[发明专利]一种基于权重的机场单航班噪声预测方法及其系统

权利要求书

1.一种基于权重的机场单航班噪声选择整合预测方法，其特征在于，包括下列步骤：

步骤一：收集机场单航班噪声的原始数据并进行数据归一化处理；

步骤二：提取步骤一中部分机场航班噪声的原始数据构建得到机场单航班噪声预测的第一训练样本集S，提取剩余机场航班噪声原始数据构建得到机场单航班噪声预测的第二测试样本集S^*；

步骤三：对步骤二得到的训练样本集S进行训练，得到满足精度要求的机场单航班噪声预测模型，具体子步骤如下：

3.1：选用一种基本学习器M，并设定训练模型个数为T；

3.2：给步骤二中第一原始训练样本集S的每一条样本数据赋予权重，首先假设每一条样本数据同等重要，则样本数据的权重设定为i＝1，2...，n，所述n为S中样本总个数；

3.3：假定当前训练第t个模型，t∈[1，T]，依据当前样本数据权重w_t的概率分布，从第一训练样本集S中有放回地取出权重较大的样本得到新的训练集S_t，使用所述的基本学习器M进行训练，得到预测模型M_t；

3.4：用所得的预测模型M_t对第一训练样本集S进行预测，得到预测值f_t(x_i)，i＝1，2，...，n，所述的n为S中样本总个数；

3.5：计算第一训练样本集S的每条样本数据的损失值集合其中A＝max{|f_t(x_i)-y_i|}，i＝1，2，...，n，n为第一训练样本集S的样本个数，根据样本权重w_t得到预测模型M_t的平均损失值如果满足条件L_avr(t)≥0.5，则跳转到子步骤3.3，否则执行步骤3.6；

3.6：给样本损失值集合{loss(i)}设定一个阈值α，其中i＝1，2，...，n，n为S的样本个数，如果样本集中第i条样本数据的损失值loss(i)＞α，设定该样本的标记为υ_t(i)＝-1，否则设定该样本的标记为υ_t(i)＝1，然后设定预测模型M_t的标记为m(t)，m(t)＝{υ_t(i)w_t(i)}，其中i＝1，2...，n，n为S的样本个数，即m(t)为n维向量，其元素为S中每个样本的标记与其权重的乘积；

3.7：通过预测模型M_t的平均损失值L_avr(t)得到它的置信度β_t＝L_ave(t)/(1-L_ave(t))，则第一训练样本集S中每条样本数据的权重更新为wt+1(i)=wt(i)βt1-L_ave(t)/Zt,]]>所述Z_t是归一化系数，使得Σi=1Nwt+1(i)=1;]]>

3.8：设定预测模型M_t的权重为

3.9：设定预测模型集合{M₁，…，M_T}的平均集成标记为H，其中m(t)为预测模型M_t的标记，wh_t为它的权重，则H为n维向量，其元素为第一训练样本集S中每个样本的标记关于T个预测模型的加权平均值；

3.10：给定n维向量O，其元素均为1，以O在集成标记H所确定的超平面上的投影设定一个参考向量R，则有R·H＝0，假设R＝O+bH，则有b=-O·H|H|2;]]>

3.11：设定预测模型M_t的标记m(t)与参考向量R的夹角为θ(t)，t＝1，2...，T，对θ(t)进行排序，选取小于的夹角所对应的预测模型M_t，组成新的预测模型集合{M′₁，…，M′_s}，所对应的预测模型权重集合为{wh′₁，…，wh′_s}；

3.12：对所得到的预测模型集合{M′₁，…，M′_s}进行加权整合得到最终机场单航班噪声预测模型；

步骤四：利用步骤三所得的最终机场单航班噪声预测模型对第二测试样本集S^*进行预测并求得均方误差，以均方误差作为精度的衡量条件，得到满足精度要求的实际预测模型；

步骤五：利用步骤四所得的实际预测模型对未来某一特定机场单航班的噪声影响进行预测。