CN106778857B - 到港航班行李状态自动获取的方法 - Google Patents

Abstract

本发明提供一种到港航班行李状态自动获取的方法，包括：基于特征识别算法对行李车轨迹进行聚类，得到分别与每个停机位对应的轨迹聚类集合；对于停机坪上的每个行李车，从行李车进入停机坪开始，实时获得行李车轨迹点，并归到所属的聚类，从而识别到行李车所对应的目标停机位；结合目标停机位的航班信息，可推算到目标停机位当前停靠的飞机中的行李已转移到对应的行李车，同时，停车特征轨迹线的终点所对应的时间即作为行李装载结束的时间点。优点为：利用机器学习、大数据分析、融合定位、航班状态等信息对行李车状态进行实时、精确的跟踪，从而可追踪到港行李的实时状态，提高旅客体验，全面提升机场行李管理效率。

Description

到港航班行李状态自动获取的方法

技术领域

本发明属于行李状态自动获取技术领域，具体涉及一种到港航班行李状态自动获取的方法。

背景技术

目前，在民航业界，行李从进港到抵达行李提取转盘处，缺乏有效的跟踪技术，因此，在旅客从进港到抵达行李提取转盘处提取行李的过程中，无法获知自已行李的位置信息，从而降低了旅客体验。

在旅客全流程信息覆盖的今天，到港行李位置信息仍然属于影响旅客体验的弱项。行李跟踪一直以来是旅客、航空公司及机场管理的痛点问题，如何简单、有效的解决上述问题，是目前迫切需要解决的事情。

发明内容

针对现有技术存在的缺陷，本发明提供一种到港航班行李状态自动获取的方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种到港航班行李状态自动获取的方法，包括以下步骤：

步骤1，基于特征识别算法对行李车轨迹进行聚类，得到分别与每个停机位对应的轨迹聚类集合；具体包括：

步骤1.1，获取N个行李车历史原始轨迹序列；其中，每个所述行李车历史原始轨迹序列为一辆行李车从进入停机坪到驶出停机坪的轨迹序列，所述轨迹序列由多个轨迹点表示，每个所述轨迹点为四维数据，表示为： R_ij＝{t_ij,x_ij,y_ij,a_ij},i∈[1,N],j∈[1,C_i]；其中，R_ij为四维数据形式的轨迹点；C_i为第i 辆行李车的轨迹点数；N为行李车样本总数；t_ij为第i辆行李车在第j个轨迹序号位置的时间；x_ij为第i辆行李车在第j个轨迹序号位置的经度位置值；y_ij为第i辆行李车在第j个轨迹序号位置的纬度位置值；a_ij为第i辆行李车在第j个轨迹序号位置的加速度值；

步骤1.2，对于每个所述行李车历史原始轨迹序列，按轨迹序号依次连接各个轨迹点，得到一条行李车历史原始轨迹线；

步骤1.3，对每个所述行李车历史原始轨迹线进行特征识别定位，在行李车历史原始轨迹线中定位到同时满足以下5个约束条件的某段轨迹线作为停车特征轨迹线：

条件1：abs(a_i(t_j))＜＝T_abs(a)

条件2：var[a_i(t₁),a_i(t₂),...a_i(t_m)]＜＝T_var(a)

条件3：var[(x_i(t₁),y_i(t₁)),(x_i(t₂),y_i(t₂)),...(x_i(t_m),y_i(t_m))]＜＝T_var(xy)

条件4：

条件5：t_m-t₁＞＝T_work

其中：

i∈[1,N],j∈[1,m],q∈[1,Q]；

Q为停机坪的停机位总数；m为停车特征轨迹线的采样轨迹点数；

abs(a_i(t_j))代表停车特征轨迹线每一个采样轨迹点的加速度值的绝对值；其中，a_i(t_j)代表时间为t_j的采样轨迹点的加速度值；

T_abs(a)代表加速度阈值的极大值；

var[a_i(t₁),a_i(t₂),...a_i(t_m)]代表停车特征轨迹线的m个采样轨迹点的加速度值的方差值；

T_var(a)代表加速度方差阈值的极大值；

var[(x_i(t₁),y_i(t₁)),(x_i(t₂),y_i(t₂)),...(x_i(t_m),y_i(t_m))]代表停车特征轨迹线的m个采样轨迹点的经纬度值的方差值；

