CN103020448A - 一种基于时间序列分析的机场噪声瞬时值预测方法及其系统 - Google Patents

Abstract

本发明公开了一种于时间序列分析的机场噪声瞬时值预测方法及其系统，该方法是针对机场噪声的瞬时值进行分析研究，其从时间序列的角度挖掘机场噪声的特点，先建立预测模型，再进行预测。本发明的系统包括噪声采集模块、数据处理模块、存储器模块和计算机处理模块，其中，噪声采集模块中，声音传感器采集到的噪声信息经放大电路放大后经过模数转换模块输入数据处理模块，再经过存储器模块输入计算机处理模块中的噪声信息数据库模块，再通过输入模块处理输入预测模型模块处理得到预测数据。本发明的方法开拓了有关机场噪声预测的新的思路和研究领域，在降低建模复杂度的同时，增强了模型的学习能力和泛化能力，大大提高了预测精度。

Description

一种基于时间序列分析的机场噪声瞬时值预测方法及其系统

技术领域

本发明涉及一种机场噪声预测方法，尤其涉及一种瞬时机场噪声的预测方法，同时涉及一种用于实现该方法的机声噪声瞬时值预测系统。

背景技术

随着社会的进步和我国民航事业的不断发展，机场作为空中交通的驿站和城市的窗口，在城市现代话的进程中担当者非常重要的角色。航空运输在给城市带来了便捷和繁荣的同时，也带来了一系列的环境问题，其中最重要的当属噪声污染问题。治理航空噪声，预防噪声污染，实现机场航空业务的可持续发展，已经成为机场当局不得不面对和解决的一个棘手问题。

随着人们环境意识的逐渐提高，对机场航空噪声的关注也日渐增强。1996年，我国颁布实施了《环境噪声污染防治法》，该法针对工业噪声污染、建筑施工噪声污染、交通运输噪声污染和社会生活噪声污染的防治分别进行了规定。

由于国内对机场噪声的预测理论、预测方法缺乏研究，我国目前对机场噪声的预测都是依靠国外的经验及方法（如美国联邦航空局（FAA）提出的INM），并没有形成统一的计算和预测方法。而现有的噪声预测方法需要基于比较复杂的假设，机场的环境条件也千差万别，计算模型难以考虑周全（如：Asensio C.等人指出INM无法考虑飞机滑行的问题，存在预测偏差；Yingjie Yang等人指出INM软件中的模型在某些情况下不能提供预期的接近真实环境的飞机噪声预测结果）。传统的机场噪声预测主要是利用实际数据根据噪声评估标准以及噪声计算公式得到，误差较大且不利于对未来机场噪声状况的预测。近几年来，我国机场周围的噪声问题日益突出，因此有必要尽快研究相关方法，开发适用于我国的机场噪声预测软件。

F.Van Den Berg等人的研究表明，利用从实测数据中挖掘到的规律、模式与声学理论计算模型进行结合可以有效地提高噪声的预测准确率。机器学习方法是通过实测数据建立噪声预测模型的主要方法之一，然而目前国内机器学习方法在机场噪声预测方面应用还比较匮乏，将机器学习方法用于机场噪声数据预测，以提高预测结果的准确性和稳定性，成为一种必要的趋势。

目前，我国针对机场噪声环境影响评估的常规做法主要是通过计算噪声评价指标Lwecpn或者绘制噪声等值线，判断机场周围区域的噪声污染是否符合国家标准。这种评估未充分考虑机场噪声敏感点的特性和分布以及其它因素（如动植物分布等），在应用中尚存很多不足。其研究工作主要集中于机场噪声对居民健康的影响，机场噪声评估标准、评价度量的修正等，缺乏适应不同目标需求的环境影响评价指标体系和综合评估模型的研究。

总体来说，传统的机场噪声预测方法存在以下问题：

（1）受噪声预测模型的局限，大多数模型是在机型、噪声、距离特性等方面的基础上研究机场噪声预测问题，使得机场噪声预测模型比较单一。

（2）航班运行数据不能实时输入的预测系统中，无法通过即时的数据更新机场噪声的情况，如果能通过系统实时的预测出下一时刻的噪声情况，那对于如何调整航班计划和机场布局，以此来降低机场噪声的危害将有很大的帮助。

（3）现存的预测模型中大多数缺乏学习能力，使得预测结果很难得到修正和优化，预测精度的很难提高。

发明内容

技术问题

本发明要解决的技术问题是提供对机场噪声的瞬时值进行预测的方法，该方法是针对机场噪声的瞬时值进行分析研究，其从时间序列的角度挖掘机场噪声的特点，先建立预测模型，再进行预测，同时提供一种用于实现该方法的机场噪声瞬时值预测系统。

