CN115809745A - 空中交通流量混沌预测方法及***、存储介质、终端 - Google Patents

空中交通流量混沌预测方法及***、存储介质、终端 Download PDF

Info

Publication number
CN115809745A
CN115809745A CN202310043247.0A CN202310043247A CN115809745A CN 115809745 A CN115809745 A CN 115809745A CN 202310043247 A CN202310043247 A CN 202310043247A CN 115809745 A CN115809745 A CN 115809745A
Authority
CN
China
Prior art keywords
traffic flow
air traffic
time sequence
neural network
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310043247.0A
Other languages
English (en)
Other versions
CN115809745B (zh
Inventor
***
赵云飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Jiayuan Technology Co.,Ltd.
Original Assignee
Civil Aviation University of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Civil Aviation University of China filed Critical Civil Aviation University of China
Priority to CN202310043247.0A priority Critical patent/CN115809745B/zh
Publication of CN115809745A publication Critical patent/CN115809745A/zh
Application granted granted Critical
Publication of CN115809745B publication Critical patent/CN115809745B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种空中交通流量混沌预测方法及***、存储介质、终端。其中，空中交通流量混沌预测方法，包括如下步骤：构建空中交通流量混沌时间序列预测模型；判断所述空中交通流是否具有混沌特性；若有，则对空中交通流量时间序列进行归一化处理；根据归一化处理后的空中交通流量时间序列，确定相空间重构参数延迟时间和嵌入维度；利用确定的延迟时间和嵌入维度，对归一化处理后的空中交通流量时间序列进行相空间重构；将相空间重构后的空中交通流量时间序列输入到构建的空中交通流量混沌时间序列预测模型中进行预测。通过实际交通流数据对模型进行验证，相比传统方法利用本申请对空中交通流量时间序列具有更好预测精度和预测速度。

