CN104573873B - 一种基于模糊决策树的航站楼离港旅客流量预测方法 - Google Patents
一种基于模糊决策树的航站楼离港旅客流量预测方法 Download PDFInfo
- Publication number
- CN104573873B CN104573873B CN201510036348.0A CN201510036348A CN104573873B CN 104573873 B CN104573873 B CN 104573873B CN 201510036348 A CN201510036348 A CN 201510036348A CN 104573873 B CN104573873 B CN 104573873B
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- tree
- mtr
- fuzzy decision
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000008569 process Effects 0.000 claims description 14
- 238000000926 separation method Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000001939 inductive effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于模糊决策树的航站楼离港旅客流量预测方法，本发明涉及航站楼离港旅客流量预测方法。本发明是要解决现有技术在解决航站楼拥堵的现象中寻优速度慢、实时性差、推广能力低、应用较为繁琐、效率不高以及不能满足简洁准确的预测要求的问题而提出的一种基于模糊决策树的航站楼离港旅客流量预测方法。该方法通过1得到隶属度数据；2选取模糊信息熵最小的属性作为模糊决策树的根结点；3得到叶子结点的联合置信度λ；4若λ>λ0结束拓展把叶子结点的联合置信度λ定为旅客流量等级概率；5若叶子结点的联合置信度λ≤λ0，则重复步骤三直至叶子结点满足λ>λ0为止得到模糊决策树；6确定得到模糊决策树等步骤实现的。本发明应用于航站楼离港旅客流量预测领域。
Description
技术领域
本发明涉及航站楼离港旅客流量预测领域，特别涉及一种基于模糊决策树的航站楼离港旅客流量预测方法。
背景技术
目前，民用航空领域交通压力持续增长造成了航站楼拥堵的现象，因此要实现航站楼的高效率运作就对到达航站楼的旅客流量预测提出了更高的要求。国内对于旅客在短时间内到达的预测研究还处于起步阶段，由于短时间内的旅客流量具有很强的随机性和非线性，给预测带来了很大的困难。目前已有多种方法被用来预测旅客流量，包括支持向量回归模型、BP神经网络模型、FIR神经网络模型等，这些方法各有利弊，如神经网络可以很好地描述流量的非线性，但也具有寻优速度慢、实时性差、推广能力低等不足的缺点，支持向量回归模型具有全局优化，推广性能好等优点，但应用较为繁琐，效率不高，都还不能满足简洁准确的预测要求。
发明内容
本发明的目的是为了解决现有技术在解决民用航空领域交通压力持续增长造成了航站楼拥堵的现象中寻优速度慢、实时性差、推广能力低、应用较为繁琐、效率不高以及不能满足简洁准确的预测要求的问题而提出的一种基于模糊决策树的航站楼离港旅客流量预测方法。
上述的发明目的是通过以下技术方案实现的：
步骤一、将航班数量、时间点和日期的具体值代入隶属度函数运算后转化为[0,1]区间的隶属度数据；
步骤二、计算航班数量、时间点和日期的模糊信息熵H(A)，选取模糊信息熵最小的属性作为模糊决策树的根结点；
步骤三、利用步骤一获得的隶属度数据中的60％～80％，运用决策树算法和根结点建立模糊决策树，得到属性为旅客流量等级分类频度的叶子结点，将旅客流量等级分类频度的叶子结点中最大的两项分类频度之和定义为叶子结点的联合置信度λ；
步骤四、给定基准联合置信度λ0，若叶子结点的联合置信度λ满足λ>λ0，则结束拓展并把该叶子结点的联合置信度λ定为旅客流量等级概率；
步骤五、若叶子结点的联合置信度λ≤λ0，则重复进行步骤三直至叶子结点满足λ>λ0为止；此时叶子结点为最终叶子结点，最终叶子结点的联合置信度λ即为最终旅客流量等级概率；从而得到模糊决策树；
步骤六、步骤一获得的隶属度数据的20％～40％检验模糊决策树，即将20％～40％的隶属度数据代入模糊决策树中，得到旅客流量等级概率，根据旅客流量等级概率确定旅客流量等级，即分别用旅客流量等级中位数乘以该等级的概率，加和获得旅客流量，确定最终得到的基于模糊决策树的旅客流量预测等级，将最终得到的基于模糊决策树的旅客流量预测等级与真实旅客流量等级进行对比，即计算基于模糊决策树的旅客流量预测等级与真实流量等级为同一等级的概率，当该概率值达到80％及以上时，说明建立的模糊决策树准确性高，确定得到模糊决策树用来预测旅客流量等级；即完成了一种基于模糊决策树的航站楼离港旅客流量预测方法。
发明效果
模糊决策树方法是归纳学习领域中的一个重要分支，在道路短时交通流量预测领域已有少量应用，在航站楼离港旅客流量预测领域目前还没有应用。模糊决策树的基础是统计理论，它从一个统计得到的示例表出发依据某种启发式信息，产生一棵模糊决策树，并使用由决策树转化的规则组预测待定事件。它在知识的归纳过程中并入了认识上的不确定性，使归纳出的知识在容许不精确或冲突的信息方面更稳健。
与现有技术相比，本发明的特点和积极效果在于：(1)本发明将所有影响离港旅客流量的因素量化成[0,1]区间的数值，按照统计学思想建立模糊决策树，进行现有数据的统计和分析，且将数据合理分类用于建立规则和检验规则，从而解决寻优速度慢和效率不高的问题，(2)统计每30分钟的数据，具有实时性强的优点，若实际应用中需要更精确的预测，将所得数据重新划分即可。(3)计算过程简单，推广性能好，预测过程简洁，结果较为准确。
并且从图3中可以看出，预测等级曲线与真实等级曲线拟合效果较好，预测流量等级与真实流量等级为同一等级的概率为78.33％，预测流量等级与真实流量等级相差不大于一个等级的概率达到93.33％，预测流量等级与真实流量等级相差不大于两个等级的概率达到98.33％，这表明通过模糊决策树的旅客流量等级预测较为准确。在模糊决策树的基础上进行适当的改进，运用这种方法分析各种因素的变化对旅客流量的影响，从而将其应用到航站楼旅客流量预测的领域显得尤为重要且可行。
附图说明
图1为具体实施方式一提出的一种基于模糊决策树的航站楼离港旅客流量预测方法流程图；
图2为实施例提出的模糊决策树示意图；
图3为实施例提出的旅客流量等级的预测效果检验图；
图4为实施例提出的旅客流量分析与预测流程图。
具体实施方式
具体实施方式一：本实施方式的一种基于模糊决策树的航站楼离港旅客流量预测方法，具体是按照以下步骤制备的：
步骤一、将附带属性的统计数据经过模糊化预处理，即将航班数量、时间点和日期的具体值代入隶属度函数运算后转化为[0,1]区间的隶属度数据；其中，属性包括航班数量、时间点和日期；
步骤二、计算航班数量、时间点和日期的模糊信息熵H(A)，选取模糊信息熵最小的属性作为模糊决策树的根结点；
步骤三、利用步骤一获得的隶属度数据中的60％～80％，运用决策树算法和根结点建立模糊决策树，得到属性为旅客流量等级分类频度的叶子结点，将旅客流量等级分类频度的叶子结点中最大的两项分类频度之和定义为叶子结点的联合置信度λ；原因在于决策树在决策领域运用中使用的置信度β取值较大，则在预测流量时会造成大量信息的缺失，直接导致预测失效，为避免这种情况的发生提出了联合置信度λ的定义；
步骤四、给定基准联合置信度λ0，若叶子结点的联合置信度λ满足λ>λ0，则结束拓展并把该叶子结点的联合置信度λ定为旅客流量等级概率；
步骤五、若叶子结点的联合置信度λ≤λ0，则重复进行步骤三直至叶子结点满足λ>λ0为止；此时叶子结点为最终叶子结点，最终叶子结点的联合置信度λ即为最终旅客流量等级概率；若按照全部属性扩展之后λ≤λ0，则标记该叶子结点为无效结点；从而得到模糊决策树；
步骤六、步骤一获得的隶属度数据的20％～40％检验模糊决策树，即将20％～40％的隶属度数据代入模糊决策树中，得到旅客流量等级概率，根据旅客流量等级概率确定旅客流量等级，即分别用旅客流量等级中位数乘以该等级的概率，加和获得旅客流量，确定该旅客流量等级，即为最终得到的基于模糊决策树的旅客流量预测等级，将最终得到的基于模糊决策树的旅客流量预测等级与真实旅客流量等级进行对比，即计算基于模糊决策树的旅客流量预测等级与真实流量等级为同一等级的概率，当该概率值达到80％及以上时，说明建立的模糊决策树准确性高，确定得到模糊决策树用来预测旅客流量等级，否则该模糊决策树无效；如图1；即完成了一种基于模糊决策树的航站楼离港旅客流量预测方法。
本实施方式效果：
模糊决策树方法是归纳学习领域中的一个重要分支，在道路短时交通流量预测领域已有少量应用，在航站楼离港旅客流量预测领域目前还没有应用。模糊决策树的基础是统计理论，它从一个统计得到的示例表出发依据某种启发式信息，产生一棵模糊决策树，并使用由决策树转化的规则组预测待定事件。它在知识的归纳过程中并入了认识上的不确定性，使归纳出的知识在容许不精确或冲突的信息方面更稳健。
与现有技术相比，本实施方式的特点和积极效果在于：(1)本实施方式将所有影响离港旅客流量的因素量化成[0,1]区间的数值，按照统计学思想建立模糊决策树，进行现有数据的统计和分析，且将数据合理分类用于建立规则和检验规则，从而解决寻优速度慢和效率不高的问题，(2)统计每30分钟的数据，具有实时性强的优点，若实际应用中需要更精确的预测，将所得数据重新划分即可。(3)计算过程简单，推广性能好，预测过程简洁，结果较为准确。
并且从图3中可以看出，预测等级曲线与真实等级曲线拟合效果较好，预测流量等级与真实流量等级为同一等级的概率为78.33％，预测流量等级与真实流量等级相差不大于一个等级的概率达到93.33％，预测流量等级与真实流量等级相差不大于两个等级的概率达到98.33％，这表明通过模糊决策树的旅客流量等级预测较为准确。在模糊决策树的基础上进行适当的改进，运用这种方法分析各种因素的变化对旅客流量的影响，从而将其应用到航站楼旅客流量预测的领域显得尤为重要且可行。
具体实施方式二：本实施方式与具体实施方式一不同的是：步骤一中航班数量为x包括M1、M2、M3和M4四种状态；
M1表示航班数量为[0,4]，M2表示航班数量为(4,8]，M3表示航班数量为(8,12]，M4表示航班数量为(12,16]。其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是：步骤一中航班数量为x根据隶属度函数的计算过程为：
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：步骤一中时间点包括上午、下午和晚上；
上午具体包括7:00～12:00；下午具体包括12：00～19:00；晚上具体包括19:00～6:00；
时间点的隶属度函数计算过程为：将具体的时间点对应于上午、下午和晚上的时间区间，将时间点落在的上午、下午和晚上的时间区间中的一个时间区间定为1，其他两个区间定为0。其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：步骤一中日期确定为工作日或者节假日；日期的隶属度函数计算过程为：将具体的日期对应于工作日或者节假日，日期对应于工作日则将工作日定为1，将节假日定为0；日期对应于节假日则将节假日定为1，将工作日定为0。其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：步骤二中计算航班数量、时间点和日期的模糊信息熵H(A)具体为：
其中，M(Ai)为Ai的个数，A为模糊集，Ai为模糊分割；i＝1，2，…，m。其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：步骤三中旅客流量分为A、B、C、D和F五个等级；其中，0≤A﹤100，100≤B﹤200，200≤C﹤300，300≤D﹤400，400≤E﹤500，500≤F﹤M；其中，M为航站楼离港旅客流量的最大值。其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八：本实施方式与具体实施方式一至七之一不同的是：步骤六中计算基于模糊决策树的旅客流量预测等级与真实流量等级为同一等级的概率具体过程为：
设有N组用于检验模糊决策树的隶属度数据，若基于模糊决策树的旅客流量预测等级与真实旅客流量等级为同一等级的数据有n个，则基于模糊决策树的旅客流量预测等级与真实旅客流量等级为同一等级的概率为其它步骤及参数与具体实施方式一至七之一相同。
采用以下实施例验证本发明的有益效果：
实施例：
本实施例一种基于模糊决策树的航站楼离港旅客流量预测方法，具体是按照以下步骤制备的：
本发明提供了一种基于模糊决策树的航站楼离港旅客流量预测方法，运用这种方法分析每30分钟内各种影响因素(包括航班数、时间段、日期等)的变化对旅客流量的影响，建立模糊决策树，提取出旅客流量与各种影响因素的关系规则库，用以进行每30分钟内的旅客流量预测。
将改进后的模糊决策树方法应用于航站楼离港旅客流量预测，选取200条东北某国际机场提供的旅客流量信息(见表1)，对其进行模糊化处理后得到表2所示数据，旅客流量从小到大依次分为ABCDEF共6个等级。根据前140条数据可以建立如图2所示模糊决策树。基准联合置信度λ0取0.7。
表1
表2
在得到如上决策树后，我们就可以从根结点到叶结点一一提取规则，如：航班数少—上午—工作日—旅客流量等级A(82.4％)，航班数较少—上午—旅客流量等级C(76.3％)，航班数多—下午—工作日—旅客流量等级E(40.7％)F(54.3％)等等，最终可以得到18条规则。
将剩余的60条数据代入提取出来的规则中进行匹配，匹配过程中根据每个属性值的隶属度计算其所有可能取值的流量加权平均值，叶子结点中出现两种旅客流量等级时，需要先将其进行加权平均。将最终得到的基于模糊决策树的每30分钟旅客流量预测等级，与真实旅客流量等级进行对比检验预测效果，如图3所示。从图3中可以看出，预测等级曲线与真实等级曲线拟合效果较好，预测流量等级与真实流量等级为同一等级的概率为78.33％，预测流量等级与真实流量等级相差不大于一个等级的概率达到93.33％，预测流量等级与真实流量等级相差不大于两个等级的概率达到98.33％，这表明通过模糊决策树的旅客流量等级预测较为准确。具体过程如图4所示。
本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种基于模糊决策树的航站楼离港旅客流量预测方法，其特征在于一种基于模糊决策树的航站楼离港旅客流量预测方法具体是按照以下步骤进行的：
步骤一、将航班数量、时间点和日期的具体值代入隶属度函数运算后转化为[0,1]区间的隶属度数据；
步骤二、计算航班数量、时间点和日期的模糊信息熵H(A)，选取模糊信息熵最小的属性作为模糊决策树的根结点；
步骤三、利用步骤一获得的隶属度数据中的60％～80％，运用决策树算法和根结点建立模糊决策树，得到属性为旅客流量等级分类频度的叶子结点，将旅客流量等级分类频度的叶子结点中最大的两项分类频度之和定义为叶子结点的联合置信度λ；
步骤四、给定基准联合置信度λ0，若叶子结点的联合置信度λ满足λ>λ0，则结束拓展并把该叶子结点的联合置信度λ定为旅客流量等级概率；
步骤五、若叶子结点的联合置信度λ≤λ0，则重复进行步骤三直至叶子结点满足λ>λ0为止；此时叶子结点为最终叶子结点，最终叶子结点的联合置信度λ即为最终旅客流量等级概率；从而得到模糊决策树；
步骤六、步骤一获得的隶属度数据的20％～40％检验模糊决策树，即将20％～40％的隶属度数据代入模糊决策树中，得到旅客流量等级概率，根据旅客流量等级概率确定旅客流量等级，即分别用旅客流量等级中位数乘以该等级的概率，加和获得旅客流量，确定最终得到的基于模糊决策树的旅客流量预测等级，将最终得到的基于模糊决策树的旅客流量预测等级与真实旅客流量等级进行对比，即计算基于模糊决策树的旅客流量预测等级与真实流量等级为同一等级的概率，当该概率值达到80％及以上时，说明建立的模糊决策树准确性高，确定得到模糊决策树用来预测旅客流量等级；即完成了一种基于模糊决策树的航站楼离港旅客流量预测方法。
2.根据权利要求1所述一种基于模糊决策树的航站楼离港旅客流量预测方法，其特征在于：步骤一中航班数量为x包括M1、M2、M3和M4四种状态；
M1表示航班数量为[0,4]，M2表示航班数量为(4,8]，M3表示航班数量为(8,12]，M4表示航班数量为(12,16]。
3.根据权利要求2所述一种基于模糊决策树的航站楼离港旅客流量预测方法，其特征在于：步骤一中航班数量为x根据隶属度函数的计算过程为：
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>M</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&le;</mo>
<mn>4</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<mn>8</mn>
<mo>-</mo>
<mi>x</mi>
</mrow>
<mn>4</mn>
</mfrac>
</mtd>
<mtd>
<mrow>
<mn>4</mn>
<mo>&le;</mo>
<mi>x</mi>
<mo>&le;</mo>
<mn>8</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&GreaterEqual;</mo>
<mn>8</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>M</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>M</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>4</mn>
<mo>&le;</mo>
<mi>x</mi>
<mo>&le;</mo>
<mn>8</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<mn>12</mn>
<mo>-</mo>
<mi>x</mi>
</mrow>
<mn>4</mn>
</mfrac>
</mtd>
<mtd>
<mrow>
<mn>8</mn>
<mo>&le;</mo>
<mi>x</mi>
<mo>&le;</mo>
<mn>12</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&GreaterEqual;</mo>
<mn>12</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>M</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>M</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>8</mn>
<mo>&le;</mo>
<mi>x</mi>
<mo>&le;</mo>
<mn>12</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<mn>16</mn>
<mo>-</mo>
<mi>x</mi>
</mrow>
<mn>4</mn>
</mfrac>
</mtd>
<mtd>
<mrow>
<mn>12</mn>
<mo>&le;</mo>
<mi>x</mi>
<mo>&le;</mo>
<mn>16</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&GreaterEqual;</mo>
<mn>16</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>M</mi>
<mn>4</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>M</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>12</mn>
<mo>&le;</mo>
<mi>x</mi>
<mo>&le;</mo>
<mn>16</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&le;</mo>
<mn>12</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&GreaterEqual;</mo>
<mn>16</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
4.根据权利要求1所述一种基于模糊决策树的航站楼离港旅客流量预测方法，其特征在于：步骤一中时间点包括上午、下午和晚上；
上午具体包括7:00～12:00；下午具体包括12：00～19:00；晚上具体包括19:00～6:00；
