CN105809280A - 一种机场容量需求预测方法 - Google Patents
一种机场容量需求预测方法 Download PDFInfo
- Publication number
- CN105809280A CN105809280A CN201610122371.6A CN201610122371A CN105809280A CN 105809280 A CN105809280 A CN 105809280A CN 201610122371 A CN201610122371 A CN 201610122371A CN 105809280 A CN105809280 A CN 105809280A
- Authority
- CN
- China
- Prior art keywords
- airport
- flight
- aerodrome
- flight amount
- amount
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 14
- 230000010006 flight Effects 0.000 claims abstract description 7
- 239000000470 constituent Substances 0.000 claims description 26
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 12
- 238000013277 forecasting method Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000007306 turnover Effects 0.000 claims description 2
- 230000001934 delay Effects 0.000 abstract 1
- 238000007619 statistical method Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002459 sustained effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000002699 waste material Substances 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种机场容量需求预测方法,该方法通过收集机场历史飞行量数据以及机场所在城市社会经济数据,提取影响机场飞行量的关键指标,并使用主成分分析法建立综合指标,构建机场飞行量预测模型;统计分析机场历史飞行计划数据,提取包含高峰月高峰小时在内的机场飞行流量分布以及体现机场交通需求的典型高峰小时,结合机场飞行流量预测结果,建立机场容量需求预测模型,实现对未来年份机场容量需求的预测;本发明充分考虑了影响机场飞行量的关键要素,在机场飞行量预测的基础上开展容量需求预测,对于提升机场服务水平、降低航班延误等具有重要意义。
Description
技术领域
本发明涉及空中交通流量管理领域,尤其涉及一种适用于规划阶段的机场容量需求预测方法。
背景技术
随着我国国民经济持续快速发展,航空运输增长迅猛,未来我国空域系统将逐渐呈现高密度、复杂化、网络化和广域性等特点,机场作为整个航空运输网络的起讫点,是整个航空运输网络中运行最复杂的节点,也是航班延误产生的源点,随着交通需求的快速发展,部分主要繁忙机场容量已远不能满足交通需求,机场容需失衡是导致目前航班延误频发的主要原因。为了满足机场交通需求,亟需开展前瞻性的机场容量需求预测。机场容量需求预测是机场制定建设规划的基础,在空管资源粗放型管理的历史背景下,部分机场发展建设过程中出现了过度建设而导致资源浪费以及悲观规划而导致重复建设等问题,致使国家土地、空域、财力等的虚耗,为解决这一问题,需在准确预测机场飞行量的基础上,开展机场容量需求预测,从而能够有的放矢的制定行之有效的机场规划,缓解航班延误频发、国家资源浪费等问题,促进空域资源的科学配置和灵活使用,确保未来国家空域系统安全高效运行,推动国民经济持续快速健康发展。
发明内容
本发明所要解决的技术问题是针对上述背景技术的不足,提出了一种机场容量需求预测方法,该方法适用于未来5-10年的中长期规划阶段,以机场飞行流量影响因素提取分析为基础,建立机场飞行流量预测模型,通过提取机场交通流量分布规律和特点,建立容量需求预测模型,获得机场预测年份机场容量需求。实现此方法的技术方案如下:
提取影响机场飞行量的关键指标,建立机场飞行量预测模型,根据历史数据分析机场飞行流量分布规律和特点,以飞行量预测和时空分布特点分析为基础建立机场容量需求预测模型,具体包括以下几个步骤:
(1)收集机场历史年份的关键指标数据,使用主成分分析法,得到影响机场飞行量的主成分;
(2)在主成分提取的基础上,使用计量经济法对未来年份机场飞行量进行预测;
(3)选取机场最近一年完整历史飞行流量数据,开展飞行流量分布规律分析,提取表征飞行流量分布的主要指标;
(4)根据机场飞行量预测结果和飞行量时间分布预测机场容量需求。
所述步骤(1)的具体步骤如下:
步骤1.1:搜集整理机场历史年份飞行量数据,令i年的机场的飞行量为Fi;
步骤1.2:搜集整理机场所在城市社会经济数据,令搜集的社会经济指标共R个,则i年第r个指标为xi,r(r=1,2,…,R);
