(一)模型参数设定 关于LSIM网络结构,需要确定输入层的大小、隐藏层数以及每个隐藏层中隐藏单元的 数目。隐含层节点数对网络模型的预测精度有较大的影响,节点数太少,网络不能很好的 学习,训练的精度也受到影响,需要增加训练次数:节点数太多,训练的时间增加,网络 容易过拟合。在执行网格搜索运行后,获得了最佳体系结构,由两层编码层组成。实验情况 表明,编码层的隐含层节点数不宜取过小,否则将容易出现过拟合现象 对于输入层,其中时间间隔k决定了输入层数据的结构,考虑将过去k小时作为输入。 对于隐藏层数,我们选择一到七层的网络结构,每层中的节点数设置为相同,为10,20, 40,80,160,320,640,1000。在学习阶段,迭代次数也十分重要,迭代次数过大,该 模型将过拟合。在这里迭代次数的范围设置无限,到损失值达到平稳时停止。首先将所有 可选择参数进行随机组合,从中选择1000个组合进行运行测试,在执行网络搜索后,选择 最佳配置。最佳的网络结构为:网络层数大小为2,层中的节点为80,迭代次数为160,时 间间隔t为2。 在最优参数固定后,对选取初始时间片个数k和迭代次数 epoch的灵敏性进行测试。图6 a)给出了这两个参数的结果,k取值为2时,预测误差达到最低值,k取值大于2时,预测 误差逐渐增大,因此在误差率较小的情况下,2为k的最优取值。同时,如图6(b)所示,迭 代次数 epoch到160左右达到平稳,且考虑迭代次数越多,网络训练时间越长。 n、… (a)初始时间片长度 (b)迭代次数 图6初始时间片长度和迭代次数灵敏性分析 (二)结果分析 为了验证本文方法的预测精度,首先利用根据机场历史延误值,利用聚类方法对机场 美国η7个主要机场进行聚类,将机场分为高延误机场、中等延误机场、低延误机场三类。 进一步,利用本文方法对三类机场分别进行预测。图7给出了本文方法在三类机场的预测结 果和真实结果值。可以看出,本文方法对高延误机场的预测精度要高于低延误机场,主要 原因是高延误机场整体延误水平较高,延误分布具有一定的规律性,而对于低延误机场, 由于该类机场延误具有一定的随机性,影响了延误预测的精度。（一）模型参数设定 关于LSTM网络结构，需要确定输入层的大小、隐藏层数以及每个隐藏层中隐藏单元的 数目。隐含层节点数对网络模型的预测精度有较大的影响，节点数太少，网络不能很好的 学习，训练的精度也受到影响，需要增加训练次数；节点数太多，训练的时间增加，网络 容易过拟合。在执行网格搜索运行后, 获得了最佳体系结构,由两层编码层组成。实验情况 表明，编码层的隐含层节点数不宜取过小，否则将容易出现过拟合现象。 对于输入层，其中时间间隔k决定了输入层数据的结构，考虑将过去k小时作为输入。 对于隐藏层数，我们选择一到七层的网络结构，每层中的节点数设置为相同，为10，20， 40，80，160，320，640，1000。 在学习阶段，迭代次数也十分重要，迭代次数过大，该 模型将过拟合。在这里迭代次数的范围设置无限，到损失值达到平稳时停止。首先将所有 可选择参数进行随机组合，从中选择1000个组合进行运行测试，在执行网络搜索后，选择 最佳配置。最佳的网络结构为：网络层数大小为2，层中的节点为80，迭代次数为160，时 间间隔t为2。 在最优参数固定后，对选取初始时间片个数k和迭代次数epoch的灵敏性进行测试。图6 （a）给出了这两个参数的结果，k取值为2时，预测误差达到最低值，k取值大于2时，预测 误差逐渐增大，因此在误差率较小的情况下，2为k的最优取值。同时，如图6(b)所示，迭 代次数epoch到160左右达到平稳，且考虑迭代次数越多，网络训练时间越长。 (a)初始时间片长度 (b)迭代次数 图6 初始时间片长度和迭代次数灵敏性分析 （二）结果分析 为了验证本文方法的预测精度，首先利用根据机场历史延误值，利用聚类方法对机场 美国77个主要机场进行聚类，将机场分为高延误机场、中等延误机场、低延误机场三类。 进一步，利用本文方法对三类机场分别进行预测。图7给出了本文方法在三类机场的预测结 果和真实结果值。可以看出，本文方法对高延误机场的预测精度要高于低延误机场，主要 原因是高延误机场整体延误水平较高，延误分布具有一定的规律性，而对于低延误机场， 由于该类机场延误具有一定的随机性，影响了延误预测的精度。 0 5 10 15 20 0 5 10 15 RMSE k