时间点的隶属度函数计算过程为：将时间点落在的上午、下午和晚上的时间区间中的一个时间区间定为1，其他两个区间定为0。
5.根据权利要求1所述一种基于模糊决策树的航站楼离港旅客流量预测方法，其特征在于：步骤一中日期确定为工作日或者节假日；日期的隶属度函数计算过程为：将日期对应于工作日则将工作日定为1，将节假日定为0；日期对应于节假日则将节假日定为1，将工作日定为0。
6.根据权利要求1所述一种基于模糊决策树的航站楼离港旅客流量预测方法，其特征在于：步骤二中计算航班数量、时间点和日期的模糊信息熵H(A)具体为：
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mfrac>
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<msub>
<mi>log</mi>
<mn>2</mn>
</msub>
<mfrac>
<mrow>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</msubsup>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
</mrow>
其中，M(Ai)为Ai的个数，A为模糊集，Ai为模糊分割；i＝1，2，…，m。
7.根据权利要求1所述一种基于模糊决策树的航站楼离港旅客流量预测方法，其特征在于：步骤三中旅客流量分为A、B、C、D和F五个等级；其中，0≤A﹤100，100≤B﹤200，200≤C﹤300，300≤D﹤400，400≤E﹤500，500≤F﹤M；其中，M为航站楼离港旅客流量的最大值。
8.根据权利要求1所述一种基于模糊决策树的航站楼离港旅客流量预测方法，其特征在于：步骤六中计算基于模糊决策树的旅客流量预测等级与真实流量等级为同一等级的概率具体过程为：
设有N组用于检验模糊决策树的隶属度数据，若基于模糊决策树的旅客流量预测等级与真实旅客流量等级为同一等级的数据有n个，则基于模糊决策树的旅客流量预测等级与真实旅客流量等级为同一等级的概率为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510036348.0A CN104573873B (zh) | 2015-01-23 | 2015-01-23 | 一种基于模糊决策树的航站楼离港旅客流量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510036348.0A CN104573873B (zh) | 2015-01-23 | 2015-01-23 | 一种基于模糊决策树的航站楼离港旅客流量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104573873A CN104573873A (zh) | 2015-04-29 |
| CN104573873B true CN104573873B (zh) | 2017-08-25 |
Family
ID=53089888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510036348.0A Active CN104573873B (zh) | 2015-01-23 | 2015-01-23 | 一种基于模糊决策树的航站楼离港旅客流量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104573873B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651213B (zh) * | 2017-01-03 | 2020-11-20 | 百度在线网络技术（北京）有限公司 | 服务订单的处理方法及装置 |
| CN108364467B (zh) * | 2018-02-12 | 2020-08-07 | 北京工业大学 | 一种基于改进型决策树算法的路况信息预测方法 |
| CN108966448A (zh) * | 2018-05-31 | 2018-12-07 | 淮阴工学院 | 一种基于自适应模糊决策树的灯光动态调控方法 |
| CN110400462B (zh) * | 2019-07-26 | 2020-06-16 | 中国安全生产科学研究院 | 基于模糊理论的轨道交通客流监测预警方法及其系统 |
| CN111460456B (zh) * | 2020-03-23 | 2023-03-24 | 华南理工大学 | 一种基于敏感度实现清晰决策树与模糊决策树的攻击方法 |
| CN112907158B (zh) * | 2021-05-10 | 2021-07-23 | 北京人人云图信息技术有限公司 | 一种基于博弈学习的航班乘客流量生成方法及系统 |
| CN115983487B (zh) * | 2023-01-10 | 2023-07-25 | 大连理工大学 | 一种基于卡方分布的机场航站楼旅客时空分布预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
| CN103106793A (zh) * | 2013-01-11 | 2013-05-15 | 福州大学 | 基于实时行车方向和通行时段信息的交通状态判别方法 |
| CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9177473B2 (en) * | 2010-07-07 | 2015-11-03 | International Business Machines Corporation | Vehicle arrival prediction using multiple data sources including passenger bus arrival prediction |
-
2015
- 2015-01-23 CN CN201510036348.0A patent/CN104573873B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101216998A (zh) * | 2008-01-11 | 2008-07-09 | 浙江工业大学 | 基于模糊粗糙集的证据理论城市交通流信息融合方法 |
| CN103106793A (zh) * | 2013-01-11 | 2013-05-15 | 福州大学 | 基于实时行车方向和通行时段信息的交通状态判别方法 |
| CN103984994A (zh) * | 2014-05-19 | 2014-08-13 | 东南大学 | 一种城市轨道交通客流高峰持续时间预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于离散双层规划的枢纽航线网络构建方法研究";徐斌 等;《预测》;20090327;第128卷(第2期);第53-59页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104573873A (zh) | 2015-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104573873B (zh) | 一种基于模糊决策树的航站楼离港旅客流量预测方法 | |
| Liu et al. | Prediction of road traffic congestion based on random forest | |
| CN107610469B (zh) | 一种考虑多因素影响的日维度区域交通指数预测方法 | |
| CN102074124B (zh) | 一种基于svm及h∞滤波的动态公交到站时间预测方法 | |
| CN108375808A (zh) | Nriet基于机器学习的大雾预报方法 | |
| CN103984994B (zh) | 一种城市轨道交通客流高峰持续时间预测方法 | |
| CN108062561A (zh) | 一种基于长短时记忆网络模型的短时数据流预测方法 | |
| CN105469611B (zh) | 一种短时交通流预测模型方法 | |
| CN106507315A (zh) | 一种基于网络社交媒体数据的城市交通事故预测方法和系统 | |
| CN104156594B (zh) | 一种基于贝叶斯网的航班过站时间动态估计方法 | |
| CN112749904A (zh) | 基于深度学习的配电网故障风险预警方法及系统 | |
| CN104318503B (zh) | 一种根据台风预报降雨的系统及方法 | |
| CN101826090A (zh) | 基于最优模型的web舆情趋势预测方法 | |
| CN107563566A (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
| CN108062860B (zh) | 基于拥塞传播分析的道路瓶颈识别方法及其系统 | |
| CN104916124B (zh) | 基于马尔可夫模型的公共自行车系统调控方法 | |
| CN107145991B (zh) | 一种考虑路段相关性的时变随机网络动态路径搜索方法 | |
| CN103914475A (zh) | 一种视频播放量的预测方法、系统和装置 | |
| CN106898142A (zh) | 一种考虑路段相关性的路径行程时间可靠度计算方法 | |
| CN106251011A (zh) | 用于分析离港值机旅客排队的数据处理方法及装置 | |
| Kisi et al. | Wind speed prediction by using different wavelet conjunction models | |
| CN113642162A (zh) | 一种城市道路交通应急预案仿真综合分析方法 | |
| Ma et al. | Short-term subway passenger flow prediction based on GCN-BiLSTM | |
| CN111427101A (zh) | 雷雨大风分级预警方法、系统、存储介质、计算机程序 | |
| Wang et al. | A high-precision method of flight arrival time estimation based on xgboost |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |