CN117454776A - 基于vmd优化下多层次分解与集成的空中交通流量预测方法 - Google Patents
基于vmd优化下多层次分解与集成的空中交通流量预测方法 Download PDFInfo
- Publication number
- CN117454776A CN117454776A CN202311527063.8A CN202311527063A CN117454776A CN 117454776 A CN117454776 A CN 117454776A CN 202311527063 A CN202311527063 A CN 202311527063A CN 117454776 A CN117454776 A CN 117454776A
- Authority
- CN
- China
- Prior art keywords
- model
- vmd
- traffic flow
- air traffic
- decomposition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 34
- 230000010354 integration Effects 0.000 title claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 230000010365 information processing Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010977 unit operation Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims 1
- 238000012856 packing Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 abstract description 3
- 230000003313 weakening effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于VMD优化下多层次分解与集成的空中交通流量预测方法,包括如下步骤:S1:进行模型重构与优化的步骤S2:进行多层次集成模型建立的步骤;S3:进行VMD优化下多层次分解与集成模型的步骤;S4:进行仿真实验的步骤,包括实验计算的步骤和热门模型对比分析的步骤。该方法为实现空中交通流量精准预测,考虑了弱化计算冗余影响,建立完成MDIV模型。经仿真实验完成空中交通流量预测并计算获得量化结果,经对比实验证明,其结果具有高精准、低误差的特点,且模型性能稳定可靠。
Description
技术领域
本发明具体涉及一种基于VMD优化下多层次分解与集成的空中交通流量预测方法。
背景技术
因机场终端区空中交通流具有不确定性、时变性、时序性等特性,流量数据的时序特征难以在不同频段上体现,使流量预测计算结果受各类复杂特征影响,其预测精度难以有效控制。因此提出一种基于VMD优化下多层次分解与集成的空中交通流量预测方法以解决这一问题。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于VMD优化下多层次分解与集成的空中交通流量预测方法,该基于VMD优化下多层次分解与集成的空中交通流量预测方法可以很好地解决上述问题。
为达到上述要求,本发明采取的技术方案是:提供一种基于VMD优化下多层次分解与集成的空中交通流量预测方法,该基于VMD优化下多层次分解与集成的空中交通流量预测方法S1:进行模型重构与优化的步骤S2:进行多层次集成模型建立的步骤;S3:进行VMD优化下多层次分解与集成模型的步骤;S4:进行仿真实验的步骤,包括实验计算的步骤和热门模型对比分析的步骤。
该基于VMD优化下多层次分解与集成的空中交通流量预测方法具有的优点如下:
(1)为实现空中交通流量精准预测,考虑了弱化计算冗余影响,建立完成MDIV模型。经仿真实验完成空中交通流量预测并计算获得量化结果,经对比实验证明,其结果具有高精准、低误差的特点,且模型性能稳定可靠。
(2)MDIV模型可进行空中交通流精准的长时段预测,经仿真实验完成55小时内的终端区流量预测,并通过利用“分解与集成”的方法局部细度化获得机场终端区进、离场交通流的预测结果。
(3)MDIV模型在进行空中流量预测时,预测误差有了极大的降低,与GRU预测模型、CNN-LSTM预测模型和BP神经网络预测模型相比分别降低50.84%、58.27%、61.84%。因此,本文可以较为精确的预测终端区航空器的流量架次,降低管制员负荷,优化终端区容量,以此提高终端区航空器运行安全,减少航空事故的发生。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,在这些附图中使用相同的参考标号来表示相同或相似的部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示意性地示出了根据本申请一个实施例的基于VMD优化下多层次分解与集成的空中交通流量预测方法的流程示意图。
图2示意性地示出了根据本申请一个实施例的基于VMD优化下多层次分解与集成的空中交通流量预测方法中的卷积神经网络示意图。
图3示意性地示出了根据本申请一个实施例的基于VMD优化下多层次分解与集成的空中交通流量预测方法中MDIV组合预测模型示意图。
图4示意性地示出了根据本申请一个实施例的基于VMD优化下多层次分解与集成的空中交通流量预测方法中MDIV模型进场架次预测图。
