繁忙机场高峰航班流量预测问题的研究.docVIP

繁忙机场高峰航班流量预测问题的研究 　　摘要： 为了提高繁忙机场的应急管理能力，为繁忙机场制定应急预案提供科学依据，本文提出了一种基于灰色模型和改进的支持向量回归机模型相结合的新方法，并对繁忙机场的非常态高峰航班流量的小样本进行了时间序列预测。 　　Abstract： In order to improve the busy airport emergency management ability， and provide scientific basis for the busy airport emergency plan， a new method based on the combination of grey model and improved support vector regression model is proposed. Time series prediction is done to the abnormal peak traffic on the busy airport flights small sample. 　　关键词： 灰色模型；支持向量回归机模型；高峰航班流量；小样本；时间序列预测 　　Key words： grey model；support vector regression model；peak flight flow；small sample；time series prediction 　　中图分类号：V355；F224 文献标识码：A 文章编号：1006-4311（2014）11-0316-02 　　0 引言 　　随着我国民航事业的迅猛发展，空中交通流量骤然增加，航班流量是民航空中交通管制的重要数据，是评定民航空管发展水平的关键指标。对非常态的高峰航班流量进行预测，不仅有助于提高繁忙机场的应急管理能力，而且还能为繁忙机场制定应急预案提供科学依据。但是因为繁忙机场的非常态高峰航班流量受到诸多因素的影响作用，系统的发展变化并非是线性的，而是高度非线性的，所以就很难直接的发现描述系统发展变化规律的函数。 　　目前采用最多的是灰色预测方法或支持向量回归机方法（SVR）。文献[1]采用灰色预测对航班流量进行预测，灰色预测方法在解决繁忙机场非常态高峰航班流量这种“部分因素已知，部分因素未知”的“小样本”、“贫信息”的时间序列预测中是一种非常有效的方法，先对原始数据进行生成处理，淡化或消除冲击扰动对系统行为数据序列的影响，然后利用生成数据序列建立预测模型，但是灰色模型预测的精度并不高。文献[4]采用SVR模型对航班流量进行预测，SVR是基于统计学习理论框架下的一种新的通用机器学习方法。它首先较好地解决了以往困扰很多学习方法的小样本、过学习、高维数、局部最小等实际问题，其次具有很强的泛化能力，是解决小样本时间序列预测建模的又一种可行的有效途径。将灰色模型与SVR模型两者相结合――灰色支持向量回归机模型，利用灰色预测方法中“累加生成”的优点，削弱原始数据序列中随机扰动因素的影响，使杂乱无章的原始数据中所隐藏的规律显露出来，使数据更具有规律性，得到便于SVR学习的新序列，进而建立优于单一SVR方法的预测模型。 　　1 GM（1，1）预测模型 　　令原始数列x（0）=（x（0）（1），x（0）（2），…，x（0）（n））为非负，用累加生成法对原始数列进行一次累加生成x（0）的1-AGO序列为： 　　x（1）=（x（1）（1），x（1）（2），…，x（1）（n）），其中x（1）（k）=■x（0）（i），（k=1，2，…n）。GM（1，1）的灰微分方程模型为 　　x（0）（k）+az（1）（k）=b（k=2，3，…，n）（1） 　　其中，GM表示Gray Model（即灰色模型），方程的阶数和变量均为1，x（0）（k）为灰导数，a为发展系数，b为灰作用量，z（1）（k）为白化背景值。相应的白化微分方程为 　　■+ax■=b（2） 　　记u=（a，b）T，Y=（x（0）（2），x（0）（3），…，x（0）（n））T，B=-Z■（2） 1-Z■（3） 1 ┆ ┆-Z■（n） 1 　　按最小二乘法得出灰参数■=（a，b）■=（B■B）B■B■Y。 　　GM（1，1）的灰微分方程的解为 　　■（k+1）=（x（1）（0）-■）e-ak+■（3） 　　将其累减还原得到非负原始序列x（0）的预测值为 　　■（k+1）=a（1）■（k+1）=■（k+1）-■（k）（4） 　　2 改进的SVR预测模型[3-5] 　　2.1 SVR原理 假定在航班流量预测问题中，待拟合样本数据集为（x1，y1），（x2，y2），…，（xn，yn）其中n为样本集容量。SVR在处理非线性问题