基于区域残差和LSTM网络的机场延误预测方法研究

发布时间：2021-07-08 00:36

　　随着时代的发展,航空运输需求日益增加,人们对航空服务质量的要求也越来越严格,同时随着信息技术的高速变革,深度学习技术已经成熟且高效的为人们服务于各个领域之中。为此本文以机场延误预测为目标,基于深度学习算法,提出一种基于区域残差和长短时记忆（Region Residual-Long Short Term Memory,RR-LSTM）网络的机场延误预测方法。论文主要工作如下所示:首先,鉴于传统数据处理方法不符合民航数据特点和长短时记忆（Long Short Term Memory,LSTM）网络的要求,在充分分析航班数据和气象数据的基础上,提出了混合编码方法和时间序列构造方法,为网络的特征提取工作做准备。实验结果表明,所提混合编码方法可提高数据在网络中的表现能力,最大化发挥网络的特征提取功能,提高网络的预测准确率。然后,提出一种基于LSTM网络的机场延误预测方法,该方法利用LSTM网络学习机场延误数据的时间依赖关系,使模型的物理含义更加符合机场延误事件特点,提高预测准确率,进一步优化空管、航空公司等部门的决策。通过实验对LSTM网络的超参数取值进行讨论,确定了现有计算资源基础上的最优时间... 

【文章来源】：中国民航大学天津市

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

损失值随迭代次数变化曲线

48（b）RR-LSTM 网络图 4-8 隐藏层梯度值随迭代次数变化曲线化结构对预测结果的影响4-4 所示的单向池化模块来代替传统的维度重塑方式，可以在和 LSTM 模块输入的维度一致性，同时可尽量减少网络中机场延误数据，根据数据维度转换方式的不同分别训练了 R 和 RR50-LSTM 三个模型。

中国民航大学硕士学位论文表 4-8 不同维度转换方式对分类准确率的影响 网络层数测试准确率/%维度重塑 单向M22 92.82 93.M38 94.51 94.M54 95.06 95.8 的数据可以看出，使用单向池化模块比维度重塑方式拥有更为 22 层、38 层和 54 层时，分别高了 0.53、0.45、0.46 个百分


本文编号：3270687