一種基于sarima和rbf神經(jīng)網(wǎng)絡(luò)集成組合模型的機(jī)場(chǎng)貨運(yùn)量預(yù)測(cè)分析方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種交通運(yùn)輸規(guī)劃設(shè)計(jì)與管理技術(shù)領(lǐng)域，特別是涉及一種基于SARIMA 和RBF神經(jīng)網(wǎng)絡(luò)集成組合模型的機(jī)場(chǎng)貨運(yùn)量預(yù)測(cè)分析方法。
【背景技術(shù)】
[0002] 隨著民航業(yè)務(wù)的高速發(fā)展，民航機(jī)場(chǎng)運(yùn)輸規(guī)模迅速增長(zhǎng)，機(jī)場(chǎng)貨運(yùn)量的合理預(yù)測(cè) 可以為機(jī)場(chǎng)發(fā)展提供導(dǎo)向作用，也可以為機(jī)場(chǎng)管理者提供決策支持。機(jī)場(chǎng)貨運(yùn)量數(shù)據(jù)作 為一種時(shí)間序列數(shù)據(jù)，其預(yù)測(cè)方法隨著技術(shù)的不斷突破，可以分為兩類：一類是傳統(tǒng)預(yù)測(cè) 方法，如：經(jīng)濟(jì)計(jì)量法、回歸分析法、灰色預(yù)測(cè)法、自回歸差分移動(dòng)平均（Autoregressive IntegratingMovingAverage，ARIMA)等，其中時(shí)間序列分析中的自回歸差分移動(dòng)平均相 當(dāng)靈活，融合了時(shí)間序列和回歸分析的優(yōu)點(diǎn)，在預(yù)測(cè)應(yīng)用中最為廣泛。另一類為人工智能預(yù) 測(cè)模型，如BP神經(jīng)網(wǎng)絡(luò)模型、RBF神經(jīng)網(wǎng)絡(luò)模型等。其中RBF神經(jīng)網(wǎng)絡(luò)具有全局逼近能力， 從根本上解決了BP神經(jīng)網(wǎng)絡(luò)的局部最優(yōu)問(wèn)題，而且拓?fù)浣Y(jié)構(gòu)緊湊，結(jié)構(gòu)參數(shù)可實(shí)現(xiàn)分離學(xué) 習(xí)，收斂速度快，是神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的首選。
[0003] 申請(qǐng)?zhí)枮?01410764609. 6的專利文獻(xiàn)公開(kāi)了一種基于ARIMA模型的預(yù)測(cè)公交客 流的方法，該申請(qǐng)主要是建立最優(yōu)的ARIMA模型預(yù)測(cè)一段時(shí)間內(nèi)的客流量，但該模型主要 刻畫客流數(shù)據(jù)序列的線性部分，對(duì)客流數(shù)據(jù)序列的大體趨勢(shì)進(jìn)行擬合，但不能很好地刻畫 影響客流量數(shù)據(jù)序列變化的非線性因素。
[0004] 申請(qǐng)?zhí)枮?01510019088. 6的專利文獻(xiàn)公開(kāi)了一種基于灰熵分析和改進(jìn)貝葉斯融 合的交通流預(yù)測(cè)方法，該申請(qǐng)首先根據(jù)歷史交通流量分別建立線性最小二乘回歸模型以及 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型來(lái)進(jìn)行交通流量預(yù)測(cè)，其次考慮交通流量之間的關(guān)聯(lián)度，根據(jù)灰 熵分析計(jì)算預(yù)測(cè)交通流量與歷史交通流量關(guān)聯(lián)度等級(jí)，并選取關(guān)聯(lián)度等級(jí)較高的歷史交通 流量作為預(yù)測(cè)模型輸入數(shù)據(jù)，根據(jù)輸入數(shù)據(jù)獲得每個(gè)預(yù)測(cè)模型的預(yù)測(cè)值，接著結(jié)合改進(jìn)貝 葉斯融合的方法及相關(guān)的歷史交通流量，計(jì)算每個(gè)預(yù)測(cè)模型在預(yù)測(cè)該時(shí)刻交通流量時(shí)的權(quán) 重，最終獲得該時(shí)刻的預(yù)測(cè)交通量，實(shí)現(xiàn)短時(shí)交通流的預(yù)測(cè)。但該模型主要是通過(guò)權(quán)值計(jì)算 預(yù)測(cè)交通量，還不能達(dá)到最優(yōu)的預(yù)測(cè)結(jié)果，同時(shí)此發(fā)明也只是對(duì)兩個(gè)模型進(jìn)行權(quán)值分配后 的疊加，對(duì)提高精度有一定幫助，但并未從本質(zhì)上刻畫影響交通流量的線性和非線性因素， 預(yù)測(cè)精度還有一定的提升空間。
