[发明专利]一种基于SARIMA和RBF神经网络集成组合模型的机场货运量预测分析方法

权利要求书

1.一种基于SARIMA和RBF神经网络集成组合模型的机场货运量预测分析方法，其特征在于包括如下步骤：

步骤1，用SARIMA模型对机场货运量原序列Y_t进行建模,预测出机场货运量线性部分为a_t，则机场货运量线性部分预测残差为E_t：E_t＝Y_t-a_t。

步骤2，根据确定的RBF神经网络的样本集，输入拓阶重构后的机场货运量序列Y，输出机场货运量残差时间E，构造RBF神经网络预测模型，预测得到补偿SARIMA模型残差结果e_t。

步骤3，将两种模型的预测结果组合成为最终的预测结果：y_t＝a_t+e_t。

2.如权利要求1所述的基于SARIMA和RBF神经网络集成组合模型的机场货运量预测分析方法，其特征在于所述步骤1包含如下操作内容：

(11)利用机场数据库系统得到机场关于时间的机场货运量时间序列数据；

(12)根据机场货运量时间序列的散点图、自相关函数图识别其平稳性；

(13)对非平稳的机场货运量时间序列数据进行平稳化(差分)处理；并得到d和D的取值；其中d，D分别表示非季节性和季节性差分次数。

(14)根据平稳后的时间序列自相关图和偏自相关图确定p、q,P、D的可能取值,然后采用贝叶斯信息法(BIC)确定出最佳的模型阶数,检验是否具有统计意义；

(15)利用已通过检验的模型进行预测机场货运量的线性部分。

3.如权利要求1所述的基于SARIMA和RBF神经网络集成组合模型的机场货运量预测分析方法，其特征在于所述步骤2包含如下操作内容：

(21)将一维机场货运量时间序列进行拓阶重构，转换成多维时间序列；

(22)进行网络结构设计，确定径向基函数；

(23)网络训练：利用聚类算法确定RBF隐层中心、最小二乘算法确定连接权值，训练网络，拟合学习段时间序列，直到网络收敛于一定的标准。否则，可重新改变网络的初始权值甚至网络的拓扑结构，直至训练结果满意；

(24)利用检验段数据检验训练好的网络模型预测机场货运量的非线性部分。

4.如权利要求1所述的基于SARIMA和RBF神经网络集成组合模型的机场货运量预测分析方法，其特征在于所述操作(12)之前将机场货运量时间序列数据进行归一化处理。