技术方案

为了解决上述的技术问题，本发明的场噪声瞬时值预测方法包括下列步骤：

步骤一：采集单监测点每个时刻的机场噪声瞬时值建立机场噪声信息数据库，根据需要提取样本，例如可提取每天每个整点时刻的真实值作为实验样本数据，其中90％作为训练样本，剩余的10％作为预测样本；

步骤二：建立训练集S={(x_i，y_i)|i＝1，2，…，n}，并确定标记簇的数目为k，即将训练集分成k类。其中，x_i＝[x_i1，x_i2,…，x_ip]为输入变量，表示1…p时刻的值，p为自然数，y_i为决策变量，表示后一时刻的值，即y_i＝x_ip+1，n为训练样本样本总数；

步骤三：将训练集S标记为k个簇，每个簇为训练集S的一个子集，其中

其中S_i，S_j分别代表第i，j标记簇，该步骤包括以下子步骤：

步骤3.1：随机选取训练集S中k个对象作为初始的中心点；

步骤3.2：重复进行步骤3.3，3.4，3.5，3.6直至每个簇的中心点不再变化；

步骤3.3：指派其它剩余的对象，即除k个对象外其余的对象，给离它最近的中心点所代表的簇；

步骤3.4：随机地选择一个非中心点对象O_random；

步骤3.5：得到用O_random代替中心点O_j(j＝1，2，…，k)O_j的代价SC；

步骤3.6：如果SC<0，则O_random代替O_j，形成新的k个中心点的集合；

步骤四：对于预测样本，根据步骤三得到的标记结果，确定样本所属类别I，其中I=1，2，…，k，表示簇的标记，该步骤包括以下子步骤：

步骤4.1：根据步骤三得出k类样本的类中心C_i(i=1，2，…，k)；

步骤4.2：采用欧式距离 $d=\sqrt{{|x_{i1}-x_{j1}|}^2+{|x_{i2}-x_{j2}|}^2+...+{|x_{\mathrm{ip}}-x_{\mathrm{jp}}|}^2,}$ 其中xi＝[x_i1，x_i2,…，x_ip]为每一类的簇中心C_i的输入向量，x_j=[x_j1，x_j2，…，x_jp]为预测样本的输入向量，得到样本到每一类的簇中心C_i距离d_i(i=1，2，…，k)，按到各簇距离最小进行类别判定；

步骤五：根据步骤四的标记结果，对属于同一类别I的样本进行回归预测，本步骤包括下列子步骤；

步骤5.1：归一化训练样本和预测样本，减小两个样本之间数量级的差异；

步骤5.2：对属于同一类别I的训练样本，选取S_I为训练集，进行模型训练，得出训练模型

其中为K(x，x_i)核函数，l为同一类别I的的样本数目；

步骤5.3：对预测样本集中属于类别I的样本(x_i，y_i)，用上一步得到的模型，对y_i值进行预测，实现机场噪声瞬时值的预测。

本发明的实现所述预测方法的系统包括噪声采集模块、数据处理模块、存储器模块和计算机处理模块，其中，噪声采集模块中，声音传感器采集到的噪声信息经放大电路放大后经过模数转换模块输入数据处理模块，再经过存储器模块输入计算机处理模块中的噪声信息数据库模块，再通过输入模块处理输入预测模型模块处理得到预测数据。

有益效果

本发明的方法开拓了有关机场噪声预测的新的思路和研究领域，在降低建模复杂度的同时，增强了模型的学习能力和泛化能力，提高了预测精度。该方法将机器学习方法用于机场噪声预测，增强了模型的学习能力，是机场噪声预测上的一种突破。本方法围绕中心点通过代价函数的限制自适应的给样本标记分类，有效地消除了“噪声”和孤立点带来的影响；该预测方法不仅过程简单，而且具有较好的适应性与健壮性；最后可以不断将最新样本数据加入训练模型并更新类中心点，建立动态预测模型，使模型能快速适应问题的变化，以获得更实时的预测数据。

说明书附图

图1为实现本发明方法的系统图，其中ADC是模数转换器，DSP为数字信号处理器，输入模块主要是样本及相关参数的输入，预测模型模块主要是运行clupredict算法，输出模块主要负责预测结果输出；