[0005] 為了有效地利用各種模型的優(yōu)點(diǎn)，Bates等在1969年提出了組合預(yù)測(cè)的思想， 就是將幾個(gè)模型通過(guò)適當(dāng)方式進(jìn)行組合，以期獲得最優(yōu)預(yù)測(cè)結(jié)果。南娟將經(jīng)濟(jì)計(jì)量法與回 歸分析法進(jìn)行熵權(quán)法組合對(duì)機(jī)場(chǎng)貨運(yùn)量預(yù)測(cè)，預(yù)測(cè)結(jié)果顯示該預(yù)測(cè)算法具有較高的預(yù)測(cè)精 度；傅培華等運(yùn)用Shapley值法將BP神經(jīng)網(wǎng)絡(luò)和灰色理論預(yù)測(cè)模型進(jìn)行組合，并對(duì)航空貨 運(yùn)量進(jìn)行了預(yù)測(cè)，得到的預(yù)測(cè)結(jié)果更加接近實(shí)際結(jié)果。但目前組合模型的預(yù)測(cè)結(jié)果還不能 滿足機(jī)場(chǎng)實(shí)際運(yùn)行需求的精度。
[0006] 綜上所述，在本領(lǐng)域急需一種科學(xué)合理的機(jī)場(chǎng)貨運(yùn)量預(yù)測(cè)方法，能達(dá)到機(jī)場(chǎng)實(shí)際 運(yùn)行需求的精度，為機(jī)場(chǎng)管理決策提供依據(jù)。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明提出一種將線性SARIMA和非線性RBF神經(jīng)網(wǎng)絡(luò)集成組合（記為： SARIMA-RBF)的機(jī)場(chǎng)貨運(yùn)量預(yù)測(cè)方法，該方法科學(xué)的結(jié)合了SARIMA和RBF神經(jīng)網(wǎng)絡(luò)各自的 優(yōu)點(diǎn)，最終仿真結(jié)果表明，預(yù)測(cè)精度得到提高，并達(dá)到機(jī)場(chǎng)實(shí)際運(yùn)行需求的精度。
[0008] 本發(fā)明的目的是通過(guò)以下技術(shù)方案予以實(shí)現(xiàn)。如圖1所示，本發(fā)明分為以下操作 步驟：
[0009] 步驟1，用SARIMA模型對(duì)機(jī)場(chǎng)貨運(yùn)量原序列Yt進(jìn)行建模，預(yù)測(cè)出機(jī)場(chǎng)貨運(yùn)量線性 部分為at，則機(jī)場(chǎng)貨運(yùn)量線性部分預(yù)測(cè)殘差為Et:Et=Yt_at。
[0010] 步驟2,根據(jù)確定的RBF神經(jīng)網(wǎng)絡(luò)的樣本集，輸入拓階重構(gòu)后的機(jī)場(chǎng)貨運(yùn)量序列Y， 輸出機(jī)場(chǎng)貨運(yùn)量殘差時(shí)間E，構(gòu)造RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，預(yù)測(cè)得到補(bǔ)償SARIMA模型殘差結(jié) 果et。
[0011] 步驟3,將兩種模型的預(yù)測(cè)結(jié)果組合成為最終的預(yù)測(cè)結(jié)果：yt=at+et。
[0012] 所述步驟1包括如下操作：
[0013] (11)利用機(jī)場(chǎng)數(shù)據(jù)庫(kù)系統(tǒng)得到機(jī)場(chǎng)關(guān)于時(shí)間的機(jī)場(chǎng)貨運(yùn)量時(shí)間序列數(shù)據(jù)；
[0014] (12)根據(jù)機(jī)場(chǎng)貨運(yùn)量時(shí)間序列的散點(diǎn)圖、自相關(guān)函數(shù)圖識(shí)別其平穩(wěn)性；
[0015](13)對(duì)非平穩(wěn)的機(jī)場(chǎng)貨運(yùn)量時(shí)間序列數(shù)據(jù)進(jìn)行平穩(wěn)化（差分）處理；并得到d和 D的取值；其中d，D分別表示非季節(jié)性和季節(jié)性差分次數(shù)；
[0016] (14)根據(jù)平穩(wěn)后的時(shí)間序列自相關(guān)圖和偏自相關(guān)圖確定p、q，P、D的可能取值， 然后采用貝葉斯信息法（BIC)確定出最佳的模型階數(shù)，檢驗(yàn)是否具有統(tǒng)計(jì)意義；
[0017](15)利用已通過(guò)檢驗(yàn)的模型進(jìn)行預(yù)測(cè)機(jī)場(chǎng)貨運(yùn)量的線性部分；
[0018] 所述步驟2包括如下操作：
[0019] (21)將一維機(jī)場(chǎng)貨運(yùn)量時(shí)間序列進(jìn)行拓階重構(gòu)，轉(zhuǎn)換成多維時(shí)間序列；
