CN110059893A - 一种含规划机场的大型繁忙机场终端区起降量预测方法 - Google Patents
一种含规划机场的大型繁忙机场终端区起降量预测方法 Download PDFInfo
- Publication number
- CN110059893A CN110059893A CN201910361991.9A CN201910361991A CN110059893A CN 110059893 A CN110059893 A CN 110059893A CN 201910361991 A CN201910361991 A CN 201910361991A CN 110059893 A CN110059893 A CN 110059893A
- Authority
- CN
- China
- Prior art keywords
- airport
- population
- flight
- termination environment
- opportunity
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000009826 distribution Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000010006 flight Effects 0.000 claims description 3
- 238000002715 modification method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000000714 time series forecasting Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种含规划机场的大型繁忙机场终端区起降量预测方法。首先提出区域年人均航空出行次数和乘机人口的概念,通过起降量和吞吐量的转换关系得出起降架次的公式;确定大型繁忙机场终端区的交通圈,对交通圈内的乘机人口进行分配,并对乘机人口进行修正;对区域年人均航空出行次数和乘机人口进行预测,通过公式得出年、日均起降架次的预测值;另外,本方法提出空域象限划分的概念,并根据已有机场时刻表作为基准时刻表,通过其航班量及象限分布和终端区的航班量扩张速度,得到预测日各小时的航班量及分布。本发明填补了含规划机场终端区流量预测方法的空白,且本方法流量预测准确,可为大型繁忙机场终端区空域规划提供数据支撑。
Description
技术领域
本发明涉及空中交通管理领域,特别涉及一种基于乘客出行需求的含规划机场的大型繁忙机场终端区起降量预测方法。
背景技术
关于机场流量需求的评价指标常见有吞吐量和起降量两种。机场起降量是反映机场终端区运输能力的重要指标,其准确的预测数据可以为机场运营、终端区规划提供数据支撑。但现有的大多数机场起降量预测方法的应用背景主要是投运机场,而我国正处于民航发展的井喷期,规划机场数量众多,不能直接套用投运机场依靠历史数据的起降量预测方法。且机场起降量预测误差会导致终端区空域规划的不合理,影响终端区的运行效率,造成航班延误。因此,在现有条件下,寻求一种预测精度较高的、适应我国当前含规划机场的终端区的起降量预测方法是非常必要的。
发明内容
本发明针对当前含规划机场的大型繁忙机场终端区的起降量预测方法少且预测准确性低的问题,提出了一种基于机场服务范围内乘客实际需求的含规划机场的大型繁忙终端区起降量预测方法,预测结果涵盖该大型繁忙机场终端区的年起降量、日均起降量和包含流量象限分布的小时起降量。
本发明采取的技术方案是:一种含规划机场的大型繁忙机场终端区起降量预测方法,其特征在于,该方法有如下步骤:
第一步,利用区域年人均航空出行次数、区域的乘机人口、机场客运年吞吐量、航班的平均座位数及航班的平均客座率进行转换,从而得到机场客运年起降架次、机场客运日均起降架次,其中根据机场客运年吞吐量和区域的乘机人口即得出区域年人均航空出行次数:
根据机场客运年吞吐量航班的平均座位数及航班的平均客座率即得出机场客运年起降架次:
联立(1)式和(2)式进一步得出:
由式(3)进一步得出机场客运日均起降架次:
第二步,确定机场的服务范围,根据乘客出行的机场与所在行政区之间的可接受时间1.5h来确定大型繁忙机场终端区整体的可达范围,即大型繁忙机场终端区的交通圈,确定终端区交通圈内的所有人口;选定所述行政区的几何中心的位置为该行政区的中心点,从该中心点至机场乘客的出行时间、出行费用为该行政区所在位置A至机场B乘客的出行时间、出行费用的平均值。
第三步,根据乘客的广义出行费用最小化对大型繁忙机场终端区交通圈内的人口进行其常用机场的最优指派,即乘机人口分配;其中乘客的广义出行费用为:
fA/B=θt×t'A/B+θc×c'A/B-θNR×NR'A/B---------------------------(5)
式中:t'A/B为归一化的乘客平均出行时间;θt为乘客平均出行时间的权重;
c'A/B为归一化的乘客平均出行费用;θc为乘客平均出行费用的权重;
NR'A/B为归一化的机场的航线数;θNR为机场的航线数的权重。