T_var(xy)代表经纬度方差阈值的极大值；

代表停车特征轨迹线的m个采样轨迹点的经度平均值；

Q_q(x)代表最近停机位q的经度值；

代表停车特征轨迹线的m个采样轨迹点的纬度平均值；

Q_q(y)代表最近停机位q的纬度值；

T_dist代表停车特征轨迹线的几何中心位置与停机位距离之间的装载作业距离的极大值；

t_m-t₁代表停车特征轨迹线的终点轨迹点时间与起点轨迹点时间之差；

T_work代表持续时间长度的极小值；

步骤1.4，对于定位到的所述停车特征轨迹线，进一步定位到停车特征轨迹线的中心位置，然后，以中心位置为圆心，以预设定的半径R值为半径画圆，该圆与行李车历史原始轨迹线相交于两点，分别记为起点P1和终点P2；

起点P1到终点P2之间的行李车历史原始轨迹线即形成与最近停机位q对应的停机位附近特征轨迹线；

步骤1.5，由此共得到N个停机位附近特征轨迹线；每个停机位附近特征轨迹线与某个最近停机位对应；

将停机位附近特征轨迹线作为目标轨迹线，在得到的所有目标轨迹线中，选择M条目标轨迹线作为M个类的初始特征代表T_i,i∈[1,M]；

步骤1.6，依次计算每个目标轨迹线到M个初始特征代表的轨迹相似度，将符合轨迹相似度阈值的目标轨迹线归属到最相似特征代表所属的类 Cluster_i,i∈[1,M]；

步骤1.7，对类Cluster_i的特征代表进行更新，更新方法为：对于类内多条目标轨迹线，选择与其他目标轨迹线平均相似度最高的某条目标轨迹线作为新的特征代表D_i；

步骤1.8，重复步骤1.6和步骤1.7，直到所有目标轨迹线的归属、类的特征代表不再变化；由此得到每个聚类的最终特征代表，每个聚类的最终特征代表唯一对应一个停机位；

步骤2，当需要自动获取到港航班行李状态时，对于停机坪上的每个行李车，从行李车进入停机坪开始，实时获得行李车轨迹点，并实时分析已获取到的行李车轨迹点的特征，一旦识别到该行李车出现符合步骤1.3中的5个约束条件的停车特征轨迹线时，对识别到的停车特征轨迹线进行处理，得到对应的目标轨迹线；然后，基于预设定的轨迹相似度比对算法，得到该目标轨迹线所归属的聚类，进而识别到该聚类所对应的停机位，从而识别到该行李车所对应的目标停机位；

结合目标停机位的航班信息，可推算到目标停机位当前停靠的飞机中的行李已转移到对应的行李车，同时，停车特征轨迹线的终点所对应的时间即作为行李装载结束的时间点；

步骤3，从行李装载结束的时间点开始，继续实时获取行李车位置信息，直到达到行李分拣区；其中，行李车位置信息即为追踪到的对应航班行李实时信息，进而实现航班行李信息实时自动追踪的目的。

优选的，步骤2中，在得到行李装载结束的时间点后，还包括：

步骤4，预测到港行李进入分拣区的时间。

优选的，步骤4中，预测到港行李进入分拣区的时间，具体包括以下步骤：

采用静态时间预估方法，即：

对海量行李车历史轨迹序列进行分析，获取每个停机位到分拣区的经验路线，然后，根据行李车在驶向停机位的过程中的行车速度，推算到从停机位驶向分拣区的行车速度；采用经验路线的路线长度除以行车速度，推算到从停机位到分拣区所需的时间，因此，行李装载结束的时间点开始，再经过从停机位到分拣区所需的时间，即为到港行李进入分拣区的时间。

