论文题目：基于数据挖掘的终端区短期流量预测技术研究
摘要：实时、准确、高效的流量预测技术,是实施科学的空中交通流量管理的基础,也是解决目前航空运输系统效率低下以及大面积航班延误等问题的关键。机场终端区作为空中交通系统中最为复杂的一个子系统,飞行密集、调配难度高,同时承受着巨大的交通流量。随着空管数字化系统的发展,大量、多源、复杂的空管数据随之产生,在此背景下,面向复杂机场终端区,从数据科学角度出发,打破传统基于航迹预测开展流量预测的思路,尝试从航班运行和航空气象等多源海量数据入手,分析机场终端区流量时空特性,并利用数据挖掘方法开展终端区短期流量预测。首先,以首都机场终端区为研究对象,在数据处理的基础上挖掘分析首都机场终端区流量本身在时间维度上的规律性,以及进行流量影响因素定性分析,并通过相关性分析的方法提取出7个影响流量的关键因素。其次,基于终端区流量特性分析提取日特征向量,构建基于SOM-K-means算法的相似日聚类模型,并进行实例分析,较为客观地总结出首都机场终端区三类较为典型的流量场景,验证了SOM-Kmeans算法的有效性与优越性。最后,构建LSTM-BP短期流量预测模型,基于待预测日场景归类,提出一种结合聚类分析与LSTM-BP的终端区短期流量预测方法进行未来时段的终端区流量值预测,并将未聚类分析的LSTM-BP、结合聚类分析的LSTM、未聚类分析的LSTM作为对比方法进行实例分析,结果表明本研究提出的方法整体预测稳定且预测精度较高,能够对终端区短期流量实现较为精准的预测,为流量管理人员开展业务工作提供决策支持。图29幅;表12个;参56篇。
关键词：机场终端区;短期流量预测;K-means;LSTM神经网络;BP神经网络
学科专业：土木工程
摘要
abstract
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 空中交通流量短期预测研究现状
1.2.2 基于数据挖掘的流量预测研究现状
1.3 论文内容安排
第2章 终端区空中交通流量特性分析及要素提取
2.1 终端区空中交通流概述
2.1.1 终端区空中交通流定义
2.1.2 终端区空中交通流特性
2.2 数据采集及预处理
2.2.1 航班运行数据
2.2.2 航空气象数据
2.2.3 数据融合
2.3 终端区流量特性分析
2.3.1 流量特性分析的目的及关键
2.3.2 终端区流量时间维度规律性
2.3.3 终端区流量影响因素分析
2.4 基于相关性分析的关键影响因素提取
2.5 本章小结
第3章 基于SOM-K-means算法的相似日聚类分析
3.1 聚类算法分类及特性分析
3.1.1 K-means聚类算法
3.1.2 SOM算法
3.1.3 聚类效果评判指标
3.2 基于SOM-K-means算法的相似日聚类方法
3.2.1 日特征向量提取
3.2.2 基于SOM-K-means算法的相似日聚类模型构建
3.3 实例分析
3.4 本章小结
第4章 结合聚类分析与LSTM-BP的终端区短期流量预测
4.1 LSTM-BP短期流量预测模型
4.1.1 LSTM神经网络
4.1.2 BP神经网络
4.1.3 LSTM-BP预测模型构建
4.2 结合聚类分析的LSTM-BP短期流量预测方法
4.3 实例分析
4.3.1 相似场景匹配
4.3.2 LSTM-BP短期流量预测
4.4 本章小结
结论
参考文献
致谢