Description

空中交通流量混沌预测方法及***、存储介质、终端
技术领域
本发明涉及空中交流流量预测技术领域，具体涉及一种空中交通流量混沌预测方法及***、存储介质、终端。
背景技术
针对空中交通流的非线性混沌特征，业内对基于非线性理论的预测方法开展了研究。例如，现有技术中公开了针对空中交通流的混沌特性，构建的改进加权一阶局域法的预测模型进行预测的方案；以7天为时间尺度建立时间序列模型，对空中交通流量进行预测的方案等。在智能预测方法方面，现有技术中公开了将灰色预测模型和BP神经网络相结合，建立了灰色BP神经网络预测模型的方案；结合神经网络与回归分析法预测空中交通流量的方案等。
现有技术中公开了较多的相关技术方案，但是，对于空中交通流量预测的研究仍至少存在以下不足：
（1）在智能预测方法方面，尽管具有较强的自学习能力，但是相关技术方案中，并未针对空中交通流的特征对所采用方法的参数等进行优化，预测方法与空中交通***相关性较差，导致预测精度和效率较差，且未考虑空中交通***固有的混沌特性，导致对非线性***拟合较差；
（2）在基于混沌理论的预测过程中，相关方法并未进行针对性的改进而是直接套用，例如在研究中广泛使用的Cao方法，其参数选择主观性较大，不能完全反映空中交通***的内在特征，导致预测结果不稳定。
发明内容
针对上述背景技术中指出的技术问题，本发明的目的在于提供一种空中交通流量混沌预测方法及***、存储介质、终端。
为实现上述目的，本发明提供的技术方案如下：
第一方面
本发明提供了一种空中交通流量混沌预测方法，包括如下步骤：
步骤1：构建空中交通流量混沌时间序列预测模型，所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络；
步骤2：计算不同时间尺度的空中交通流量时间序列的Lyapunov指数，根据Lyapunov指数判断所述空中交通流是否具有混沌特性；若有，则对空中交通流量时间序列进行归一化处理；
步骤3：根据归一化处理后的空中交通流量时间序列，确定相空间重构参数延迟时间和嵌入维度，其中，所述嵌入维度的值使用基于虚假最邻近点法的改进Cao方法确定；
步骤4：利用步骤3确定的延迟时间和嵌入维度，对归一化处理后的空中交通流量时间序列进行相空间重构，其中相空间重构后空中交通流量时间序列向量空间的维度等于步骤3确定的嵌入维度值；
步骤5：将相空间重构后的空中交通流量时间序列输入到步骤1构建的空中交通流量混沌时间序列预测模型中进行预测；其中，空中交通流量混沌时间序列预测模型中输入层个数确定为步骤3确定的嵌入维度值，输出层个数确定为1。
第二方面
与上述方法相对应地，本发明还提供了一种空中交通流量混沌预测***，包括如下单元：空中交通流量混沌时间序列预测模型构建单元、空中交通流量时间序列归一化处理单元、相空间重构参数确定单元、相空间重构单元、预测单元；
所述空中交通流量混沌时间序列预测模型构建单元用于构建空中交通流量混沌时间序列预测模型，所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络；
所述空中交通流量时间序列归一化处理单元用于计算不同时间尺度的空中交通流量时间序列的Lyapunov指数，根据Lyapunov指数判断所述空中交通流是否具有混沌特性；若有，则对空中交通流量时间序列进行归一化处理；
所述相空间重构参数确定单元用于根据归一化处理后的空中交通流量时间序列，确定相空间重构参数延迟时间和嵌入维度，其中，所述嵌入维度的值使用基于虚假最邻近点法的改进Cao方法确定；
所述相空间重构单元利用相空间重构参数确定单元确定的延迟时间和嵌入维度，对归一化处理后的空中交通流量时间序列进行相空间重构，其中相空间重构后空中交通流量时间序列向量空间的维度等于相空间重构参数确定单元确定的嵌入维度值；
所述预测单元将相空间重构后的空中交通流量时间序列输入到空中交通流量混沌时间序列预测模型中进行预测；其中，空中交通流量混沌时间序列预测模型中输入层个数确定为相空间重构参数确定单元确定的嵌入维度值，输出层个数确定为1。
第三方面
与上述方法相对应地，本发明还提供了一种存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述的空中交通流量混沌预测方法。
第四方面
与上述方法相对应地，本发明还提供了一种终端，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述的空中交通流量混沌预测方法。
与现有技术相比，本发明的有益效果是：
通过实际交通流数据对模型进行验证，相比传统方法利用本申请对空中交通流量时间序列具有更好预测精度和预测速度。
附图说明
图1所示为本申请实施例提供的方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本实施例提供了一种空中交通流量混沌预测方法，包括如下步骤：
步骤1：构建空中交通流量混沌时间序列预测模型，所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络；
其中，所述构建空中交通流量混沌时间序列预测模型，具体如下：
步骤1.1：基于混沌特性构建径向基函数神经网络；
其中，所述径向基函数神经网络的结构如下：
第1层为输入层；输入层将输入信号传递到径向基函数神经网络，其中，空中交通流量时间序列
Figure SMS_1
作为网络输入矢量，x为空中交通流量时间序列值，N为空中交通流量时间序列长度；
第2层为隐含层；隐含层采用的径向基函数是一种局部分布的中心点径向对称衰减的非负非线性函数，具体采用高斯基函数，如下式：
Figure SMS_2
式中，
Figure SMS_3
；M为隐含层节点个数；X为网络输入矢量；
Figure SMS_4
为隐含层节点的输出；C i 为高斯函数的中心矢量；
Figure SMS_5
为矢量的Euclid范数；
Figure SMS_6
为第i个隐节点的标准化常数；
第3层为输出层；
Figure SMS_7
是一种由隐含层到输出层的线性映射，如下式：
Figure SMS_8
式中，y是输出层的输出；
Figure SMS_9
是隐含层与输出层之间的加权系数；
Figure SMS_10
是隐含层第i个节点的输出；b是输出层的阈值。
步骤1.2：利用遗传算法对径向基函数神经网络进行优化。
其中，利用遗传算法对径向基函数神经网络进行优化，具体如下：
步骤1.2.1：以径向基函数的中心矢量C i 和隐含层与输出层之间的加权系数
Figure SMS_11
和输出层的阈值b为待优化网络参数，采用实数编码形式初始化种群个体；
步骤1.2.2：计算种群个体适应度，以均方误差为种群个体的适应度函数，以种群个体所获得的神经网络参数对径向基函数神经网络进行训练；
步骤1.2.3：判断训练后的径向基函数神经网络是否达到预定精度或进化代数预设值；若是，则将对应的种群个体作为最优种群个体，输出最优种群个体的神经网络参数，跳到步骤1.2.5；若否，继续迭代，跳到步骤1.2.4；
步骤1.2.4：首先，采用轮盘赌方法选择种群个体，然后，利用算术交叉方法进行种群个体交叉，同时引入变异算子，变异概率取0.05，进行种群个体变异；跳到步骤1.2.3；
步骤1.2.5：以最优种群个体的神经网络参数作为径向基函数神经网络的参数，利用最优种群个体所产生的新的中心矢量C i 、隐含层与输出层之间的加权系数
Figure SMS_12
和输出层的阈值b进行训练，使径向基函数神经网络特性符合实际的扇区交通运行特性。
步骤2：计算不同时间尺度的空中交通流量时间序列的Lyapunov指数，根据Lyapunov指数判断所述空中交通流是否具有混沌特性；若有，则对空中交通流量时间序列进行归一化处理；
步骤3：根据归一化处理后的空中交通流量时间序列，确定相空间重构参数延迟时间和嵌入维度，其中，所述嵌入维度的值使用基于虚假最邻近点法的改进Cao方法确定；
其中，基于虚假最邻近点法的改进Cao方法确定嵌入维度的值的步骤如下：
步骤3.1：对于
Figure SMS_13
，其重构后向量如下式：
Figure SMS_14
式中，
Figure SMS_15
，j为进行相空间重构后向量空间的相点数量；
Figure SMS_16
为延迟时间取值；m为待求嵌入维度值，m为整数且
Figure SMS_17
，
Figure SMS_18
为相空间重构后嵌入维度值取m的向量空间的第j个向量；
步骤3.2：定义
Figure SMS_19
为嵌入维度值等于m时
Figure SMS_20
向量空间中相点最邻近点，如下式：
Figure SMS_21
式中，
Figure SMS_22
为对应的
Figure SMS_23
的最邻近点；
步骤3.3：定义如下公式：
Figure SMS_24
其中，
Figure SMS_25
表示度量欧氏距离的最大向量范数；
Figure SMS_26
为m+1维重构相空间的的第j个向量；
Figure SMS_27
是
Figure SMS_28
在m+1维重构相空间的第j个相点的最邻近点；
Figure SMS_29
用来判断在m维重构相空间中邻近的任何两点在m+1维重构相空间中是否仍邻近，如果邻近则这一对点为真邻近点，否则为虚假邻近点，通过观察
Figure SMS_30
是否大于限制值来判断虚假邻近点；
步骤3.4：对于不同的相点，
Figure SMS_31
具有不同的限制值，且不同的空中交通流量时间序列具有不同的限制值，因此给出与空中交通流量时间序列数据不相关的嵌入维度值m的确定方法，定义如下公式：
Figure SMS_32
Figure SMS_33
其中，
Figure SMS_34
为所有
Figure SMS_35
的平均值，
Figure SMS_36
仅和延迟时间值
Figure SMS_37
和嵌入维度值m有关；
Figure SMS_38
表示从
Figure SMS_39
到
Figure SMS_40
即从m到m+1的变化程度；
步骤3.5：增加区分确定性和随机性信号准则，定义下式：
Figure SMS_41
Figure SMS_42
其中，
Figure SMS_43
为所有邻近点距离的平均值；
Figure SMS_44
表示
Figure SMS_45
到
Figure SMS_46
的变化程度，当始终有
Figure SMS_47
=1时，空中交通流量时间序列为随机信号，对应的m不可取为空中交通流量时间序列的嵌入维度值，继续迭代；由于确定性的空中交通流量时间序列的数据之间存在相关性，则必定存在
Figure SMS_48
不等于1，因此，当
Figure SMS_49
时，对应的m为空中交通流量时间序列的嵌入维度值；
步骤3.6：逐步增大m，并重复执行步骤3.1、步骤3.2、步骤3.3、步骤3.4、步骤3.5，当