根据乘客的广义出行费用最小化将第二步确定的终端区交通圈内的所有人口分配给各个机场,乘机人口分配的目标函数及约束条件如下:
①、目标函数
所有行政区的乘客的总广义出行费用最小:
②、约束条件
1)、每个行政区的乘客只能被分配到大型繁忙机场终端区中的一个机场:
2)、为了保证大型繁忙机场终端区中各机场的协同发展,每个机场至少要有一个行政区的人去,且一个机场可以接受多个行政区:
3)、选择参数xA/B是0-1变量:
xA/B=0或1----------------------------------------------(9)
③、乘机人口分配求解:乘机人口分配求解使用运筹学中常用的EXCEL规划求解模块求解,求解步骤如下:
a)、选定目标单元格,并设置目标单元格的优化数值类型为最小值;
b)、选定可变单元格;
c)、将约束条件逐个输入;
d)、得到每个行政区所对应的机场的最优指派结果,即各行政区的乘机人口分配给了各机场。
第四步,采用时间序列预测方法对乘机人口和区域年人均航空出行次数进行预测。
第五步、将每个机场的区域乘机人口和区域年人均航空出行次数的预测值分别代入式(3),即得出每个机场的机场客运年起降架次预测值,进而通过式(4)得出每个机场的机场客运日起降架次预测值。
本发明所述区域乘机人口包括所在行政区的常住人口,还包括来自其他城市的人口和机场所在区域的旅游人口,据此对乘机人口进行修正,修正方法如下:
①、乘机人口分配结果包括不同城市的修正
根据SPSS软件中的双因素相关性检验得出乘机人口的主要影响因素为地区生产总值,以目标机场所在城市m为基准城市,若城市m的乘机人口分配结果中还包括来自其他城市i的乘机人口,则将其他城市i的乘机人口转换为以城市m为基准的标准化乘机人口,转换公式如下:
式中:Pi m为以城市m为基准的其他城市i的修正人口数量,即城市i的标准化乘机人口;
Pi为交通圈内其他城市i属于城市m的乘机人口分配结果的人口数量;
为城市m的人均GDP;
为其他城市i的人均GDP。
②、对机场所在区域的旅游人口进行修正
按旅游人口在城市m的平均逗留时间进行标准化,则城市m的标准化旅游人口的计算公式为:
式中:为城市m的标准化旅游人口;
Ptravel为城市m的年实际旅游人口;
为旅游人口在城市m的平均逗留时间。
③、修正后的区域乘机人口包括三部分:基准城市的人口数量、以城市m为基准的其他城市i的人口及区域的旅游吸引人口,表达式为:
式中:AAP为修正后的区域乘机人口;
Pm为城市m的人口,即机场所在城市的常住人口;
Pi m为以城市m为基准的其他城市i的修正人口,即机场交通圈内来自其他城市的人口的标准化结果;
为城市m的标准化旅游人口,即机场所在城市的旅游吸引人口的标准化结果。
本发明所述选择大型繁忙机场终端区内的航班量较大的机场的航班客座率和航班平均座位数为参考数据。
本发明所述采用时间序列法对区域年人均航空出行次数和区域乘机人口这两个参数进行预测,得出大型繁忙机场终端区和各个机场的年起降架次和日均架次数据。
本发明所述对目标机场终端区空域进行象限划分,即基于该大型繁忙机场终端区的位置对机场的国内、国际航班进行象限划分;通航城市象限划分的方法为:
①、首先确定该大型繁忙机场终端区的几何中心,再选择最靠近该终端区几何中心位置的机场为大型繁忙机场终端区的中心机场。
②、以大型繁忙机场终端区内的中心机场为原点,按照笛卡尔坐标系分为四个象限,并进一步得出大型繁忙机场终端区与这四个象限之间的交通需求分布关系。
③、大型机场通航城市众多,为凸显各个象限流量的典型性,以机场某一典型日的航班时刻为例,分析其不同航线的航班量,以求出航班量扩张速度。
本发明所述根据大型繁忙机场终端区内典型机场的航班典型日的基准时刻表确定终端区的航班量扩张速度,首先,在已有的历史数据中选择某一年的航班典型日为基准日,航班量扩张速度由预测年的平均日架次与选定的基准日的总架次的增加比例来确定,计算方法为:
式中:fΔ为航班量扩张速度;
为预测年的平均日架次;
为基准日的总架次。
本发明所述根据航班量扩张速度最后得出终端区预测年不同象限的小时航班量;计算方法为:
选取大型繁忙机场终端区内已有机场的历史年航班典型日的时刻表作为基准时刻表,根据该基准时刻表的航班数据确定中心机场的通航城市地理位置分布和航班时刻结构分布,得出每小时内不同象限进离港的航班分布数据,根据选取的基准年航班典型日内不同象限进离港的小时航班量和航班量的扩张速度,确定预测年不同象限内进离港的小时航班量为:
式中:为预测年不同象限内进离港的小时航班量;
为基准年航班典型日内不同象限进离港的小时航班量;
i的取值为1、2、3、4,分别代表第一、二、三、四象限;
State的取值范围有两种:分别代表离场航班dep和进场航班arr;
hour的取值有24种:为从0~23的所有整数,代表一天内的24个小时时段;
fΔ为航班量扩张速度。
