Hilbert-Huang变换在民航客运量预测中的算法研究

计算机与现代化

Hilbert-Huang变换在民航客运量预测中的算法研究

中国民用航空飞行学院空中交通管理学院，四川广汉618307

收稿日期:2015-04-13 出版日期:2015-09-21 发布日期:2015-09-24
作者简介:潘卫军(1968-)，男，湖北黄冈人，中国民航飞行学院空中交通管理学院副院长，教授，博士，研究方向：空中交通管理，计算机模拟与仿真；潘月晓(1990-)，男，山东日照人，硕士研究生，研究方向：空中交通管理；卢国盼(1988-)，男，广西来宾人，硕士研究生，研究方向：自动化空中交通管理。
基金资助:
国家自然科学基金委员会与中国民用航空局联合资助项目（U1433126）；中国民航局科技资助项目（MHRD20130213）；民航安全能力建设基金资助项目（XN2013003）

Algorithm of Hilbert-Huang Transform in Forecast of Passenger and Freight Volume

School of Air Traffic Control, Civil Aviation Flight University of China, Guanghan 618307, China

Received:2015-04-13 Online:2015-09-21 Published:2015-09-24

摘要/Abstract

摘要：

为提高对非平稳时间序列预测的精度，本文利用希尔伯特-黄(Hilbert-Huang)变换理论中的经验模态分解(EMD)方法将非平稳时间序列分解，使之成为若干个频率单一的本征模态函数分量

(IMF)。利用神经网络模型对各个本征模态函数进行预测，将各个预测结果进行重构加权，以提高预测精度。再结合历年旅客运输量来预测其后某段时间内运输量。实验结果表明，算法改进后的预测精度

高于神经网络等预测方法。

关键词: , Hilbert-Huang变换, 预测精度, 经验模态分解, 时间序列, 神经网络

Abstract:

In order to improve the prediction accuracy of non-stationary time series, the paper used Empirical Mode Decomposition(EMD) method of Hilbert-Huang transform

theory to decompose non-stationary time series into several IMF components of single frequency. Using the neural network model to predict IMF, the prediction results are

reconstructed and weighted. The accuracy of prediction will be improved. It can also predict the transport volume in a certain period of time on the basis of the historical

passenger data. The experimental results show that the improved algorithm is better than the neural network method, etc.

Key words: Hilbert-Huang transform； prediction accuracy； Empirical Mode Decomposition(EMO), time series； neural network

潘卫军,潘月晓,卢国盼,曾琛. Hilbert-Huang变换在民航客运量预测中的算法研究[J]. 计算机与现代化.

PAN Wei-jun, PAN Yue-xiao, LU Guo-pan, ZENG Chen. Algorithm of Hilbert-Huang Transform in Forecast of Passenger and Freight Volume[J]. Computer and Modernization.