步骤1.3:分析社会经济指标与机场飞行量的相关性,使用相关性分析方法筛选出相关系数大于95%的指标,令筛选后的指标数量为P,P≤R;
步骤1.4:将P个社会经济指标作为输入,进行主成分分析,令提取的主成分个数为Q,所取的Q个主成分累计贡献率须达到85%以上,且Q≤P,则i年第q个主成分表达式为其中,是指第q个主成分中第P个经济指标贡献权值。
所述步骤(2)的具体步骤如下:
步骤2.1:将根据历史社会经济提取计算的Q个主成分作为自变量,机场历史飞行量作为因变量,建立一元或多元线性回归预测模型,则机场飞行量预测模型表达式为 为i年机场飞行量预测结果,为第Q个主成分第i年的回归系数;
步骤2.2:使用二次指数平滑法对未来年份i第p个经济社会指标的预测(p=1,2,…,P),获得预测结果为将经济社会指标的预测结果作为输入,代入主成分表达式则可得到未来年份i第q个主成分所对应的预测结果
步骤2.3:将作为输入量,代入机场飞行量预测模型则可获得未来年份i机场飞行量预测结果
所述步骤(3)的具体步骤如下:
步骤3.1:选取机场最近一年完整历史飞行流量数据,
步骤3.2:令选取年份全年飞行量为G,Gf为第f月飞行量,Gfm为第f月第m天飞行量,Gfmn为第f月第m天第n小时飞行量,令全年中飞行量最高的月份飞行量为G'Max,G'Max=Max{Gf},高峰月天数为M,计算全年总流量与高峰月平均日流量的比值DA,DA=G/(G'Max/M);
步骤3.3:令所选年份全年天数为Y,高峰月第m日高峰小时飞行量为G'Max,m,计算平均日流量与高峰月平均高峰小时流量的比值HA,
步骤3.4:统计机场各小时时间片飞行量Gfmn,将全年各小时飞行量按照从小到大的顺序排序,选取序号为Y·95%所对应的小时作为典型小时,令典型小时飞行量为Gtypical,并计算典型小时飞行量占全年飞行量的比重,ε=Gtypical/G。
所述步骤(4)的具体步骤如下:
步骤4.1:根据高峰月高峰小时流量分布计算机场容量需求,从(2)中步骤B获得的未来年份i起降飞行量预测结果以及(3)中步骤B和C获得的比值DA、HA,计算未来年份i机场的容量需求C1,i,
步骤4.2:根据典型高峰小时选取计算机场容量需求,从(2)中步骤B获得的未来年份i起降飞行量预测结果以及(3)中步骤D可获得机场典型高峰小时飞行量占全年的比重ε,计算未来年份i机场的容量需求C2,i,
步骤4.3:确定未来年份i机场容量需求的最终结果Ci,Ci=Max{C1,i,C2,i}。
作为一种优选,所述关键指标数据包括该机场的飞行量数据,以及该机场所在城市的国民生产总值、人口、对外贸易历史年份社会经济数据在内的指标。
作为一种优选,所述社会经济数据包含国民生产总值、人口以及对外贸易额。
作为一种优选,所述飞行流量数据包括在本机场起飞和落地的所有航班,含航班号、起飞时间、落地时间数据。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明充分考虑了影响机场飞行量的关键要素,解析了年飞行流量与高峰小时容量之间的函数关联关系,从而以机场年飞行量预测为基础上开展机场小时容量需求预测,对于合理规划航班时刻和扩容建设,提升机场服务水平,降低航班延误等具有重要意义;该方法基于机场的历史飞行量、机场所在地的社会经济数据的实际情况,能够较为准确的预测机场未来5-10年的容量需求。
附图说明
以下将结合附图对本发明作进一步说明:
图1为本发明机场容量需求预测方法结构示意图;
图2为全年时间片飞行流量分布图;
图3为全年各月飞行流量分布图;
图4为高峰月各日高峰小时飞行量分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚,以下结合附图1所示技术路线及实例,对本发明进行进一步详细说明,应当理解,此处所描述的具体实例仅用以解释本发明,并不用于限定本发明。实例如下:
第一步:机场飞行量影响因素提取。选定某机场,搜集该机场历史年份(2000-2014年)飞行量数据以及该机场所在城市社会经济数据,具体如表1所示,社会经济数据包括国内生产总值和人口数。使用SPSSCorrelate模块相关性分析,发现GDP、人口数与机场飞行量相关系数分别为0.981和0.971,相关系数均大于95%,属于强相关,则将两指标均作为输入量进行主成分分析,使用SPSS中FactorAnalysis模块进行主成分分析,建立主成分表达式yi,1=0.51·xi,1+0.51·xi,2,其中xi,1、xi,2分别代表第i年GDP和人口指标的数值,yi,1为社会经济指标提取的主成分。
表1该机场历史机场飞行量、机场所在城市社会经济数据及主成分统计表
年份 | GDP(亿元) | 人口(万人) | 主成分 | 机场飞行量(架次) |
2003 | 3203 | 720.62 | 2001.0462 | 147740 |
2004 | 3758 | 725.19 | 2286.4269 | 1422833 --> |
2005 | 4450 | 966.06 | 2762.1906 | 182780 |
2006 | 5154 | 949.68 | 3112.8768 | 211309 |
2007 | 6081 | 996.66 | 3609.6066 | 232404 |
2008 | 7140 | 1053.01 | 4178.4351 | 260828 |
2009 | 8287 | 1115.34 | 4795.1934 | 280392 |
2010 | 9138 | 1186.97 | 5265.7347 | 308863 |