Figure SMS_50
不再变化时的m为空中交通流量时间序列的嵌入维度值；
步骤3.7：引入
Figure SMS_51
是否不再变化的判定步骤，迭代判断随m的增大
Figure SMS_52
是否停止变化，根据步骤3.4中计算的
Figure SMS_53
的波动趋势选取一个可接受偏差水平e；e的值根据所需精度确定，
Figure SMS_54
；
步骤3.8: 计算
Figure SMS_55
的均值
Figure SMS_56
和离差的绝对值
Figure SMS_57
，如下式所示；
Figure SMS_58
其中，k为步骤3.4中累积计算中所有m的值，
Figure SMS_59
；
Figure SMS_60
即为每个k对应的m的
Figure SMS_61
的值，即当k与m对应时有
Figure SMS_62
；
步骤3.9：比较离差的绝对值
Figure SMS_65
与可接受偏差水平e大小；若
Figure SMS_67
，
Figure SMS_71
为
Figure SMS_63
的最大值，则第一个满足
Figure SMS_66
对应的k为所求嵌入维度值；如果
Figure SMS_69
，
Figure SMS_73
为
Figure SMS_64
的最小值，则以
Figure SMS_68
中
Figure SMS_70
对应的下标u为新的起始点，更新k的范围为
Figure SMS_72
；
步骤3.10：重复执行步骤3.7、步骤3.8、步骤3.9，直到k的值满足可接受偏差水平e，且
Figure SMS_74
不等于1，
Figure SMS_75
为每个k对应的
Figure SMS_76
的值，此时k即为最终所求嵌入维度值m。
步骤4：利用步骤3确定的延迟时间和嵌入维度，对归一化处理后的空中交通流量时间序列进行相空间重构，其中相空间重构后空中交通流量时间序列向量空间的维度等于步骤3确定的嵌入维度值；
步骤5：将相空间重构后的空中交通流量时间序列输入到步骤1构建的空中交通流量混沌时间序列预测模型中进行预测；其中，空中交通流量混沌时间序列预测模型中输入层个数确定为步骤3确定的嵌入维度值，输出层个数确定为1。
本申请根据空中交通流量时间序列的内在混沌特征，建立了遗传算法与径向基神经网络耦合的空中交通流量混沌时间序列预测模型。本申请采用了基于虚假最邻近点离差与可接受偏差迭代比较寻优的改进Cao方法，通过嵌入维度稳定性准则的引入，修正了Cao方法中的主观误差问题，求得交通时间序列更精确的嵌入维度，使重构后的相空间能够更好的反映出空中交通***的内在特征。在对时间序列进行相空间重构的基础上，针对径向基神经网络预测效果不稳定和参数误差的不足，提出了耦合遗传算法的径向基神经网络预测混沌时间序列的方法。利用遗传算法优化径向基神经网络的中心矢量、加权系数和输出层阈值，弥补了神经网络对初始值敏感的缺陷，之后使用解空间搜索到的最优系数训练神经网络，将混沌与神经网络结合，提高了预测模型对非线性***的拟合性。以5min时间间隔为例，提出的预测模型相比长短期记忆神经网络和传统径向基神经网络，平均绝对误差和对称平均绝对百分比误差以及均方根误差相比分别降低了误差分别减少了17.88%、6.25%、21.47%，运行速度提高了14.46%。
与上述方法相对应地，本实施例还提供了一种空中交通流量混沌预测***，包括如下单元：空中交通流量混沌时间序列预测模型构建单元、空中交通流量时间序列归一化处理单元、相空间重构参数确定单元、相空间重构单元、预测单元；
所述空中交通流量混沌时间序列预测模型构建单元用于构建空中交通流量混沌时间序列预测模型，所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络；
其中，所述构建空中交通流量混沌时间序列预测模型，具体如下：
步骤1.1：基于混沌特性构建径向基函数神经网络；
所述径向基函数神经网络的结构如下：
第1层为输入层；输入层将输入信号传递到径向基函数神经网络，其中，空中交通流量时间序列
Figure SMS_77
作为网络输入矢量，x为空中交通流量时间序列值，N为空中交通流量时间序列长度；
第2层为隐含层；隐含层采用的径向基函数是一种局部分布的中心点径向对称衰减的非负非线性函数，具体采用高斯基函数，如下式：
Figure SMS_78
式中，
Figure SMS_79
；M为隐含层节点个数；X为网络输入矢量；
Figure SMS_80
为隐含层节点的输出；C i 为高斯函数的中心矢量；
Figure SMS_81
为矢量的Euclid范数；
Figure SMS_82
为第i个隐节点的标准化常数；
第3层为输出层；
Figure SMS_83
是一种由隐含层到输出层的线性映射，如下式：
Figure SMS_84
式中，y是输出层的输出；
Figure SMS_85
是隐含层与输出层之间的加权系数；
Figure SMS_86
是隐含层第i个节点的输出；b是输出层的阈值。
步骤1.2：利用遗传算法对径向基函数神经网络进行优化。具体如下：
步骤1.2.1：以径向基函数的中心矢量C i 和隐含层与输出层之间的加权系数
Figure SMS_87
和输出层的阈值b为待优化网络参数，采用实数编码形式初始化种群个体；
步骤1.2.2：计算种群个体适应度，以均方误差为种群个体的适应度函数，以种群个体所获得的神经网络参数对径向基函数神经网络进行训练；
