[发明专利]一种应用于航路扇区交通的概率密度预测系统

权利要求书

1.一种航路扇区交通概率密度预测系统，其特征在于，包括：

样本获取模块适于获取预设时间内航路扇区的交通流量作为样本；

样本分析模块适于样本进行数据分析；

第一预测结果预测模块适于根据样本数据分析结合模型参数选择进行概率性预测航路扇区交通需求，并获得第一预测结果。

2.如权利要求1所述的航路扇区交通概率密度预测系统，其特征在于，

样本分析模块包括：

模型建立单元适于创建神经网络分位数回归模型；获得预测数据的分位数。

3.如权利要求2所述的航路扇区交通概率密度预测系统，其特征在于，

模型建立单元包括：

目标函数获取子单元，适于获取目标函数；

神经网络分位数回归模型的表达式为：

其中，θ为分位点，u(θ)＝{u_ij(θ)}_{i＝1，2，...，n；j＝1，2...，J}为输入层与隐含层之间的待估权重矩阵；v(θ)＝{v_j(θ)}_{j＝1，2，...，J}为隐含层与输出层之间的连接权重向量；

优化求解神经网络分位数回归模型的表达式得出目标函数：

其中，ρ_θ表示在θ分位点的权重系数，Y_i为响应变量；f[x，u(θ)，v(θ)]为由权重向量u(θ)和v(θ)复合而成的非线性函数。

4.如权利要求3所述的航路扇区交通概率密度预测系统，其特征在于，

模型建立单元还包括：

目标函数优化子单元，即

在目标函数加入了相应的惩罚参数项，得到新目标函数，即

其中，λ₁、λ₂为惩罚参数，λ₁用于优化输入层与隐藏层之间的待估权重矩阵的权值，λ₂则用于优化隐含层与输出层之间的连接权重向量的权值，通过确定最优惩罚参数，对新目标函数进行优化可以得出u(θ)、v(θ)的最优估计值然后，将和代入神经网络分位数回归模型的表达式，得到响应变量条件分位数估计函数。

5.如权利要求4所述的航路扇区交通概率密度预测系统，其特征在于，

第一预测结果预测模块还包括：

概率密度获取单元适于依据响应变量条件分位数估计函数获得分位数，并对所述的预测分位数，利用核密度估计方法得到预测数据的概率密度函数和概率密度曲线图。

6.如权利要求5所述的航路扇区交通概率密度预测系统，其特征在于，

概率密度获取单元，即通过核密度估计量，从而估计得到合理的密度函数；

选取Epanechnikov核函数形式并用交叉验证法以确定最优窗宽，其中Epanechnikov核函数形式为：

交叉验证法函数表达式为：

其中，是从k()导出的卷积核函数，u，v表示各个条件分位数样本点的取值，其中，n表示条件分位数样本点的个数；h为区间长度，也称作带宽；i为取第i个样本点；j为取第j个样本点；k_h为在区间长度h条件下的核函数；Xi为第i个条件分位数样本点；Xj为第j个条件分位数样本点；

在k()的具体形式给出的前提下，得出的具体表达式，从而得出航路扇区交通需求的概率密度函数及概率密度曲线图。

7.如权利要求1所述的航路扇区交通概率密度预测系统，其特征在于，

所述航路扇区交通概率密度预测系统还包括：

对比模块适于将第一预测结果与BP神经网络的第二预测结果进行对比，并依据对比结果确定第一预测结果的准确性。