图5示意性地示出了根据本申请一个实施例的基于VMD优化下多层次分解与集成的空中交通流量预测方法中MDIV模型离场架次预测图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,以下结合附图及具体实施例,对本申请作进一步地详细说明。
在以下描述中,对“一个实施例”、“实施例”、“一个示例”、“示例”等等的引用表明如此描述的实施例或示例可以包括特定特征、结构、特性、性质、元素或限度,但并非每个实施例或示例都必然包括特定特征、结构、特性、性质、元素或限度。另外,重复使用短语“根据本申请的一个实施例”虽然有可能是指代相同实施例,但并非必然指代相同的实施例。
为简单起见,以下描述中省略了本领域技术人员公知的某些技术特征。
根据本申请的一个实施例,提供一种基于VMD优化下多层次分解与集成的空中交通流量预测方法,具体描述如下:
(一)模型重构与优化
为解决该问题,引入变分模态分解概念,面向多个空中交通流特征的本征模态分量(Intrinsic Mode Functions,IMFs)进行预处理,根据VMD在数学上描述为分解序列带宽和的极小值与原始信号拟合的特点和优势,建立交通流量序列非平稳信号f,则VMD约束变分模型如下。
式中:{uk}={u1,…,uk}为分解后的IMF分量,{ωk}={ω1,…,ωk}为分解分量中心频率,为求偏导,δ(t)为Dirac函数,k为分解模态个数,*为卷积运算。
引入拉格朗日乘子τt和二阶惩罚因子α[99]进行无约束变分转化,建立拉格朗日扩展式如下。
针对式(2)应用交替方向乘子法(ADMM),对各分量中心频率/>以及其拉格朗日乘子τt进行连续更新,获取变分模态最优解。
由于VMD分解效果受二次惩罚因子α和分解模态个数k影响,为避免陷入局部优化困境[X],通过将包络熵极小值作为适应度函数,建立在d维空间中搜索的粒子种群规模N,其中,粒子i的位置为xi,粒子速度为vi,完成VMD参数惩罚因子α及分解模态个数k寻优策略,建立粒子群寻优公式如下。
式中:w为惯性权重,为个体经历的最优位置,/>为群体经历过的最优位置,c1,c2为学习因子,r1,r2为[0,1]间的随机数。
(2)多层次集成模型建立
现阶段,空中交通流预测精度受机场终端区运行环境复杂程度和航班时刻规划等因素影响,为解决该问题,构建基本卷积神经网络处理终端区空中交通流量数据,提取数据在空间和运行规划时间等序列特征。其中,卷积层、激活层和池化层等如图2所示,通过卷积层中卷积核提取完成内部特征归纳,公式如下。
Cj=σ(∑Ai*wi+bi) (4)
式中:Ai表示输入;*表示卷积运算;σ为激活函数;wi表示权值矩阵;bi则表示偏置矩阵。
由于空中交通流数据具有时间序列较长、数据自身变化无规律等特征,且前后输入的空中交通流量数据相互联系,使用递归神经网络(Recursive Neural Network,RNN)处理易造成梯度消失和梯度爆炸等问题。采用长短期记忆网络(Long Short-term Memory,LSTM)概念,增加“门”控制结构和状态值引入,可有效解决上述问题。由此,建立LSTM神经网络内部结构,包含各门控结构、隐藏层输出、细胞传递状态过程数学表达式如下。
it=σ(Wi[ht-1,xt]+bi) (5)
ft=σ(Wf[ht-1,xt]+bf) (6)
ot=σ(Wo[hf-1,xt]+bo) (7)
ht=ot·tanh(Ct) (10)
式中:fy、it、ot为遗忘门、输入门和输出门在当前时刻t的状态计算结果;wf、wi、ωo为遗忘门、输入门和输出门的权重矩阵;bf、bi、bo为遗忘门、输入门和输出门的偏置项;ct为当前时刻t的单元状态;wx为单元状态权重矩阵;bc为单元状态偏置项;σ为sigmoid激活函数;tanh为双曲正切激活函数。
又因为,空中流量预测结果的可靠性受预测时长与预测精度影响。在预测时长方面,为增加长时预测能力,实现前向和后向的信息共同计算与提取,以长短期记忆网络为基础,增加前向、后向多层共同决策机制改进信息处理方法。BiLSTM数学表达如下。
式中:LSTM+(·)、LSTM-(·)均为上文中LSTM细胞单元运算,LSTM+(·)为前向运算,LSTM-(·)为后向运算;Why和W′hy分别为BiLSTM中前向计算层、后向计算层的权重值;by为输出层的偏置向量。
在预测精度方面,空中交通流量的时序数据受随机性等特性影响,使用基本神经网络模型进行计算,其预测精度较低。为解决该问题,引入注意力机制,将关注点聚焦于当前任务中最为关键的信息,降低对非关键信息的关注度,降低随机性对空中交通流量预测的影响。同时考虑模型过度拟合,过度训练等问题,提高模型任务处理的效率。
(三)VMD优化下多层次分解与集成模型
通过对机场终端区空中交通流和预测办法进行数学分析与归纳,面向IMFs、时空和时长等特征完善数学表达,结合多层次网络和共同决策机制,建立完成一种VMD优化下多层次分解与集成模型(Multilevel Decomposition and Integration Model underVariational Modal Decomposition Optimization,MDIV),实现增强信息源提取灵敏度和学习效率。模型结构如图3所示。
MDIV采用三个部分对机场终端区空中交通流进行预处理、预测计算和结果输出。各部分工作任务如下:
(1)对PSO算法的参数w惯性权重,个体经历的最优位置,/>群体经历过的最优位置,学习因子c1,c2进行设置,该阶段完成PSO算法相关参数设置和算法初始化。
(2)对VMD参数进行寻优,确定最佳影响参数[α0,k0],将其作为VMD前置参数来处理流量数据,分解为较为平稳的各模态分量。
(3)将分解后的数据进行Min-Max归一化处理,公式如下:
(4)首先,在一维CNN层对数据进行充分的挖掘,形成特征向量并输入到BiLSTM层中,与此同时添加Dropout层,增强模型的适应能力。其次,将Dropout层输出数据作为输入,在BiLSTM层对分解后的各模态进行预测。最后将BiLSTM的输出作为输入,引入注意力机制实现对BiLSTM的输出进行叠加重构各模态的预测值,最终使用全连接神经网络输出预测结果。
设置模型的批尺寸为32,最大训练轮数为50。CNN-BiLSTM-AM网络中设置各类超参数如下:选用MSE作为损失函数,MSE在回归预测中具有较快的收敛速度。选择具有较好自适应性的Adam为优化器。为了保证学习率对模型的收敛影响,学习率设置为0.001。一维CNN网络卷积核数量分别为5和3,fliters=5,卷积步长为1,填充方式padding为SAME。BiLSTM共两层,神经元个数分别是64,128,为了缩短学习周期同时避免模型训练过程中发生过拟合,选择ReLU作为激活函数。并设置Dropout层减少对任何一个神经元的依赖性,Dropout层比例设置为20%,以此提高网络的泛化能力。
表1多层次模型部分超参数设置
本模型在visual studio code平台上实现的所有数据集的训练和测试过程,深度学习框架是基于Python3.8版本的TensorFlow框架,实验平台如下。
表2实验平台配置表
(四)仿真实验
4.1实验计算
选取前1410个小时数据作为训练集,选择随后100个小时数据作为测试集,选取末尾的连续55个小时数据作为测试集用作验证。在选取了模型最优情况下得到进、离场架次的预测值,计算获得每个预测点MDIV模型与实际值的相对误差,如图4、图5所示,其中柱状图表示相对误差,实线表示MDIV预测值,虚线表示进场架次实际值。相对误差越小,模型预测结果越准确,可以为管制员提供了更可靠的预测结果,以此优化航班调度,提升提高航班准点率,以及提高终端区空域运输效率。
4.2热门模型对比分析
为了验证本文模型优越性,分别与现有热门模型GRU、CNN-LSTM模型、BP神经网络模型进行对比分析,评价结果如表所示。
从MAE、MSE和RMSE的指标来看,MDIV模型在进场架次和离场架次的预测中表现最好,相较于其他模型有显著的提升。MDIV模型相较于门控循环单元模型GRU和CNN-LSTM模型在进、离场架次预测上的MAE提高了约58.27%和64.53%,MSE提高了约82.54%和89.57%,RMSE提高了约47.95%和65.43%。相较于BP神经网络,相较于BP神经网络模型,MDIV模型在进、离场架次预测上的MAE提高了约61.84%和68.06%,MSE提高了约83.23%和89.69%,RMSE提高了约59.34%和69.32%。总体而言,在终端区空中交通短期流量预测中,MDIV模型能够更准确地预测进场和离场架次,并具有更好的效果。
以上所述实施例仅表示本发明的几种实施方式,其描述较为具体和详细,但并不能理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明保护范围。因此本发明的保护范围应该以所述权利要求为准。
Claims (6)
1.一种基于VMD优化下多层次分解与集成的空中交通流量预测方法,其特征在于,包括如下步骤:
S1:进行模型重构与优化的步骤;
S2:进行多层次集成模型建立的步骤;
S3:进行VMD优化下多层次分解与集成模型的步骤;
S4:进行仿真实验的步骤,包括实验计算的步骤和热门模型对比分析的步骤。
2.根据权利要求1所述的基于VMD优化下多层次分解与集成的空中交通流量预测方法,其特征在于,步骤S1具体如下:
面向多个空中交通流特征的本征模态分量进行预处理,根据VMD在数学上描述为分解序列带宽和的极小值与原始信号拟合的特点和优势,建立交通流量序列非平稳信号f,则VMD约束变分模型如下面的公式1所示:
式中:{uk}={u1,…,uk}为分解后的IMF分量,{ωk}={ω1,…,ωk}为分解分量中心频率,为求偏导,δ(t)为Dirac函数,k为分解模态个数,*为卷积运算;
引入拉格朗日乘子τt和二阶惩罚因子α[99]进行无约束变分转化,建立拉格朗日扩展式如下面的公式2所示:
针对式2应用交替方向乘子法(ADMM),对各分量中心频率/>以及其拉格朗日乘子τt进行连续更新,获取变分模态最优解;
由于VMD分解效果受二次惩罚因子α和分解模态个数k影响,为避免陷入局部优化困境[X],通过将包络熵极小值作为适应度函数,建立在d维空间中搜索的粒子种群规模N,其中,粒子i的位置为xi,粒子速度为vi,完成VMD参数惩罚因子α及分解模态个数k寻优策略,建立粒子群寻优公式如下面的公式3和公式4所示:
式中:w为惯性权重,为个体经历的最优位置,/>为群体经历过的最优位置,c1,c2为学习因子,r1,r2为[0,1]间的随机数。
3.根据权利要求1所述的基于VMD优化下多层次分解与集成的空中交通流量预测方法,其特征在于,步骤S2具体如下:
构建基本卷积神经网络处理终端区空中交通流量数据,提取数据在空间和运行规划时间等序列特征,通过卷积层中卷积核提取完成内部特征归纳,公式如下面的公式5所示:
Cj=σ(∑Ai*wi+bi)
式中:Ai表示输入;*表示卷积运算;σ为激活函数;wi表示权值矩阵;bi则表示偏置矩阵;