2011 | 10604 | 1270.96 | 6056.2296 | 329214 |
2012 | 12303 | 1275.14 | 6924.8514 | 349259 |
2013 | 13551 | 1283.89 | 7565.7939 | 373314 |
2014 | 15420 | 1293.83 | 8524.0533 | 394403 |
第二步:机场起降量预测。将主成分作为自变量,机场飞行量作为因变量,建立一元线性回归预测模型,表达式对未来5年的GDP、人口数使用二次指数平滑法进行预测,并获得主成分的预测结果,使用一元线性回归预测模型进行机场飞行量预测,预测结果如表2所示。
表2社会经济指标、主成分及机场飞行量预测结果
年份 | GDP(亿元) | 人口(万人) | 主成分 | 机场飞行量(架次) |
2015 | 17177.11 | 1332.443 | 9439.87203 | 452169 |
2016 | 18939.62 | 1360.235 | 10352.92605 | 488128 |
2017 | 20702.12 | 1388.028 | 11265.97548 | 524088 |
2018 | 22464.63 | 1415.82 | 12179.0295 | 560048 |
2019 | 24227.14 | 1443.612 | 13092.08352 | 596007 |
第三步:机场飞行量分布规律分析。选取该机场2014年全年飞行计划数据,全年飞行量为330369架次,统计8760(365*24=8760)个小时时间片飞行量,全年时间片飞行流量分布如图2所示,并逐次统计各月飞行量,各月份飞行量分布如图3所示,发现飞行量最高的高峰月为8月,月飞行量为29350架次,并对高峰月中各日的高峰小时飞行量进行提取,如图4所示,计算DA=330369/(29350/31)=348.942,计算HA=(330369/365)/62.71=14.4334;将8760个时间片飞行量按照从小到大的顺序排序,取排序在第438位(8760*95%=8322)的小时飞行量数值作为典型小时飞行需求,可确定该时间片为2014/04/0812:00-13:00,小时飞行量为59架次,计算ε=59/330369=1.785882e-4。
第四步:机场容量需求预测。以2019年机场容量需求预测为例,首先根据高峰月高峰小时流量分布计算机场容量需求C1,2019,结合第二步2019年机场飞行量预测结果以及第三步DA和HA的计算,可得C1,2019=596007/348.942/14.4334=118.34架次/小时;然后根据典型高峰小时选取计算机场容量需求C2,2019,结合第二步2019年机场飞行量预测结果和第三步ε的计算,可得C2,2019=ε·596007=106.44架次/小时;最后计算机场未来年份容量需求的最终结果C2019=118.34架次/小时。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种机场容量需求预测方法,其特征在于,提取影响机场飞行量的关键指标,建立机场飞行量预测模型,根据历史数据分析机场飞行流量分布规律和特点,以飞行量预测和时空分布特点分析为基础建立机场容量需求预测模型,具体包括以下几个步骤:
(1)收集机场历史年份的关键指标数据,使用主成分分析法,得到影响机场飞行量的主成分;
(2)在主成分提取的基础上,使用计量经济法对未来年份机场飞行量进行预测;
(3)选取机场最近一年完整历史飞行流量数据,开展飞行流量分布规律分析,提取表征飞行流量分布的主要指标;
(4)根据机场飞行量预测结果和飞行量时间分布预测机场容量需求。
2.根据权利要求1所述的一种机场容量需求预测方法,其特征在于,所述步骤(1)的具体步骤如下:
步骤1.1:搜集整理机场历史年份飞行量数据,令i年的机场的飞行量为Fi;
步骤1.2:搜集整理机场所在城市社会经济数据,令搜集的社会经济指标共R个,则i年第r个指标为xi,r(r=1,2,…,R);
步骤1.3:分析社会经济指标与机场飞行量的相关性,使用相关性分析方法筛选出相关系数大于95%的指标,令筛选后的指标数量为P,P≤R;
步骤1.4:将P个社会经济指标作为输入,进行主成分分析,令提取的主成分个数为Q,所取的Q个主成分累计贡献率须达到85%以上,且Q≤P,则i年第q个主成分表达式为q=1,2,…,Q;其中,是指第q个主成分中第P个经济指标贡献权值。
3.根据权利要求1所述的一种机场容量需求预测方法,其特征在于,所述步骤(2)的具体步骤如下:
步骤2.1:将根据历史社会经济提取计算的Q个主成分作为自变量,机场历史飞行量作为因变量,建立一元或多元线性回归预测模型,则机场飞行量预测模型表达式为 为i年机场飞行量预测结果,为第Q个主成分第i年的回归系数;
步骤2.2:使用二次指数平滑法对未来年份i第p个经济社会指标的预测(p=1,2,…,P),获得预测结果为将经济社会指标的预测结果作为输入,代入主成分表达式则可得到未来年份i第q个主成分所对应的预测结果
步骤2.3:将作为输入量,代入机场飞行量预测模型则可获得未来年份i机场飞行量预测结果
4.根据权利要求3所述的一种机场容量需求预测方法,其特征在于,所述步骤(3)的具体步骤如下:
步骤3.1:选取机场最近一年完整历史飞行流量数据,
步骤3.2:令选取年份全年飞行量为G,Gf为第f月飞行量,Gfm为第f月第m天飞行量,Gfmn为第f月第m天第n小时飞行量,令全年中飞行量最高的月份飞行量为G'Max,G'Max=Max{Gf},高峰月天数为M,计算全年总流量与高峰月平均日流量的比值DA,DA=G/(G'Max/M);
步骤3.3:令所选年份全年天数为Y,高峰月第m日高峰小时飞行量为G'Max,m,计算平均日流量与高峰月平均高峰小时流量的比值HA,
步骤3.4:统计机场各小时时间片飞行量Gfmn,将全年各小时飞行量按照从小到大的顺序排序,选取序号为Y·95%所对应的小时作为典型小时,令典型小时飞行量为Gtypical,并计算典型小时飞行量占全年飞行量的比重,ε=Gtypical/G。
5.根据权利要求4所述的一种机场容量需求预测方法,其特征在于,所述步骤(4)的具体步骤如下:
步骤4.1:根据高峰月高峰小时流量分布计算机场容量需求,从(2)中步骤B获得的未来年份i起降飞行量预测结果以及(3)中步骤B和C获得的比值DA、HA,计算未来年份i机场的容量需求C1,i,
步骤4.2:根据典型高峰小时选取计算机场容量需求,从(2)中步骤B获得的未来年份i起降飞行量预测结果以及(3)中步骤D可获得机场典型高峰小时飞行量占全年的比重ε,计算未来年份i机场的容量需求C2,i,
步骤4.3:确定未来年份i机场容量需求的最终结果Ci,Ci=Max{C1,i,C2,i}。
6.根据权利要求1所述的一种机场容量需求预测方法,其特征在于,所述关键指标数据包括该机场的飞行量数据,以及该机场所在城市的国民生产总值、人口、对外贸易历史年份社会经济数据在内的指标。
7.根据权利要求2所述的一种机场容量需求预测方法,其特征在于,所述社会经济数据包含国民生产总值、人口以及对外贸易额。
8.根据权利要求4所述的一种机场容量需求预测方法,其特征在于,所述飞行流量数据包括在本机场起飞和落地的所有航班,含航班号、起飞时间、落地时间数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610122371.6A CN105809280A (zh) | 2016-03-03 | 2016-03-03 | 一种机场容量需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610122371.6A CN105809280A (zh) | 2016-03-03 | 2016-03-03 | 一种机场容量需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105809280A true CN105809280A (zh) | 2016-07-27 |
Family
ID=56466671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610122371.6A Pending CN105809280A (zh) | 2016-03-03 | 2016-03-03 | 一种机场容量需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105809280A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451750A (zh) * | 2017-08-10 | 2017-12-08 | 中国民航信息网络股份有限公司 | 民航需求异常发现方法和装置 |
CN107464203A (zh) * | 2017-06-29 | 2017-12-12 | 南京航空航天大学 | 一种机场对间高峰小时流量的计算方法 |
CN110059893A (zh) * | 2019-04-30 | 2019-07-26 | 中国民航大学 | 一种含规划机场的大型繁忙机场终端区起降量预测方法 |
CN110660274A (zh) * | 2019-09-30 | 2020-01-07 | 中国电子科技集团公司第二十八研究所 | 一种机场容需平衡预测方法 |
CN111369050A (zh) * | 2020-03-03 | 2020-07-03 | 中国民航工程咨询有限公司 | 一种水上机场选址方法及系统 |
CN111582738A (zh) * | 2020-05-12 | 2020-08-25 | 南京财经大学 | 一种区域机场群的航空客流需求预测方法 |
CN114758528A (zh) * | 2022-03-31 | 2022-07-15 | 中国民用航空飞行学院 | 一种基于服务资源供需平衡的机场终端区容量预测方法 |
-
2016
- 2016-03-03 CN CN201610122371.6A patent/CN105809280A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464203A (zh) * | 2017-06-29 | 2017-12-12 | 南京航空航天大学 | 一种机场对间高峰小时流量的计算方法 |
CN107451750A (zh) * | 2017-08-10 | 2017-12-08 | 中国民航信息网络股份有限公司 | 民航需求异常发现方法和装置 |
CN110059893A (zh) * | 2019-04-30 | 2019-07-26 | 中国民航大学 | 一种含规划机场的大型繁忙机场终端区起降量预测方法 |
CN110059893B (zh) * | 2019-04-30 | 2024-04-09 | 中国民航大学 | 一种含规划机场的大型繁忙机场终端区起降量预测方法 |