本方法首先提出“区域年人均航空出行次数”和“乘机人口”的概念,并通过起降量和吞吐量的转换关系得出起降架次的计算公式。然后确定机场的服务范围,即大型繁忙机场终端区的交通圈。基于乘客出行选择理论对大型繁忙机场服务范围内的乘机人口进行分配,并根据机场所在区域的城市功能对“乘机人口”进行相应的修正。对“区域年人均航空出行次数”和“乘机人口”的历史数据进行预测,并通过数学公式得出“年起降架次”、“日均起降架次”的预测值。本方法提出“空域象限划分”的概念,并根据终端区内已有机场典型日的时刻表作为基准时刻表,通过终端区的预测日均起降架次与历史典型日的总架次之比得到航班量扩张速度,从而得到预测日各小时的航班量。
本发明的有益效果是:填补了含规划机场终端区流量预测方法的空白,并且本方法流量预测准确,可以为大型繁忙机场终端区空域规划提供数据支撑。
本预测方法首次从机场服务范围和乘客出行的角度出发,提出了基于“区域年人均航空出行次数”和“乘机人口”的机场终端区起降量预测方法。本方法适用于含规划机场的大型繁忙机场终端区进行流量预测,不依赖于机场的历史数据,仅依赖于一些易于获取的社科类数据,预测方法简单,成本较低,用时较短。
具体实施方式
以下结合实施例对本发明作进一步说明。
本方法所提出的“乘机人口”和“区域年人均航空出行次数”的概念为通用概念。“乘机人口”表征机场对附近航空出行人口的吸引量,即机场区域附近所有可能选择该机场作为出发机场或者着陆机场的人口数,一般包括该机场交通圈内的常住人口及机场所在城市功能的人口。区域年人均航空出行次数,表征机场年吞吐量的人均贡献能力,即机场所在区域的民航旅客年吞吐量与该区域的乘机人口之间的关系,能够在一定程度上反映出人的航空出行需求。区域年人均航空出行次数与机场的客运年吞吐量直接相关,且机场年总起降架次可以通过机场客运年吞吐量、航班的平均座位数及航班的平均客座率进行转换。这种方法计算简便,可靠性高。对于一个确定的机场而言,在本场运营航班的平均座位数及航班的平均客座率都是相对稳定的。对于所需要的航班起降量,可以通过预测得到的机场客运年吞吐量与航班的平均座位数及航班的平均客座率进行转换。
机场的日起降架次存在个性与共性,个性表现为每一日的总起降架次一般不完全相同,共性表现为每一日的总起降架次一般在一个稳定水平附近来回波动,而这个稳定水平接近于日起降架次的平均值,假设一年有365天,即可求出日起降架次。
根据乘客出行的机场与所在行政区可接受时间1.5h确定大型繁忙机场终端区整体的可达范围,即确定终端区整体的交通圈。其中1.5h为一般大型城市的乘客出行可接受时间的经验统计值。
本方法中提出的行政区中心点:假设每个行政区的人口分布都是均匀的,因此选择行政区的几何中心的位置为该行政区的中心点,该点的平均出行时间、费用为该行政区所有位置出行时间、费用的平均值。平均出行时间、费用的确定:行政区中心点与各机场之间采用铁路、公路、城市交通等多种交通方式的出行时间、费用由百度地图的查询结果得到。平均出行时间、费用根据各种交通方式的选择比例加权得到。
本方法中根据乘客的广义出行费用最小化对大型繁忙机场终端区交通圈内的人口进行其常用机场的最优指派,即乘机人口分配。乘客的广义出行费用包括三个决策指标:乘客出行时间、乘客出行费用、机场的航线数。其中乘客出行时间、乘客出行费用的数据由平均出行时间、平均出行费用得到。
机场的航线数:已投运机场的航线数据来源于飞常准中各机场航线数的统计资料,规划机场的数据通过规划方案中的机场定位与同等级定位机场的航线数类比得到。
广义出行费用:影响乘客出行的三个因素分别为乘客出行时间、乘客出行费用、机场的航线数。三个因素的单位均不相同,为消除不同量纲的影响,将以上三个因素进行归一化处理并按照权重进行加权,得到乘客从行政区到机场之间所需的广义出行费用。广义出行费用按照式(5)至式(9)计算。
乘机人口分配:根据乘客的广义出行费用最小化将终端区交通圈内的所有人口分配给各个机场。通过乘机人口分配的目标函数及约束条件对乘机人口分配进行求解。该分配方法为一个简单的指派问题,求解可使用运筹学中常用的EXCEL规划求解模块求解。
本方法对终端区及各机场的年起降量、日起降量进行预测。由于终端区及各机场的年起降量、日起降量的预测值主要取决于“乘机人口”和“区域年人均航空出行次数”的预测值。而由于某机场的乘机人口不仅包括分配的“乘机人口”所在行政区的常住人口,还包括机场所在城市其他城市功能带来的人口和来自于地区生产总值不同的其他城市的人口,因此需对人口进行修正。
“乘机人口”修正:根据SPSS软件中的双因素相关性检验得出乘机人口的主要影响因素为地区生产总值。根据乘机人口的影响因素为地区生产总值,则乘机人口分配结果中来自于其他城市人口需要根据两地的地区生产总值进行修正。乘机人口分配结果包括不同城市的修正,同时还要考虑旅游功能的人口修正。乘机人口依据式(10)至式(12)进行修正。旅游人口的重要特点是数量巨大甚至超过当地的常住人口,但其逗留时间一般都较短。根据旅游人口的这一特点,按旅游人口在基准城市m的平均逗留时间来将旅游人口进行标准化。修正后的区域乘机人口包括三部分:基准城市的人口,以城市为基准的其他城市的人口及区域的旅游吸引人口。
本方法采用时间序列法对“区域年人均航空出行次数”和“乘机人口”这两个参数进行预测,得出大型繁忙机场终端区和各个机场的年总起降架次和日均架次数据。选择大型繁忙机场终端区内的航班量较大的机场的航班客座率和航班平均座位数为参考数据。按照公式即可求出大型繁忙机场终端区整体及内部各机场的年起降量、日均起降量的预测值。