图2为本发明的方法中步骤三的标记分类过程示意图；

图3为步骤三后继的预测过程示意图，对应本发明方法中的步骤四和五；

图4O_m是否被O_h替代的四种情况示意图。

具体实施方式

实施例一：

本实施例为一种机场噪声瞬时值预测方法，以已有数据为北京某机场监测点2月至8月实测数据，数据为15个观测点每秒采集一次获得。在大批量数据中选取其中一个观测点，3月至6月共122天数据。选取每天每隔一小时的数据瞬时值，组成24维输入向量X，以第二天零点的值作为输出值Y。对数据我们划分训练集和测试集如下：选择前108天数据作为训练集，以最后两个星期数据作为测试集。

根据噪声等级分类：重度污染：>74.0分贝，中度污染：72.0—74.0分贝，轻度污染：70.0—72.0分贝，较好：68.0—70.0分贝，好：≤68.0分贝，取Tag的数目k=5。

如图2、图3、图4所示，本实施例的方法包括下列步骤：

步骤一：采集单监测点每个时刻的机场噪声瞬时值建立机场噪声信息数据库，根据需要提取样本，例如可提取每天每个整点时刻的真实值作为实验样本数据，其中90％作为训练样本，剩余的10％作为预测样本；

步骤二：建立训练集S={(x_i，y_i)|i＝1，2，…，n}，并确定标记簇的数目为k，即将训练集分成k类。其中，x_i=[x_i1,x_i2,…，x_ip]为输入变量，表示1…p时刻的值，p为自然数，y_i为决策变量，表示后一时刻的值，即y_i＝x_ip+1，n为训练样本样本总数；

步骤三：将训练集S标记为k个簇，每个簇为训练集S的一个子集，其中

其中S_i，S_j分别代表第i，j标记簇，该步骤包括以下子步骤：

步骤3.1：随机选取训练集S中k个对象作为初始的中心点；

步骤3.2：重复进行步骤3.3，3.4，3.5，3.6直至每个簇的中心点不再变化；

步骤3.3：指派其它剩余的对象，即除k个对象外其余的对象，给离它最近的中心点所代表的簇；

步骤3.4：随机地选择一个非中心点对象O_random；

步骤3.5：得到用O_random代替中心点O_j(j＝1，2，…，k)O_j总的代价SC；

步骤3.6：如果SC<0，则O_random代替O_j，形成新的k个中心点的集合；本子步骤中，假设现有一个代表数据对象O_m和一个非代表数据对象O_h，为了判断O_m是否被O_h替代，该算法为每一个非代表数据对象O_j计算代价SC，SC的值分为四种情况，其中 $d(O_i,O_j)=\sqrt{{|x_{i1}-x_{j1}|}^2+{|x_{i2}-x_{j2}|}^2+...+{|x_{\mathrm{ip}}-x_{\mathrm{jp}}|}^2}$ 为欧氏距离，x_i=[x_i1,x_i2,…，x_ip]为每一类的簇中心O_i的输入向量，x_j＝[x_j1，x_j2，…，x_jp]为O_j的输入向量，具体如下：

(1)若O_j属于O_m代表的那一类，并且在O_h替代O_m成为代表数据对象后，会因为距离另一个代表数据对象O_j2最近，而介入O_j2代表的类，则代价SC=d(O_j，O_j2)-d(O_j，O_m)。

(2)若O_j属于O_m代表的那一类，并且在O_h替代O_m成为代表数据对象后，会因为距离另一个代表数据对象O_h最近，而保留在这一类中，则代价SC=d(O_j，O_h)-d(O_j，O_m)。

(3)若O_j不属于O_m代表的那一类，假设其属于O_j2代表的类，并且在O_h替代O_m成为代表数据对象后，会因为距离O_j2最近，而保留在这一类中，则代价SC=0。

(4)若O_j不属于O_m代表的那一类，假设其属于O_j2代表的类，并且在O_h替代O_m成为代表数据对象后，会因为距离O_h最近，而介入O_h代表的类，则代价SC=d(O_j，O_h)-d(O_j，O_j2)。

O_h替代O_m的总代价

当TSC为负值时，说明替换后的误差平方和将会减少，O_h是O_m好的替代。这时以O_h替代O_m成为代表数据对象，再依据新的对象集，将所有的非代表数据对象重新对象。

步骤四：对于预测样本，根据步骤三得到的标记结果，确定样本所属类别I，其中I=1，2，…，k，表示簇的标记，该步骤包括以下子步骤：

步骤4.1：根据步骤三得出k类样本的类中心C_i(i=1，2，…，k)；

步骤4.2：采用欧式距离 $d=\sqrt{{|x_{i1}-x_{j1}|}^2+{|x_{i2}-x_{j2}|}^2+...+{|x_{\mathrm{ip}}-x_{\mathrm{jp}}|}^2,}$ 其中x_i=[x_i1,x_i2,…，x_ip]为每一类的簇中心C_i的输入向量，x_j＝[x_j1，x_j2，…，x_jp]为预测样本的输入向量，得到样本到每一类的簇中心C_i距离d_i(i=1，2，…，k)，按到各簇距离最小进行类别判定；

步骤五：根据步骤四的标记结果，对属于同一类别I的样本进行回归预测，本步骤包括下列子步骤；

步骤5.1：归一化训练样本和预测样本，减小两个样本之间数量级的差异；

步骤5.2：对属于同一类别I的训练样本，选取S_I为训练集，进行模型训练，得出训练模型

其中为K(x，x_i)核函数，l为同一类别I的的样本数目；

步骤5.3：对预测样本集中属于类别I的样本(x_i，y_i)，用上一步得到的模型，对yi值进行预测，实现机场噪声瞬时值的预测。

实施例二：

本实施例为一种实现实施例一所述方法的系统，如图1所示，该系统包括噪声采集模块、数据处理模块、存储器模块和计算机处理模块，其中，噪声采集模块中，声音传感器采集到的噪声信息经放大电路放大后经过模数转换模块输入数据处理模块，再经过存储器模块输入计算机处理模块中的噪声信息数据库模块，再通过输入模块处理输入预测模型模块处理得到预测数据。

Claims (2)

1.一种基于时间序列分析的机场噪声瞬时值预测方法，其特征在于，包括下列步骤：

步骤一：采集单监测点每个时刻的机场噪声瞬时值建立机场噪声信息数据库，根据需要提取样本，其中90％作为训练样本，剩余的10％作为预测样本；

步骤二：建立训练集S={(x_i，y_i)|i＝1，2，…，n}，并确定标记簇的数目为k，即将训练集分成k类。其中，x_i＝[x_i1，x_i2,…，x_ip]为输入变量，表示1…p时刻的值，p为自然数，y_i为决策变量，表示后一时刻的值，即y_i＝x_ip+1，n为训练样本样本总数；

步骤三：将训练集S标记为k个簇，每个簇为训练集S的一个子集，其中

其中S_i，S_j分别代表第i，j标记簇，该步骤包括以下子步骤：

步骤3.1：随机选取训练集S中k个对象作为初始的中心点；

步骤3.2：重复进行步骤3.3，3.4，3.5，3.6直至每个簇的中心点不再变化；

步骤3.3：指派其它剩余的对象给离它最近的中心点所代表的簇；

步骤3.4：随机地选择一个非中心点对象O_random；

步骤3.5：得到用O_random代替中心点O_i(j＝1，2，…，k)O_j的代价SC；

步骤3.6：如果SC<0，则O_random代替O_j，形成新的k个中心点的集合；

步骤四：对于预测样本，根据步骤三得到的标记结果，确定样本所属类别I，其中I=1，2，…，k，表示簇的标记，该步骤包括以下子步骤：

步骤4.1：根据步骤三得出k类样本的类中心C_i(i=1，2，…，k)；

步骤4.2：采用欧式距离 $d=\sqrt{{|x_{i1}-x_{j1}|}^2+{|x_{i2}-x_{j2}|}^2+...+{|x_{\mathrm{ip}}-x_{\mathrm{jp}}|}^2,}$ 其中xi=[x_i1,x_i2,…，x_ip]为每一类的簇中心C_i的输入向量，x_j＝[x_j1,x_j2,…，x_jp]为预测样本的输入向量，得到样本到每一类的簇中心C_i距离d_i(i=1，2，…，k)，按到各簇距离最小进行类别判定；

步骤五：根据步骤四的标记结果，对属于同一类别I的样本进行回归预测，本步骤包括下列子步骤；

步骤5.1：归一化训练样本和预测样本，减小两个样本之间数量级的差异；

步骤5.2：对属于同一类别I的训练样本，选取S_I为训练集，进行模型训练，得出训练模型

其中为K(x，x_i)核函数，l为同一类别I的的样本数目；

步骤5.3：对预测样本集中属于类别I的样本(x_i，y_i)，用上一步得到的模型，对y_i值进行预测，实现机场噪声瞬时值的预测。

2.一种用于实现权利要求1所述方法的系统，其特征在于，包括：

噪声采集模块、数据处理模块、存储器模块和计算机处理模块，其中，噪声采集模块中，声音传感器采集到的噪声信息经放大电路放大后经过模数转换模块输入数据处理模块，再经过存储器模块输入计算机处理模块中的噪声信息数据库模块，再通过输入模块处理输入预测模型模块处理得到预测数据。

Images