基于GA、RBF和改进Cao方法的空中交通流预测方法

摘要：

针对传统空中交通流量预测方法精度不足、时效性差的问题,考虑空中交通流量时间序列的混沌特征,在相空间重构理论的基础上,研究了结合遗传算法(GA)、径向基(RBF)神经网络与改进Cao方法的空中交通流量预测方法.为降低传统Cao方法人为参数选择引入的误差,提高相空间重构精度,通过判定虚假邻近点,以及迭代比较嵌入维度离差和可接受偏差,确定重构相空间嵌入维度值的选择标准,进而得到重构后的空中交通流量时间序列数据;为提升径向基神经网络预测精度并降低参数误差,使用遗传算法优化RBF神经网络的中心矢量、加权系数和输出层阈值,再通过最优系数标定后的神经网络对重构后的时间序列进行预测;利用实际空中交通流量数据进行仿真以验证方法的有效性,并结合最大Lyapunov指数和预测结果分析了预测的时效性以及时间尺度对精度影响.结果显示:①改进后的预测方法具有更好的非线性拟合能力,提高了交通流量时间序列的预测精度;②以5 min时间间隔预测为例,相比传统RBF神经网络,改进方法的平均绝对误差、均方误差以及平均绝对百分比误差分别降低了19.44％、34.78％和27.21％;③相比反向传播(BP)神经网络和长短期记忆(LSTM)神经网络,所提方法的平均绝对误差分别降低了36.20％和16.10％,运行速度分别提高了27.42％和35.00％.综上所述,所提方法能更好地解析系统的混沌特性,提升空中交通流量预测精度与速度.

关键词：航空运输管理、空中交通流量预测、混沌时间序列、改进Cao方法、径向基神经网络

所属期刊栏目：41

分类号：V355.1(航空港（站）、机场及其技术管理)

资助基金：国家自然科学基金U1633124

在线出版日期：2023-05-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：115-123