优选的，步骤4中，预测到港行李进入分拣区的时间，具体包括以下步骤：

采用动态时间预估方法，即：

对海量行李车历史轨迹序列进行分析，获取每个停机位到分拣区的多条经验路线；

实时获得当前时刻停机坪上所有行李车的轨迹点，从而实时计算得到每条经验路线的行李车流量；根据每条经验路线的行李车流量，推算到每条经验路线的行李车行进速度；

在行李车从停机位驶向分拣区的过程中，不断归算到其所属的经典路线，一旦行李车实时轨迹偏离某条经典路线到达设定阈值，则将其归属到另一条最相近的经典路线；然后，结合行李车所属经典路线的长度以及该条经验路线的行李车行进速度，预测出行李进入分拣区的时间。

本发明提供的到港航班行李状态自动获取的方法具有以下优点：

本发明提供的港航班行李状态自动获取的方法，利用机器学习、大数据分析、融合定位、航班状态等信息对行李车状态进行实时、精确的跟踪，从而可追踪到港行李的实时状态，提高旅客体验，全面提升机场行李管理效率。

附图说明

图1为本发明提供的到港航班行李状态自动获取的方法流程示意图；

图2为各经典路线的示意图；

图3为某个停机位到某个分拣区的路线示意图；

图4为行李车在某条经典路线的行驶时间估计示意图；

图5为经典路线的行驶用时估计图。

具体实施方式

为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，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施例仅用以解释本发明，并不用于限定本发明。

本发明提供一种港航班行李状态自动获取的方法，利用机器学习、大数据分析、融合定位、航班状态等信息对行李车状态进行实时、精确的跟踪，从而可追踪到港行李的实时状态，提高旅客体验，全面提升机场行李管理效率。

结合图1，到港航班行李状态自动获取的方法包括以下步骤：

步骤1，基于特征识别算法对行李车轨迹进行聚类，得到分别与每个停机位对应的轨迹聚类集合；

在实际机场中，为了保证飞机起落安全，各个停机位在物理位置上有较大的距离，因此，前往某个特定停机位接机的行李车所经过停机坪轨迹比较相似；而对于不同停机位，前来接机的行李车所经过停机坪的轨迹差异则较大。基于这一发现，可以对前往同一停机位的行李车轨迹进行自动归类，从而更有效、精准的跟踪行李状态。

轨迹聚类的方法，具体包括：

步骤1.1，获取N个行李车历史原始轨迹序列；其中，每个所述行李车历史原始轨迹序列为一辆行李车从进入停机坪到驶出停机坪的轨迹序列，所述轨迹序列由多个轨迹点表示，每个所述轨迹点为四维数据，表示为： R_ij＝{t_ij,x_ij,y_ij,a_ij},i∈[1,N],j∈[1,C_i]；其中，R_ij为四维数据形式的轨迹点；C_i为第i 辆行李车的轨迹点数；N为行李车样本总数；t_ij为第i辆行李车在第j个轨迹序号位置的时间；x_ij为第i辆行李车在第j个轨迹序号位置的经度位置值；y_ij为第i辆行李车在第j个轨迹序号位置的纬度位置值；a_ij为第i辆行李车在第j个轨迹序号位置的加速度值；

步骤1.2，对于每个所述行李车历史原始轨迹序列，按轨迹序号依次连接各个轨迹点，得到一条行李车历史原始轨迹线；

步骤1.3，对每个所述行李车历史原始轨迹线进行特征识别定位，在行李车历史原始轨迹线中定位到同时满足以下5个约束条件的某段轨迹线作为停车特征轨迹线：

条件1：abs(a_i(t_j))＜＝T_abs(a)

条件2：var[a_i(t₁),a_i(t₂),...a_i(t_m)]＜＝T_var(a)

条件3：var[(x_i(t₁),y_i(t₁)),(x_i(t₂),y_i(t₂)),...(x_i(t_m),y_i(t_m))]＜＝T_var(xy)

条件4：

条件5：t_m-t₁＞＝T_work

其中：

i∈[1,N],j∈[1,m],q∈[1,Q]；

Q为停机坪的停机位总数；m为停车特征轨迹线的采样轨迹点数；

abs(a_i(t_j))代表停车特征轨迹线每一个采样轨迹点的加速度值的绝对值；其中，a_i(t_j)代表时间为t_j的采样轨迹点的加速度值；

T_abs(a)代表加速度阈值的极大值；

var[a_i(t₁),a_i(t₂),...a_i(t_m)]代表停车特征轨迹线的m个采样轨迹点的加速度值的方差值；

T_var(a)代表加速度方差阈值的极大值；

var[(x_i(t₁),y_i(t₁)),(x_i(t₂),y_i(t₂)),...(x_i(t_m),y_i(t_m))]代表停车特征轨迹线的m个采样轨迹点的经纬度值的方差值；