建立LSTM神经网络内部结构,包含各门控结构、隐藏层输出、细胞传递状态过程数学表达式如下面的从上至下的公式6至公式11所示:
it=σ(Wi[ht-1,xt]+bi)
ft=σ(Wf[ht-1,xt]+bf)
ot=σ(Wo[hf-1,xt]+bo)
ht=ot·tanh(Ct)
式中:ft、it、ot为遗忘门、输入门和输出门在当前时刻t的状态计算结果;wf、wi、wo为遗忘门、输入门和输出门的权重矩阵;bf、bi、bo为遗忘门、输入门和输出门的偏置项;ct为当前时刻t的单元状态;wc为单元状态权重矩阵;bc为单元状态偏置项;σ为sigmoid激活函数;tanh为双曲正切激活函数。
在预测时长方面,为增加长时预测能力,实现前向和后向的信息共同计算与提取,以长短期记忆网络为基础,增加前向、后向多层共同决策机制改进信息处理方法,BiLSTM数学表达如下面的从上至下的公式12至公式14所示:
式中:LSTM+(·)、LSTM-(·)均为上文中LSTM细胞单元运算,LSTM+(·)为前向运算,LSTM-(·)为后向运算;Why和Why′分别为BiLSTM中前向计算层、后向计算层的权重值;by为输出层的偏置向量。
4.根据权利要求1所述的基于VMD优化下多层次分解与集成的空中交通流量预测方法,其特征在于,步骤S3具体如下:
通过对机场终端区空中交通流和预测办法进行数学分析与归纳,面向IMFs、时空和时长等特征完善数学表达,结合多层次网络和共同决策机制,建立完成一种VMD优化下多层次分解与集成模型,实现增强信息源提取灵敏度和学习效率;
MDIV采用三个部分对机场终端区空中交通流进行预处理、预测计算和结果输出,各部分工作任务如下:
对PSO算法的参数w惯性权重,个体经历的最优位置,/>群体经历过的最优位置,学习因子c1,c2进行设置,该阶段完成PSO算法相关参数设置和算法初始化;
对VMD参数进行寻优,确定最佳影响参数[α0,k0],将其作为VMD前置参数来处理流量数据,分解为平稳的各模态分量;
将分解后的数据进行Min-Max归一化处理,公式如下面的公式15所示:
首先,在一维CNN层对数据进行充分的挖掘,形成特征向量并输入到BiLSTM层中,与此同时添加Dropout层,增强模型的适应能力,其次,将Dropout层输出数据作为输入,在BiLSTM层对分解后的各模态进行预测,最后将BiLSTM的输出作为输入,引入注意力机制实现对BiLSTM的输出进行叠加重构各模态的预测值,最终使用全连接神经网络输出预测结果;
设置模型的批尺寸为32,最大训练轮数为50,CNN-BiLSTM-AM网络中设置各类超参数如下:选用MSE作为损失函数,MSE在回归预测中具有较快的收敛速度,选择具有较好自适应性的Adam为优化器,为了保证学习率对模型的收敛影响,学习率设置为0.001,一维CNN网络卷积核数量分别为5和3,fliters=5,卷积步长为1,填充方式padding为SAME,BiLSTM共两层,神经元个数分别是64,128,为了缩短学习周期同时避免模型训练过程中发生过拟合,选择ReLU作为激活函数,并设置Dropout层减少对任何一个神经元的依赖性,Dropout层比例设置为20%,以此提高网络的泛化能力。
5.根据权利要求1所述的基于VMD优化下多层次分解与集成的空中交通流量预测方法,其特征在于,实验计算的步骤具体如下:
选取前1410个小时数据作为训练集,选择随后100个小时数据作为测试集,选取末尾的连续55个小时数据作为测试集用作验证,在选取了模型最优情况下得到进、离场架次的预测值,计算获得每个预测点MDIV模型与实际值的相对误差。
6.根据权利要求1所述的基于VMD优化下多层次分解与集成的空中交通流量预测方法,其特征在于,热门模型对比分析的步骤具体如下:
分别与现有热门模型GRU、CNN-LSTM模型、BP神经网络模型进行对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311527063.8A CN117454776A (zh) | 2023-11-15 | 2023-11-15 | 基于vmd优化下多层次分解与集成的空中交通流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311527063.8A CN117454776A (zh) | 2023-11-15 | 2023-11-15 | 基于vmd优化下多层次分解与集成的空中交通流量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117454776A true CN117454776A (zh) | 2024-01-26 |
Family
ID=89587356
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311527063.8A Pending CN117454776A (zh) | 2023-11-15 | 2023-11-15 | 基于vmd优化下多层次分解与集成的空中交通流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117454776A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746692A (zh) * | 2024-02-19 | 2024-03-22 | 中国民用航空飞行学院 | 一种基于容量包络线的机场模块化调整方法 |
-
2023
