CN114118508B 一种基于时空卷积网络的od市场航空客流量预测方法 （南京航空航天大学）

一种基于时空卷积网络的OD市场航空客流本发明公开了一种基于时空卷积网络的OD市场航空客流量预测方法，属于大数据技术领于时空卷积网络的OD市场航空客流量的预测模同一目的机场多个OD市场客流量的同时预测的2通过客户端服务器选定某一个区域多机场系统，统计、整理并存储区预测模型服务器获取航空客流量数据，并对航空客流量数据预处理，构OD市场是指从出发机场OriginAirport到目的机场DestinationAirport的航空旅客通过调节数据特性和预测模型的网络结构，确定不同数据集下预预测模型服务器利用Python的Keras神经网络库中的函数化模块，搭建基于时空卷积通过改变网络结构和数据特性这两部分超参数，来确定预测模型最适合的超参数设点分别按不同时间间隔提取两个时间片段：分别为趋势性网格图片段XTre和周期性网格图xrre={xr-i,x-(-1),…,x-}:tre和lper作为预测模型中的可调节的数据特性超参数，分别表示趋势性片段选以趋势性部分的时空卷积网络分支为例，用(xmre)")=xmreeRltrexIXJ表示趋势性3步骤B3：构建外部影响因素网络，预测模型考虑的外部Tre和WPer分别表示趋势性和周期性部分的权重，即两部分输出分别对最终预测结果的影响程度，进一步通过tanh函数将计算结果XCon和外部影响因素2.如权利要求1所述的一种基于时空卷积网络的OD市场航空客流量预测方法，其特征3.如权利要求1所述的一种基于时空卷积网络的OD市场航空客流量预测方法，其特征4.如权利要求1所述的一种基于时空卷积网络的OD市场航空客流量预测方法，其特征预测模型服务器根据各区域多机场系统内出发机场的经纬度以及相对地理位置分布步骤A2：定义外部影响因素包括月份属性和是否包含节4因果变量的非线性关系并且对于处理起伏变化剧烈的数据泛化5网格图和外部影响因素特征向量，搭建基于时空卷积网络的OD市场航空客流量预测模型，[0012]OD市场是指从出发机场OriginAirport到目的机场DestinationAirport的航空[0020]预测模型服务器根据各区域多机场系统内出发机场的经纬度以及相对地理位置机场o到系统外目的机场d的客流量用一个二维张量Xt∈RI×J表示第t个月系统内6时间点分别按不同时间间隔提取两个时间片段：分别为趋势性网格图片段XTre和周期性网xmre={xr-t,xr-(u-1),…,xr-};建结构相同的时空卷积网络分支捕获OD客流量的时空特性，时空卷积网络分支以S+1(S≥是将外部因素定量化加入到预测模型，第二层则是将第一层得到的特征映射成高维张量，分输出分别对最终预测结果的影响程度，进一步通过tanh函数将计算结果XCon和外部影响7的OD客流量数据为例，预测模型对比ARIMA(自回归滑动平均模型)、SVR(支持向量回归)、[0045]图4是本发明实施例中提出的模型方法与其他模型在不同OD市场的客流拟合结[0046]图5是本发明实施例中提出的模型方法与其他模型在不同预测间隔的客流拟合结网格图和外部影响因素特征向量，搭建基于时空卷积网络的OD市场航空客流量预测模型，[0051]OD市场是指从出发机场OriginAirport到目的机场DestinationAirport的航空8[0054]数据集就是指区域多机场系统内各出发机场到目的机场的航空客流量数据(即多[0064]预测模型服务器根据各区域多机场系统内出发机场的经纬度以及相对地理位置机场o到系统外目的机场d的客流量用一个二维张量Xt∈RI×J表示第t个月系统内9进行训练并在每个epoch周期计算模型在验证集上的误差；3)当模型在验证集上的误差比上一次训练结果差的时候停止训练；4)使用上一次迭代结果中的参数作为模型的最终参模型航空客流量预测对比如表1所示，与其他模型在不同OD市场的客流拟合结果如图4所时间点分别按不同时间间隔提取两个时间片段：分别为趋势性网格图片段XTre和周期性网xmre={xe-t,xr-(u-1),…,xr-};建结构相同的时空卷积网络分支捕获OD客流量的时空特性，时空卷积网络分支以S+1(S≥[0084]以趋势性部分的时空卷积网络分支为例，用(xme")=xmeERltrexIXJ表示趋是将外部因素定量化加入到预测模型，第二层则是将第一层得到的特征映射成高维张量，分输出分别对最终预测结果的影响程度，进一步通过tanh函数将计算结果XCon和外部影响的OD客流量数据为例，预测模型对比ARIMA(自回归滑动平均模型)、SVR(支持向量回归)、连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器[0099]本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部