本方法中还为含规划机场的大型繁忙机场终端区的小时航班量及分布情况进行预测。首先对研究的目标机场终端区空域进行象限划分,再根据大型繁忙机场终端区内典型机场的航班典型日的基准时刻表确定终端区的航班量扩张速度,最后得出预测年不同象限的小时航班量。
本方法中提出“空域象限划分”的概念:不同机场有不同的区位,机场的航班结构可能会存在地理分布的不平衡现象。若最终要得出大型繁忙机场终端区的交通需求地理分布情况,则需要基于大型繁忙机场终端区的位置,对机场的国内、国际航班进行象限划分。
航班量扩张速度:首先,在已有的历史数据中选择某一年的航班典型日为基准日,航班量扩张速度由预测年的平均日架次与选定的基准日的总架次的增加比例来确定。
终端区预测年的小时起降架次:选取大型繁忙机场终端区内已有机场的历史年航班典型日的时刻表作为基准时刻表,根据基准时刻表的航班数据确定中心机场的通航城市地理位置分布和航班时刻结构分布,得出每小时内不同象限进离港的航班分布数据。根据选取的基准年航班典型日小时内不同象限进离港的航班量和航班量的扩张速度,确定预测年不同象限内进离港的小时航班量。
实施例:本发明的实例分析采用“京津大型繁忙机场终端空域规划方案”,该方案内包括北京首都国际机场、北京大兴国际机场和天津滨海国际机场三个千万级及以上级别的机场。在北京首都国际机场和天津滨海国际机场当前双场运营的情况下,各机场都已有其乘客到达时间交通圈,它也是游客的主要来源。北京首都国际机场位于北京市顺义区,在北京市的东北位置,不仅为北京大多数人的航空出行提供便利,也给北京首都国际机场附近的廊坊市、天津市的部分居民提供了便利。但北京市西部的乘客,尤其西南区位的旅客若前往北京首都国际机场出行,则需要跨越整个北京城,消耗了大量时间、人力和财力。
新建的北京大兴国际机场位于北京市大兴区,地处北京西南区位。是北京城的第二个大型机场,也为雄安新区未来的发展提供了航空便利。在北京大兴国际机场投入运营之后,前往北京大兴国际机场要比前往北京首都国际机场或天津滨海国际机场更加方便的旅客在其他条件相差不大的情况下,就会融入北京大兴国际机场的交通圈。
本实施例的具体步骤如下:
第一步,采用通用的概念定义及公式推导,推导出式(1)至式(4)。
第二步,大型繁忙机场交通圈的生成
①各行政区中心点的确定:选择各行政区几何中心为行政区的中心点,选择结果在此不做赘述。
②乘客的平均出行时间、平均出行费用的确定。
首先,乘客前往机场出行可能会选择多种出行方式,包括:公路交通(轿车、机场大巴),轨道交通(地铁、高铁)等。以机场为中心,求解不同交通方式的1.5h交通圈,并根据乘客使用不同交通方式的比例和所需时间、费用求加权平均值,得到“平均出行时间”、“平均出行费用”。以京津大型繁忙机场终端区内各行政区的中心点为基点进行统计,不同行政区前往三个机场所需的平均出行时间、平均出行费用如下表1所示:
表1乘客所在行政区与各机场的平均出行时间与费用
注:1)表1内从行政区前往到某机场所需的统计时间来源于百度地图提供的数据。
2)根据乘客前往机场出行所需时间的可接受范围为1.5h大致确定京津新空域模型下的机场交通圈范围,即当前的交通圈。
京津大型繁忙机场终端区内两个机场的旧交通圈如表2所示:
表2京津大型繁忙机场终端区旧交通圈
第三步,基于乘客的广义出行费用最小化的乘机人口指派
根据式(5)至式(9)所建立的乘机人口指派模型求解,得到每个行政区所对应的机场的乘机人口最优指派求解结果如表3所示:
表3乘机人口最优指派求解结果
由表3显示,北京首都国际机场的交通圈包含北京市、天津市、廊坊市的部分行政区共计17个,北京大兴国际机场的交通圈包含北京市、天津市、廊坊市、保定市的部分行政区共计14个,天津滨海国际机场的交通圈包含天津市的部分行政区共计13个。
第四步,终端区及各机场起降量预测
1)根据乘机人口的修正方法,大型繁忙机场终端区内两市均有旅游功能,且存在跨市出行的人口,因此要将旅游人口和不同城市归属的人均考虑在内,对乘机人口做一修正。乘机人口依据式(10)至式(12)进行修正。并在乘机人口分配的基础上,对历史数据进行修正和分配,得到历史数据分配结果如表4所示:
表4历史人口数据的分配结果
对已知的2005-2017年大型繁忙机场终端区内各机场的新交通圈的区域乘机人口使用时间序列法进行预测,预测截止时间为2030年,预测结果见表5:
表5各机场的年乘机人口预测结果
区域年人均航空出行次数的历史数据及预测数据:根据区域年人均航空出行次数的影响因素为地区生产总值,考虑该影响因素并使用时间序列法对区域年人均航空出行次数进行预测,区域年人均航空出行次数及相关因素的历史数据见表6:
表6区域年人均航空出行次数及相关因素的历史数据
注:表6的历史数据来源于各城市的统计年鉴及国研网、中经网的统计数据。
对区域年人均航空出行次数的预测结果见表7:
表7区域年人均航空出行次数的预测结果
2)航班平均座位数和客座率统计
航班平均座位数采取终端区内机场常用机型及其比例得到,约为每个航班224个座位数;航班平均客座率设定为一个较为保守的数字82%。
3)终端区及各机场的年起降架次、日均架次
