機(jī)場是一個(gè)空地交通系統(tǒng),機(jī)場地面交通的預(yù)測不同于一般城市道路具有其特殊性。本研究以北京首都國際機(jī)場為研究對(duì)象,基于2016年8月1日-2017年7月31日空地交通小時(shí)數(shù)據(jù),預(yù)測轄區(qū)內(nèi)58條道路小時(shí)級(jí)別的擁堵延時(shí)指數(shù),為相關(guān)部門的管理提供依據(jù)。與傳統(tǒng)的基于自身序列的預(yù)測模型相比,本研究將航空因素引入地面交通擁堵預(yù)測模型中,結(jié)果顯示航空因素對(duì)于機(jī)場地面交通的預(yù)測具有重要影響,證實(shí)了機(jī)場地面交通預(yù)測的特殊性。與線性模型ARIMA和VAR模型相比,深度學(xué)習(xí)算法LSTM模型具有更好的預(yù)測精度。 

【文章頁數(shù)】：10 頁

【文章目錄】：
0 引言
1 文獻(xiàn)綜述
2 模型介紹
3 實(shí)證分析
    3.1 數(shù)據(jù)說明及描述分析
        (1)不同道路擁堵狀況差異明顯
        (2)道路擁堵周期性特征明顯
        (3)地面交通與航空因素密切相關(guān)
    3.2 數(shù)據(jù)集構(gòu)造
    3.3 比較模型
4 模型結(jié)果及分析
5 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)的小時(shí)間粒度交通流預(yù)測模型[J]. 姚志洪,蔣陽升,韓鵬,羅孝羚,徐韜.  交通運(yùn)輸系統(tǒng)工程與信息. 2017(01)
[2]基于ARIMA和Kalman濾波的道路交通狀態(tài)實(shí)時(shí)預(yù)測（英文）[J]. Dong-wei XU,Yong-dong WANG,Li-min JIA,Yong QIN,Hong-hui DONG.  Frontiers of Information Technology ＆ Electronic Engineering. 2017(02)
[3]高斯過程回歸短時(shí)交通流預(yù)測方法[J]. 康軍,段宗濤,唐蕾,劉研,王超.  交通運(yùn)輸系統(tǒng)工程與信息. 2015(04)
[4]K近鄰短時(shí)交通流預(yù)測模型[J]. 于濱,鄔珊華,王明華,趙志宏.  交通運(yùn)輸工程學(xué)報(bào). 2012(02)
[5]基于RBF神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測[J]. 況愛武,黃中祥.  系統(tǒng)工程. 2004(02)
[6]交通流非參數(shù)回歸模型[J]. 達(dá)慶東,段里仁.  數(shù)理統(tǒng)計(jì)與管理. 2003(04)



本文編號(hào)：3678370