全部
图书
期刊
学位论文
会议论文
报纸
图片
视频
新闻
关键词
- 基于分解集成的航空货运需求区间预测研究
- 作者： 李智 白军成 来源： 计算机应用研究 年份： 2022 文献类型 ： 期刊 关键词： 分解集成 Bootstrap STL 区间预测 SVR
- 描述： 航空货运是国家重要的战略资源，在国内及国际间的贸易中扮演着不可或缺的角色。对航空货运需求进行的科学预测是航空公司制定基础设施规划和总体投资决策的重要依据。针对航空货运量数据的不确定性，从实际需求出发，引入Bootstrap方法进行不确定性估计，提出一种基于分解集成的区间预测方法。具体来说，首先用局部加权回归的时间序列分解(STL)方法将货运需求数据进行分解；其次，由支持向量回归(SVR)和季节自回归综合移动平均(SARIMA)分别预测分解所得的趋势分量与季节分量；再次，创新性地将白噪声分量进行提取并用Bootstrap方法作重采样处理；最后，将预测结果与处理后的白噪声进行集成重构，利用分位数构造区间进行不确定性量化。对中国两大枢纽机场货运数据的实验结果表明，构建的区间能够有效地结合预测结果量化不确定性，为区间预测提供了一种新的研究思路。
- 基于可自动扩展的LSTM模型的航空发动机剩余寿命预测方法
- 作者： 胡立坤 何旭杰 殷林飞 来源： 计算机应用研究 年份： 2023 文献类型 ： 期刊 关键词： 长短期记忆网络 航空发动机 自动扩展 子模块级联 剩余寿命预测
- 描述： 对航空发动机进行实时状态监测与健康管理可以有效降低发动机故障风险，确保飞机飞行安全。准确预测航空发动机的剩余寿命是有效监测发动机运行状态的一种重要手段，其中长短期记忆(Long-Short Term Memory,LSTM)网络常被使用。但由于航空发动机复杂的机械结构与运行模式，使用传统的LSTM网络对航空发动机的剩余寿命进行单次预测后，所得预测结果的准确率不足以满足其寿命预测的精度要求。基于LSTM网络的广泛使用以及它对时间序列数据的有效预测能力，并考虑到采用多级预测的方法能够有效降低预测误差，提出了一种新型的可自动扩展的长短期记忆(AutomaticallyExpandableLSTM,AELSTM)预测模型。AELSTM模型依托多个子模块逐级连接的网络结构，不断地提取前一级模块的输出误差作为后一级模块的训练值，形成了误差的多级预测机制，有效降低了模型的预测误差，提升了预测结果的准确性。最后，基于美国国家航空航天局发布的C-MAPSS数据集的四个子集，对AELSTM模型的预测效果进行了测试。实验结果表明，与传统的LSTM网络相比，AELSTM模型在四个子集上的均方根误差平均减少了95.44%，同时它的预测效果也优于现有的一些先进算法。实验充分验证了AELSTM模型在提升航空发动机剩余寿命预测准确度方面的有效性与优势。