T_var(xy)代表经纬度方差阈值的极大值；

代表停车特征轨迹线的m个采样轨迹点的经度平均值；

Q_q(x)代表最近停机位q的经度值；

代表停车特征轨迹线的m个采样轨迹点的纬度平均值；

Q_q(y)代表最近停机位q的纬度值；

T_dist代表停车特征轨迹线的几何中心位置与停机位距离之间的装载作业距离的极大值；

t_m-t₁代表停车特征轨迹线的终点轨迹点时间与起点轨迹点时间之差；

T_work代表持续时间长度的极小值；

具体的，由于一条完整的从驶入停机坪到驶离停机坪的行李车轨迹，其轨迹点庞大，因此，本发明人创新的从行李车历史原始轨迹线中定位一段具有“驶向停机位、装载行李、驶离停机位”特征的轨迹作为停车特征轨迹线，从而方便进行后续的特征识别。

停车特征轨迹线所满足的上述5个约束条件，分别表达的含义可简单理解为：

条件1，停车特征轨迹线每一个采样轨迹点的加速度值的绝对值需要小于设定阈值；

条件2，停车特征轨迹线的m个采样轨迹点的加速度值的方差值需要小于设定阈值；

条件3，停车特征轨迹线的m个采样轨迹点的经纬度值的方差值需要小于设定阈值；

条件4，停车特征轨迹线的几何中心位置与停机位之间距离，即装载作业距离需要小于设定阈值；

条件5，停车特征轨迹线的终点轨迹点时间与起点轨迹点时间之差，需要大于设定阈值；即：需要有一段必要的装载作业用时时间。

步骤1.4，对于定位到的所述停车特征轨迹线，进一步定位到停车特征轨迹线的中心位置，然后，以中心位置为圆心，以预设定的半径R值为半径画圆，半径R可以为30m左右，具体根据定位精度进行灵活调整；该圆与行李车历史原始轨迹线相交于两点，分别记为起点P1和终点P2；

起点P1到终点P2之间的行李车历史原始轨迹线即形成与最近停机位q对应的停机位附近特征轨迹线；

步骤1.5，由此共得到N个停机位附近特征轨迹线；每个停机位附近特征轨迹线与某个最近停机位对应；

将停机位附近特征轨迹线作为目标轨迹线，在得到的所有目标轨迹线中，选择M条目标轨迹线作为M个类的初始特征代表T_i,i∈[1,M]；

步骤1.6，依次计算每个目标轨迹线到M个初始特征代表的轨迹相似度，将符合轨迹相似度阈值的目标轨迹线归属到最相似特征代表所属的类 Cluster_i,i∈[1,M]；

实际应用中，在机场内，实际交通状况不同，同样的路段行李车以不同的车速经过、加上停车时间的影响，完成同一段路的时间不同。所以本发明轨迹线上的每个轨迹点采用四维数据表达，包括有加速度等参数。而在计算轨迹相似度时，行李车定位坐标的时间序列长度不一，计算两条轨迹相似度时，采用动态时间序列匹配的方法，公式如下：

DTW(R_i,R_j),i∈[1,N],j∈[1,N],i≠j

元素间距离

步骤1.7，对类Cluster_i的特征代表进行更新，更新方法为：对于类内多条目标轨迹线，选择与其他目标轨迹线平均相似度最高的某条目标轨迹线作为新的特征代表D_i；

步骤1.8，重复步骤1.6和步骤1.7，直到所有目标轨迹线的归属、类的特征代表不再变化；由此得到每个聚类的最终特征代表，每个聚类的最终特征代表唯一对应一个停机位；

步骤2，当需要自动获取到港航班行李状态时，对于停机坪上的每个行李车，从行李车进入停机坪开始，实时获得行李车轨迹点，并实时分析已获取到的行李车轨迹点的特征，一旦识别到该行李车出现符合步骤1.3中的5个约束条件的停车特征轨迹线时，对识别到的停车特征轨迹线进行处理，得到对应的目标轨迹线；然后，基于预设定的轨迹相似度比对算法，得到该目标轨迹线所归属的聚类，进而识别到该聚类所对应的停机位，从而识别到该行李车所对应的目标停机位；本步骤中，在进行轨迹相似度比对算法时，同样采用动态时间序列匹配方法。

结合目标停机位的航班信息，可推算到目标停机位当前停靠的飞机中的行李已转移到对应的行李车，同时，停车特征轨迹线的终点所对应的时间即作为行李装载结束的时间点；

步骤3，从行李装载结束的时间点开始，继续实时获取行李车位置信息，直到达到行李分拣区；其中，行李车位置信息即为追踪到的对应航班行李实时信息，进而实现航班行李信息实时自动追踪的目的。

在得到行李装载结束的时间点后，还包括：

步骤4，预测到港行李进入分拣区的时间。

其中，预测到港行李进入分拣区的时间，可采用两种方法，分别为：静态时间预估方法和动态时间预估方法。

(一)静态时间预估方法

静态时间预估方法为：

对海量行李车历史轨迹序列进行分析，获取每个停机位到分拣区的经验路线，然后，根据行李车在驶向停机位的过程中的行车速度，推算到从停机位驶向分拣区的行车速度；采用经验路线的路线长度除以行车速度，推算到从停机位到分拣区所需的时间，因此，行李装载结束的时间点开始，再经过从停机位到分拣区所需的时间，即为到港行李进入分拣区的时间。

(二)动态时间预估方法

动态时间预估方法为：

对海量行李车历史轨迹序列进行分析，获取每个停机位到分拣区的多条经验路线；

实时获得当前时刻停机坪上所有行李车的轨迹点，从而实时计算得到每条经验路线的行李车流量；根据每条经验路线的行李车流量，推算到每条经验路线的行李车行进速度；

在行李车从停机位驶向分拣区的过程中，不断归算到其所属的经典路线，一旦行李车实时轨迹偏离某条经典路线到达设定阈值，则将其归属到另一条最相近的经典路线；然后，结合行李车所属经典路线的长度以及该条经验路线的行李车行进速度，预测出行李进入分拣区的时间。

具体的，根据常识，机场停机坪的停机位数量及行李分拣区数量是有限的，通常情况下，从某固定停机位到某固定行李分拣区都有一些常用路线，通过对一段时间的行李车轨迹数据进行分析，可以很容易得到这些常用路线，而这些常用路线可以用来对行李状态做更精确的追踪。如图2所示，即为各经典路线的示意图。

采用大数据分析方法，统计分析从每个停机位到每个分拣区各条路线的概率，以及每条路线上行驶时间的分布。

参考图3，为某个停机位到某个分拣区的路线示意图。在图3中，从停机位 S到分拣区D，常用路线共有三条，分别为路线a、路线b、路线c，行驶次数分别为count(a)、count(b)、count(c),三条路线对应的行走概率近似为假设在各条路线上，行驶时间的分布服从正态分布，比如在路线a上，行驶时间的均值为μ_a，标准差为σ_a，当行李车装载完毕行李，向分拣区行驶时，可以提示机场或者旅客，预计(μ_a-σ_a，μ_a+σ_a)时间将进入分拣区。

若行驶过程中，行李车轨迹偏离当前经典路线，定位点到路线的距离连续 count(T)次超过距离dist(T)，则认为车辆偏航，重新计算所在的路线，给出新的时间估计。如图4所示，为行李车在某条经典路线的行驶时间估计示意图。

另外，在进行行李车行驶时间估计时，还可以根据行李车当前位置、行驶路线以及行驶路线上的车流量，估计出行李车行进速度，采用李车行进速度估计行李车在该条经典路线的行驶用时。参考图5，为经典路线的行驶用时估计图。

