基于SSA-BP的离港航班滑出时间预测

针对传统BP神经网络在离港航班滑出时间预测时存在对初始权值和阈值敏感、准确性和稳定性不好等缺点,提出了一种基于麻雀搜索算法(Sparrow Search Algorithm, SSA)获取BP神经网络的最优权值和阈值的方法。首先分析了离港航班滑出时间的可量化影响因素及相关性,然后构建了基于SSA-BP的离港航班滑出时间预测模型,并采用我国中南某枢纽机场2周的实际运行数据对预测模型进行了验证。结果表明：①离港航班滑出时间与同时段滑行的离港航班数量强相关,与同时段滑行的进港航班数量、同时段推出的离港航班数量、平均滑出时间中度相关,与滑行距离和转弯个数弱相关；②基于SSA优化后的BP神经网络预测结果误差在±60s内的准确率提升了20%,误差±180s内的准确率提升了12%,误差±300s内的准确率提升了7%；预测结果的平均绝对误差百分比提升了2.61%,平均绝对误差减少了11.73s,均方根误差减少了61.03s。研究成果为提升大型枢纽机场场面运行效率提供了思路。     

考虑天气因素影响的离港航班滑出时间预测

针对现有滑出时间预测研究成果未考虑天气因素影响的问题，基于航空例行天气报告(meteorological terminal aviation routine weather report，METAR)，构建了考虑天气因素的离港航班滑出时间预测模型。首先，通过分析航空器场面运行态势，厘清了进离港航班滑行过程的时空交叠关系，重新定义了滑出时间的影响因素，并分别阐述了航班运行数据和气象数据的分析流程。基于相关性分析结果构建了滑出时间的反向传播（back propagation，BP）神经网络预测模型，并采用蝗虫优化算法(grasshopper optimization algorithm，GOA)对模型进行优化。以深圳宝安机场2周的实际运行数据对模型进行了验证，结果表明：（1）天气因素是滑出时间的主要影响因素之一，引入量化后的天气因素可显著提升滑出时间预测结果。（2）重新定义的同时段推出及滑行的进离港航班数量、进离港队列的概念和数据样本更加精准，相关性分析结果更加客观。（3）基于GOA-BP的滑出时间预测结果精度有明显提升，MAE和RMSE分别减少了11.40 s、12.62 s，MAPE提升了0.37%；±3 min和±5 min的准确率分别高达81%和94%。     

离港航班滑出时间的支持向量机预测模型

为解决BP神经网络在离港航班滑出时间预测精度欠佳的问题,构建了基于支持向量机(Support Vector Mac, SVM)的离港航班滑出时间预测模型。首先,分析了影响离港航班滑出时间的可量化因素,构建了基于相关性分析的离港航班滑出时间预测模型；并对比分析了基于SVM和BP神经网络的滑出时间预测结果。结论表明：(1)离港航班滑出时间与同时段推出航班数量、同时段起飞航班数量、同时段落地航班数量、1小时平均滑出时间呈现强相关性,与滑行距离、转弯个数、延误时间相关但不显著,与起飞时刻所在时段不相关。(2)基于SVM和BP神经网络的预测结果趋势是一致的,考虑强相关和中度相关影响因素的七元组预测结果准确率达到最佳；引入不相关因素后模型的预测精度会下降。(3)基于SVM的滑出时间预测模型精度显著高于BP神经网络预测模型,滑出时间误差范围在内的预测准确率可达98%。     

