TY -的A2 -夏,分盟-杨,赵盟——王,一帆AU -李,杰盟——刘,李明AU - Ma,济阳盟中,彝族PY - 2020 DA - 2020/10/28 TI -机场到达流预测考虑气象因素基于深度学习方法SP - 6309272六世- 2020 AB -本研究提出了一种结合长期短期记忆和极端梯度增加(LSTM-XGBoost)航班抵达机场的流量预测的方法。之间的相关分析进行了历史性的到来流和输入功能。XGBoost方法应用于识别各种变量的相对重要性。机场到达的历史时间序列数据流和选定的功能是作为输入变量,以及后续的航班到达流的输出变量。顺序模型参数更新基于最近收集的数据和新的预测结果。发现预测精度大大提高了结合气象特征。数据分析结果表明,开发的方法能够很好地描述机场到达流的动力学,从而提供令人满意的预测结果。预测性能与基准方法包括反向传播神经网络相比,LSTM神经网络,支持向量机,梯度增加回归树,XGBoost。结果表明,拟议中的LSTM-XGBoost模型优于基准和最先进的神经网络模型。SN - 1076 - 2787你——https://doi.org/10.1155/2020/6309272——10.1155 / 2020/6309272 JF - PB - Hindawi KW - ER -复杂性