- 2023-11-15 CN CN202311527063.8A patent/CN117454776A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746692A (zh) * | 2024-02-19 | 2024-03-22 | 中国民用航空飞行学院 | 一种基于容量包络线的机场模块化调整方法 |
CN117746692B (zh) * | 2024-02-19 | 2024-05-10 | 中国民用航空飞行学院 | 一种基于容量包络线的机场模块化调整方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321603B (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
CN111899510B (zh) | 基于发散卷积和gat的智能交通系统流量短期预测方法及系统 | |
CN113053115B (zh) | 一种基于多尺度图卷积网络模型的交通预测方法 | |
Ma et al. | Short-term traffic flow prediction for urban road sections based on time series analysis and LSTM_BILSTM method | |
Abid et al. | A fast feedforward training algorithm using a modified form of the standard backpropagation algorithm | |
CN112381211B (zh) | 基于异构平台执行深度神经网络的系统及方法 | |
Ding et al. | Where to prune: Using LSTM to guide data-dependent soft pruning | |
Roth et al. | Multidimensional density shaping by sigmoids | |
CN111754025A (zh) | 基于cnn+gru的公交短时客流预测方法 | |
Srisaeng et al. | An adaptive neuro-fuzzy inference system for forecasting Australia's domestic low cost carrier passenger demand | |
CN117454776A (zh) | 基于vmd优化下多层次分解与集成的空中交通流量预测方法 | |
CN111401547B (zh) | 一种面向乘客流分析的基于循环学习单元的htm设计方法 | |
CN114490065A (zh) | 一种负载预测方法、装置及设备 | |
Hebbal et al. | Multi-objective optimization using deep Gaussian processes: application to aerospace vehicle design | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
Ma et al. | Fuzzy hybrid framework with dynamic weights for short‐term traffic flow prediction by mining spatio‐temporal correlations | |
Widrow et al. | Adaptive neural networks and their applications | |
Wen et al. | Novel pruning of dendritic neuron models for improved system implementation and performance | |
Yao et al. | Fuzzy-Weighted Echo State Networks | |
Shen et al. | A fast learning algorithm of neural network with tunable activation function | |
Chen et al. | Tensor-train fuzzy deep computation model for citywide traffic flow prediction | |
Bi et al. | Multi-indicator water time series imputation with autoregressive generative adversarial networks | |
Bandyopadhyay et al. | Prediction of air flight cancellation during COVID-19 using deep learning methods | |
Sibruk et al. | Recurrent Neural Networks for Time Series Forecasting. Choosing the best Architecture for Passenger Traffic Data | |
CN111459927B (zh) | Cnn-lstm开发者项目推荐方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |