基于改進模糊支持向量回歸模型的機場能源需求預測

王坤 員曉陽 王力

摘要：針對離群點在機場能源數據的預測和分析中存在干擾等問題，建立了一種基于改進模糊支持向量回歸（FSVR）的機場能源需求預測模型。首先，采用模糊統計法對測試樣本集、系統參數和模型輸出進行分析，推導出符合其數據分布的基本隸屬函數形式；其次，結合例證法、專家經驗法對隸屬函數進行“再學習”，逐步修改和完善正態隸屬函數a、b參數值，半梯形隸屬函數邊界參數值及三角隸屬函數p、d參數值，以此消除或減少不利數據挖掘的離群點，同時保留有效關鍵點；最后，結合支持向量回歸（SVR）算法，建立預測模型，并驗證了該模型的可行性。實驗結果表明，與反向傳播（BP）神經網絡方法相比，FSVR方法的預測準確率提高了2.66%，對離群點的識別率提高了3.72%。

關鍵詞：機場能源需求預測；模糊支持向量回歸；支持向量機；模糊隸屬度；離群點

中圖分類號：TP181 文獻標志碼：A

Abstract：Focused on the issue that interference would exist in the analysis and prediction of airport energy data because of the outliers， a prediction model based on improved Fuzzy Support Vector Regression （FSVR） was established for the demand of airport energy. Firstly， a fuzzy statistical method was selected to make an analysis on test sample sets， parameters and the outputs of models， and a basic membership function form consistent with the data distribution would be derived from this analysis. Secondly， relearning of membership function would be performed with respect to expert experiences， then the parameter values a and b of the normal membership function， the boundary parameter values of semitrapezoid membership function and the parameter values p and d of triangular membership function would gradually be refined and improved， so as to eliminate or reduce the outliers which were not conducive to data mining and reserved the key points. Finally， combined with Support Vector Regression （SVR） algorithm， a prediction model was established and its feasibility was verified subsequently. The experimental result shows that， compared with Back Propagation （BP） neural network， the prediction accuracy of the FSVR increases 2.66% and the recognition rate of outliers increases 3.72%.

Key words：airport energy demand prediction； Fuzzy Support Vector Regression （FSVR）； Support Vector Machine （SVM）； fuzzy membership； outlier

0 引言

改革開放30多年來，中國民航業持續快速發展，航線網絡不斷擴大，機場地面的基礎設施建設取得重大進展，其能源消耗也隨之增加。2007年初，民航局適時提出綠色機場體系，加強對能源消耗的改造與優化[1]。然而面對機場如此龐大而且復雜的能源系統，要實現綠色、安全、穩定可靠的運行，需要科研人員進行細致的調研規劃，以及科學合理的設計。

現如今，普遍認可的傳統預測方法有趨勢外推法、消費彈性法、主要消耗部門預測法、回歸分析法等[2]。而后出現的反向傳播（Back Propagation， BP）神經網絡，適用于輸入輸出為非線性關系且訓練數據集充足的情況下[3]。我國機場記錄的能源歷史數據過少，且存在一些被噪聲影響的離群點，針對這種情況，若采用神經網絡往往因為訓練不充足，導致結果不準確，泛化能力不夠強甚至出現過擬合的缺點。支持向量回歸（Support Vector Regression，SVR）是支持向量機（Support Vector Machine， SVM）在回歸問題中的推廣， 在小樣本信息的情況下，能夠通過復雜的核學習能力尋得最佳方案，從而獲得最好的推廣能力[4]。但SVR訓練樣本中存在的不確定因素以及離群點的挖掘常常不令人滿意[5]。Lin等[6]提出的模糊支持向量回歸（Fuzzy Support Vector Regression， FSVR）方法，綜合了支持向量回歸和模糊集理論的優勢，在解凸二次規劃問題時具有更好的泛化能力以及抗噪聲能力。在模糊支持向量回歸算法中，隸屬度函數是樣本點離群程度的最客觀反映[7]。雖然目前隸屬度函數的構造方法多種多樣，但一直沒有形成統一的準則。

機場運行能源系統歷史數據記錄少，各影響因素復雜多變且相互滲透，導致一些離群點的出現。這些離群點大多屬于異常數據，是冗余的，并沒有實際的研究價值，但某些離群點卻攜帶了極重要的隱藏信息，對機場運行能源消耗的數據挖掘有很大的幫助。在實際的管理工作中，機場人員在對相關數據進行分析時，大多仍采用人工統計的方法，對離群點的處理也比較粗糙，往往容易忽略掉某些極具研究價值的離群點，這無疑會對研究結果造成干擾。本文采用模糊支持向量回歸算法對某機場航站樓的用電需求進行建模，通過分析幾種常用隸屬函數，并結合所提供的樣本數據的特點，分別為樣本集、模型參數以及輸出預測值設計了不同的模糊隸屬函數，并對預測模型的參數進行了改進，將噪聲數據的干擾程度降低，減少離群點樣本的影響，使其更加符合機場能源預測的需求。實驗結果顯示該方法的回歸效果理想。最后，對2016年6月份用電需求進行了預測，驗證了所建模型的可用性和準確性，為機場管理者在能源管理中提供有效的決策支持。

1.2 模糊支持向量回歸算法

2002年Lin等[6]提出了模糊支持向量機（Fuzzy Support Vector Machine， FSVM）方法，通過給訓練樣本增加一個模糊隸屬關系來對樣本的隱含信息加以充分利用，對解決在實際應用中遇到的多分類問題有很大幫助。借鑒FSVM能夠很好地改善模型的分類能力，把模糊隸屬度應用到SVR中，提出了模糊支持向量回歸（FSVR）。模糊隸屬度的確定對FSVR的抗噪能力以及預測精度的提高有很大幫助。

通過隸屬函數方法可以對現實生活中的某些不確定性因素近似逼近。由于機場能源歷史數據較少，而且存在大量的孤立點，引入模糊隸屬度概念可以很好地降低甚至消除這些點對預測結果的影響。在本文中，將對樣本集、模型參數以及模型輸出建立各自的模糊隸屬函數，可以有效降低樣本中離群點對模型準確性的影響。

2 改進的模糊支持向量回歸模型的建立

目前，機場能源系統中存儲的有效歷史數據多為人工抄錄整理，不僅數據量偏少，而且存在大量的離群數據。這些離群點中有些受噪聲影響過大，在能源預測建模的過程中，這無疑會對系統造成干擾，出現過擬合現象，降低預測精度。而有些離群點卻可能隱藏了重要的信息，具有比一般數據更高的研究價值，在建模過程中如果忽略這些點，對預測結果的精確度也無疑是一種損失。針對這一問題，可以通過構造一系列能夠客觀反映各樣本點離群程度的模糊隸屬函數，以此來降低甚至消除某些離群嚴重的點對預測結果的干擾，同時又不過分地過濾掉隱藏某些研究信息的離群點。

2.1 隸屬函數的確定

現如今，針對機場能源預測還沒有比較完善的方法，對于隸屬函數的選取，也是仍沒有一個統一的、廣泛適用的標準，所以確定符合機場能源數據的隸屬度是本文研究的關鍵所在。一般利用經驗并結合實際情況來確定合理的隸屬度。基于密度的離群程度表示方法現被大家普遍認可[5，15]，但此方法卻主要針對的是密度較高的樣本點，對于過度分散的邊緣點總是不能準確的評價。同時，該方法在確定隸屬度時，也僅僅只針對訓練樣本的輸入。這樣的結果不能體現出預測模型內部結構的聯系，對預測結果無疑是一種損失。本文針對機場能源系統的特點，同時考慮到樣本集的輸入、系統參數以及系統輸出數據類型之間的差異，分別設計了不同的模糊隸屬函數。通過選取的隸屬函數，可將實際的數據用模糊隸屬度來代替，這樣每個樣本的孤立程度便更加清晰明了，極大地降低了離群點在樣本訓練時對預測模型的干擾。

在本文中，主要針對航站樓用電量進行預測分析，是根據電力消耗的歷史和現在的值去推測未來某一時段的消耗值。然而，在實際問題中，往往存在各種復雜因素會對用電量產生影響，如極端氣候因素。這類離群點數據在進行個別分析時有一定的價值，但對預測整體趨勢卻有極大的干擾。針對這樣的情況，需要采用隸屬度函數對樣本集進行修正，使其符合系統正常運行時的用電量狀態，以此減小噪聲數據對模型構建的干擾。

通過模糊統計法對實際數據進行調研與分析，發現影響航站樓用電量的因素基本都呈現出集中、對稱、均勻變動的特點。采用正態分布函數可以將嚴重偏離的離群點數據去除，同時保留離中心很近的離群點。如氣溫這一影響因素，在本文采用的5、6月數據中基本保持在18℃～37℃，并且數據整體呈現出正態分布的特點。

因此，樣本集輸入的隸屬度函數由正態分布函數定義，但a、b的值要根據樣本集中不同的影響因素的特點來確定。

可大致描述為以下步驟：

1）分析訓練樣本集、模型參數、模型輸出值的數據特點，利用模糊統計等隸屬函數確定方法得到各自的隸屬函數；

2）通過隸屬函數把給定的訓練樣本轉換成模糊數據集{（x1，Y*1），…，（xn，Y*n）}；

3）通過式（11）解最優問題得到拉格朗日乘子α*i、αi；

4）通過式（12）得出W=（w，p）；

5）選取α*i、α*j∈（0，Csi）；

6）通過式（12）計算B=（b，d）；

7）構造模糊線性預測模型，輸出預測值。

3 實驗驗證

由于目前我國大部分機場的能源系統還在完善當中，可用的歷史數據積累不多。在本文中，針對某機場航站樓用電需求量進行了分析，同時為保證實驗的準確性，采用了兩組數據樣本集。分別是2014年6月、2015年6月用電量及其影響因素的歷史數據作為訓練樣本集。影響用電量的六個因素作為模型的輸入，分別為日期、當天時間段、氣象信息、氣溫、航班準點率、航站樓停留人數、使用的設備技術水平，航站樓的用電量作為模型的輸出。

表1列出了本次實驗的部分樣本集。通過隸屬函數計算出每個數據樣本的隸屬度，從而得到新的樣本集，即模糊數據集T={（x1，Y*1），（x2，Y*2），…，（x7，Y*7）}。

表1中：M代表月份，N代表樣本個數，Y（x）代表用電量，X1代表日期，X2代表當天時間段，X3代表氣象信息，X4代表氣溫，X5代表航班準點率，X6代表航站樓人數，X7代表設備技術水平。時間段1、2、3、4分別代表0～6時、6～12時、12～18時、18～24時；氣象信息1、2、3、4、5、6、7、8代表晴天、多云、陰、陣雨、小雨、中雨、大雨、暴雨；設備技術水平1、2、3、4分別代表設備能效等級，數字越小，代表能耗越低。

至此，將所求得的所有參數代回到式（11）中，便得到了本文用電量需求的預測模型。選取測試數據對模型的預測能力進行驗證，并針對同一樣本將本文所用方法與BP神經網絡的預測結果進行對比，仿真結果如圖4、5所示。

從圖4、5中可以看出，由于離群點的存在， BP神經網絡對離群點的分布更為敏感，回歸曲線會向著離群點的位置偏移，甚至會出現過擬合現象；而FSVR相對穩定，對離群點的抗干擾能力強。其中，圖4中a點的用電量為20350KW·h，經分析它的影響因素，可知主要是因為當天為節假日，航站樓出行人數增多，氣溫已達到33℃，所以耗電量增加。這類離群點屬于有效點，在能源數據的分析和預測工作中，會對結果產生本質性的影響，圖5中的c點也屬于這類關鍵點，因此在本次實驗中需要對其予以保留；而圖4中的b點的用電量為34302KWh，經分析，影響用電量增加的主要原因為當天的氣象信息記錄為暴雨，航班延誤，航站樓等待人數隨之增加，空調及照明設備的使用比平時高出很多。這類離群點屬于失真點，它的產生僅僅是因為當時的極端因素導致，而對整體數據的預測并沒有實質性的影響，并且如果在預測分析時將其加入，對預測的精度會造成一定程度上的干擾。圖5中的d點同樣屬于這類離群點，在實驗中為保證結果的準確性，需要消除或者抑制其出現。

實驗誤差對比如表3所示，從中可以看出本文采用的FSVR預測模型的回歸效果理想，平均相對誤差能夠保持在1.61%，預測準確率提高了2.66%，對離群點的識別率提高了3.72%。為了驗證本文采用的模糊隸屬度在結合支持向量機（SVM）算法上的可行性，選用最小二乘支持向量機（Least Squares Support Vector Machines，LSSVM）方法對機場能源數據再次進行預測，預測值及誤差如表4所示。

4 結語

本文對模糊支持向量回歸進行了改進，結合機場能源數據中存在離群點的實際特點，優化了隸屬函數的選取方法以及預測模型的參數，并且建立了能源預測模型，有效降低了離群點對預測結果的干擾。基于某機場航站樓用電量及相關數據，對所建模型進行了驗證，結果表明本文所運用的預測方法克服了傳統SVR方法過擬合、抗噪差的問題。同時通過對比BP神經網絡算法對數據的預測結果，證明了在機場能源系統這種非線性以及高維空間的數據預測上，該方法體現出有更高的預測精度，更好的泛化能力。隨著機場的不斷新建、擴建，能源的需求量也明顯增加，能夠準確預測能源需求走勢，對機場的發展有非常重要的指導意義。

參考文獻：

[1]李永超.民用機場能源信息管理系統[D].北京：北京交通大學，2010：2-4. （LI Y C. Energy information management system of civil airports[D]. Beijing： Beijing Jiaotong University，2010： 2-4.）

[2]韓君.中國能源需求的建模與實證分析[D].蘭州：蘭州商學院，2007：10-20. （HAN J. Modeling and empirical analysis of Chinese energy demand[D].Lanzhou： Lanzhou University of Finance and Economics， 2007：10-20.）

[3]胡雪棉，趙國浩.基于Matlab的BP神經網絡煤炭需求預測模型[J].中國管理科學， 2008，16（專輯）：521-525. （HU X M， ZHAO G H. Forecasting model of coal demand based on Matlab BP neural network[J]. Chinese Journal of Management Science， 2008，16（Special Issue）：521-525.）

[4]KROMER P， MUSLEK P， PELIKN E， et al. Support vector regression of multiple predictive models of downward shortwave radiation[C]// IJCNN 2014： Proceedings of the IEEE 2014 International Joint Conference on Neural Networks. Piscataway， NJ： IEEE， 2014： 651-657.

[5]陳海燕，楊冰欣，徐濤，等.基于模糊支持向量回歸的機場噪聲預測[J].南京航空航天大學學報，2013，45（5）：722-726. （CHEN H Y， YANG B X， XU T， et al. Airport noise prediction based on fuzzy support vector regression[J]. Journal of Nanjing University of Aeronautics & Astronautics， 2013， 45（5）： 722-726.）

[6]LIN CF， WAN SD. Fuzzy support vector machines[J]. IEEE Transactions on Neural Networks， 2002， 13（2）： 464-471.

[7]ZHANG R， DUAN XB， HAO L. Fuzzy support vector regression for function approximation with noises [C]// ICCASM 2010： Proceedings of 2010 International Conference on Computer Application and System Modeling. Piscataway， NJ： IEEE， 2010， 11： 14-17.

[8]鄧乃揚，田英杰.數據挖掘中的新方法——支持向量機[M].北京：科學出版社，2004：32-65.（DENG N Y， TIAN Y J. New Methods in Data Mining — Support Vector Machine （SVM）[M].Beijing： Science Press， 2004： 32-65.）

[9]李永娜.基于支持向量機的回歸預測綜述[J].信息通信，2014（11）：32-33. （LI Y N. The regression prediction reviewed based on Support Vector Machine （SVM）[J]. Information & Communications，2014（11）：32-33.）

[10]趙玉剛，鞠建波，張經偉.基于LIBSVM 的電子設備故障預測方法研究[J].計算機測量與控制，2015，23（6）：1888-1891.（ZHAO Y G， JU J B， ZHANG J W. Research on fault prediction methods of electronic device based on LIBSVM[J].Computer Measurement & Control， 2015， 23（6）： 1888-1891.）

[11]黃成泉，王士同，蔣亦樟，等.一種基于L2SVM的多視角核心向量機[J].控制與決策，2015，30（8）：1356-1364. （HUANG C Q， WANG S T， JIANG Y Z， et al. A multiview core vector machine based on L2SVM [J]. Control and Decision， 2015， 30（8）： 1356-1364.）

[12]盧振興，楊志霞，高新豫.最小二乘雙支持向量回歸機[J].計算機工程與應用，2014，50（23）：140-144. （LU Z X， YANG Z X， GAO X Y. Least square twin support vector regression [J]. Computer Engineering and Applications， 2014， 50（23）： 140-144.）

[13]王楓，上官安琪，夏俊麗.基于改進支持向量機的湖北電網特高壓規劃研究[J]. 機電工程，2015，32（8）：1141-1145. （WANG F， SHANGGUAN A Q， XIA J L. UHV planning of Hubei grid based on improved SVM [J].Journal of Mechanical & Electrical Engineering，2015，32（8）：1141-1145.）

[14]耿俊豹，孫林凱，陳是學.支持向量機的混合核函數參數優選方法[J].計算機應用，2013，33（5）：1321-1323. （GENG J B， SUN L K，CHEN S X. Parameters optimization of combined kernel function for support vector machine [J]. Journal of Computer Applications，2013，33（5）：1321-1323.）

[15]BREUNIG M M， HANSPETER KRIEGEL， NG R T， et al. LOF： identifying densitybased local outliers [C]// SIGMOD 00： Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data. New York： ACM， 2000： 93-104.