论文部分内容阅读
本课题针对目前我国客机腹舱运力利用不充分、载运力低等问题,提出建立一套离港航班旅客托运行李需求预估机制,为行李装机配载人员提供科学的数据支持,以确保航空公司提高现有客机腹舱利用率。针对数据缺失的问题,提出一种基于kNN-DBSCAN的缺失数据填补优化算法。为了能够更好的为离港航班机舱行李配载等做出科学的预测,本文对通过“自助行李托运系统”设备获取行李需求的数据信息进行了预处理工作,主要包括重复数据的删除以及缺失数据的插补。针对缺失数据的插补问题,提出一种基于kNN-DBSCAN的缺失数据填补优化算法。将基于密度的DBSCAN聚类算法运用到kNN近邻填补算法中,利用真实数据对算法进行验证,结果显示该算法对目标缺失数据的填补准确度要优于传统的kNN算法。研究分析离港航班旅客托运行李需求特性。离港航班旅客托运行李需求预测受多因素、多层次影响。本文研究了影响行李需求预测的常规和非常规因素,并选择相关型较强的因素作为特征向量;并统计得到了不同时间段的行李需求数据,在此基础上,对离港航班旅客托运行李需求的时间分布特性进行进一步的探索,研究表明行李需求具有日相似性的特点。构建离港航班旅客托运行李需求长时和短时预测模型。选择与行李需求相关性强的影响因素构成特征向量,利用特征向量与行李需求数据建立基于支持向量回归模型的离港旅客托运行李需求长时预测模型,并利用粒子群优化算法找出最优参数,然后利用最优参数优化预测模型以预测未来某日不同时间段的行李需求;同时,基于离港航班旅客托运行李需求的历史数据,建立了基于BP神经网络的离港航班旅客托运行李需求短时预测模型,以预测当日某一时间段的托运行李需求。实验结果表明:离港航班旅客托运行李需求长时和短时预测模型科学性好,具有预测精度高,鲁棒性强的优点。通过建立离港航班旅客托运行李需求的预测模型,为行李装机配载人员提供科学的数据支持,以确保航空公司提高现有客机腹舱利用率。