本发明提供的到港航班行李状态自动获取的方法具有以下优点：

本发明提供的港航班行李状态自动获取的方法，巧妙的在行李车行驶轨迹中识别到停车特征轨迹线，而停车特征轨迹线的终点所对应的时间即作为行李装载结束的时间点，基于行李装载结束的时间点，既能实现对行车位置信息进行实时跟踪，又能精确预估行李到达分拣区的时间，从而提高旅客体验，全面提升机场行李管理效率。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (1)

1.一种到港航班行李状态自动获取的方法，其特征在于，包括以下步骤：

步骤1，基于特征识别算法对行李车轨迹进行聚类，得到分别与每个停机位对应的轨迹聚类集合；具体包括：

步骤1.1，获取N个行李车历史原始轨迹序列；其中，每个所述行李车历史原始轨迹序列为一辆行李车从进入停机坪到驶出停机坪的轨迹序列，所述轨迹序列由多个轨迹点表示，每个所述轨迹点为四维数据，表示为：R_ij＝{t_ij,x_ij,y_ij,a_ij},i∈[1,N],j∈[1,C_i]；其中，R_ij为四维数据形式的轨迹点；C_i为第i辆行李车的轨迹点数；N为行李车样本总数；t_ij为第i辆行李车在第j个轨迹序号位置的时间；x_ij为第i辆行李车在第j个轨迹序号位置的经度位置值；y_ij为第i辆行李车在第j个轨迹序号位置的纬度位置值；a_ij为第i辆行李车在第j个轨迹序号位置的加速度值；

步骤1.2，对于每个所述行李车历史原始轨迹序列，按轨迹序号依次连接各个轨迹点，得到一条行李车历史原始轨迹线；

步骤1.3，对每个所述行李车历史原始轨迹线进行特征识别定位，在行李车历史原始轨迹线中定位到同时满足以下5个约束条件的某段轨迹线作为停车特征轨迹线：

条件1：abs(a_i(t_j))<＝T_abs(a)

条件2：var[a_i(t₁),a_i(t₂),...a_i(t_m)]<＝T_var(a)

条件3：var[(x_i(t₁),y_i(t₁)),(x_i(t₂),y_i(t₂)),...(x_i(t_m),y_i(t_m))]<＝T_var(xy)

条件4：

条件5：t_m-t₁>＝T_work

其中：

i∈[1,N],j∈[1,m],q∈[1,Q]；

Q为停机坪的停机位总数；m为停车特征轨迹线的采样轨迹点数；

abs(a_i(t_j))代表停车特征轨迹线每一个采样轨迹点的加速度值的绝对值；其中，a_i(t_j)代表时间为t_j的采样轨迹点的加速度值；

T_abs(a)代表加速度阈值的极大值；

var[a_i(t₁),a_i(t₂),...a_i(t_m)]代表停车特征轨迹线的m个采样轨迹点的加速度值的方差值；

T_var(a)代表加速度方差阈值的极大值；

var[(x_i(t₁),y_i(t₁)),(x_i(t₂),y_i(t₂)),...(x_i(t_m),y_i(t_m))]代表停车特征轨迹线的m个采样轨迹点的经纬度值的方差值；其中，x_i(t₁),y_i(t₁)分别代表停车特征轨迹线的第1个采样轨迹点的经纬度值；x_i(t₂),y_i(t₂)分别代表停车特征轨迹线的第2个采样轨迹点的经纬度值；x_i(t_m),y_i(t_m)分别代表停车特征轨迹线的第m个采样轨迹点的经纬度值；

T_var(xy)代表经纬度方差阈值的极大值；

代表停车特征轨迹线的m个采样轨迹点的经度平均值；其中，x_i(t_j)代表停车特征轨迹线的第j个采样轨迹点的经度值；

Q_q(x)代表最近停机位q的经度值；

代表停车特征轨迹线的m个采样轨迹点的纬度平均值；其中，y_i(t_j)代表停车特征轨迹线的第j个采样轨迹点的纬度值；

Q_q(y)代表最近停机位q的纬度值；

T_dist代表停车特征轨迹线的几何中心位置与停机位距离之间的装载作业距离的极大值；

t_m-t₁代表停车特征轨迹线的终点轨迹点时间与起点轨迹点时间之差；

T_work代表持续时间长度的极小值；

步骤1.4，对于定位到的所述停车特征轨迹线，进一步定位到停车特征轨迹线的中心位置，然后，以中心位置为圆心，以预设定的半径R值为半径画圆，该圆与行李车历史原始轨迹线相交于两点，分别记为起点P1和终点P2；

起点P1到终点P2之间的行李车历史原始轨迹线即形成与最近停机位q对应的停机位附近特征轨迹线；

步骤1.5，由此共得到N个停机位附近特征轨迹线；每个停机位附近特征轨迹线与某个最近停机位对应；

将停机位附近特征轨迹线作为目标轨迹线，在得到的所有目标轨迹线中，选择M条目标轨迹线作为M个类的初始特征代表T_i,i∈[1,M]；

步骤1.6，依次计算每个目标轨迹线到M个初始特征代表的轨迹相似度，将符合轨迹相似度阈值的目标轨迹线归属到最相似特征代表所属的类Cluster_i,i∈[1,M]；

轨迹线上的每个轨迹点采用四维数据表达，而在计算轨迹相似度时，行李车定位坐标的时间序列长度不一，计算两条轨迹相似度时，采用动态时间序列匹配的方法，公式如下：

DTW(R_i,R_j),i∈[1,N],j∈[1,N],i≠j；其中，DTW(R_i,R_j)代表轨迹R_i和轨迹R_j的相似度；R_i代表某条轨迹；R_j代表某条轨迹；

元素间距离

步骤1.7，对类Cluster_i的特征代表进行更新，更新方法为：对于类内多条目标轨迹线，选择与其他目标轨迹线平均相似度最高的某条目标轨迹线作为新的特征代表D_i；

步骤1.8，重复步骤1.6和步骤1.7，直到所有目标轨迹线的归属、类的特征代表不再变化；由此得到每个聚类的最终特征代表，每个聚类的最终特征代表唯一对应一个停机位；

步骤2，当需要自动获取到港航班行李状态时，对于停机坪上的每个行李车，从行李车进入停机坪开始，实时获得行李车轨迹点，并实时分析已获取到的行李车轨迹点的特征，一旦识别到该行李车出现符合步骤1.3中的5个约束条件的停车特征轨迹线时，对识别到的停车特征轨迹线进行处理，得到对应的目标轨迹线；然后，基于预设定的轨迹相似度比对算法，得到该目标轨迹线所归属的聚类，进而识别到该聚类所对应的停机位，从而识别到该行李车所对应的目标停机位；

结合目标停机位的航班信息，可推算到目标停机位当前停靠的飞机中的行李已转移到对应的行李车，同时，停车特征轨迹线的终点所对应的时间即作为行李装载结束的时间点；

步骤3，从行李装载结束的时间点开始，继续实时获取行李车位置信息，直到达到行李分拣区；其中，行李车位置信息即为追踪到的对应航班行李实时信息，进而实现航班行李信息实时自动追踪的目的；

步骤4，预测到港行李进入分拣区的时间，具体包括以下步骤：

采用静态时间预估方法，即：

对海量行李车历史轨迹序列进行分析，获取每个停机位到分拣区的经验路线，然后，根据行李车在驶向停机位的过程中的行车速度，推算到从停机位驶向分拣区的行车速度；采用经验路线的路线长度除以行车速度，推算到从停机位到分拣区所需的时间，因此，行李装载结束的时间点开始，再经过从停机位到分拣区所需的时间，即为到港行李进入分拣区的时间；

或者，步骤4，预测到港行李进入分拣区的时间，具体包括以下步骤：

采用动态时间预估方法，即：

对海量行李车历史轨迹序列进行分析，获取每个停机位到分拣区的多条经验路线；

实时获得当前时刻停机坪上所有行李车的轨迹点，从而实时计算得到每条经验路线的行李车流量；根据每条经验路线的行李车流量，推算到每条经验路线的行李车行进速度；

在行李车从停机位驶向分拣区的过程中，不断归算到其所属的经典路线，一旦行李车实时轨迹偏离某条经典路线到达设定阈值，则将其归属到另一条最相近的经典路线；然后，结合行李车所属经典路线的长度以及该条经验路线的行李车行进速度，预测出行李进入分拣区的时间。