步骤1.2.3：判断训练后的径向基函数神经网络是否达到预定精度或进化代数预设值；若是，则将对应的种群个体作为最优种群个体，输出最优种群个体的神经网络参数，跳到步骤1.2.5；若否，继续迭代，跳到步骤1.2.4；
步骤1.2.4：首先，采用轮盘赌方法选择种群个体，然后，利用算术交叉方法进行种群个体交叉，同时引入变异算子，变异概率取0.05，进行种群个体变异；跳到步骤1.2.3；
步骤1.2.5：以最优种群个体的神经网络参数作为径向基函数神经网络的参数，利用最优种群个体所产生的新的中心矢量C i 、隐含层与输出层之间的加权系数
Figure SMS_88
和输出层的阈值b进行训练，使径向基函数神经网络特性符合实际的扇区交通运行特性。
所述空中交通流量时间序列归一化处理单元用于计算不同时间尺度的空中交通流量时间序列的Lyapunov指数，根据Lyapunov指数判断所述空中交通流是否具有混沌特性；若有，则对空中交通流量时间序列进行归一化处理；
所述相空间重构参数确定单元用于根据归一化处理后的空中交通流量时间序列，确定相空间重构参数延迟时间和嵌入维度，其中，所述嵌入维度的值使用基于虚假最邻近点法的改进Cao方法确定；
其中，基于虚假最邻近点法的改进Cao方法确定嵌入维度的值的步骤如下：
步骤3.1：对于
Figure SMS_89
，其重构后向量如下式：
Figure SMS_90
式中，
Figure SMS_91
，j为进行相空间重构后向量空间的相点数量；
Figure SMS_92
为延迟时间取值；m为待求嵌入维度值，m为整数且
Figure SMS_93
，
Figure SMS_94
为相空间重构后嵌入维度值取m的向量空间的第j个向量；
步骤3.2：定义
Figure SMS_95
为嵌入维度值等于m时
Figure SMS_96
向量空间中相点最邻近点，如下式：
Figure SMS_97
式中，
Figure SMS_98
为对应的
Figure SMS_99
的最邻近点；
步骤3.3：定义如下公式：
Figure SMS_100
其中，
Figure SMS_101
表示度量欧氏距离的最大向量范数；
Figure SMS_102
为m+1维重构相空间的的第j个向量；
Figure SMS_103
是
Figure SMS_104
在m+1维重构相空间的第j个相点的最邻近点；
Figure SMS_105
用来判断在m维重构相空间中邻近的任何两点在m+1维重构相空间中是否仍邻近，如果邻近则这一对点为真邻近点，否则为虚假邻近点，通过观察
Figure SMS_106
是否大于限制值来判断虚假邻近点；
步骤3.4：对于不同的相点，
Figure SMS_107
具有不同的限制值，且不同的空中交通流量时间序列具有不同的限制值，因此给出与空中交通流量时间序列数据不相关的嵌入维度值m的确定方法，定义如下公式：
Figure SMS_108
Figure SMS_109
其中，
Figure SMS_110
为所有
Figure SMS_111
的平均值，
Figure SMS_112
仅和延迟时间值
Figure SMS_113
和嵌入维度值m有关；
Figure SMS_114
表示从
Figure SMS_115
到
Figure SMS_116
即从m到m+1的变化程度；
步骤3.5：增加区分确定性和随机性信号准则，定义下式：
Figure SMS_117
Figure SMS_118
其中，
Figure SMS_119
为所有邻近点距离的平均值；
Figure SMS_120
表示
Figure SMS_121
到
Figure SMS_122
的变化程度，当始终有
Figure SMS_123
=1时，空中交通流量时间序列为随机信号，对应的m不可取为空中交通流量时间序列的嵌入维度值，继续迭代；由于确定性的空中交通流量时间序列的数据之间存在相关性，则必定存在
Figure SMS_124
不等于1，因此，当
Figure SMS_125
时，对应的m为空中交通流量时间序列的嵌入维度值；
步骤3.6：逐步增大m，并重复执行步骤3.1、步骤3.2、步骤3.3、步骤3.4、步骤3.5，当
Figure SMS_126
不再变化时的m为空中交通流量时间序列的嵌入维度值；
步骤3.7：引入
Figure SMS_127
是否不再变化的判定步骤，迭代判断随m的增大
Figure SMS_128
是否停止变化，根据步骤3.4中计算的
Figure SMS_129
的波动趋势选取一个可接受偏差水平e；e的值根据所需精度确定，
Figure SMS_130
；
步骤3.8: 计算
Figure SMS_131
的均值
Figure SMS_132
和离差的绝对值
Figure SMS_133
，如下式所示；
Figure SMS_134
其中，k为步骤3.4中累积计算中所有m的值，
Figure SMS_135
；
Figure SMS_136
即为每个k对应的m的
Figure SMS_137
的值，即当k与m对应时有
Figure SMS_138
；
步骤3.9：比较离差的绝对值
Figure SMS_139
与可接受偏差水平e大小；若
Figure SMS_143
，
Figure SMS_144
为
Figure SMS_141
的最大值，则第一个满足
Figure SMS_145
对应的k为所求嵌入维度值；如果
Figure SMS_148