基于智能算法优化BP的航空器滑出时间预测

滑出时间是评估大型机场场面运行效率的主要性能指标，科学准确地预测离港航空器的滑出时间，对于提升场面运行效率至关重要。首先，分析了航空器滑出时间影响因素及相关性，构建了基于BP神经网络的航空器滑出时间预测模型。针对BP神经网络存在对初始权值和阈值敏感、准确性和稳定性欠佳等缺点，分别采用粒子群算法和麻雀搜索算法获取BP神经网络的最优权值和阈值，并采用我国中南某枢纽机场2周的实际运行数据对智能算法优化后的预测模型进行了验证。结果表明：①滑出时间与半小时平均滑出时间、起飞队列长度、同时段滑行的离港航空器数量均有强相关性，与同时段滑入的进港航空器数量中度相关，与滑行距离和经过冲突热点区域个数相关性较弱；②考虑强相关和中度相关影响因素的4元组合预测模型的预测结果最佳；③智能优化算法通过获取神经网络的局部最优权重和阈值，可有效地提升航空器滑出时间预测结果的精度，但运算过程耗时也更长；④基于PSO优化后的BP神经网络预测结果较优化前的MAPE提升了1.13%，MAE减少了4.48s，RMSE减少了4.68s；基于SSA优化后的BP神经网络预测结果较优化前的MAPE提升了3.05%，MAE减少了16.55s，RMSE减少了14.32s。     

基于机器学习的离港航空器滑出时间预测

准确地预测航空器的滑出时间对于提升机场场面运行安全和效率至关重要。基于机场场面运行态势分析，获得进/离港航空器滑行的时空分布特征，从而准确定义同时段离港航空器数量、进港航空器数量、起飞队列长度。基于影响因素进行相关性结论分析，构建了基于机器学习的航空器滑出时间预测模型，并使用中南某枢纽机场2周的实际运行数据对模型进行了验证。结果表明：（1）滑出时间影响因素相关性大小排序为：起飞队列长度、同时段起飞航空器数量、半小时平均滑出时间、同时段落地航空器数量、起飞使用跑道、滑出距离。（2）机器学习方法能实现对航空器滑出时间的有效预测，分类器的优劣排序为支持向量机（support vector machine，SVM）、BP（back propagation，BP）神经网络、随机森林（random forest，RF）。（3）引入弱相关的影响因素后，滑出时间预测精度会有一定程度的降低。     

离港航班延误时间预测方法

在如今的民航运行体系里,航班延误已经成为了机场和航空公司为了提高效率与控制成本的主要研究目标。为了构建更准确的离港航班延误时间预测模型,论文首先分析了导致离港航班延误发生的主要因素,并利用皮尔逊相关度系数对各因素进行相关性分析。其次基于基本BP神经网络算法（Back Propagation, BP）,构建离港航班延误时间预测模型,并进行优化;然后采用自动编码器（AutoEncoder）对BP算法进行改进;接着构建了基于支持向量机（Support Vector Machine, SVM）的预测模型并与优化后的BP模型进行对比;最后基于上海浦东机场实际历史航班数据进行仿真检验,验证了本文优化模型的准确性和高效性。     

基于航班离场成本的离场航空器滑行策略优化

针对大型枢纽机场日益严重的场面拥堵及由此导致的航班延误问题,推出率控制策略可利用机位等待代替滑行道及跑道口等待,控制场面离场航班的滑行数量,缓解场面拥挤.基于推出率控制策略同时结合场面滑行路径优化,提出了基于航班离场成本的离场航空器滑行策略.首先,构建了基于推出率控制策略的航班离场成本计算模型;然后,提出离场航空器滑行策略优化方法;最后,以航班离场成本最小为目标,采用遗传算法开展算例仿真,并选取三种策略进行对比分析.结果表明:基于航班离场成本的滑行策略不仅能减少离场航班的总滑行时间,提高场面运行效率,还能减少燃油消耗和气体排放量,具有一定的环保性.     

近距平行跑道机场绕行滑行道使用策略研究

为了给近距平行跑道机场制定和优化航空器场面运行策略提供理论依据,提升跑道运行安全水平和效率、减少机场运行场面冲突、降低安全隐患。本文分析并建立基于进、离港航班平均地面滑行时间最小为目标的绕滑使用决策模型,并以某机场两条近距平行跑道绕滑运行为例,采用数值计算和AirTOp运行仿真软件两种方式验证了该模型的可行性。算例结果表明,由该模型确定的绕滑使用策略,可以同时降低机场进、离港航班的延误水平,提高地面滑行效率。并且,通过对该机场航班运行数据的进一步研究发现,起飞跑道交通密度与绕滑使用率之间存在较为明显的正相关关系,进而提出针对该机场在高峰小时运行架次和起降比变化情况下的绕滑运行策略。     