CN110660274A (zh) * | 2019-09-30 | 2020-01-07 | 中国电子科技集团公司第二十八研究所 | 一种机场容需平衡预测方法 |
CN111369050A (zh) * | 2020-03-03 | 2020-07-03 | 中国民航工程咨询有限公司 | 一种水上机场选址方法及系统 |
CN111369050B (zh) * | 2020-03-03 | 2023-06-16 | 中国民航工程咨询有限公司 | 一种水上机场选址方法及系统 |
CN111582738A (zh) * | 2020-05-12 | 2020-08-25 | 南京财经大学 | 一种区域机场群的航空客流需求预测方法 |
CN111582738B (zh) * | 2020-05-12 | 2023-05-02 | 南京财经大学 | 一种区域机场群的航空客流需求预测方法 |
CN114758528A (zh) * | 2022-03-31 | 2022-07-15 | 中国民用航空飞行学院 | 一种基于服务资源供需平衡的机场终端区容量预测方法 |
CN114758528B (zh) * | 2022-03-31 | 2023-04-21 | 中国民用航空飞行学院 | 一种基于服务资源供需平衡的机场终端区容量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105809280A (zh) | 一种机场容量需求预测方法 | |
Dong et al. | Hourly energy consumption prediction of an office building based on ensemble learning and energy consumption pattern classification | |
Suryani et al. | Air passenger demand forecasting and passenger terminal capacity expansion: A system dynamics framework | |
Lu et al. | Real-time relief distribution in the aftermath of disasters–A rolling horizon approach | |
CN102169606B (zh) | 一种城市轨道交通网络大客流影响的预测方法 | |
Babel et al. | A multivariate econometric approach for domestic water demand modeling: an application to Kathmandu, Nepal | |
CN106127360A (zh) | 一种基于用户特性分析的多模型负荷预测方法 | |
WO2021082393A1 (zh) | 基于大数据深度学习的机场场面可变滑出时间预测方法 | |
CN105678398A (zh) | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 | |
CN103530704A (zh) | 一种终端空域空中交通动态容量预测系统及其方法 | |
CN110176141B (zh) | 一种基于poi及流量特征的交通小区划分方法和系统 | |
CN105183870A (zh) | 一种利用微博位置信息的城市功能区探测方法及系统 | |
CN109978230B (zh) | 一种基于深度卷积神经网络的电力销售金额智能预测方法 | |
CN107038156A (zh) | 一种基于大数据的舆论热点预测方法 | |
CN108364187A (zh) | 一种基于停电敏感特性的停电敏感用户确定方法和系统 | |
CN106127333A (zh) | 电影上座率预测方法和系统 | |
CN114943356A (zh) | 一种机场到港旅客乘坐出租车短时需求集成预测方法 | |
CN108256724B (zh) | 一种基于动态行业系数的配电网可开放容量规划方法 | |
CN110889092A (zh) | 一种基于轨道交易数据的短时大型活动周边轨道站点客流量预测方法 | |
Ripoll-Zarraga et al. | Exploring the reasons for efficiency in Spanish airports | |
CN109308551A (zh) | 一种基于gm灰色预测的某区域电能替代潜力分析方法 | |
CN105528647A (zh) | 基于大数据分析的机场概率交通需求预测方法 | |
Marcos et al. | A machine learning approach to air traffic route choice modelling | |
CN108038734B (zh) | 基于点评数据的城市商业设施空间分布探测方法及系统 | |
CN107316096A (zh) | 一种轨道交通一票通乘客进站量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160727 |
|
RJ01 | Rejection of invention patent application after publication |