[发明专利]基于BP神经网络和最小二乘法的空中交通流量短期预测方法

说明书

本发明公开了一种基于BP神经网络和最小二乘法的空中交通流量短期预测方法，本方法通过安装流量时间序列分解模块、复杂度检验模块、分量预测模块和集成预测模块；按照15min、30min、60min的统计尺度构造流量时间序列，应用EEMD方法将流量时序数据分解为若干个分量；其次，应用排列熵计算各分量的复杂度；然后，高频分量采用BP神经网络算法进行预测，低频分量采用最小二乘法进行预测；接着，对分量的预测结果进行加和集成，得到了最终的预测值。应用本方法可以为准确掌握空中交通态势、精准实施流量管理措施提供科学判据。

技术领域

本发明涉及空中交通流量管理领域，特别涉及一种基于BP神经网络和最小二乘法的空中交通流量短期预测方法，用于空中交通流量的短期预测，为实施流量管理措施提供准确的流量预测值。

背景技术

流量预测是空中交通管理的重要内容，流量预测一般分为中长期预测与短期预测，中长期预测可以为航空公司运营调整、机场建设和改造提供参考，流量短期预测可以为管制员提供辅助决策信息，对优化交通流和减少延误更具现实意义。空中交通流量短期预测对于空中交通流优化与管理的有效性和精准性具有导向作用，是空中交通流量管理中迫切需要解决的基础性问题。目前对于空中交通流短期量预测方法主要分为4类：

基于航迹的预测方法，该方法简单易行，但在航路飞行时，不确定因素较多，预测精度较差，并且航班量巨大时，运算较为复杂，速度较慢。

基于数理统计的预测方法，主要考虑了空中交通流的线性特征，操作较为简便，但对非线性因素考虑不足，具有局限性。

智能预测方法，具有较强的自学习能力、适应性和鲁棒性，可以在大量的数据中挖掘出复杂的数据关系，但数据较少时无法准确的获取数据的特征，预测效果较差。

基于非线性混沌理论的预测方法，该方法要求非常恰当的重构系统相空间，但相空间重构参数难以准确确定，主观性较强。

近年来，“分解集成方法论”成为复杂非线性时序预测领域的一种前沿思想，将复杂的原始时序分解为若干个复杂度低的分量，然后对每个分量进行预测，最后再集成预测，有效提升了预测准确性，已在电力负荷短期预测、地面交通短期预测等领域得到良好应用，但尚未应用于空中交通流量短期预测。

考虑到现有空中交通流量短期预测方法的研究现状，尚缺少一种能够快速、有效的流量短期预测方法。

发明内容

鉴于现有技术的状况及不足，本发明的目的在于，提供一种基于BP神经网络和最小二乘法的空中交通流量短期预测方法，该方法以实际运行的流量时间序列数据为基础，为准确预测短期流量、精准实施流量管理措施提供科学依据。

本发明为实现上述目的，所采用的技术方案是：一种基于BP神经网络和最小二乘法的空中交通流量短期预测方法，利用计算机作为预测平台；

计算方法首先建立计算系统，所述计算系统由软件模块构成，其中第一模块安装流量时间序列分解模块，根据实际工作需要，针对某个具体扇区进行集合经验模态分解；第二模块安装复杂度检验模块，通过复杂度检验将这些分量分为高频和低频；第三模块安装分量短期预测模块，高频的分量采用BP神经网络进行预测，低频的分量使用最小二乘法进行预测；第四模块安装集成预测模块，对各分量预测的结果采用线性加和进行集成预测，得最终的预测结果；所述流量时间序列分解模块、复杂度检验模块、分量短期预测模块和集成预测模块用作基于BP神经网络和最小二乘法的空中交通流量短期预测方法的实现平台；

基于BP神经网络和最小二乘法的空中交通流量短期预测分为三个阶段，第一阶段先通过经典模态分解对数据的时间尺度特征进行分解；

第二阶段通过计算排列熵来确定分量的复杂度，将其分为高频与低频分量；

第三阶段对高频分量，采用BP神经网络进行预测，对于低频分量，采用最小二乘法进行预测；