[0020] 由于SARIMA模型的周期為S，為不失一般性，設(shè)最優(yōu)階數(shù)為m=S+1，得到的時(shí)間 序列輸入為
[0021] 則機(jī)場(chǎng)貨運(yùn)量一維殘差時(shí)間序列輸出可表示為
1=1
[0022] (22)進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，確定徑向基函數(shù)；徑向基函數(shù)就是某種沿徑向?qū)ΨQ的標(biāo) 量函數(shù)，通常定義為空間任一點(diǎn)Y到某一中心Ci之間歐式距離的單調(diào)函數(shù)。本發(fā)明采用高 斯徑向基函數(shù)，艮I
[0023] (23)網(wǎng)絡(luò)訓(xùn)練：選取聚類算法，利用聚類算法確定RBF隱層中心、最小二乘算法確 定連接權(quán)值，訓(xùn)練網(wǎng)絡(luò)，擬合學(xué)習(xí)段時(shí)間序列，直到網(wǎng)絡(luò)收斂于一定的標(biāo)準(zhǔn)。否則，可重新改 變網(wǎng)絡(luò)的初始權(quán)值甚至網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，直至訓(xùn)練結(jié)果滿意；所述聚類算法采用K-均值聚 類算法確定基函數(shù)的中心，步驟如下：
[0024] 初始化聚類中心{CiGRn|i= 1，2,......，N}，通常是將Ci設(shè)置為最初的N訓(xùn) 練樣本，然后將輸入的樣本集合按最近鄰規(guī)則分組，即將Y分配給中心為{CieRn|i= 1,2,......，N}輸入樣本聚類集合{ 0= 1，2,......，N}，即YG0i且滿足Ci = min|lY-cJ|，其中，i= 1，2,......N。
[0025] 重新調(diào)整聚類中心，計(jì)算0沖樣本的平均值，即聚類中心ci: ，其中叫 ni y^0, 為(^中的駛?cè)霕颖緮?shù)。直到聚類中心的分布不再變化，得到的{CiGRn|i= 1，2,......， N}為RBF網(wǎng)絡(luò)最終的基函數(shù)中心。
[0026] 權(quán)值選擇最小二乘法直接計(jì)算
（3)
[0027] (24)利用檢驗(yàn)段數(shù)據(jù)檢驗(yàn)訓(xùn)練好的網(wǎng)絡(luò)模型預(yù)測(cè)機(jī)場(chǎng)貨運(yùn)量的非線性部分。
[0028] 優(yōu)選地，在對(duì)所述機(jī)場(chǎng)貨運(yùn)量時(shí)間序列數(shù)據(jù)進(jìn)行分析前可以將其進(jìn)行數(shù)據(jù)歸一化 處理。因貨運(yùn)量歷史數(shù)據(jù)是一種非平穩(wěn)數(shù)據(jù)，有的數(shù)據(jù)差值較大，數(shù)據(jù)差異過(guò)大對(duì)模型訓(xùn)練 速度會(huì)產(chǎn)生不利影響。為消除這種不利影響，對(duì)機(jī)場(chǎng)貨運(yùn)量原始數(shù)據(jù)進(jìn)行歸一化，具體公式 如下：
[0029]
[0030] 式中，y表示機(jī)場(chǎng)貨運(yùn)量原始時(shí)間序列，y*表示預(yù)處理后的機(jī)場(chǎng)貨運(yùn)量時(shí)間序列， ymi,y_分別表示機(jī)場(chǎng)貨運(yùn)量最大值和最小值。
[0031] 最后將預(yù)測(cè)的最終結(jié)果進(jìn)行反歸一化，其反歸一化公式為：
[0032] y=y*(ymax-ymin)+ymin (5)
【附圖說(shuō)明】
[0033] 圖1是本發(fā)明的結(jié)構(gòu)示意圖。
[0034] 圖2是機(jī)場(chǎng)貨運(yùn)量時(shí)間序列圖
[0035] 圖3是機(jī)場(chǎng)貨運(yùn)量時(shí)間序列自相關(guān)圖
[0036] 圖4是1次差分后的機(jī)場(chǎng)貨運(yùn)量時(shí)間序列圖
[0037] 圖5是1次差分后的機(jī)場(chǎng)貨運(yùn)量時(shí)間序列自相關(guān)圖
[0038] 圖6是1次差分和1次季節(jié)性差分后的機(jī)場(chǎng)貨運(yùn)量時(shí)間序列自相關(guān)圖
[0039] 圖7是1次差分和1次季節(jié)性差分后的機(jī)場(chǎng)貨運(yùn)量時(shí)間序列偏自相關(guān)圖 [0040]圖8是ARIMA(0,1，1) (1，1，1)12模型機(jī)場(chǎng)貨運(yùn)量預(yù)測(cè)
[0041] 圖9是RBF網(wǎng)絡(luò)訓(xùn)練結(jié)果圖
[0042] 圖10