基于支持向量机的航段运量预测研究

发布时间：2021-09-05 04:49

　　随着航空运输市场竞争的激烈,航空公司对航段运量预测的工作越来越重视。对于航空公司来说,航段运量预测关系到其对未来发展、运力安排和市场拓展等做出重要决策,关系到其科学合理的制定航班计划和机队规划。因此航段运量预测的研究是非常必要的。本文在深入分析比较各种航段运量方法的基础上,研究了利用支持向量机进行航段运量预测建模的方法。首先,系统地介绍了航空运量预测中常用的预测方法,并对几种常用方法的特点进行了分析比较。详细阐述了支持向量机理论的理论基础和支持向量机原理,推导了支持向量机回归模型,研究了最小二乘支持向量机的算法。本文重点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,建立了最小二乘支持向量机预测模型和标准支持向量机预测模型,并与神经网络预测模型进行对比。实验结果表明,支持向量机用于航空运量的预测是可行有效的。最后本文将最小二乘支持向量机预测模型应用于“航班优化与航线经济分析”系统中进行航段运量的预测。 

【文章来源】：南京航空航天大学江苏省 211工程院校

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

结构风险最小化示意图

量机原理机是从线性可分情况下的最优分类面发展而在模型的复杂性(即对特定训练样本的学习精任意样本的能力)之间寻求最佳折衷，以期获n Ability)。机在样本空间或者特征空间构造出最优超平之间的距离最大，从而达到最大的推广能力[2 描述。图中的圆形和三角形分别代表两类样分别为过各类样本中离 H 最近的且平行于 H 类间隔(margin)。所谓最优分类面，就是分类使分类间隔最大。前者是保证经验风险最小置信范围最小，这是对结构风险最小化准则面最近的向量称为支持向量。

图3.3 SVM函数拟和结构图持向量回归问题可以归结为求解一个凸二次规划问题[33,34]，从理论上到全局最优解，算法将实际问题通过非线性变换转换到高维特征空间re Space)中，在高维空间中进行线性回归来实现原空间中的非线性回法的性质能保证回归模型有较好的推广能力，同时它巧妙地解决了维，算法复杂度与样本维数无关，支持向量回归算法完全根据部分训练造回归函数，不需要关于问题和样本集或是回归函数结构的先验信息损失函数了能定量计算损失函数 L，首先引入ε 不敏感损失系数：如果实验预测x,α)与实际测量值 y 之间的差别小于ε ，则认为损失为零(即忽略不计)损失不可忽略。样就可以定义损失函数，常用的有三种形式[35]：不敏感损失函数：L ( y,f(x,α ))=y f(x,α)

【参考文献】：
期刊论文
[1]基于最小二乘支持向量机的非线性系统建模[J]. 相征,张太镒,孙建成.  系统仿真学报. 2006(09)
[2]基于LSSVM实现CO2转化率的软测量建模[J]. 范磊,张运陶.  计算机与应用化学. 2006(01)
[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)
[4]基于递推最小二乘支持向量回归估计的建模与预报[J]. 陈爱军,宋执环,李平.  信息与控制. 2005(06)
[5]基于LS-SVM的信用评价方法[J]. 钟波,肖智,刘朝林,陈玲.  统计研究. 2005(11)
[6]支持向量机在模式识别中的核函数特性分析[J]. 李盼池,许少华.  计算机工程与设计. 2005(02)
[7]一种人工免疫与RBF神经网络结合的混合算法的应用[J]. 周颖,郑德玲,裘之亮,刘聪.  计算机工程与应用. 2004(01)
[8]一种新的支持向量回归预测模型[J]. 刘广利,杨志民.  吉首大学学报(自然科学版). 2002(03)
[9]基于支撑向量机方法的短期负荷预测[J]. 赵登福,王蒙,张讲社,王锡凡.  中国电机工程学报. 2002(04)

硕士论文
[1]基于支持向量机的网络流量预测研究[D]. 李丽.南京理工大学 2007



本文编号：3384705