本文關(guān)鍵詞：機(jī)場(chǎng)運(yùn)行能源需求預(yù)測(cè)模型研究

  更多相關(guān)文章： 機(jī)場(chǎng)能源需求預(yù)測(cè) 模糊支持向量回歸 離群點(diǎn) 隸屬函數(shù)

【摘要】：近年來(lái),機(jī)場(chǎng)大力發(fā)展基礎(chǔ)設(shè)施建設(shè),其能源消耗也隨之增加。在此背景下,論文開(kāi)展了機(jī)場(chǎng)運(yùn)行能源需求預(yù)測(cè)模型的研究工作,并通過(guò)實(shí)驗(yàn)證明了所提方法在機(jī)場(chǎng)能源數(shù)據(jù)的預(yù)測(cè)上,具有較高的預(yù)測(cè)精度。準(zhǔn)確預(yù)測(cè)機(jī)場(chǎng)能源需求趨勢(shì),對(duì)其發(fā)展有非常重要的指導(dǎo)意義。首先分析了機(jī)場(chǎng)能源需求現(xiàn)狀,對(duì)機(jī)場(chǎng)能源數(shù)據(jù)進(jìn)行處理。針對(duì)機(jī)場(chǎng)能源數(shù)據(jù)結(jié)構(gòu)復(fù)雜,人工記錄的能耗數(shù)據(jù)的準(zhǔn)確性差,統(tǒng)計(jì)周期長(zhǎng),對(duì)需求預(yù)測(cè)將會(huì)造成干擾的問(wèn)題。采用SQL數(shù)據(jù)庫(kù)建立了機(jī)場(chǎng)運(yùn)行能源需求預(yù)測(cè)模型后臺(tái)數(shù)據(jù)庫(kù),對(duì)機(jī)場(chǎng)能源數(shù)據(jù)進(jìn)行統(tǒng)一整理、存儲(chǔ)。結(jié)果表明,所建的數(shù)據(jù)庫(kù)大大節(jié)約了時(shí)間成本,還能夠保證記錄的數(shù)據(jù)符合標(biāo)準(zhǔn),格式一致,意義合理。其次分析和論述了模糊支持向量回歸算法在處理小樣本回歸預(yù)測(cè)時(shí),擁有較好的推廣能力以及抗噪聲能力。針對(duì)機(jī)場(chǎng)數(shù)據(jù)存在離群點(diǎn)的特點(diǎn),論文對(duì)該算法進(jìn)行了改進(jìn),優(yōu)化了隸屬函數(shù)的選取方法以及預(yù)測(cè)模型的參數(shù),建立了機(jī)場(chǎng)能源需求預(yù)測(cè)模型,并對(duì)所建模型進(jìn)行了驗(yàn)證,結(jié)果表明,與BP神經(jīng)網(wǎng)絡(luò)方法相比,采用的FSVR方法的預(yù)測(cè)準(zhǔn)確率提高了2.66%,對(duì)離群點(diǎn)的識(shí)別率提高了3.72%。然后利用預(yù)測(cè)模型建立了機(jī)場(chǎng)能源數(shù)據(jù)的綜合管理,實(shí)現(xiàn)了Matlab、數(shù)據(jù)庫(kù)與預(yù)測(cè)模型之間的數(shù)據(jù)交互。結(jié)果表明,該方法作為機(jī)場(chǎng)能源需求的一種預(yù)測(cè)方法是切實(shí)可行的,在實(shí)際工作中能夠有效提高系統(tǒng)的分析效率,更好地為能源系統(tǒng)分析與優(yōu)化提供支持。
【關(guān)鍵詞】：機(jī)場(chǎng)能源需求預(yù)測(cè) 模糊支持向量回歸 離群點(diǎn) 隸屬函數(shù)
【學(xué)位授予單位】：中國(guó)民航大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TP311.13;TP18
【目錄】：

• 摘要5-6
• Abstract6-9
• 第一章 緒論9-17
• 1.1 論文的研究背景和意義9-11
• 1.2 能源需求預(yù)測(cè)國(guó)內(nèi)外研究現(xiàn)狀11-14
• 1.3 本文主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)14-16
• 1.4 本章小結(jié)16-17
• 第二章 機(jī)場(chǎng)運(yùn)行能源需求分析與數(shù)據(jù)處理17-33
• 2.1 機(jī)場(chǎng)運(yùn)行能源需求分析17-18
• 2.2 數(shù)據(jù)處理18-24
• 2.2.1 機(jī)場(chǎng)運(yùn)行能源數(shù)據(jù)管理現(xiàn)狀19-20
• 2.2.2 基于SQL的數(shù)據(jù)處理20-22
• 2.2.3 數(shù)據(jù)庫(kù)遠(yuǎn)程訪問(wèn)22-24
• 2.3 機(jī)場(chǎng)運(yùn)行能源需求預(yù)測(cè)模型數(shù)據(jù)庫(kù)的整體設(shè)計(jì)24-31
• 2.3.1 系統(tǒng)的開(kāi)發(fā)平臺(tái)及環(huán)境25
• 2.3.2 數(shù)據(jù)庫(kù)概念模型的設(shè)計(jì)25-28
• 2.3.3 數(shù)據(jù)庫(kù)數(shù)據(jù)模型的設(shè)計(jì)28-31
• 2.4 數(shù)據(jù)庫(kù)數(shù)據(jù)處理結(jié)果31
• 2.5 本章小結(jié)31-33
• 第三章 基于改進(jìn)FSVR的機(jī)場(chǎng)運(yùn)行能源需求預(yù)測(cè)模型33-50
• 3.1 支持向量機(jī)33-37
• 3.1.1 SVR算法33-35
• 3.1.2 核函數(shù)的選取35-36
• 3.1.3 損失函數(shù)的選取36-37
• 3.2 模糊支持向量回歸算法37-40
• 3.2.1 模糊理論及隸屬度函數(shù)的確定37-39
• 3.2.2 模糊支持向量回歸算法39-40
• 3.3 基于改進(jìn)FSVR的機(jī)場(chǎng)運(yùn)行能源需求預(yù)測(cè)模型40-44
• 3.4 數(shù)據(jù)實(shí)驗(yàn)與預(yù)測(cè)分析44-48
• 3.5 本章小結(jié)48-50
• 第四章 基于預(yù)測(cè)模型的機(jī)場(chǎng)能源數(shù)據(jù)的綜合管理50-57
• 4.1 基于預(yù)測(cè)模型的機(jī)場(chǎng)能源數(shù)據(jù)的綜合管理50
• 4.2 數(shù)據(jù)交互過(guò)程50-55
• 4.2.1 數(shù)據(jù)庫(kù)之間的數(shù)據(jù)交互51-52
• 4.2.2 Matlab與用戶界面之間的數(shù)據(jù)交互52-53
• 4.2.3 Matlab與數(shù)據(jù)庫(kù)之間的數(shù)據(jù)交互53
• 4.2.4 人機(jī)界面與數(shù)據(jù)庫(kù)之間的數(shù)據(jù)交互53-55
• 4.3 機(jī)場(chǎng)運(yùn)行能源需求預(yù)測(cè)分析模塊55-56
• 4.4 本章小結(jié)56-57
• 第五章 結(jié)論與展望57-59
• 5.1 結(jié)論57-58
• 5.2 展望58-59
• 參考文獻(xiàn)59-64
• 致謝64-65
• 作者簡(jiǎn)介65

，

本文編號(hào)：523360