航段运量预测算法及其优化

论文摘要

本文结合现代民航运输的需要,在深入分析航段运量的特点及比较几种航段运量预测方法的基础上,进一步研究了利用支持向量机方法对航段运量进行预测,并结合实际情况,对其进行了改进优化。首先,本文较系统的分析并比较了传统运量预测算法的特点,对其适用范围和程度进行了探索,进一步研究了熵权系数法和BP神经网络算法的改进算法,并对熵权系数法进行了模拟试验;接着,详细阐述了支持向量机理论的基础和支持向量机原理,推导了最小二乘支持向量机的算法,重点研究描述了贝叶斯框架下的支持向量机模型;最后,本文探讨了支持向量机预测模型的建模方法,包括核函数的选择、模型参数选择算法的改进、学习算法的改进等,建立了支持向量机预测模型。本文将支持向量机预测模型改进应用于“航班优化与航线经济分析”系统中进行航段运量的预测,分析了建立的支持向量机预测模型的不足,指出了模型改进的方法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景
• 1.2 航段运量预测现状
• 1.3 支持向量机现状
• 1.4 研究意义
• 1.5 论文内容和组织结构
• 第二章 航段运量预测方法研究
• 2.1 航段运量预测概述
• 2.1.1 航段运量预测的特点
• 2.1.2 航段运量预测常用方法
• 2.2 熵权系数法
• 2.2.1 熵的概述
• 2.2.2 建模过程
• 2.2.3 模拟实现及算法评价
• 2.3 神经网络算法
• 2.3.1 传统的BP 算法
• 2.3.2 BP 算法的缺点
• 2.3.3 代数算法的思想
• 2.3.4 神经网络预测法评价
• 2.4 支持向量机预测方法
• 2.4.1 支持向量机理论基础
• 2.4.2 SVM 基本原理和分类
• 2.5 本章小结
• 第三章 基于SVM 的航段运量预测模型研究
• 3.1 最小二乘支持向量机
• 3.2 贝叶斯框架下的支持向量机
• 3.2.1 贝叶斯证据框架
• 3.2.2 用于回归估计的支持向量机
• 3.2.3 支持向量机参数调整方法
• 3.2.4 贝叶斯支持向量机的特点
• 3.3 支持向量机预测模型的设计与实现
• 3.3.1 影响预测模型的因素
• 3.3.2 模型的仿真实现
• 3.4 本章小结
• 第四章 基于SVM 的航段运量预测系统实现
• 4.1 系统结构简介
• 4.2 预测和优化模块
• 4.3 程序设计实现
• 4.4 预测模块相关界面
• 4.5 本章小结
• 第五章 结束语
• 参考文献
• 致谢
• 在校期间的学术成果