航段运量预测算法及其优化

发布时间：2020-12-07 01:50

　　本文结合现代民航运输的需要,在深入分析航段运量的特点及比较几种航段运量预测方法的基础上,进一步研究了利用支持向量机方法对航段运量进行预测,并结合实际情况,对其进行了改进优化。首先,本文较系统的分析并比较了传统运量预测算法的特点,对其适用范围和程度进行了探索,进一步研究了熵权系数法和BP神经网络算法的改进算法,并对熵权系数法进行了模拟试验;接着,详细阐述了支持向量机理论的基础和支持向量机原理,推导了最小二乘支持向量机的算法,重点研究描述了贝叶斯框架下的支持向量机模型;最后,本文探讨了支持向量机预测模型的建模方法,包括核函数的选择、模型参数选择算法的改进、学习算法的改进等,建立了支持向量机预测模型。本文将支持向量机预测模型改进应用于“航班优化与航线经济分析”系统中进行航段运量的预测,分析了建立的支持向量机预测模型的不足,指出了模型改进的方法。 

【文章来源】：南京航空航天大学江苏省 211工程院校

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

模拟结果显示图

图 2. 5 经验风险和期望风险关系学习能力和 VC 维程一致收敛的速度和推广性，统计学习理论定义，其中最重要的是 VC 维(Vapnik-Chervonenkis D直观定义是：在使用某个指示函数集(两类分类函数的样本集以任何可能的 2k 种形式分成两类，都能该指示函数集的 VC 维就是用它能够打散的最大的样本都有函数能将它们打散，则函数集的 VC 维数集的学习能力，VC 维越大则学习机器越复杂。VC 维计算的理论，只是对一些特殊的函数集知道其性分类器和线性实函数的 VC 维是 n+l。对于一些与函数集有关外，还与学习算法有关，因此 VC 维的集，如何用理论或实验的方法计算其 VC 维是当题[26]。最小化

于一个特定的问题，当样本数目固定时，学习机器的 VC险越小，但置信范围会越大，导致真实风险与经验风险出现过学习现象的原因。机器学习过程不但要使经验风险量小以缩小置信范围，才能取得较小的实际风险。ERM 原则在样本有限时是不合理的，需要同时最小化经传统方法中，选择学习模型和算法的过程就是调整置信范合现有的训练样本(相当于 h/n 值适当)，则可以取得比较导，这种选择只能依赖先验知识和经验，造成了如神经网分依赖。论提出了新的策略，即结构风险最小化(Structural Risk M结构风险最小化原则的主要思想是可用图 3.1 表示：把集的序列，各个子集按照 VC 维的大小依次排列，这样同；在每个子集中寻找最小经验风险，在各个子集间同时从而选出使得实际风险最小的函数。如图 2.6 所示。统计子集结构应满足的条件及在 SRM 准则下实际风险收敛的

【参考文献】：
期刊论文
[1]熵权系数法的理论建模分析与并行实现[J]. 郑晓薇,樊华,武亮亮.  小型微型计算机系统. 2007(10)
[2]基于贝叶斯框架下LS-SVM的时间序列预测模型[J]. 李正欣,赵林度.  系统工程理论与实践. 2007(05)
[3]支持向量机在航空运输量预测中的应用[J]. 黄文强.  计算机工程. 2005(S1)

硕士论文
[1]基于BP神经网络的混沌时间序列预测模型研究[D]. 陈敏.中南大学 2007



本文编号：2902399