大型机场单通道U形机坪区推出等待点优化设计

为了提高大型机场单通道U型区高峰时段航班出港效率，研究了单通道U型区离港航班推出等待点位置。首先，将单通道U型区航班推出等待点位置选定问题、抽象为典型的TSP组合优化问题；其次，以典型高峰时段航班滑出U型区总耗时最短为目标函数，构建了基于航班计划的动态等待点模型；最后，结合问题特征及模拟退火算法基本理论，设计了双层模拟退火算法结构进行计算，并分别对上下层算法进行改进。仿真结果表明，所设计模型结合所设计算法可大幅度降低航班滑出U型区总耗时与机位延误时间。与传统推出方式相比，滑出U型区总耗时降低29.4%，机位延误总时间降低了79.9%，且平均计算时间为34.2秒，满足决策要求。可见，动态配置离港航班推出等待点位置，能够提高航班出港效率，为管制员决策提供优化方案     

基于D*算法的场面滑行动态规划研究

研究了机场场面滑行路径动态规划问题.基于三种滑行冲突约束,建立了使航班总体滑行时间最短的动态优化模型.改进了传统的D*算法,提出了基于时间权值的冲突预测和代价修正函数.案例计算相比Dijkstra算法得到的结果减少了203s,有效减少总滑行时间,提高场面运行效率.该算法不仅可以用于滑行路径的初始规划,也适用于场面实时滑行引导的实施.     

基于混沌理论和MEA-BPNN模型的快速路短时交通流预测

为提高短时交通流预测的精度,在分析北京市二环路实测交通流数据时空特性和混沌性的基础上,利用混沌理论方法对交通流量时间序列进行相空间重构,并基于思维进化算法提出一种改进的BP神经网络模型,将重构的时间序列数据作为模型输入进行交通流预测。结果表明,基于该模型的预测结果与基于传统BPNN模型的预测结果相比,均方根误差、平均绝对误差和平均绝对百分误差分别下降31.11%、20.71%和37.28%,证明了模型具有更精确的预测能力。     

基于遗传算法的最小二乘支持向量机预测凝析气藏露点压力

露点压力的准确预测对保障凝析气藏的高效开发至关重要。近年来,数据挖掘、人工智能等大数据技术逐渐成为研究热点,其对复杂的非线性回归与分类问题有良好的解决策略。基于优化算法和机器学习,提出了一种将遗传算法(GA)与最小二乘支持向量机(LSSVM)相结合的露点压力预测模型(GA-LSSVM模型),并利用误差反向传播(BP)和径向基函数(RBF)人工神经网络建立了相应的露点压力模型,然后进行模型精度对比。在皮尔逊关联性分析基础上,上述模型均选取气藏温度、(N_2+CO_2、C_1、C_2～C_6、C_(7+))摩尔分数、C_(7+)相对分子质量、C_(7+)相对密度和气油比作为自变量。采用公开发表的34个露点压力数据进行参数优化,得到了GA-LSSVM、BP和RBF模型的最优参数,并对15组实测露点压力数据进行预测。结果表明:GA-LSSVM模型预测精度明显高于BP、RBF神经网络模型,具有良好的预测能力,GA-LSSVM模型的平均绝对相对误差(AARD)仅为3.02%,其中最大绝对相对误差(ARD)为16.64%,最小ARD为0.05%,BP和RBF神经网络模型的AARD分别为6.46%、10.54%。最后,根据Leverage方法,进行了所有数据的异常点检测。研究为凝析气藏露点压力预测提供了一种有效方法。     

基于集成学习的交通流短时特性分析与神经网络预测方法

为揭示交通流的内在动态特性,利用分析法对交通流分形特性进行研究,表明该城市交通流序列具有长程相关性;为达到更精准的短期交通预测效果,同时提出一种基于思维进化算法(MEC)对神经网络最优初始参数的定向搜索,解决神经网络易陷入局部最优的问题;并用自适应增强算法(adaptive enhancement algorithm,Adaboost)对优化过的神经网络集成,弥补神经网络对新样本集的泛化性能差缺陷,在此基础上通过预测误差平方和倒数准则重新调整Adaboost算法对弱预测器权值分布,使每个预测器最大程度提高网络预测精度.验证结果表明,改进MEC-BP_Adaboost模型与BP模型相比,均方误差和平均绝对误差分别下降78.2％和46.4％,证明本文改进方法对交通流预测具有合理性,对不同的交通流状态具有较好的适应性.     

