基于Skip-LSTM的机场群延误预测方法研究

发布时间：2020-12-22 17:08

　　随着航空运输业的迅速发展,国内外形成了诸多机场群,且机场群的发展日益成熟;同时随着大数据及深度学习技术的发展,已经广泛的应用在各个领域之中。因此本文以机场群延误预测为目标,基于大数据及深度学习技术,提出一种基于跳过门的长短时记忆网络（Skip Long Short Term Memory,Skip-LSTM）的机场群延误预测方法。旨在通过深度学习算法挖掘中国京津冀机场群和美国纽约机场群的数据信息对中美机场群的延误状况进行预测,并对比中美机场群数据集的差异。为机场、空管局、航空公司等相关部门的决策提供辅助参考意见,论文的主要研究工作如下:首先,构造机场群数据集并对数据进行预处理:提取目标机场群中各个机场的航班数据及气象数据,并以时间为键值,融合航班数据和气象数据,最后合并机场群中各个机场的数据,完成机场群数据集的构造;然后根据机场群数据中各个特征的特点,对数据进行编码。本文对不同的机场群数据以及不同的数据特征采取了不同的编码方式,以便神经网络能更准确地提取机场群数据中的特征信息,得到更好的预测结果。其次,提出一种基于长短时记忆网络（Long Short Term Memory,LSTM）... 

【文章来源】：中国民航大学天津市

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

基于京津冀机场群的LSTM预测模型的损失值

【参考文献】：
期刊论文
[1]基于混合编码和长短时记忆网络的机场延误预测方法[J]. 屈景怡,叶萌,曹磊.  信号处理. 2019(07)
[2]京津冀协同发展下天津疏解首都航空物流功能的路径研究[J]. 赵冰,曹允春.  综合运输. 2019(07)
[3]论京津冀协同发展中国际一流航空枢纽的丰富内涵[J]. 杨学兵.  中国民用航空. 2019 (06)
[4]基于区域残差和LSTM网络的机场延误预测模型[J]. 屈景怡,叶萌,渠星.  通信学报. 2019(04)
[5]基于深度SE-DenseNet的航班延误预测模型[J]. 吴仁彪,赵婷,屈景怡.  电子与信息学报. 2019(06)
[6]融合气象数据的并行化航班延误预测模型[J]. 吴仁彪,李佳怡,屈景怡.  信号处理. 2018(05)
[7]基于双通道卷积神经网络的航班延误预测模型[J]. 吴仁彪,李佳怡,屈景怡.  计算机应用. 2018(07)
[8]核心机场与多核机场群发展模式及其特点研究[J]. 张莉,张越,胡华清.  综合运输. 2018(01)
[9]基于简化WITI指标的机场延误预测方法[J]. 郭野晨风,李杰,胡明华,袁立罡.  交通运输系统工程与信息. 2017(05)
[10]机场群综合分类评价方法研究[J]. 杨新湦,王倩.  现代电子技术. 2017(16)

博士论文
[1]基于枢纽机场的机场群协作运行与管理关键理论与方法研究[D]. 吴刚.南京航空航天大学 2015

硕士论文
[1]京津冀机场群协同发展下的航线优化研究[D]. 陈梵驿.中国民航大学 2017



本文编号：2932111