时间序列研究方法在机场噪声预测中的应用分析-application and analysis of time series research method in airport noise prediction.docxVIP

承诺书 本人声明所呈交的硕士学位论文是本人在导师指导下进 行的研究工作及取得的研究成果。除了文中特别加以标注和致 谢的地方外，论文中不包含其他人已经发表或撰写过的研究成 果，也不包含为获得南京航空航天大学或其他教育机构的学位 或证书而使用过的材料。 本人授权南京航空航天大学可以将学位论文的全部或部 分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。 （保密的学位论文在解密后适用本承诺书） 作者签名： 日 期： 南京 南京航空航天大学硕士学位论文 时间 时间序列分析方法在机场噪声预测中的应用研究 I I PAGE PAGE VI 摘要 中国民航的迅猛发展令世界瞩目，民航在国家综合交通运输体系中的比重也不断提升，对 国家经济、社会发展和改革开放做出了新的更大贡献。但是，不断新建、扩建的机场和持续增 长的航空运输量，也使得困扰中国民航已久的机场噪声问题愈发严重。为了建设绿色的现代化 民用航空体系，实现民航业的持续健康发展，迫切需要利用先进的信息技术在监测数据上进行 进一步的科学预测，进而为民航相关部门提供决策支持。因此，将预测技术应用于实际噪声预 测问题中，具有重要的理论研究价值和实际意义。 支持向量回归，具有其它以经验风险最小化原理为基础的算法难以比拟的优越性，同时， 由于其具有算法简单、不存在局部最小和维数灾难问题以及泛化能力强等优点，适合于进行时 间序列预测，因此，本文使用的时间序列预测方法主要为支持向量回归。 在直接进行支持向量回归的基础上，考虑分类的思想，将样本先进行分类处理后，在每个 类内部再使用支持向量回归，有效减小样本差异性，能够取得较好的效果。而考虑机场噪声本 身，会出现分类标准不清晰以及分类数量无法确定的情况，针对这种情况，并结合聚类分析特 点，本文提出了聚类再回归的时间序列预测方法。 单一聚类容易受初始化状态和参数影响，而聚类效果对于预测效果的有较大影响，如果聚 类效果不佳，反而会加大类内部样本差异，从而使回归时预测偏差加大。为了解决单一聚类算 法不稳定的问题，本文提出了聚类集成后回归的算法，采用概率模型的关系矩阵叠加，来对单 一聚类效果进行集成。为了验证本文所提出方法的有效性，在常用数据集上进行了实验，并将 其应用到机场噪声时间序列预测中。 关键词：机场噪声预测；时间序列；聚类；聚类集成；支持向量回归 ABSTRACT The rapid development of Chinas civil aviation has attracted worldwide attention and the proportion of civil aviation in the national comprehensive transportation system is on the increase which contributes a lot more to the national economy, social development, reform and opening up to the outside world. However, the continuous new expansion of the airport and the continuing growth in air traffic, at the same time, problems about Chinas civil aviation airport noise is becoming worse. In order to build the green modern civil aviation system, to achieve the sustained and healthy development of the civil aviation industry, there is an urgent need to take advantage of the state-of-the-art IT monitoring data for further scientific prediction, thereby providing decision support for civil aviation sector. Therefore, the prediction technology applied to the actual noise prediction problem has important theoretical and practical significance. Support vector regression, with the su