基于时序相似性的机场噪声监测点交互预测

This project is proposed to solve the problem that if a monitoring point in airport noise monitoring system is failure, noise of a monitoring region can not be accurately feedback. This project intends to establish a interactive prediction model based on time series similarity of the monitoring points, so as to detect the abnormal point and predict the noise of failure region by software way. The main contents include:.1) Research on the time series similarity of the monitoring points, focusing on the timing series similarity measurement, outlier detection and the screening of related monitoring points.;.2) Research on feature weighted support vector machine based on the time series similarity, focusing on the preparation of the training data sets and the calculation and application of feature weights matrix;.3) Research on the interactive prediction model based on the feature weighted support vector regression, focusing on the prediction ability verifications of the interactive prediction models based on the noise data sets of different frequency, and with the feature weights be calculated in different ways.

针对目前机场噪声监测系统可能出现的因监测点异常而无法准确反馈所在区域噪声的问.题，本项目拟建立一种基于监测点之间时序相似性的关联预测模型，用软件的方法来发现监测.点的异常并预测监测失效区域的噪声情况。项目的主要研究内容包括：.1）机场噪声监测点时间序列相似性研究，重点研究监测点之间的时序相似性度量、异常监测点的判定及关联监测点的筛选；.2）基于时间序列相似性的特征加权支持向量机研究，重点研究基于关联监测点集合的预测模型训练集的准备，以及特征加权矩阵的计算和应用；.3）基于加权特征支持向量回归的失效监测点关联预测模型研究，重点研究不同监测频率噪声数据集上，及采用不同特征权值计算方法时，关联预测模型预测能力的验证。

针对机场噪声监测系统可能出现的因监测点异常而无法准确反馈所在区域噪声的问题，本项目研究了一种基于监测点之间时序相似性的关联预测模型，用软件的方法来发现监测点的异常并预测监测失效区域的噪声。项目的主要研究内容包括：.1、.提出了一种基于终点迭代拟合算法的时间序列趋势分段特征表示方法IEPF-TSR，对海量高维机场噪声监测数据进行表示。该方法能准确提取时间序列数据中关键的趋势转折点，去除冗余的数据，在高效降维的同时，充分保留机场噪声时间序列的趋势信息。在标准集上的实验结果表明，该时间序列表示法在提升分类精度和降维率方面都大大优于同类方法。.2、.基于IEPF-TSR，提出了一种时间序列相似性度量方法TSR-DIST，对不同机场噪声监测点之间的时序相似性进行了度量。该方法与动态时间规整自动寻找最优相似性度量路径的原理相结合，分别从趋势分段均值和分段趋势两个方面综合度量了序列间的相似性。标准集上的对比实验表明：所提出的时间序列相似性度量方法TSR-DIST的度量性能要优于其他同类方法，能更好的提升分类算法的分类精度。.3、.根据TSR-DIST度量结果，筛选出关联监测点集合；根据时序相似度定义每个关联监测点的权重；建立了一种特征加权支持向量回归模型；最后在不同采样间隔的噪声数据上验证了该模型的预测效果和泛化能力。实验结果表明，所提出的FWSVR方法相比其他同类方法能取得更好的预测精度，预测误差达到课题要求。