［1］王庆云,薛敏. 我国航空运输业“十一五”发展展望［J］. 综合运输, 2007(2):13-16．
［2］赵凤彩,吴彦丽. 中国区域多机场系统旅客吞吐量预测方法研究［J］. 中国民航大学学报, 2008,26(6):56-60.
［3］都业富. 航空运输管理预测［M］. 北京:中国民航出版社, 2001.
［4］李国彦,张斌,李南. 民用机场货运量的预测方法［J］. 江南大学学报(自然科学报), 2005,4(2):205-208.
［5］钟佑明,秦树人,汤宝平. Hilbert-Huang变换中的理论研究［J］. 振动与冲击, 2002,21(4):13-17.
［6］马亮亮. 一种基于Hilbert-Huang变换和ARMA模型的时间序列预测方法［J］. 江汉大学学报(自然科学版), 2014,42(1):28-31.
［7］姚晏斌,高金华. 灰色模型GM(1,2)在机场旅客吞吐量预测中的应用［J］. 中国民航飞行学院学报, 2006，17(4):12-16.
［8］杨丽娟,徐梅. 基于BP神经网络的时间序列预测问题研究［J］. 数学的实践与认识, 2013,43(4):159-163.
［9］文新辉,陈开周. 一种基于神经网络的非线性时序预测模型［J］. 西安电子科技大学学报, 1994,21(1):73-78.
［10］王吉权. 基于BP神经网络的农机总动力预测［J］. 农业机械学报, 2011,42(12):24-26.
［11］董长虹. Matlab神经网络与应用［M］. 北京:国防工业出版社, 2005.
［12］陈一梅,徐造林. 基于神经网络的河道浅滩演变预测模型［J］. 水利学报, 2002(8):68-72.
［13］孙晖. 经验模态分解理论与应用研究［D］. 杭州:浙江大学, 2005.
［14］张贤达,保铮. 非平稳信号分析与处理［M］. 北京:国防工业出版社, 1998.
［15］董丁稳,李树刚,常心坦,等. 基于HHT方法的矿井瓦斯体积分数预测［J］. 中国安全科学学报, 2011,21(9):100-105.
［16］于德介,程军圣,杨宇. Hilbert-Huang变换在齿轮故障诊断中的应用［J］. 机械工程学报, 2005,41(46):102-107.
［17］樊金荣. EMD分析在故障诊断中的应用与研究［D］. 武汉:武汉理工大学, 2003.

[1]	宋涛涛, 李艳萍, 李洪港, 韩春雪. 基于改进变结构趋近律的机械臂滑模控制系统[J]. 计算机与现代化, 2023, 0(12): 14-18.
[2]	周成诚, 曾庆军, 杨康, 胡家铭, 韩春伟. 基于高效通道注意力模块的运动想象脑电识别[J]. 计算机与现代化, 2023, 0(12): 19-23.
[3]	王宇航, 董宝良, 公超, 尚真真, 姚康宁. 基于意图识别的空中群目标动态威胁评估[J]. 计算机与现代化, 2023, 0(12): 100-104.
[4]	谷明轩, 范冰冰. 基于多模态特征融合的抑郁症识别[J]. 计算机与现代化, 2023, 0(10): 17-22.
[5]	陈俊义. 基于图节点动静态特征的健康事件预测模型[J]. 计算机与现代化, 2023, 0(10): 39-44.
[6]	黎世达, 项剑文. 一种提高图像识别模型鲁棒性的弱化强化方法[J]. 计算机与现代化, 2023, 0(10): 70-76.
[7]	陈子健, 段春红. 面向在线学习情境的认知情绪面部表情识别[J]. 计算机与现代化, 2023, 0(10): 92-98.
[8]	刘付琪, 张达, 宋建华, 王海东. 基于CNN-BiLSTM的液压系统故障诊断[J]. 计算机与现代化, 2023, 0(09): 10-19.
[9]	刘瑞雪, 李文, 刘芳, 杜守国. 用于具有缺失值的时间序列预测的张量自回归补全算法[J]. 计算机与现代化, 2023, 0(09): 51-58.
[10]	吴甜, 刘海华, 童顺延. 基于深度反馈的卷积神经网络的图像分类[J]. 计算机与现代化, 2023, 0(09): 82-86.
[11]	毛明扬, 徐胜超. 面向粒子群优化BP神经网络的粗糙集连续属性离散化算法[J]. 计算机与现代化, 2023, 0(09): 115-119.
[12]	孙子雨, 任燃, 魏曦哲. 基于DTW-TCN的股票分类及预测研究[J]. 计算机与现代化, 2023, 0(08): 31-37.
[13]	曾丽丽, 汤华贝, 牛艺晓, 孟凡月. 基于LSTM堆叠残差网络的岩相识别方法[J]. 计算机与现代化, 2023, 0(08): 38-43.
[14]	江蕾, 唐建, 杨超越, 吕婷婷. 基于CWGAN-GP与CNN的轴承故障诊断方法[J]. 计算机与现代化, 2023, 0(07): 1-6.
[15]	崔少国, 张岗, 王奥迪. 基于感知注意力的深度交叉网络推荐模型[J]. 计算机与现代化, 2023, 0(07): 54-60.