根据以上预测数据及式(1)至式(4)的推导公式,得到终端区及各机场的年起降量预测数据如表8所示,日起降量预测数据如表9所示:
表8各机场年总起降架次预测
表9各机场日总起降架次预测
基于机场区域乘机人口分配的起降量预测,是基于当前社会、交通、经济情况及延续当前趋势所作的预测,是从机场终端区的实际服务范围和人群得出的结果。但尚未考虑到北京首都国际机场向北京大兴国际机场转场投运期间的一些政策原因的影响和未来北京大兴国际机场的地面交通的发展情况导致北京大兴国际机场的交通圈进一步变化所导致的三场吞吐量预测结果的变化。
第五步,大型繁忙机场终端区小时航班起降量剖面预测
1)京津大型繁忙机场终端区空域象限划分
本实施例的大型繁忙机场终端区为京津大型繁忙机场终端区,其中,北京首都国际机场的吞吐量为国内第一,世界第二,按照该大型繁忙机场终端区的地理位置及各航线进出终端区的相对位置,将国内除京津以外的32个省、直辖市、自治区、特别行政区和国际上的17个国家与该大型繁忙机场终端区所连通的航线进行象限的划分,空域象限划分结果如表10所示:
表10空域象限划分结果
2)基准日不同象限的航班剖面
由于首都机场航线数、航班量众多,具有京津空域内的典型性,能够代表周围地区乘客的出行需求,因此大型繁忙机场终端区内不同象限的日航班剖面可以直接采用首都机场不同象限的日航班剖面数据。故以北京首都国际机场2017年7月17日的航班时刻表为基准日时刻表,得到了基准日时刻表的不同象限的小时进离港航班量分布情况,如表11所示:
表11基准日时刻表不同象限的小时进离港流量分布表(单位:架次/小时)
对表11的数据进行统计分析得到基准日航班时刻表的通航城市的地理位置分布如表12所示:
表12基准日航班时刻表的通航城市的地理位置分布表(航班量单位:架次/日)
3)终端区不同象限的预测日航班量剖面
本实施例选定2030年为预测年,预测了2030年京津大型繁忙机场终端区区的平均日起降架次为2975.40架次(见表9),基准时刻表的日起降架次为1746架次(见表11),故根据式(13)航班量扩张速度为70.41%。根据式(14)得到预测年的不同象限的小时起降架次见表13:
表13预测年的不同象限的小时起降架次(单位:架次/小时)
其中,表13中的京津大型繁忙机场终端区的离场高峰架次为112架次,进场高峰小时架次为121架次。
再结合表12中各象限航班比例的数据得到各象限的小时高峰航班量如表14所示:
表14各象限的小时高峰航班量(单位:架次/小时)
Claims (7)
1.一种含规划机场的大型繁忙机场终端区起降量预测方法,其特征在于,该方法有如下步骤:
第一步,利用区域年人均航空出行次数、区域的乘机人口、机场客运年吞吐量、航班的平均座位数及航班的平均客座率进行转换,从而得到机场客运年起降架次、机场客运日均起降架次,其中根据机场客运年吞吐量和区域的乘机人口即得出区域年人均航空出行次数:
根据机场客运年吞吐量航班的平均座位数及航班的平均客座率即得出机场客运年起降架次:
联立(1)式和(2)式进一步得出:
由式(3)进一步得出机场客运日均起降架次:
第二步,确定机场的服务范围,根据乘客出行的机场与所在行政区之间的可接受时间1.5h来确定大型繁忙机场终端区整体的可达范围,即大型繁忙机场终端区的交通圈,确定终端区交通圈内的所有人口;选定所述行政区的几何中心的位置为该行政区的中心点,从该中心点至机场乘客的出行时间、出行费用为该行政区所在位置A至机场B乘客的出行时间、出行费用的平均值;
第三步,根据乘客的广义出行费用最小化对大型繁忙机场终端区交通圈内的人口进行其常用机场的最优指派,即乘机人口分配;其中乘客的广义出行费用为:
fA/B=θt×t'A/B+θc×c'A/B-θNR×NR'A/B---------------------------(5)
式中:t'A/B为归一化的乘客平均出行时间;θt为乘客平均出行时间的权重;
c'A/B为归一化的乘客平均出行费用;θc为乘客平均出行费用的权重;
NR'A/B为归一化的机场的航线数;θNR为机场的航线数的权重;
根据乘客的广义出行费用最小化将第二步确定的终端区交通圈内的所有人口分配给各个机场,乘机人口分配的目标函数及约束条件如下:
①、目标函数
所有行政区的乘客的总广义出行费用最小:
②、约束条件
1)、每个行政区的乘客只能被分配到大型繁忙机场终端区中的一个机场:
2)、为了保证大型繁忙机场终端区中各机场的协同发展,每个机场至少要有一个行政区的人去,且一个机场可以接受多个行政区:
3)、选择参数xA/B是0-1变量:
xA/B=0或1----------------------------------------------9)
③、乘机人口分配求解:乘机人口分配求解使用运筹学中常用的EXCEL规划求解模块求解,求解步骤如下:
a)、选定目标单元格,并设置目标单元格的优化数值类型为最小值;
b)、选定可变单元格;
c)、将约束条件逐个输入;
d)、得到每个行政区所对应的机场的最优指派结果,即各行政区的乘机人口分配给了各机场;
第四步,采用时间序列预测方法对乘机人口和区域年人均航空出行次数进行预测;
第五步、将每个机场的区域乘机人口和区域年人均航空出行次数的预测值分别代入式(3),即得出每个机场的机场客运年起降架次预测值,进而通过式(4)得出每个机场的机场客运日起降架次预测值。
2.根据权利要求1所述的一种含规划机场的大型繁忙机场终端区起降量预测方法,其特征在于,所述区域乘机人口包括所在行政区的常住人口,还包括来自其他城市的人口和机场所在区域的旅游人口,据此对乘机人口进行修正,修正方法如下:
①、乘机人口分配结果包括不同城市的修正
根据SPSS软件中的双因素相关性检验得出乘机人口的主要影响因素为地区生产总值,以目标机场所在城市m为基准城市,若城市m的乘机人口分配结果中还包括来自其他城市i的乘机人口,则将其他城市i的乘机人口转换为以城市m为基准的标准化乘机人口,转换公式如下:
式中:Pi m为以城市m为基准的其他城市i的修正人口数量,即城市i的标准化乘机人口;
Pi为交通圈内其他城市i属于城市m的乘机人口分配结果的人口数量;
为城市m的人均GDP;
为其他城市i的人均GDP;
②、对机场所在区域的旅游人口进行修正
按旅游人口在城市m的平均逗留时间进行标准化,则城市m的标准化旅游人口的计算公式为:
式中:为城市m的标准化旅游人口;
Ptravel为城市m的年实际旅游人口;
为旅游人口在城市m的平均逗留时间;
③、修正后的区域乘机人口包括三部分:基准城市的人口数量、以城市m为基准的其他城市i的人口及区域的旅游吸引人口,表达式为:
式中:AAP为修正后的区域乘机人口;
Pm为城市m的人口,即机场所在城市的常住人口;
Pi m为以城市m为基准的其他城市i的修正人口,即机场交通圈内来自其他城市的人口的标准化结果;
为城市m的标准化旅游人口,即机场所在城市的旅游吸引人口的标准化结果。
3.根据权利要求2所述的一种含规划机场的大型繁忙机场终端区起降量预测方法,其特征在于,选择大型繁忙机场终端区内的航班量较大的机场的航班客座率和航班平均座位数为参考数据。
4.根据权利要求3所述的一种含规划机场的大型繁忙机场终端区起降量预测方法,其特征在于,采用时间序列法对区域年人均航空出行次数和区域乘机人口这两个参数进行预测,得出大型繁忙机场终端区和各个机场的年起降架次和日均架次数据。
5.根据权利要求4所述的一种含规划机场的大型繁忙机场终端区起降量预测方法,其特征在于,对目标机场终端区空域进行象限划分,即基于该大型繁忙机场终端区的位置对机场的国内、国际航班进行象限划分;通航城市象限划分的方法为:
①、首先确定该大型繁忙机场终端区的几何中心,再选择最靠近该终端区几何中心位置的机场为大型繁忙机场终端区的中心机场;
②、以大型繁忙机场终端区内的中心机场为原点,按照笛卡尔坐标系分为四个象限,并进一步得出大型繁忙机场终端区与这四个象限之间的交通需求分布关系;
③、大型机场通航城市众多,为凸显各个象限流量的典型性,以机场某一典型日的航班时刻为例,分析其不同航线的航班量,以求出航班量扩张速度。
6.根据权利要求5所述的一种含规划机场的大型繁忙机场终端区起降量预测方法,其特征在于,根据大型繁忙机场终端区内典型机场的航班典型日的基准时刻表确定终端区的航班量扩张速度,首先,在已有的历史数据中选择某一年的航班典型日为基准日,航班量扩张速度由预测年的平均日架次与选定的基准日的总架次的增加比例来确定,计算方法为:
式中:fΔ为航班量扩张速度;
为预测年的平均日架次;
为基准日的总架次。
7.根据权利要求6所述的一种含规划机场的大型繁忙机场终端区起降量预测方法,其特征在于,根据航班量扩张速度最后得出终端区预测年不同象限的小时航班量;计算方法为:
选取大型繁忙机场终端区内已有机场的历史年航班典型日的时刻表作为基准时刻表,根据该基准时刻表的航班数据确定中心机场的通航城市地理位置分布和航班时刻结构分布,得出每小时内不同象限进离港的航班分布数据,根据选取的基准年航班典型日内不同象限进离港的小时航班量和航班量的扩张速度,确定预测年不同象限内进离港的小时航班量为:
式中:为预测年不同象限内进离港的小时航班量;
为基准年航班典型日内不同象限进离港的小时航班量;
i的取值为1、2、3、4,分别代表第一、二、三、四象限;
State的取值范围有两种:分别代表离场航班dep和进场航班arr;
hour的取值有24种:为从0~23的所有整数,代表一天内的24个小时时段;
fΔ为航班量扩张速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910361991.9A CN110059893B (zh) | 2019-04-30 | 2019-04-30 | 一种含规划机场的大型繁忙机场终端区起降量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910361991.9A CN110059893B (zh) | 2019-04-30 | 2019-04-30 | 一种含规划机场的大型繁忙机场终端区起降量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059893A true CN110059893A (zh) | 2019-07-26 |
CN110059893B CN110059893B (zh) | 2024-04-09 |