，
Figure SMS_149
为
Figure SMS_140
的最小值，则以
Figure SMS_142
中
Figure SMS_146
对应的下标u为新的起始点，更新k的范围为
Figure SMS_147
；
步骤3.10：重复执行步骤3.7、步骤3.8、步骤3.9，直到k的值满足可接受偏差水平e，且
Figure SMS_150
不等于1，
Figure SMS_151
为每个k对应的
Figure SMS_152
的值，此时k即为最终所求嵌入维度值m。
所述相空间重构单元利用相空间重构参数确定单元确定的延迟时间和嵌入维度，对归一化处理后的空中交通流量时间序列进行相空间重构，其中相空间重构后空中交通流量时间序列向量空间的维度等于相空间重构参数确定单元确定的嵌入维度值；
所述预测单元将相空间重构后的空中交通流量时间序列输入到空中交通流量混沌时间序列预测模型中进行预测；其中，空中交通流量混沌时间序列预测模型中输入层个数确定为相空间重构参数确定单元确定的嵌入维度值，输出层个数确定为1。
另外，本实施例还提供了一种存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述的空中交通流量混沌预测方法。
另外，本实施例还提供了一种终端，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述的空中交通流量混沌预测方法。
其中，所述终端为PC以及具有数据处理功能的其他终端设备。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种空中交通流量混沌预测方法，其特征在于，包括如下步骤：
步骤1：构建空中交通流量混沌时间序列预测模型，所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络；
步骤2：计算不同时间尺度的空中交通流量时间序列的Lyapunov指数，根据Lyapunov指数判断所述空中交通流是否具有混沌特性；若有，则对空中交通流量时间序列进行归一化处理；
步骤3：根据归一化处理后的空中交通流量时间序列，确定相空间重构参数延迟时间和嵌入维度，其中，所述嵌入维度的值使用基于虚假最邻近点法的改进Cao方法确定；
步骤4：利用步骤3确定的延迟时间和嵌入维度，对归一化处理后的空中交通流量时间序列进行相空间重构，其中相空间重构后空中交通流量时间序列向量空间的维度等于步骤3确定的嵌入维度值；
步骤5：将相空间重构后的空中交通流量时间序列输入到步骤1构建的空中交通流量混沌时间序列预测模型中进行预测；其中，空中交通流量混沌时间序列预测模型中输入层个数确定为步骤3确定的嵌入维度值，输出层个数确定为1。
2.根据权利要求1所述的空中交通流量混沌预测方法，其特征在于，步骤1中，所述构建空中交通流量混沌时间序列预测模型，具体如下：
步骤1.1：基于混沌特性构建径向基函数神经网络；
步骤1.2：利用遗传算法对径向基函数神经网络进行优化。
3.根据权利要求2所述的空中交通流量混沌预测方法，其特征在于，步骤1.1中，所述径向基函数神经网络的结构如下：
第1层为输入层；输入层将输入信号传递到径向基函数神经网络，其中，空中交通流量时间序列
Figure QLYQS_1
作为网络输入矢量，x为空中交通流量时间序列值，N为空中交通流量时间序列长度；
第2层为隐含层；隐含层采用的径向基函数是一种局部分布的中心点径向对称衰减的非负非线性函数，具体采用高斯基函数，如下式：
Figure QLYQS_2
式中，
Figure QLYQS_3
；M为隐含层节点个数；X为网络输入矢量；
Figure QLYQS_4
为隐含层节点的输出；C i 为高斯函数的中心矢量；
Figure QLYQS_5
为矢量的Euclid范数；
Figure QLYQS_6
为第i个隐节点的标准化常数；
第3层为输出层；
Figure QLYQS_7
是一种由隐含层到输出层的线性映射，如下式：
Figure QLYQS_8
式中，y是输出层的输出；
Figure QLYQS_9
是隐含层与输出层之间的加权系数；
Figure QLYQS_10
是隐含层第i个节点的输出；b是输出层的阈值。
4.根据权利要求3所述的空中交通流量混沌预测方法，其特征在于，步骤1.2中，利用遗传算法对径向基函数神经网络进行优化，具体如下：
步骤1.2.1：以径向基函数的中心矢量C i 和隐含层与输出层之间的加权系数
Figure QLYQS_11
和输出层的阈值b为待优化网络参数，采用实数编码形式初始化种群个体；
步骤1.2.2：计算种群个体适应度，以均方误差为种群个体的适应度函数，以种群个体所获得的神经网络参数对径向基函数神经网络进行训练；
步骤1.2.3：判断训练后的径向基函数神经网络是否达到预定精度或进化代数预设值；若是，则将对应的种群个体作为最优种群个体，输出最优种群个体的神经网络参数，跳到步骤1.2.5；若否，继续迭代，跳到步骤1.2.4；
步骤1.2.4：首先，采用轮盘赌方法选择种群个体，然后，利用算术交叉方法进行种群个体交叉，同时引入变异算子，变异概率取0.05，进行种群个体变异；跳到步骤1.2.3；
步骤1.2.5：以最优种群个体的神经网络参数作为径向基函数神经网络的参数，利用最优种群个体所产生的新的中心矢量C i 、隐含层与输出层之间的加权系数
Figure QLYQS_12
和输出层的阈值b进行训练，使径向基函数神经网络特性符合实际的扇区交通运行特性。
5.一种空中交通流量混沌预测***，其特征在于，包括如下单元：空中交通流量混沌时间序列预测模型构建单元、空中交通流量时间序列归一化处理单元、相空间重构参数确定单元、相空间重构单元、预测单元；
所述空中交通流量混沌时间序列预测模型构建单元用于构建空中交通流量混沌时间序列预测模型，所述空中交通流量混沌时间序列预测模型为利用遗传算法优化的径向基函数神经网络；
所述空中交通流量时间序列归一化处理单元用于计算不同时间尺度的空中交通流量时间序列的Lyapunov指数，根据Lyapunov指数判断所述空中交通流是否具有混沌特性；若有，则对空中交通流量时间序列进行归一化处理；
所述相空间重构参数确定单元用于根据归一化处理后的空中交通流量时间序列，确定相空间重构参数延迟时间和嵌入维度，其中，所述嵌入维度的值使用基于虚假最邻近点法的改进Cao方法确定；
所述相空间重构单元利用相空间重构参数确定单元确定的延迟时间和嵌入维度，对归一化处理后的空中交通流量时间序列进行相空间重构，其中相空间重构后空中交通流量时间序列向量空间的维度等于相空间重构参数确定单元确定的嵌入维度值；
所述预测单元将相空间重构后的空中交通流量时间序列输入到空中交通流量混沌时间序列预测模型中进行预测；其中，空中交通流量混沌时间序列预测模型中输入层个数确定为相空间重构参数确定单元确定的嵌入维度值，输出层个数确定为1。
6.根据权利要求5所述的空中交通流量混沌预测***，其特征在于，所述构建空中交通流量混沌时间序列预测模型，具体如下：
步骤1.1：基于混沌特性构建径向基函数神经网络；
步骤1.2：利用遗传算法对径向基函数神经网络进行优化。
7.根据权利要求6所述的空中交通流量混沌预测***，其特征在于，所述径向基函数神经网络的结构如下：
第1层为输入层；输入层将输入信号传递到径向基函数神经网络，其中，空中交通流量时间序列
Figure QLYQS_13
作为网络输入矢量，x为空中交通流量时间序列值，N为空中交通流量时间序列长度；
第2层为隐含层；隐含层采用的径向基函数是一种局部分布的中心点径向对称衰减的非负非线性函数，具体采用高斯基函数，如下式：
Figure QLYQS_14
式中，
Figure QLYQS_15
；M为隐含层节点个数；X为网络输入矢量；
Figure QLYQS_16
为隐含层节点的输出；C i 为高斯函数的中心矢量；
Figure QLYQS_17
为矢量的Euclid范数；
Figure QLYQS_18
为第i个隐节点的标准化常数；
第3层为输出层；
Figure QLYQS_19
是一种由隐含层到输出层的线性映射，如下式：
Figure QLYQS_20
式中，y是输出层的输出；
Figure QLYQS_21
是隐含层与输出层之间的加权系数；
Figure QLYQS_22
是隐含层第i个节点的输出；b是输出层的阈值。
8.根据权利要求6所述的空中交通流量混沌预测***，其特征在于，利用遗传算法对径向基函数神经网络进行优化，具体如下：
步骤1.2.1：以径向基函数的中心矢量C i 和隐含层与输出层之间的加权系数
Figure QLYQS_23
和输出层的阈值b为待优化网络参数，采用实数编码形式初始化种群个体；
步骤1.2.2：计算种群个体适应度，以均方误差为种群个体的适应度函数，以种群个体所获得的神经网络参数对径向基函数神经网络进行训练；
步骤1.2.3：判断训练后的径向基函数神经网络是否达到预定精度或进化代数预设值；若是，则将对应的种群个体作为最优种群个体，输出最优种群个体的神经网络参数，跳到步骤1.2.5；若否，继续迭代，跳到步骤1.2.4；
步骤1.2.4：首先，采用轮盘赌方法选择种群个体，然后，利用算术交叉方法进行种群个体交叉，同时引入变异算子，变异概率取0.05，进行种群个体变异；跳到步骤1.2.3；
步骤1.2.5：以最优种群个体的神经网络参数作为径向基函数神经网络的参数，利用最优种群个体所产生的新的中心矢量C i 、隐含层与输出层之间的加权系数
Figure QLYQS_24
和输出层的阈值b进行训练，使径向基函数神经网络特性符合实际的扇区交通运行特性。
9.一种存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至4中任一项权利要求所述的空中交通流量混沌预测方法。
10.一种终端，其特征在于，所述终端包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至4中任一项权利要求所述的空中交通流量混沌预测方法。
CN202310043247.0A 2023-01-29 2023-01-29 空中交通流量混沌预测方法及***、存储介质、终端 Active CN115809745B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310043247.0A CN115809745B (zh) 2023-01-29 2023-01-29 空中交通流量混沌预测方法及***、存储介质、终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310043247.0A CN115809745B (zh) 2023-01-29 2023-01-29 空中交通流量混沌预测方法及***、存储介质、终端

Publications (2)

Publication Number Publication Date
CN115809745A true CN115809745A (zh) 2023-03-17
CN115809745B CN115809745B (zh) 2023-05-02

Family

ID=85487601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310043247.0A Active CN115809745B (zh) 2023-01-29 2023-01-29 空中交通流量混沌预测方法及***、存储介质、终端

Country Status (1)

Country Link
CN (1) CN115809745B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708684A (zh) * 2012-06-21 2012-10-03 陕西师范大学 短时交通流量Volterra-DFP自适应预测方法
CN104978857A (zh) * 2015-05-26 2015-10-14 重庆邮电大学 一种基于混沌理论的交通状态预测方法及其装置
CN105678422A (zh) * 2016-01-11 2016-06-15 广东工业大学 基于经验模态神经网络的混沌时间序列预测方法
CN107316106A (zh) * 2017-06-12 2017-11-03 华南理工大学 基于动态阈值确定嵌入维的神经网络时间序列预测方法
CN109034223A (zh) * 2018-07-16 2018-12-18 湖南城市学院 一种混沌时间序列预测方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708684A (zh) * 2012-06-21 2012-10-03 陕西师范大学 短时交通流量Volterra-DFP自适应预测方法
CN104978857A (zh) * 2015-05-26 2015-10-14 重庆邮电大学 一种基于混沌理论的交通状态预测方法及其装置
CN105678422A (zh) * 2016-01-11 2016-06-15 广东工业大学 基于经验模态神经网络的混沌时间序列预测方法
CN107316106A (zh) * 2017-06-12 2017-11-03 华南理工大学 基于动态阈值确定嵌入维的神经网络时间序列预测方法
CN109034223A (zh) * 2018-07-16 2018-12-18 湖南城市学院 一种混沌时间序列预测方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘祖涵 等: "汶川大地震余震等待时间序列 ———基于混沌理论的研究", 自然灾害学报 *

Also Published As

Publication number Publication date
CN115809745B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN108334949B (zh) 一种基于优化深度卷积神经网络结构快速进化的图像分类器构建方法
He et al. Damage detection by an adaptive real-parameter simulated annealing genetic algorithm
CN111275172B (zh) 一种基于搜索空间优化的前馈神经网络结构搜索方法
CN111832101B (zh) 一种水泥强度预测模型的构建方法及水泥强度预测方法
Wang et al. A compact constraint incremental method for random weight networks and its application
US20060212279A1 (en) Methods for efficient solution set optimization
CN113033786B (zh) 基于时间卷积网络的故障诊断模型构建方法及装置
CN110149333B (zh) 一种基于sae+bpnn的网络安全态势评估方法
WO2022126683A1 (zh) 面向多任务的预训练语言模型自动压缩方法及平台
CN113988464B (zh) 基于图神经网络的网络链路属性关系预测方法及设备
CN116542382A (zh) 基于混合优化算法的污水处理溶解氧浓度预测方法
CN113361761A (zh) 一种基于误差修正的短期风电功率集成预测方法及***
CN113259325A (zh) 基于麻雀搜索算法优化Bi-LSTM的网络安全态势预测方法
CN113177673B (zh) 一种空调冷负荷预测优化方法、***及设备
CN112765902A (zh) 基于TentFWA-GD的RBF神经网络软测量建模方法及其应用
CN111932091A (zh) 一种基于梯度生存提升树的生存分析风险函数预测方法
CN110633868A (zh) 遗传算法优化神经网络进行探井试油层油气性质预测方法
CN115809745A (zh) 空中交通流量混沌预测方法及***、存储介质、终端
CN116796639A (zh) 短期电力负荷预测方法、装置及设备
CN113704570B (zh) 基于自监督学习式进化的大规模复杂网络社区检测方法
Dhahri et al. Hierarchical learning algorithm for the beta basis function neural network
Rosato et al. Finite precision implementation of random vector functional-link networks
CN115169521A (zh) 一种保持预测顺序和结构依赖关系的图神经网络解释方法
CN115034383A (zh) 网络的训练方法和温度预测方法、装置、设备及存储介质
CN111859807A (zh) 汽轮机初压寻优方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240521

Address after: Room 515, Building C2, Civil Aviation University of China Science and Technology Park, Zone C, Guangxuan Road Aviation Business Center, Dongli District, Tianjin, 300300

Patentee after: Tianjin Jiayuan Technology Co.,Ltd.

Country or region after: China

Address before: No. 2898, Jinbei Road, Binhai International Airport, Dongli District, Tianjin 300300

Patentee before: CIVIL AVIATION University OF CHINA

Country or region before: China