基于数据分析与集成学习的4D航迹预测

发布时间：2021-12-19 03:14

　　4D航迹预测是未来的发展趋势,可在未来的空中交通中的自动化系统中发挥重要作用。同时,它还是冲突探测与解脱、航班排序、间隔管理等的基础,被视为解决全世界空中交通管制问题的有效解决方案。在本文中,一种创新的4D航迹预测混合模型被提出,经由应用主流数据分析和机器学习手段处理终端机动区(Terminal Maneuvering Area,TMA)中短期尺度的4D航迹预测问题。所提出的模型由两部分组成:基于聚类的数据预处理模型和基于集成学习思想的多细胞神经网络(Multi-Cells Neural Network,MCNN)预测模型。预处理部分首先将对航迹原始数据进行清理,过滤和重采样。为了削减航迹矢量的变量维度,引入并使用主成分分析。随后,降维后得到的航迹矩阵经由聚类算法,被聚类成多个航迹簇。在预测模型中,使用嵌套交叉验证,针对每一个聚类簇,分别训练不同的MCNN模型,获得不同聚类簇对应的预测预计到达时间(Estimated Time of Arrival,ETA)的子模型。最终,引入并使用决策树对应的分类算法,将新航班分类到不同的聚类簇,并输入到已经训练完毕的预测模型,得到ETA。为了具体评...

【文章来源】： 中国民航大学天津市

【文章页数】：65 页

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 技术路线与主要研究内容
        1.3.1 技术路线
        1.3.2 主要研究内容
第二章 基于数据分析的4D航迹预处理模型构建
    2.1 数据分析概论
    2.2 数据准备
        2.2.1 常用飞行数据简介
        2.2.2 数据来源
        2.2.3 数据获取
        2.2.4 数据格式
    2.3 数据处理
        2.3.1 数据清理与格式化
        2.3.2 数据维度扩充
    2.4 航迹数据具体分析
        2.4.1 主成分分析
        2.4.2 聚类
        2.4.3 分类
    2.5 本章小结
第三章 基于集成学习的4D航迹预测模型构建
    3.1 机器学习理论基础
        3.1.1 经验风险最小化
        3.1.2 过拟合及其应对措施
        3.1.3 模型选择
        3.1.4 性能评估与参数选择
    3.2 常用回归预测模型
        3.2.1 多元线性回归
        3.2.2 神经网络
    3.3 基于集成学习思想的多细胞神经网络4D航迹预测模型
        3.3.1 集成学习
        3.3.2 多细胞神经网络
    3.4 本章小结
第四章 实验结果与分析
    4.1 数据集
    4.2 预处理步骤性能评估
        4.2.1 维度扩充与主成分分析结果
        4.2.2 聚类算法超参数选择结果
        4.2.3 决策树分类结果
    4.3 航迹预测性能评估
    4.4 本章小结
第五章 总结与展望
    5.1 主要研究工作和创新点
        5.1.1 主要研究工作
        5.1.2 创新点
    5.2 展望
参考文献
致谢
发表论文情况


【参考文献】：
期刊论文
[1]民用航空器四维航迹预测技术综述 [J]. 朱海波,张军峰,刘杰,陈强.  航空计算技术. 2017(02)
[2]基于新技术构建下一代航空运输系统 [J]. 施少华.  中国民用航空. 2010(09)



本文编号：3543662