基于LSTM的航空公司能耗序列预测

发布时间：2022-12-11 01:43

　　为提高航空公司能耗的预测精度,针对能耗数据的复杂非线性时序特性,提出一种基于长短时记忆网络（LSTM）的时间窗滑动航空公司能耗预估模型。该方法对能耗时序数据进行预处理,消除能耗时序数据的季节性趋势;依据滑动时间窗将数据转换成监督型数据,构建基于LSTM的模型来实现航空公司能耗预测,并利用网格搜索算法进行参数优选。实验结果表明,该模型预测精度优于传统ARMA模型、SVR模型,验证了其可行性。 

【文章页数】：6 页

【文章目录】：
0 引 言
1 长短时记忆网络
2 基于LSTM的航空能耗模型
    2.1 数据预处理
    2.2 模型构建
    2.3 模型预测
    2.4 基于Grid-Search的参数优化
3 实例仿真
    3.1 实验数据和评价指标
    3.2 模型对比
        3.2.1 基于ARMA的航空能耗预测模型
        3.2.2 基于SVR的航空能耗预测模型
    3.3 参数寻优
    3.4 预测结果分析
4 结 语


【参考文献】：
期刊论文
[1]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.  北京航空航天大学学报. 2018(04)
[2]基于新陈代谢灰色马尔科夫-ARMA模型的航空公司能耗预测（英文）[J]. 刘家学,周鑫,陈静杰.  机床与液压. 2017(18)
[3]基于支持向量机的高频金融时间序列预测[J]. 冯帆,倪中新.  应用数学与计算数学学报. 2017(03)
[4]基于时间序列GA-SVR的水产品价格预测模型及验证[J]. 段青玲,张磊,魏芳芳,肖晓琰,王亮.  农业工程学报. 2017(01)
[5]基于IPAT模型和情景分析法的山西省碳排放峰值年预测[J]. 朱宇恩,李丽芬,贺思思,李华,王云.  资源科学. 2016(12)
[6]基于ARMA的风电功率预测[J]. 惠小健,王震,张善文,贺海龙.  现代电子技术. 2016(07)
[7]GM（1,1）灰色预测模型在道路软基沉降预测中的应用[J]. 李小刚,张廷会.  铁道科学与工程学报. 2016(01)
[8]基于BP神经网络模型的上海高校能耗预测研究[J]. 汪君,吴利瑞.  建筑节能. 2015(01)
[9]中国民航节能减排对策研究[J]. 于敬磊.  资源节约与环保. 2014(10)



本文编号：3717906