CN105023228B - 一种基于航班离港时刻的旅客聚集监测系统和监测方法 - Google Patents
一种基于航班离港时刻的旅客聚集监测系统和监测方法 Download PDFInfo
- Publication number
- CN105023228B CN105023228B CN201510397010.8A CN201510397010A CN105023228B CN 105023228 B CN105023228 B CN 105023228B CN 201510397010 A CN201510397010 A CN 201510397010A CN 105023228 B CN105023228 B CN 105023228B
- Authority
- CN
- China
- Prior art keywords
- flight
- passenger
- data
- moment
- processing module
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于航班离港时刻的旅客聚集监测系统和方法，连接所述数据采集模块(2)的数据处理模块(3)基于将所述航班起飞时刻t0和自助值机时间t之差转换为小于1的比例数而处理得出的单位比例数下的旅客到达比例数据，在所述数据处理模块(3)中还存储所述航班的容量S和所述航班的上座率λ的存储模块(6)，则在t时刻，所述数据处理模块(3)可根据公式：Q＝SλP(tw)得出旅客在t时刻的航站楼聚集的人数Q，其中，tw为旅客等待时间即所述航班起飞时刻t0和自助值机时间t之差tw＝t0‑t，变量P(tw)为累积到达比例。
Description
技术领域
本发明涉及一种交通运输规划设计与管理技术领域，特别是涉及一种基于航班离港时刻的旅客聚集监测系统和监测方法。
背景技术
随着航空航天技术的高速发展，世界上机场的流量正在迅速增长，特别是中国的机场。近年来我国民航业持续高速发展，据民航局行业发展统计公报显示，自2010年以来旅客吞吐量平均增速都维持在10％左右，2014年全国民航机场旅客吞吐量达3.9亿人次，位居世界第二。与此同时民航机场运行保障评估研究表明，2015年近60个机场达到资源饱和。传统的依靠资源冗余满足旅客需求的格局已被打破。旅客过站时间长，服务效率、满意度下降等现象成为民航机场亟待解决的难题。国内外的本领域技术人员力图通过研究机场资源配置优化和旅客服务流程优化，提高机场对旅客的服务效率与水平。
专利文献CN103942623A公开了一种基于需求与容量不确定性的机场拥挤风险预测方法，通过计算机系统辅助实现，所述计算机系统主要由客户端/服务器(C/S)模式构成，计算机系统包括空域导航数据库、仿真驱动子系统、机场网络建模子系统、航班计划子系统和显示与交互子系统，计算机系统中还包括一个运行在客户端的机场拥挤风险预测子系统，所述机场拥挤风险预测子系统用作机场拥挤风险预测方法的实现平台。该方法无法提前获得聚集人数从而对机场容量进行规划。
P Fonsecai Casas等人采用计算机技术对候机大厅内的旅客流进行仿真并提出优化策略，可以提高候机大厅的利用率以及旅客的满意度。GUIZZI G与MURINO T等人采用离散事件仿真技术模拟了旅客在航站楼内的流程，在此基础上来预测延误，为管理人员提供理性的值机与安检策略。这类研究采用计算机仿真技术实现对航站楼旅客流程的定性分析以及资源优化，在一定程度上缓解了资源紧张。但仿真技术在输入层都采用理想的旅客到达模型(如泊松分布)，忽略航班流等运行因素对旅客流的巨大影响，与现实旅客流相比存在较大误差。
另一类研究侧重宏观角度预测旅客流量，Profillidis基于模糊理论建立了经济计量模型很好的预测了希腊机场旅客流量。Tobias Grosche与Franz Rothlauf等人则将重力模型加以分析利用，建立了预测模型。该模型在已知机场设施条件下很好的改善了预测精度。宏观角度对旅客流量的预测可以从整体态势与全局角度把握旅客对机场资源的需求，但基于目前机场资源紧张、松弛空间小的条件下，根据旅客到达聚集状态，实时调整资源分配才是未来有效解决资源紧张问题的主要手段。
现有技术中公开了一种航班离港排序系统，包括数据输入接口模块，用于接收航班离港数据，对所述航班离港数据进行分类分析处理，根据处理结果将分类后的所述航班离港数据分别发送，所述航班离港数据包括航班机型、机务安排、作业类型、空域限制规则、地面限制规则、资源使用情况以及航班集合；业务流程处理模块，与所述数据输入接口模块相连接，用于根据接收到的所述数据输入接口模块发送的航班离港数据，以及存储的离港业务流程，为各个航班建立业务流程实例，将所述航班离港数据以及业务流程实例发送，所述离港业务流程包括一系列按顺序发生的关键状态，每个关键状态都包含当前状态、当前地点以及当前时间；运行限制模块，与所述数据输入接口模块相连接，用于根据接收到的所述数据输入接口模块发送的航班离港数据，为机场建立运行状况模型并将所述模型的信息发送，所述运行状况模型显示某一时间范围机场的运行限制条件以及机场运行资源的种类、数量和使用情况；决策模块，与所述业务流程处理模块和运行限制模块相连接，用于根据接收到的所述业务流程处理模块发送的航班离港数据与所述业务流程实例，以及所述运行限制模块发送的模型的信息，为各个航班制定离港排序方案，所述离港排序方案是为所述航班分配需要使用的资源、使用顺序以及使用时间，供离港业务各部门执行的具体方案。该系统利用离港时间提供了一种排序系统，但仍无法提前获得具体时刻的旅客聚集人数，无法实时调整资源分配。
综上所述，在本领域急需一种能够提前获得具体时刻的旅客聚集人数以便调整资源分配、解决资源紧张问题的旅客聚集监测系统和监测方法。
发明内容
本发明的目的是通过以下技术方案予以实现。
根据本发明的一方面，提供了一种基于航班离港时刻的旅客聚集监测系统，其包括数据采集模块、数据处理模块和数据显示模块。
连接自助值机装置的所述数据采集模块采集所述航班的以往旅客在自助值机时间t值机的旅客到达数据并发送到数据处理模块。
连接所述数据采集模块的数据处理模块基于将所述航班起飞时刻t0和自助值机时间t之差转换为小于1的比例数而处理得出的单位比例数下的到达比例数据，在所述数据处理模块中还设有存储所述航班的容量S和所述航班的上座率λ的存储模块，则在t时刻，所述数据处理模块可根据公式：Q＝SλP(tw)得出旅客在t时刻的航站楼聚集的人数Q，其中，tw为旅客等待时间(即所述航班起飞时刻t0和自助值机时间t之差tw＝t0-t)，变量P(tw)为累积到达比例，常数μ与σ可通过到达比例数据进行拟合得出，所述数据处理模块发送t时刻的航站楼聚集的人数Q到数据显示模块。
数据显示模块为触摸显示屏用于显示不同时刻的聚集人数Q。
优选地，所述数据处理模块进一步包括多元回归处理单元，所述多元回归处理单元对常数μ与σ进行多元回归处理从而获得μ和σ多元回归处理结果，
μ＝43.68t0 4-95.04t0 3+71.64t0 2-21.29t0-0.7403，
σ＝2.44t0 3-4.738t0 2+3.179t0-0.383。
优选地，所述数据处理模块进一步包括比较模块，所述比较模块将不同时刻的聚集人数和相应区域的服务容量数据比较，当某一时刻t的聚集人数总数大于所述服务容量数据时，发送通知到机场服务网路。
优选地，所述相应区域的服务容量数据为候机区的座椅数或服务人员数，当某一时刻t的聚集人数总数大于所述候机区的座椅数或服务人员数时，发送通知到机场服务网路提醒增加服务人员或增加休息区域。
优选地，所述数据处理模块为服务器级别的计算机处理模块。
根据本发明的另一方面，提供了一种基于航班离港时刻的旅客聚集监测方法。该方法包括：
在第一步骤中，连接自助值机装置的所述数据采集模块采集所述航班的以往旅客在自助值机时间t值机的旅客到达数据并发送到数据处理模块。
在第二步骤中，数据处理模块基于将所述航班起飞时刻t0和自助值机时间t之差转换为小于1的比例数而处理得出的单位比例数下的到达比例数据。
在第三步骤中，在所述数据处理模块中的存储模块存储所述航班的容量S和所述航班的上座率λ，所述数据采集模块根据公式：Q＝SλP(tw)得出旅客在t时刻的航站楼聚集的人数Q，其中，tw为旅客等待时间(即所述航班起飞时刻t0和自助值机时间t之差tw＝t0-t)，变量P(tw)为累积到达比例，常数μ与σ可通过到达比例数据进行拟合得出，所述数据处理模块发送t时刻的航站楼聚集的人数Q到数据显示模块。
在第三步骤中，数据显示模块为触摸显示屏用于显示不同时刻的聚集人数Q。
优选地，在所述第三步骤中，包括多元回归处理单元的所述数据处理模块对常数μ与σ进行多元回归处理从而获得μ和σ多元回归处理结果，
μ＝43.68t0 4-95.04t0 3+71.64t0 2-21.29t0-0.7403、
σ＝2.44t0 3-4.738t0 2+3.179t0-0.383。
优选地，在第三步骤中，包括比较模块的所述数据处理模块将不同时刻的聚集人数和相应区域的服务容量数据比较，当某一时刻t的聚集人数总数大于所述服务容量数据时，发送通知到机场服务网路。
优选地，在第三步骤中，所述相应区域的服务容量数据为候机区的座椅数或服务人员数，当某一时刻t的聚集人数总数大于所述候机区的座椅数或服务人员数时，发送通知到机场服务网路提醒增加服务人员和增加休息区域。
优选地，所述数据处理模块为服务器级别的计算机处理模块。
附图说明
下面将结合实施例和附图对本发明作进一步的详细描述：
图1是本发明的旅客总体到达示意图。
图2(a)是本发明的旅客到达航站楼的时间间隔统计示意图。
图2(b)是本发明的旅客到达航站楼的总体幂律分布的双对数坐标图。
图2(c)是本发明的旅客到达航站楼的局部幂律分布的双对数坐标图。
图3(a)是本发明的航班离港时刻对分布的变化图。
图3(b)是本发明的航班离港时刻对强度的变化图。
图4(a)、(b)和(c)是本发明的三个不同时刻的等待时间下的实际旅客到达和本发明的数据处理模块处理的监测旅客到达比较示意图。
图5是本发明的结构示意图。
图6是本发明的流程示意图。
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
人类动力学对人类行为做了大量研究，由于存在截止时间等因素的影响，人类的日常通信、浏览网站、图书借阅等行为呈现非泊松统计特性，服从重尾分布。针对截止时间影响的人类行为，本发明研究发现，旅客群体层面在航站楼的聚集行为，服从重尾分布。重尾分布是一类分布的总称，其尾部较长并且以幂律分布缓慢下降，重尾分布不存在指数阶矩即：事件发生的间隔也明显偏离负指数分布，呈现幂率分布p(τ)∝λτα。与泊松分布相比，重尾分布有明显的阵发性。即允许一段时间事件频繁发生，也允许事件长时间静默。
本发明对航站楼内旅客到达规律统计，数据来源于航空公司的自助值机系统。据统计，一般旅客在到达航站楼后自助值机不需要等待，因此本文用自助值机数据描述旅客到达时刻的整个样本空间。如图1所示的旅客总体到达示意图，图中横轴表示提前时间即等待时间tw，原点表示航班起飞时刻t0，t为旅客自助值机时间，则有tw＝t0-t。为方便时刻与时间段统一计算，将其全部转换为小于1的比例数，即相对时间，下同。纵轴表示到达率f(tw)。如图1所示，在比例数为0.05时，有18％的旅客到达。由图1可见旅客在航站楼的到达行为有很强的非均匀性并且活跃性随时间变化剧烈，平均到达率曲线拖着长长的尾巴有明显的重尾特性。
图2(a)为旅客到达航站楼的时间间隔统计示意图，横轴为事件发生次数，纵轴表示时间间隔τ。从图2(a)可以看出聚集事件发生次数和事件发生的时间间隔之间的联系，随后参见图2(b)所示的幂律分布的双对数坐标图，其中，横轴为时间间隔(分钟)，纵坐标为概率，图2(a)表示的时间间隔统计总体服从如图2(b)所示的幂指数为-1.728的幂律分布。将旅客从众数tm拆分加以分析，前半部分服从幂指数为-1.611的幂律分布，后半部分服从幂指数为-1.871的幂律分布如图2(c)所示的幂律分布的双对数坐标图，其中，横轴为时间间隔(分钟)，纵坐标为概率，这说明了旅客到达规律有明显的重尾特性，并且在旅客航站楼聚集这一问题上有着多重标度，不能用单一模式刻画，有着混合分布的特征。根据大量数据分析，其总体幂律特性受干扰因素影响不断变化，但其总体幂指数在[-1.5，-2]区间内。
通过图1和图2，本领域技术人员可以理解的是，旅客群体层面在航站楼的聚集行为服从重尾分布，且有着混合分布的特征。本发明基于重尾分布的特性，参见图5，提供了一种基于航班离港时刻的旅客聚集监测系统，其包括数据采集模块、数据处理模块和数据显示模块。
连接自助值机装置的所述数据采集模块采集所述航班的以往旅客在自助值机时间t值机的旅客到达数据并发送到数据处理模块。
连接所述数据采集模块的数据处理模块基于将所述航班起飞时刻t0和自助值机时间t之差转换为小于1的比例数而处理得出的单位比例数下的到达比例数据，在所述数据处理模块中还存储所述航班的容量S和所述航班的上座率λ，则在t时刻，所述数据处理模块可根据公式：Q＝SλP(tw)得出旅客在t时刻的航站楼聚集的人数Q，其中，tw为旅客等待时间(即所述航班起飞时刻t0和自助值机时间t之差tw＝t0-t)，变量P(tw)为累积到达比例，常数μ与σ可通过到达比例数据进行拟合得出，所述数据处理模块发送t时刻的航站楼聚集的人数Q到数据显示模块。
在正态分布中，如果随机变量X的对数lnX服从正态分布，则称X服从参数为μ和σ2的对数正态分布。其概率密度函数为：
分布众数为峰值为累积概率分布函数为：
本文所采用的自变量tw为旅客等待时间(即提前时间)，因变量P(tw)为累积到达比例，则其函数关系式为：
即：
其中常数μ与σ为拟合参数。
随机抽取12个航班的旅客数据进行拟合，结果如表1所示，其中与为对数正态分布的参数估计值。对于原假设H0：旅客等待时间服从对数正态分布，对立假设H1：旅客等待时间不符合对数正态分布。p为拟合优度检验值，由p值可判断是否拒绝原假设。H＝1表示拒绝原假设，H＝0表示不拒绝原假设，显著性水平均默认如表1所示，超过83％的离港航班旅客等待时间通过拟合优度检验，不拒绝对数正态分布。从数据层面说明了旅客的到达为行服从对数正态分布。
数据显示模块为触摸显示屏用于显示不同时刻的聚集人数Q。
由此可见，本发明的数据处理模块可以得出超过83％的离港航班旅客等待时间通过拟合优度检验，旅客的到达为行服从对数正态分布，再一次验证了本发明的监测系统能够实时获得每一时刻旅客聚集人数，有利于机场资源配置优化和旅客服务流程优化，提高机场对旅客的服务效率与水平。
表1拟合优度检验
在本发明的另一个实施例中，为了更准确地逼近获得更准确的每一时刻的旅客聚集人数，本发明通过对重尾强度D与分布范围R进行研究。
任意一种连续分布的概率密度函数f(x)总存在(α>0且为整数)使得f(x)＝δ，并且x至少存在一个有效解。假设存在某种分布使得此解存在两个或两个以上，则必存在两个极值解xmax与xmin，其分布范围R定义为：
R＝xmax-xmin (5)
并且必存在最大值转折点xm，则重尾强度D定义为：
当该分布为正态分布时D＝1，即不是重尾分布；当该分布为重尾分布时D＞1，并且重尾特性越强，分布尾巴越长D值越大。通过这两个值能对参数变化带来的影响有更直观的了解。
将对数正态分布与式(5)和式(6)对应有：
解得：
将式(7)、式(8)与值带入式(5)，将式(7)、式(8)和式(9)与值带入式(6)，并使有
由式(10)和式(11)可知对数正态分布的分布范围由两个参数共同决定。而重尾强度仅与σ有关，并且为严格的单调递增关系，即σ值越大重尾特性越强，幂律尾巴越长。
本发明在时间维度考虑对旅客行为的影响，因此现有如下设定：
(1)旅客数据均来自同一机场。
(2)航班容量相同。
(3)航线性质相同(国内航班)。
(4)旅客出行当天无天气异常等突发因素。
根据假设旅客受到时间维度的影响主要有t0(航班离港时刻)与M(月份)。不同于一般的多元回归分析，旅客在航站楼聚集的总体规律服从对数正态分布，因此本节基于对数正态分布研究时间维度参量变化引起的分布变化。
表2月份变化引起的分布变化
随机抽取一个航班，由航班月份变化引起的重尾强度与分布范围变化如表2，由表可以看出由航班月份变化引起的分布变化非常小，因此将航班季度因素作为弱影响因素排除。
如图3(a)所示的航班离港时刻对分布的变化图，横轴为离港时刻，纵轴为分布范围R，如图3(b)所示的航班离港时刻对强度的变化图，横轴为离港时刻，纵轴为重尾强度D，由图3(a)和图3(b)可以看到分布的分布范围R与重尾强度D受航班时刻影响变化非常明显，再一次说明航班离港时刻作为主要影响因素不可忽略。并且在图中我们还可以看到由于受到航班离港时刻的影响，旅客聚集行为的时间分布范围与重尾强度均呈现明显的递增趋势，即旅客行为的重尾特性会随着离港时刻的推移逐渐增强，这不仅仅适用于本发明所述的航班聚集监测系统，并且这也为交通运输类的聚集监测提供了启示。
本发明分析由航班离港时刻引起的分布参数变化总体上呈现多项式特征。对μ和σ进行4阶多项式与3阶多项式回归，μ回归结果为：
μ＝43.68t0 4-95.04t0 3+71.64t0 2-21.29t0-0.7403 (12)
σ回归结果为：
σ＝2.44t0 3-4.738t0 2+3.179t0-0.383 (13)
综上所述，单航班离港旅客到达航站楼的时间分布服从对数正态分布，并且由航班离港时刻引起的分布变化呈现多项式特征，本发明的本实施例中，
所述数据处理模块进一步包括多元回归处理单元，所述多元回归处理单元对常数μ与σ进行多元回归处理从而获得μ和σ多元回归处理结果，
μ＝43.68t0 4-95.04t0 3+71.64t0 2-21.29t0-0.7403，
σ＝2.44t0 3-4.738t0 2+3.179t0-0.383。
也就是说，t0为航班计划离港时刻，tw为提前时间，t为任一航班起飞前时刻。p(t0-t)为旅客累积到达率，则旅客等待时间服从基本规律如式(4)：
其中μ与σ为待定参数，由以上分析可知，待定参数与航班离港时刻呈多项式函数形式，即待定参数可由航班离港时刻t0决定，如式(12)和式(13)：
μ＝43.68t0 4-95.04t0 3+71.64t0 2-21.29t0-0.7403
σ＝2.44t0 3-4.738t0 2+3.179t0-0.383
航班的容量为S，航班上座率为λ，则在t时刻，旅客在航站楼聚集的人数Q可表示为：
Q＝SλP(t-t0) (14)
本发明的第二实施例根据旅客行为的重尾特性，进一步进行了多元回归分析，更准确地确定了参数μ和σ，使得本发明得到更准确的每个时刻的旅客聚集人数Q。
本发明随机抽取几个航班，并且每个航班都分布在不同的月份。对本发明进行验证，图4(a)、图4(b)、图4(c)分别是11月8:00:00、2月14:55:00、7月21:20:00三个不同月份与时刻的等待时间下的实际旅客到达和本发明的数据处理模块处理的监测旅客到达比较示意图，其中，横轴为等待时间，纵轴为累积到达比例。结果表明，在时间维度有很好的契合效果并且与真实数据的平均拟合度达到80％以上，显示了本发明的基于航班离港时刻的旅客聚集监测系统较好的预测能力。同时也从实验结果证明了上文提到的，航班月份对于旅客聚集行为属弱影响因素，可以忽略不计。
在一个实施例中，所述数据处理模块进一步包括比较模块，所述比较模块将不同时刻的聚集人数数据图中的数据和相应区域的服务容量数据比较，当某一时刻t的聚集人数总数大于所述服务容量数据时，发送通知到机场服务网路。
在一个实施例中，所述相应区域的服务容量数据为候机区的座椅数，当某一时刻t的聚集人数总数大于所述候机区的座椅数时，发送通知到机场服务网路提醒增加服务人员和增加休息区域。
在一个实施例中，所述数据处理模块为服务器级别的计算机处理模块。
参见图6，本发明进一步提供了基于航班离港时刻的旅客聚集监测方法，该方法包括：
在第一步骤S001中，连接自助值机装置1的所述数据采集模块2采集所述航班的以往旅客在自助值机时间t值机的旅客到达数据并发送到数据处理模块3；
在第二步骤S002中，数据处理模块3基于将所述航班起飞时刻t0和自助值机时间t之差转换为小于1的比例数而处理得出的单位比例数下的到达比例数据；
在第三步骤S003中，在所述数据处理模块3中的存储模块6存储所述航班的容量S和所述航班的上座率λ，所述数据处理模块3根据公式：Q＝SλP(tw)得出旅客在t时刻的航站楼聚集的人数Q，其中，tw为旅客等待时间，其为所述航班起飞时刻t0和自助值机时间t之差tw＝t0-t，变量P(tw)为累积到达比例，常数μ与σ可通过到达比例数据进行拟合得出，所述数据处理模块3发送t时刻的航站楼聚集的人数Q到数据显示模块4；
在第四步骤S004中，数据显示模块4为触摸显示屏用于显示不同时刻的聚集人数Q。
在一个实施例中，在所述第三步骤S003中，包括多元回归处理单元5的所述数据处理模块3对常数μ与σ进行多元回归处理从而获得μ和σ多元回归处理结果，
μ＝43.68t0 4-95.04t0 3+71.64t0 2-21.29t0-0.7403、
σ＝2.44t0 3-4.738t0 2+3.179t0-0.383。
在一个实施例中，包括比较模块7的所述数据处理模块3将不同时刻的聚集人数和相应区域的服务容量数据比较，当某一时刻t的聚集人数总数大于所述服务容量数据时，发送通知到机场服务网路。
在一个实施例中，所述相应区域的服务容量数据为候机区的座椅数，当某一时刻t的聚集人数总数大于所述候机区的座椅数时，发送通知到机场服务网路提醒增加服务人员和增加休息区域。
在一个实施例中，所述数据处理模块3为服务器级别的计算机处理模块。尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。
Claims (10)
1.一种基于航班离港时刻的旅客聚集监测系统，其包括数据采集模块(2)、数据处理模块(3)和数据显示模块(4)，其中，
连接自助值机装置(1)的所述数据采集模块(2)采集所述航班的以往旅客在自助值机时间t值机的旅客到达数据并发送到数据处理模块(3)；
连接所述数据采集模块(2)的数据处理模块(3)基于将所述航班起飞时刻t0和自助值机时间t之差转换为小于1的比例数而处理得出的单位比例数下的旅客到达比例数据，在所述数据处理模块(3)中还存储所述航班的容量S和所述航班的上座率λ的存储模块(6)，则在t时刻，所述数据处理模块(3)可根据公式：Q＝SλP(tw)得出旅客在t时刻的航站楼聚集的人数Q，其中，tw为旅客等待时间即所述航班起飞时刻t0和自助值机时间t之差tw＝t0-t，变量P(tw)为累积到达比例，常数μ与σ可通过到达比例数据进行拟合得出，所述数据处理模块(3)发送t时刻的航站楼聚集的人数Q到数据显示模块(4)；
数据显示模块(4)为触摸显示屏用于显示不同时刻的聚集人数Q。
2.如权利要求1所述的基于航班离港时刻的旅客聚集监测系统，其特征在于：所述数据处理模块(3)进一步包括多元回归处理单元(5)，所述多元回归处理单元(5)对常数μ与σ进行多元回归处理从而获得μ和σ多元回归处理结果，
μ＝43.68t0 4-95.04t0 3+71.64t0 2-21.29t0-0.7403，
σ＝2.44t0 3-4.738t0 2+3.179t0-0.383。
3.如权利要求1所述的基于航班离港时刻的旅客聚集监测系统，其特征在于：所述数据处理模块(3)进一步包括比较模块(7)，所述比较模块(7)将不同时刻的聚集人数和相应区域的服务容量数据比较，当某一时刻t的聚集人数总数大于所述服务容量数据时，发送通知到机场服务网路。
4.如权利要求3所述的基于航班离港时刻的旅客聚集监测系统，其特征在于：所述相应区域的服务容量数据为候机区的座椅数或服务人员数，当某一时刻t的聚集人数总数大于所述候机区的座椅数或服务人员数时，发送通知到机场服务网路提醒增加服务人员或增加休息区域。
5.如权利要求1所述的基于航班离港时刻的旅客聚集监测系统，其特征在于：所述数据处理模块(3)为服务器级别的计算机处理模块。
6.一种基于航班离港时刻的旅客聚集监测方法，该方法包括：
在第一步骤(S001)中，连接自助值机装置(1)的数据采集模块(2)采集所述航班的以往旅客在自助值机时间t值机的旅客到达数据并发送到数据处理模块(3)；
在第二步骤(S002)中，数据处理模块(3)基于将所述航班起飞时刻t0和自助值机时间t之差转换为小于1的比例数而处理得出的单位比例数下的到达比例数据；
在第三步骤(S003)中，在所述数据处理模块(3)中的存储模块(6)存储所述航班的容量S和所述航班的上座率λ，所述数据处理模块(3)根据公式：Q＝SλP(tw)得出旅客在t时刻的航站楼聚集的人数Q，其中，tw为旅客等待时间，其为所述航班起飞时刻t0和自助值机时间t之差tw＝t0-t，变量P(tw)为累积到达比例，常数μ与σ可通过到达比例数据进行拟合得出，所述数据处理模块(3)发送t时刻的航站楼聚集的人数Q到数据显示模块(4)；
在第四步骤(S004)中，数据显示模块(4)为触摸显示屏用于显示不同时刻的聚集人数Q。
7.如权利要求6所述的基于航班离港时刻的旅客聚集监测方法，其特征在于：在所述第三步骤(S003)中，包括多元回归处理单元(5)的所述数据处理模块(3)对常数μ与σ进行多元回归处理从而获得μ和σ多元回归处理结果，
μ＝43.68t0 4-95.04t0 3+71.64t0 2-21.29t0-0.7403、
σ＝2.44t0 3-4.738t0 2+3.179t0-0.383。
8.如权利要求6所述的基于航班离港时刻的旅客聚集监测方法，其特征在于：包括比较模块(7)的所述数据处理模块(3)将不同时刻的聚集人数和相应区域的服务容量数据比较，当某一时刻t的聚集人数总数大于所述服务容量数据时，发送通知到机场服务网路。
9.如权利要求8所述的基于航班离港时刻的旅客聚集监测方法，其特征在于：所述相应区域的服务容量数据为候机区的座椅数或服务人员数，当某一时刻t的聚集人数总数大于所述候机区的座椅数或服务人员数时，发送通知到机场服务网路提醒增加服务人员或增加休息区域。
10.如权利要求6所述的基于航班离港时刻的旅客聚集监测方法，其特征在于：所述数据处理模块(3)为服务器级别的计算机处理模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510397010.8A CN105023228B (zh) | 2015-07-08 | 2015-07-08 | 一种基于航班离港时刻的旅客聚集监测系统和监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510397010.8A CN105023228B (zh) | 2015-07-08 | 2015-07-08 | 一种基于航班离港时刻的旅客聚集监测系统和监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105023228A CN105023228A (zh) | 2015-11-04 |
| CN105023228B true CN105023228B (zh) | 2018-06-19 |
Family
ID=54413176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510397010.8A Active CN105023228B (zh) | 2015-07-08 | 2015-07-08 | 一种基于航班离港时刻的旅客聚集监测系统和监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105023228B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295513B (zh) * | 2016-07-26 | 2020-01-31 | 中电海康集团有限公司 | 基于驻留时间概率分布的人数统计方法及装置 |
| CN106251011A (zh) * | 2016-07-28 | 2016-12-21 | 中国民用航空总局第二研究所 | 用于分析离港值机旅客排队的数据处理方法及装置 |
| CN107480247A (zh) * | 2017-08-10 | 2017-12-15 | 中国民航信息网络股份有限公司 | 机场旅客分布状态的监控方法和装置 |
| CN108492088B (zh) * | 2018-03-28 | 2021-01-01 | 民航成都信息技术有限公司 | 航班登机口最佳发布时刻探寻方法与业务执行方法 |
| CN109934482B (zh) * | 2019-03-07 | 2021-05-18 | 中国民用航空总局第二研究所 | 一种基于大数据的航站楼精细化运行评估系统和方法 |
| CN111832820A (zh) * | 2020-07-09 | 2020-10-27 | 飞友科技有限公司 | 一种预测机场各登机口人流量的方法和系统 |
| CN113222238B (zh) * | 2021-05-07 | 2022-10-14 | 哈尔滨工业大学 | 一种枢纽机场值机资源配置优化方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101373561A (zh) * | 2008-08-25 | 2009-02-25 | 北京民航天宇科技发展有限公司 | 航班离港排序系统及方法 |
| CN103942623A (zh) * | 2014-04-22 | 2014-07-23 | 中国民航大学 | 一种基于需求与容量不确定性的机场拥挤风险预测方法 |
-
2015
- 2015-07-08 CN CN201510397010.8A patent/CN105023228B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101373561A (zh) * | 2008-08-25 | 2009-02-25 | 北京民航天宇科技发展有限公司 | 航班离港排序系统及方法 |
| CN103942623A (zh) * | 2014-04-22 | 2014-07-23 | 中国民航大学 | 一种基于需求与容量不确定性的机场拥挤风险预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| 《Passenger flow simulation in a hub airport: An application to the Barcelona International Airport》;P.Fonseca Casas等;《Simulation Modelling Practice and Theory》;20141231;正文第78-94页 * |
| 《Simulation Analysis of International-Departure Passenger flows in an Airport Terminal》;Soemon Takakuwa等;《Proceedings of the 2003 Winter Simulation Conference》;20041231;正文第1627-1634页 * |
| 《对数正态分布的VAR数学模型及其计算》;边宽江等;《数学的实践与认识》;20110131;第41卷(第1期);正文第1-6页 * |
| 《机场旅客吞吐量的影响机理与预测方法研究》;焦朋朋;《交通运输系统工程与信息》;20050228;第5卷(第1期);正文第107-110页 * |
| 《航站楼旅客离港流程仿真研究》;陆迅等;《西南交通大学学报》;20090228;第44卷(第1期);正文第135-140页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105023228A (zh) | 2015-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105023228B (zh) | 一种基于航班离港时刻的旅客聚集监测系统和监测方法 | |
| Ren et al. | Characterizing air traffic networks via large-scale aircraft tracking data: A comparison between China and the US networks | |
| Jaehn et al. | Airplane boarding | |
| Cruciol et al. | Reward functions for learning to control in air traffic flow management | |
| Bazargan et al. | A simulation study to investigate runway capacity using TAAM | |
| Khanmohammadi et al. | A systems approach for scheduling aircraft landings in JFK airport | |
| Xiao et al. | Hybridized encoding for evolutionary multi-objective optimization of air traffic network flow: A case study on China | |
| Badrinath et al. | Impact of off-block time uncertainty on the control of airport surface operations | |
| Kotegawa et al. | Impact of service network topology on air transportation efficiency | |
| Aniyeri et al. | Passengers queue analysis in international airports terminals in Kerala using multiphase queuing system | |
| Yin et al. | Joint apron-runway assignment for airport surface operations | |
| Andreatta et al. | A set of approximate and compatible models for airport strategic planning on airside and on landside | |
| Liang et al. | An improved adaptive parallel genetic algorithm for the airport gate assignment problem | |
| CN114611781A (zh) | 一种面向航班计划的离港旅客聚集信息预测方法及系统 | |
| Almaameri et al. | Predicting Airplane Flight Delays Using Neural Networks | |
| Novrisal et al. | Simulation of departure terminal in Soekarno-Hatta International airport | |
| Čokorilo et al. | Multi attribute decision making: Assessing the technological and operational parameters of an aircraft | |
| Zhang et al. | A genetic algorithm-based BP neural network method for operational performance assessment of ATC sector | |
| Wang et al. | Temporal patterns underlying domestic departure passengers behavior in the airport | |
| Lee et al. | A traffic engineering model for air taxi services | |
| Maheshwari | Enabling Ride-Sharing in on-Demand Air Service Operations Through Reinforcement Learning | |
| Wang et al. | The integrated evaluation of airport ground movement performance based on GA-BP network | |
| James et al. | Development of model categories for performance improvement studies related to airport terminal operations | |
| Delcea et al. | Grey Clustering of the Variations in Reverse Pyramid Boarding Method Considering Pandemic Restrictions. | |
| Guedan‐Pecker et al. | Airport take‐off and landing optimization through genetic algorithms |
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 |