考虑航班计划的机场短时停车需求预测

为克服现有短时停车需求模型无法直接利用于机场停车需求预测这一问题,利用停车数据、航班计划和气象信息,建立了面向机场停车场的短时停车需求预测模型。首先使用机场停车数据分析了停车场短时车辆到达与离去特性,然后考虑到航班计划对机场停车场短时停车需求的影响,将其与气象状况同时引入到短时停车需求影响因素中,建立了基于Conv1D-LSTM神经网络结构的机场短时停车需求模型。以上海虹桥机场停车场为实例,Conv1D-LSTM模型实验结果的平均绝对误差和均方根误差分别为12.057 辆和14.237 辆;对比多个其他模型实验结果,本文构建的Conv1D-LSTM模型预测效果更优,能有效应用于机场停车场短时停车需求预测。     

无信号环形交叉口机非冲突机器学习预测方法

为高效精确地预测无信号环形交叉口机动车与非机动车的交通冲突,提出了基于遗传算法优化的BP神经网络(GA-BP)和支持向量回归(SVR)的组合预测模型(SVR-GA-BP)。通过无人机采集混合交通流高清视频,利用视频识别软件Tracker提取机非交通冲突轨迹数据,以距离碰撞时间(Time to Collision, TTC)为判别指标,确定机非冲突严重程度。基于偏相关性分析确定交通量、平均速度、大车比例等为机非交通冲突的显著影响因素,选取均方根误差(RMSE)、平均绝对误差(MAE)等五种评价指标对SVR模型、BP神经网络、SVR-GA-BP模型的预测值进行精度分析。结果表明,组合模型在一般冲突预测中精度为97.1%,相比SVR和BP神经网络分别提高6.9%和2.5%,在严重冲突预测中精度为96.1%,相比SVR和BP神经网络分别提高7.3%和5.1%。可见SVR-GA-BP组合模型能够有效预测无信号环形交叉口的机非冲突且精度最高,可为同类型交叉口的安全评价提供借鉴。     

基于主成分分析法优化广义回归神经网络的地震震级预测

为科学有效预测地震震级,提出了基于广义回归神经网络(General Regression Neural Network,GRNN)的地震震级预测模型。选取地震累计频度、累计释放能量、b值、异常地震群数、地震条带个数、活动周期、相关区震级等7个指标作为地震震级影响因子,利用主成分分析法(Principal Component Analysis,PCA)对7个影响因子进行降维处理,以新生成的四个主成分作为模型输入变量,地震震级为输出变量,运用粒子群算法(Particle Swarm Optimization,PSO)寻优得到GRNN模型最优光滑因子,最终建立基于PCA-PSO-GRNN的地震震级预测模型,利用建好的模型对训练样本进行回判检验,并对测试样本进行预测,并同传统BP神经网络模型和单一GRNN模型预测结果进行对比,结果表明：PCA-PSO-GRNN模型预测结果的平均误差为5.17%,均方根误差为0.1000,决定系数为0.9868,均方相对误差为0.0073,平均绝对误差为0.1000,运行时间为5.2s,预测精度和运行效率均优于BP模型和单一GRNN模型。     

基于RBF-BP复合神经网络的企业创新能力评价模型

为更加精准地测量企业创新能力,利用熵值法和相关性分析,从创新投入、创新产出、创新支撑3个维度建立企业创新能力评价指标体系,构建企业创新能力评价的RBF BP复合神经网络模型。该模型由1个输入层、1个RBF隐含层、1个BP隐含层以及1个输出层组成,其特点是将RBF隐含层的输出作为BP隐含层的输入。十折交叉验证与随机二次抽样2种方法检验表明,与单一RBF神经网络、单一BP神经网络相比,RBF BP复合神经网络模型的平均均方误差与平均绝对误差分别下降2821%、1519%和1251%、1255%,表明RBF BP复合神经网络模型具有最优的数据拟合能力,更适合于企业创新能力评价。