Family
ID=67321836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910361991.9A Active CN110059893B (zh) | 2019-04-30 | 2019-04-30 | 一种含规划机场的大型繁忙机场终端区起降量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059893B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091407A (zh) * | 2019-10-28 | 2020-05-01 | 海南太美航空股份有限公司 | 一种航线客座率预测方法及系统 |
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 |
CN116151590A (zh) * | 2023-04-07 | 2023-05-23 | 中国民用航空飞行学院 | 一种面向城市空中交通的模块化无人机机场规划方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030115093A1 (en) * | 2001-12-14 | 2003-06-19 | Delta Air Lines, Inc. | Method and system for origin-destination passenger demand forecast inference |
US20040083126A1 (en) * | 2002-10-23 | 2004-04-29 | Svenson Dale V. | Aviation traffic and revenue forecasting system |
CN105528647A (zh) * | 2015-11-25 | 2016-04-27 | 南京航空航天大学 | 基于大数据分析的机场概率交通需求预测方法 |
CN105809280A (zh) * | 2016-03-03 | 2016-07-27 | 南京航空航天大学 | 一种机场容量需求预测方法 |
CN105913141A (zh) * | 2016-04-06 | 2016-08-31 | 上海电器科学研究院 | 一种支持大数据的负荷预测方法 |
CN107657335A (zh) * | 2017-09-06 | 2018-02-02 | 武汉科技大学 | 一种机场客流量的时空分布预测方法 |
CN107679667A (zh) * | 2017-10-13 | 2018-02-09 | 南京航空航天大学 | 一种终端区航线规划优先级分类方法 |
-
2019
- 2019-04-30 CN CN201910361991.9A patent/CN110059893B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030115093A1 (en) * | 2001-12-14 | 2003-06-19 | Delta Air Lines, Inc. | Method and system for origin-destination passenger demand forecast inference |
US20040083126A1 (en) * | 2002-10-23 | 2004-04-29 | Svenson Dale V. | Aviation traffic and revenue forecasting system |
CN105528647A (zh) * | 2015-11-25 | 2016-04-27 | 南京航空航天大学 | 基于大数据分析的机场概率交通需求预测方法 |
CN105809280A (zh) * | 2016-03-03 | 2016-07-27 | 南京航空航天大学 | 一种机场容量需求预测方法 |
CN105913141A (zh) * | 2016-04-06 | 2016-08-31 | 上海电器科学研究院 | 一种支持大数据的负荷预测方法 |
CN107657335A (zh) * | 2017-09-06 | 2018-02-02 | 武汉科技大学 | 一种机场客流量的时空分布预测方法 |
CN107679667A (zh) * | 2017-10-13 | 2018-02-09 | 南京航空航天大学 | 一种终端区航线规划优先级分类方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111091407A (zh) * | 2019-10-28 | 2020-05-01 | 海南太美航空股份有限公司 | 一种航线客座率预测方法及系统 |
CN111091407B (zh) * | 2019-10-28 | 2023-06-02 | 海南太美航空股份有限公司 | 一种航线客座率预测方法及系统 |
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 |
CN116151590A (zh) * | 2023-04-07 | 2023-05-23 | 中国民用航空飞行学院 | 一种面向城市空中交通的模块化无人机机场规划方法 |
CN116151590B (zh) * | 2023-04-07 | 2023-07-04 | 中国民用航空飞行学院 | 一种面向城市空中交通的模块化无人机机场规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110059893B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2007324694B2 (en) | Method and device for the control of air traffic management at an airport | |
CN107679667B (zh) | 一种终端区航线规划优先级分类方法 | |
CN105679102B (zh) | 一种全国飞行流量时空分布预测推演系统及方法 | |
CN110059893A (zh) | 一种含规划机场的大型繁忙机场终端区起降量预测方法 | |
CN109492334A (zh) | 航班延误的模型建立方法、预测方法及装置 | |
CN104143170B (zh) | 低空救援空中交通调度指挥系统及其调度指挥方法 | |
CN109191925A (zh) | 一种面向四维航迹运行的多空域轨迹规划与协商方法 | |
CN110491158A (zh) | 一种基于多元数据融合的公交车到站时间预测方法及系统 | |
CN105528647A (zh) | 基于大数据分析的机场概率交通需求预测方法 | |
CN102779406A (zh) | 基于北斗授时技术的云计算智能交通调度平台 | |
Bardai et al. | A review of Kuala Lumpur International Airport (KLIA) as a competitive South-East Asia hub | |
CN106130110A (zh) | 基于分层概率选择出行地的电动出租车充电站定容方法 | |
Jiang et al. | Market and infrastructure analysis of future air cargo demand in China | |
CN105390030A (zh) | 飞行流量调控方法及系统 | |
Reichmuth et al. | Airport capacity constraints: future avenues for growth of global traffic | |
CN110751857A (zh) | 一种机会约束空中交通流量管理方法 | |
Vidović et al. | Development potentials of low cost aviation in the Republic of Croatia | |
Shao et al. | Air transportation delay propagation analysis with uncertainty in coloured–timed Petri nets | |
Lei et al. | Research on multi-objective bus route planning model based on taxi GPS data | |
Shi et al. | Evaluation of residual airspace resources based on civil aviation operation big data | |
Su et al. | Integrated Optimization of Aircraft Surface Operation and De-Icing Resources at Multi De-Icing Zones Airport | |
Mota et al. | Time to Sweat the Assets?: The analysis of two airport cases of restricted capacity in different continents | |
Geng et al. | Research on flight schedule configuration model of branch line based on dynamic programming | |
Chen et al. | Travel Time Prediction for Multi-Airport Systems Via Multiclass Queuing Networks | |
CN110705827A (zh) | 一种基于“交通云”的城市交通健康指标的建立方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |