CN103218516A

CN103218516A - 一种聚类再回归的机场噪声单步预测方法

Info

Publication number: CN103218516A
Application number: CN2013100936587A
Authority: CN
Inventors: 夏利; 王建东; 张霞
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2013-03-22
Filing date: 2013-03-22
Publication date: 2013-07-24

Abstract

本发明公开了一种聚类再回归的机场噪声单步预测方法，属于机场噪声预测领域。该方法先对机场实测噪声数据进行预处理，提取出实测噪声数据的时间序列(X,Y)，X为已知的噪声时间序列，Y为待预测的噪声时序样本，然后采用聚类划分方法，将噪声时序训练集S聚类为k个类，根据该聚类结果，确定待预测的噪声时序样本的所属类别，最后根据该类别，用训练集S中属于同一类别的所有样本训练回归模型，利用该回归模型对待预测的噪声时序样本进行回归预测。本方法提高了预测的精度和稳定性，预测成本低，实用性强。

Description

一种聚类再回归的机场噪声单步预测方法

技术领域

本发明涉及一种机场噪声在时间序列的单步预测方法，属于机场噪声预测领域。

背景技术

随着我国航空事业的不断发展，机场噪声问题日益突出。近年来，越来越多因机场噪声引起的环境纠纷已成为航空业不可回避的棘手问题，如作为全国枢纽之一的北京首都国际机场，其噪声污染一直以来难以解决。机场噪声问题是一个严重的社会问题，它不仅限制了机场本身的发展，也给机场周围人群的生活、学习和工作带来很大的影响。

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），还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。

文献《基于SVM的先分类再回归方法及其在产量预测中的应用》提出了一种基于SVM的先分类再回归计算方法，经验证，与直接回归相比，预测效果有很大改进。不过对于分类界限不明确的情况，采用先分类的方法明显存在有局限性。

发明内容

本发明针对现有技术存在的不足，而提出一种聚类再回归的机场噪声单步预测方法，以满足机场噪声预测的需求。

该机场噪声单步预测方法包括如下步骤：

步骤1：对机场实测噪声数据进行预处理，提取出实测噪声数据的时间序列(X,Y)，其中X为已知的噪声时间序列，Y为待预测的噪声时间序列样本；

步骤2：采用聚类划分方法，将噪声时间序列训练集S聚类为k个类；

其中：

i和j为S聚类后的类编号，i,j=1,2,...,k，i≠j；

步骤3：根据步骤2的聚类结果，确定待预测的噪声时间序列样本的所属类别；

步骤4：根据步骤3确定的类别，用噪声时间序列训练集S中属于同一类别的所有样本训练回归模型，再利用该回归模型对待预测的噪声时间序列样本进行回归预测。

技术效果：

1、相对于先分类的方法，克服了对机场噪声存在分类界限不明确和无标准的问题。

2、与传统的根据噪声评估标准以及噪声计算公式的预测方法相比，有效提高了预测精度和预测的稳定性。

3、与绘制等值线的预测方法相比，大大降低了预测成本，增强了机场噪声预测的实用性。

附图说明

图1为本发明方法的预测流程图。

具体实施方式

下面对本发明作进一步说明。

本发明机场噪声单步预测方法的流程如图1所示，主要包括如下步骤：

步骤1：对机场实测噪声数据进行预处理，根据常用时间序列提取方法，提取出实测噪声数据的时间序列(X,Y)，其中X为已知的噪声时间序列，X={x₁,x₂,...,x_n}，Y为待预测的噪声时间序列样本。

实测噪声数据为单个监测点每秒采集1个噪声值构成的时间序列。本发明取每天连续3小时的噪声数据，以每10分钟噪声数据求平均值，组成18维输入向量X，以上述3小时后10分钟的噪声平均值作为输出值Y。

步骤2：采用聚类划分方法，将噪声时间序列训练集S聚类为k个类，所述训练集S由除待预测的噪声时间序列样本外的所有样本组成；

其中：

i和j为S聚类后的类编号，i,j=1,2,...,k，i≠j。

步骤3：根据步骤2的聚类结果，确定待预测的噪声时间序列样本（本发明中为当天需要预测的某时间段的噪声均值）的所属类别。

步骤3又包括如下步骤：

步骤3.1：分别计算噪声时间序列训练集S每一类的类中心C_i：

C_{i} = &Sum; {train}_{i} / n_{i}

式中：i=1,2,...,k，n_i为类i的数量，train_i为所有属于类i的样本；

步骤3.2：采用欧式距离计算待预测的噪声时间序列样本到每个类中心C_i的距离Dist_i，i=1,2,...,k，以Dist_i最小的类作为待预测的噪声时间序列样本的所属类别。

步骤4又包括如下步骤：

步骤4.1：将新的训练样本（训练集S中与步骤3确定的类别相同的所有样本）和待预测的噪声时间序列样本放在一起，并对每一维进行归一化，以减小样本之间数量级的差异；

步骤4.2：以所有新的训练样本作为新训练集，利用ε-svr模型，利用libsvm工具箱中svmtrain方法进行参数训练，得到ε-svr回归模型；

步骤4.3：对待预测的噪声时间序列样本(x_n,y_n)，利用上一步得到的回归模型，利用libsvm工具箱中svmpredict方法对y_n值进行回归预测。

下面提供本发明的一个实施例。

（一）数据预处理

已有数据为北京某机场2月至8月的实测噪声数据，数据由15个监测点每秒采集一次获得。面对大量数据，我们选取2号和12号监测点、3月至6月共122天的数据。由于机场噪声具有声级高、间断性等特点，所以我们对一段时间内的平均值进行分析计算。

我们取每天19:00至22:00的噪声数据，以每10分钟数据求平均值，组成18维输入向量X，以每天22:00～22:10的噪声平均值作为输出值Y。对数据我们划分训练集和测试集如下：选择前115天数据作为训练集，以最后一个星期数据作为测试集。

（二）建模预测

1）用k均值算法对训练集进行聚类

由于对机场噪声一段时间内的平均值构成较大影响的主要因素包括航班数和天气等诸多因素，考虑到样本数量，不推荐聚类数量过大，我们采取的方法为将聚类数量从2递增至5，选取使均方根误差最小的聚类数量。

2）用ε-svr对各类分别进行回归预测

首先，对训练样本和测试样本的输入向量x进行归一化，然后对训练集进行回归模型中惩罚因子C和核函数参数σ的寻优，再对训练集进行训练，得到支持向量回归模型，并用此模型对测试样本进行预测，求得聚类数量2至5情况下的RMSE如表1所示：

表1：2号监测点不同聚类数的均方根误差

聚类数	2	3	4	5
					RMSE	1.1863	1.4348	1.3037	1.1334

根据上表结果，最终选择聚类数量为5，计算结果如表2所示：

表2：2号监测点实际噪声值和预测值（单位：db）

ARMA模型是现代时间序列分析中最为常用的模型之一，在科学研究和工程系统中具有广泛的运用，这里对聚类再回归、直接支持向量回归以及ARMA模型的预测精度进行比较，以说明本发明的效果。

表3：2号监测点各模型预测精度比较

对12号监测点，不同聚类数量的RMSE如表4所示：

表4：12号监测点不同聚类数的均方根误差

聚类数	2	3	4	5
					RMSE	1.1240	1.8404	1.6977	1.5658

根据上表结果，选择聚类数量为2，计算结果如表5所示：

表5：12号监测点实际噪声值和预测值（单位：db）

表6：12号监测点各模型预测精度比较

由此可见，本发明相比传统方法具有较好的预测精度和较低的预测成本，提高了机场噪声预测算法的实用性。

Claims

1.一种聚类再回归的机场噪声单步预测方法，其特征在于包括如下步骤：

其中：

i和j为S聚类后的类编号，i,j=1,2,...,k，i≠j；

2.根据权利要求1所述的聚类再回归的机场噪声单步预测方法，其特征在于：所述步骤3又包括如下步骤：

步骤3.1：分别计算噪声时间序列训练集S每一类的类中心C_i：

C_{i} = &Sum; {train}_{i} / n_{i}

步骤3.2：采用欧式距离计算待预测的噪声时间序列样本到每个类中心C_i的距离Dist_i，以Dist_i最小的类作为待预测的噪声时间序列样本的所属类别。