小二乘法的空中交通流量短期預測方法，用于空中交通流量的短期預測，為實施流量管理措施提供準確的流量預測值。

背景技術

流量預測是空中交通管理的重要內容，流量預測一般分為中長期預測與短期預測，中長期預測可以為航空公司運營調整、機場建設和改造提供參考，流量短期預測可以為管制員提供輔助決策信息，對優化交通流和減少延誤更具現實意義?？罩薪煌髁慷唐陬A測對于空中交通流優化與管理的有效性和精準性具有導向作用，是空中交通流量管理中迫切需要解決的基礎性問題。目前對于空中交通流短期量預測方法主要分為4類：

基于航跡的預測方法，該方法簡單易行，但在航路飛行時，不確定因素較多，預測精度較差，并且航班量巨大時，運算較為復雜，速度較慢。

基于數理統計的預測方法，主要考慮了空中交通流的線性特征，操作較為簡便，但對非線性因素考慮不足，具有局限性。

智能預測方法，具有較強的自學習能力、適應性和魯棒性，可以在大量的數據中挖掘出復雜的數據關系，但數據較少時無法準確的獲取數據的特征，預測效果較差。

基于非線性混沌理論的預測方法，該方法要求非常恰當的重構系統相空間，但相空間重構參數難以準確確定，主觀性較強。

近年來，“分解集成方法論”成為復雜非線性時序預測領域的一種前沿思想，將復雜的原始時序分解為若干個復雜度低的分量，然后對每個分量進行預測，最后再集成預測，有效提升了預測準確性，已在電力負荷短期預測、地面交通短期預測等領域得到良好應用，但尚未應用于空中交通流量短期預測。

考慮到現有空中交通流量短期預測方法的研究現狀，尚缺少一種能夠快速、有效的流量短期預測方法。

發明內容

鑒于現有技術的狀況及不足，本發明的目的在于，提供一種基于BP神經網絡和最小二乘法的空中交通流量短期預測方法，該方法以實際運行的流量時間序列數據為基礎，為準確預測短期流量、精準實施流量管理措施提供科學依據。

本發明為實現上述目的，所采用的技術方案是：一種基于BP神經網絡和最小二乘法的空中交通流量短期預測方法，利用計算機作為預測平臺；

計算方法首先建立計算系統，所述計算系統由軟件模塊構成，其中第一模塊安裝流量時間序列分解模塊，根據實際工作需要，針對某個具體扇區進行集合經驗模態分解；第二模塊安裝復雜度檢驗模塊，通過復雜度檢驗將這些分量分為高頻和低頻；第三模塊安裝分量短期預測模塊，高頻的分量采用BP神經網絡進行預測，低頻的分量使用最小二乘法進行預測；第四模塊安裝集成預測模塊，對各分量預測的結果采用線性加和進行集成預測，得最終的預測結果；所述流量時間序列分解模塊、復雜度檢驗模塊、分量短期預測模塊和集成預測模塊用作基于BP神經網絡和最小二乘法的空中交通流量短期預測方法的實現平臺；

基于BP神經網絡和最小二乘法的空中交通流量短期預測分為三個階段，第一階段先通過經典模態分解對數據的時間尺度特征進行分解；

第二階段通過計算排列熵來確定分量的復雜度，將其分為高頻與低頻分量；

第三階段對高頻分量，采用BP神經網絡進行預測，對于低頻分量，采用最小二乘法進行預測；