CN110166945B - 航站楼旅客流量动态预测方法、装置、介质及设备 - Google Patents
航站楼旅客流量动态预测方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN110166945B CN110166945B CN201910481017.6A CN201910481017A CN110166945B CN 110166945 B CN110166945 B CN 110166945B CN 201910481017 A CN201910481017 A CN 201910481017A CN 110166945 B CN110166945 B CN 110166945B
- Authority
- CN
- China
- Prior art keywords
- wifi connection
- characteristic
- type
- connection point
- connection points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000011159 matrix material Substances 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000002955 isolation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000010006 flight Effects 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/16—Discovering, processing access restriction or access information
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种航站楼旅客流量动态预测方法,包括:根据WIFI连接点的地理位置信息,对航站楼中的WIFI连接点进行分类;基于历史数据,确定不同类WIFI连接点的特征值;根据特征值,分别建立每类WIFI连接点的特征矩阵;采用迭代回归树算法,基于每类WIFI连接点的特征矩阵,训练得到每类WIFI连接点的预测模型;基于不同类WIFI连接点的预测模型,以当前时刻为触发时刻,预测未来3小时每10分钟不同WIFI连接点的连接人数。通过对WIFI连接点进行分类,对每类WIFI连接点采用迭代回归树算法建立预测模型,能够准确预测未来3小时每10分钟不同WIFI连接点的连接人数,预测的连接人数能够直接反应出航站楼的旅客流量,实现航站楼旅客流量的动态预测。
Description
技术领域
本发明涉及动态预测技术领域,具体涉及一种航站楼旅客流量动态预测方法、装置、介质及设备。
背景技术
随着国内民航高速发展,航班量和客流量的逐步攀升。民航机场旅客流动呈现高动态,高密度可变,时间空间分布不均匀等特点,与之相应的则是巨大的服务压力。值机、安防、安检、突发时间、应急等机场服务都希望能够在相应场景下预测未来的旅客流量分布,并据此提前调配资源,更好为旅客服务。
目前,国内机场针对资源动态调配方面都是通过机场一线人员根据当前观察到的情况反馈给相关管理单位,管理单位再进行资源动态调配。这种方式是事件已经发生后才采取措施,不能有效的进行提前准备,缺乏时效性。
发明内容
针对现有技术中的缺陷,本发明提供一种航站楼旅客流量动态预测方法、装置、介质及设备,能够准确预测未来3小时内每10分钟不同WIFI连接点的连接人数。
第一方面,本发明提供了一种航站楼旅客流量动态预测方法,包括:
根据WIFI连接点的地理位置信息,对航站楼中的WIFI连接点进行分类;
基于历史数据,确定不同类WIFI连接点的特征值;
根据所述特征值,分别建立每类WIFI连接点的特征矩阵;
采用迭代回归树算法,基于每类WIFI连接点的所述特征矩阵,训练得到每类WIFI连接点的预测模型;
基于不同类WIFI连接点的所述预测模型,以当前时刻为触发时刻,预测未来3小时每10分钟不同WIFI连接点的连接人数。
可选的,所述根据WIFI连接点的地理位置信息,对航站楼中的WIFI连接点进行分类,包括:
根据WIFI连接点的地理位置信息,将航站楼中的WIFI连接点分为两类;第一类为航站楼隔离区以内的WIFI连接点;第二类为航站楼隔离区以外的WIFI连接点。
可选的,所述基于历史数据,确定不同类WIFI连接点的特征值,包括:
采用余弦相似度计算方法,建立登记口与第二类WIFI连接点的关联关系;
基于历史数据,确定第一类WIFI连接点的第一特征值;
基于历史数据和所述关联关系,确定第二类WIFI连接点的第二特征值。
可选的,所述第一特征值,包括:基础属性、目标向量、时间序列特征、时刻窗口基础特征、时刻窗口统计特征、时刻窗口累计特征、时间特征和位置特征;
所述第二特征值,包括:基础属性、目标向量、时间序列特征、时刻窗口基础特征、时刻窗口统计特征、时刻窗口累计特征、时间特征、位置特征、安检流量时间窗口特征和登机口时间窗口特征。
可选的,在所述根据所述特征值,分别建立每类WIFI连接点的特征矩阵的步骤之前,还包括:
根据每类WIFI连接点的历史数据建立原始矩阵;
筛选出所述原始矩阵中的缺失矩阵;
对所述缺失矩阵进行填充,获得填充后的原始矩阵;
所述根据所述特征值,分别建立每类WIFI连接点的特征矩阵,包括:
根据所述填充后的原始矩阵和所述特征值,分别建立每类WIFI连接点的特征矩阵。
可选的,所述采用迭代回归树算法,基于每类WIFI连接点的所述特征矩阵,训练得到每类WIFI连接点的预测模型,包括:
将每类WIFI连接点的所述特征矩阵均划分为两部分;第一部分为训练特征矩阵;第二部分为测试特征矩阵;
采用网格搜索方法,以均方误差为评估指标选择最优参数组合;
采用迭代回归树算法,以所述最优参数组合,对每类WIFI连接点的所述训练特征矩阵进行训练,获得每类WIFI连接点的预测模型。
可选的,所述基于不同类WIFI连接点的所述预测模型,以当前时刻为触发时刻,预测未来3小时每10分钟不同WIFI连接点的连接人数,包括:
基于不同类WIFI连接点的所述预测模型,以当前时刻为触发时刻,预测未来3小时第一个10分钟不同WIFI连接点的连接人数;
根据第一个10分钟不同WIFI连接点的连接人数,基于相应的预测模型,预测未来3小时第二个10分钟不同WIFI连接点的连接人数;
依次迭代计算,预测未来3小时每10分钟不同WIFI连接点的连接人数。
第二方面,本发明提供一种航站楼旅客流量动态预测装置,包括:
分类模块,用于根据WIFI连接点的地理位置信息,对航站楼中的WIFI连接点进行分类;
特征确定模块,用于基于历史数据,确定不同类WIFI连接点的特征值;
特征矩阵建立模块,用于根据所述特征值,分别建立每类WIFI连接点的特征矩阵;
模型训练模块,用于采用迭代回归树算法,基于每类WIFI连接点的所述特征矩阵,训练得到每类WIFI连接点的预测模型;
预测模块,用于基于不同类WIFI连接点的所述预测模型,以当前时刻为触发时刻,预测未来3小时每10分钟不同WIFI连接点的连接人数。
第三方面,本发明提供一种航站楼旅客流量动态预测设备,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如第一方面提供的一种航站楼旅客流量动态预测方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如如第一方面提供的一种航站楼旅客流量动态预测方法。
本发明提供的一种航站楼旅客流量动态预测方法,包括:根据WIFI连接点的地理位置信息,对航站楼中的WIFI连接点进行分类;基于历史数据,确定不同类WIFI连接点的特征值;根据所述特征值,分别建立每类WIFI连接点的特征矩阵;采用迭代回归树算法,基于每类WIFI连接点的所述特征矩阵,训练得到每类WIFI连接点的预测模型;基于不同类WIFI连接点的所述预测模型,以当前时刻为触发时刻,预测未来3小时每10分钟不同WIFI连接点的连接人数。通过对WIFI连接点进行分类,对每类WIFI连接点采用迭代回归树算法建立预测模型,能够准确预测未来3小时每10分钟不同WIFI连接点的连接人数,预测的连接人数能够直接反应出航站楼的旅客流量,进而实现航站楼的旅客流量的动态预测,可以有效弥补现有技术在动态预测方面的缺失。
本发明提供的一种航站楼旅客流量动态预测装置、一种计算机可读存储介质和一种航站楼旅客流量动态预测设备,与上述一种航站楼旅客流量动态预测方法出于相同的发明构思,具有相同的有益效果。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明实施例提供的一种航站楼旅客流量动态预测方法的流程图;
图2为本发明实施例提供的一种航站楼旅客流量动态预测装置的示意图;
图3为本发明实施例提供的一种航站楼旅客流量动态预测设备的示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
本发明提供了一种航站楼旅客流量动态预测方法、装置、介质及设备。下面结合附图对本发明的实施例进行说明。
请参考图1,图1为本发明具体实施例提供的一种航站楼旅客流量动态预测方法的流程图,本实施例提供的一种航站楼旅客流量动态预测方法,包括:
步骤S101:根据WIFI连接点的地理位置信息,对航站楼中的WIFI连接点进行分类。
一般情况下,WIFI连接点根据其地理位置信息分为2大类,第一类为航站楼隔离区以内WIFI连接点,第二类为航站楼隔离区以外的WIFI连接点。通过对WIFI连接点分类处理,能有效解决不同地理位置的WIFI连接点所呈现的不同规律与特性。
步骤S102:基于历史数据,确定不同类WIFI连接点的特征值。
第一类WIFI连接点的第一特征值,可以包括:基础属性、目标向量、时间序列特征、时刻窗口基础特征、时刻窗口统计特征、时刻窗口累计特征、时间特征和位置特征等。
第二类WIFI连接点的第二特征值,可以包括:基础属性、目标向量、时间序列特征、时刻窗口基础特征、时刻窗口统计特征、时刻窗口累计特征、时间特征、位置特征、安检流量时间窗口特征和登机口时间窗口特征等。
WIFI点分类将有益于减少因不同类WIFI特征影响规律不同而导致的误差。同时,以上各个特征都是在前序数据分析过程中,所发现的对旅客到达各个位置的规律影响较大的几个因素。这些特征主要涉及到了旅客到达时间周期规律、时间序列规律、空间地理位置影响规律、航班时刻影响规律。
在确定特征值时,由于第二类WIFI连接点的每一个连接点在多个登记口附近都有可能被连接,因此需要先建立登记口与第二类WIFI连接点的关联关系,以历史第二类WIFI连接点的每个WIFI连接点每10分钟的WIFI连接人数作为不同WIFI连接点的连接数量向量,vw1…vwk,k为wifi连接点的数量,以每个登机口的每10分钟所在时刻后30分钟内航班数量之和(以航班的计划起飞时间为准)作为不同登机口的向量,vg1…vgl,l为登机口数量。计算每个WIFI连接点与每个登机口之间的余弦相似度。
cos(vwk,vgl)表示第k个WIFI连接点与第l个登机口之间的余弦相似度。取最高的N个cos(vwk,vgl)作为最终与WIFI连接点相关的登机口,用topcosgate(k)表示第k个WIFI连接点最相关的多个登机口。N取值根据机场规模,WIFI与登机口的布局而定。
各个WIFI连接点与各登机口之间通过余弦相似度的计算,来建立WIFI连接点与登机口之间的关系,有效规避了在计算登机口动态时间窗口特征中的航班数量与旅客数量时无法确定每个WIFI连接点选择哪些登机口的问题。
步骤S103:根据所述特征值,分别建立每类WIFI连接点的特征矩阵。
在建立特征矩阵之前,需要对缺失数据进行补充,补充的数据为基础属性和目标向量。过程为:根据每类WIFI连接点的历史数据建立原始矩阵;筛选出所述原始矩阵中的缺失矩阵;对所述缺失矩阵进行填充,获得填充后的原始矩阵;所述根据所述特征值,分别建立每类WIFI连接点的特征矩阵,包括:根据所述填充后的原始矩阵和所述特征值,分别建立每类WIFI连接点的特征矩阵。
根据历史数据中每个WIFI连接点的连接人数历史记录建立原始矩阵No,
No=[P1,P2,O]
P1为不同WIFI连接点名称向量,P2为每个WIFI连接点历史每个10分钟所对应的时刻向量,O为不同WIFI连接点在不同时刻实际连接数量的向量。筛选出缺失矩阵No-miss,非缺失矩阵为阵No-nonmiss。
在矩阵No-miss中,循环每个WIFI连接点对应的每个时刻,若发现O向量相应的元素缺失,则以相应WIFI连接点所在小时段连接人数均值进行填充。最终得到填充后的矩阵No-missfilled。用No-missfilled替代No-miss,得到填充后的原始矩阵。
特征矩阵的建立过程:
通过不同类WIFI连接点确立的多个特征,以Nofilled数据为基础分别建立历史数据的特征矩阵。
第一类WIFI连接点相应的特征矩阵为Nh1,第二类WIFI连接点相应的特征矩阵为Nh2。特征矩阵每一行代表历史数据中,每个时刻(每10分钟)不同WIFI连接点在该时间点上的特征表现。除基本属性与目标向量以外,每一列代表不同WIFI连接点和WIFI时间的不同特征向量。基础属性包括WIFI连接点唯一标识号向量P1与所对应的时刻向量P2。目标向量O为不同WIFI连接点在当前时刻的实际连接人数。
第一类WIFI连接点包括以下特征:
(1)时间序列特征F1:不同WIFI连接点在当前时刻前10分钟,前20分钟,前30分钟的WIFI连接点的实际连接人数。
选择以上特征主要是由于旅客在某一位置的流量不会在短期内出现较大波动,该特征有益于减少预测误差。
(2)不同WIFI连接点连接人数时刻窗口基础特征F2:包含当前时刻前1-10天,14天,21天,28天相同时刻的连接人数。
F2=[Xsame1,Xsame2,…,Xsame10,Xsame14,Xsame21,Xsame28]
XsameN向量为每个WIFI连接点对应时刻前N天相同时刻的实际连接人数,N=1,2,…,10,14,21,28。
由于旅客到达呈现时间周期性规律,根据分析发现旅客在临近多天内相同时刻旅客人数呈现规律,其中,前14,21,28天是由于民航航班是以每周为一个航班周期,该特征有益于减少预测误差。
(3)不同WIFI连接点连接人数时刻窗口统计特征F3,包含当前时刻前1-10天,14天,21天,28天相同时刻的前10分钟内,前20分钟内,前30分钟内的连接人数均值、极值、标准差。
由于旅客到达呈现时间周期性规律,根据分析发现旅客在临近多天内相同时刻旅客人数呈现规律,其中,前14,21,28天是由于民航航班是以每周为一个航班周期,该特征有益于减少预测误差。
(4)不同WIFI连接点连接人数时刻窗口累计特征F4:包含当前时刻前1-10天,14天,21天,28天一整天平均连接人数。
F4=[Xdayavg1,Xdayavg2,Xdayavg10,Xdayavg14,Xdayavg21,Xdayavg28]
XdayavgN向量为每个WIFI连接点对应时刻前N天一整天的平均连接人数,N=1,2,…,10,14,21,28。
(5)不同WIFI连接点对应时刻的时间特征F5:包含当前时间的天内分钟偏移,星期,节假日信息。
F5=[Xminute,Xday,Xfestholi]
Xminute向量为当前时间属于当天的第几个十分钟,Xday向量为当前时间属于星期几,Xfestholi向量为当前时间是否属于节假日,1代表是,0代表否。
由于旅客到达呈现时间周期性规律,根据分析发现旅客在一周内的相同星期数,一天内的相同时段,是否为节假日旅客人数呈现固有模式,该特征有益于减少预测误差。
(6)不同WIFI连接点的位置特征F6:无线WIFI连接点所在区域,楼层信息。
F6=[Xzone,Xfloor]
Xzone向量根据机场航站楼布局进行区域划分,该区域划分以地理位置距离为划分标准,并对每个区域进行离散数值标注,如东一指廊为1,东边连廊为2。Xfloor向量为WIFI连接点所在楼层号进行离散数值标注。
根据以上内容得到:
Nh1=[O,P1,P2,F1,F2,F3,F4,F5,F6]
除以上特征外,第二类WIFI连接点的特征向量还包括以下特征:
(7)安检流量时间窗口特征F7:不同WIFI点前10分钟、前20分钟,前30分钟内通过安检的流量均值、极值、标准差。
由于旅客在安检完后会大概率转移到登机口,因此,对于隔离区内的WIFI连接点,旅客安检流量特征有益于减少预测误差。
(8)登机口时间窗口特征F8:包含不同WIFI连接点当前时刻后30分钟,一个小时,两个小时,3个小时在相关登机口的航班总量与旅客购票人数。
以预测触发时刻为基准,获取该时刻的航班动态,从航班动态中抽取特征F8。
向量分别为每个WIFI连接点后M分钟内航班的数量之和与航班的旅客数量之和(以航班最新的计划起飞时间为准)。其中,各个WIFI连接点向量的计算以topcosgate(k)作为各WIFI连接点的相关登机口。
由于旅客登机行为都是依附到航班动态计划的,但每个登机口会有多个航班被排序,因此,对于每个登机口的时间窗口特征,包括该登机口的航班量和旅客数量,这样有益于减少预测误差。
根据以上内容得到:
Nh2=[O,P1,P2,F1,F2,F3,F4,F5,F6,F7,F8]
通过考虑时间序列特征、时刻窗口基础特征、时刻窗口统计特征、时刻窗口累计特征、时间特征、位置特征、安检流量时间窗口特征和登机口时间窗口特征,能够提高预测模型的准确性,有效减少预测误差。
步骤S104:采用迭代回归树算法,基于每类WIFI连接点的所述特征矩阵,训练得到每类WIFI连接点的预测模型。
在训练预测模型时,具体过程包括:将每类WIFI连接点的所述特征矩阵均划分为两部分;第一部分为训练特征矩阵;第二部分为测试特征矩阵;采用网格搜索方法,以均方误差为评估指标选择最优参数组合;采用迭代回归树算法,以所述最优参数组合,对每类WIFI连接点的所述训练特征矩阵进行训练,获得每类WIFI连接点的预测模型。
把特征矩阵Nh1与Nh2分别划分为2部分,第一部分作为训练集占特征矩阵行数70%,第二部分作为测试集占特征矩阵行数30%。这两部分的数据从特征矩阵中随机选择。通过迭代回归树(GBRT)算法训练预测模型,该模型的参数选择通关网格搜索法,以MSE(均方误差)为评估指标去选择最优参数组合.最终以最优参数组合训练得到第一类WIFI连接点预测模型M1,第二类WIFI连接点预测模型M2。
步骤S105:基于不同类WIFI连接点的所述预测模型,以当前时刻为触发时刻,预测未来3小时每10分钟不同WIFI连接点的连接人数。
预测过程为:基于不同类WIFI连接点的所述预测模型,以当前时刻为触发时刻,预测未来3小时第一个10分钟不同WIFI连接点的连接人数;根据第一个10分钟不同WIFI连接点的连接人数,基于相应的预测模型,预测未来3小时第二个10分钟不同WIFI连接点的连接人数;依次迭代计算,预测未来3小时每10分钟不同WIFI连接点的连接人数。
具体过程为:
建立第一个第一类WIFI连接点预测特征矩阵Np1-1与第二类WIFI连接点预测特征矩阵Np2-1
Np1-1=[P1,P2,F1,F2,F3,F4,F5,F6]
Np2-1=[P1,P2,F1,F2,F3,F4,F5,F6,F7,F8]
该矩阵以未来3小时第一个10分钟所对应的航班实时动态,实际安检流量动态,历史WIFI连接信息等为数据源,P1,P2,F1,F2,F3,F4,F5,F6,F7,F8的特征定义与历史数据特征矩阵相同。Np1,Np2与Nh1Nh2唯一区别在于Np1,Np2的目标向量O为预测模型的输出值,而非输入值。
…
Np1-18=[P1,P2,[Pre1-17,Pre1-16,Pre1-15],F2,F3,F4,F5,F6]
Np2-18=[P1,P2,[Pre2-17,Pre2-16,Pre2-15],F2,F3,F4,F5,F6,F7,F8]
其中,Pre1-n(Pre2-n)=N1-pn(N2-pn)所生成的预测向量,n=1,2,…,18。
最终得到Pre1-1,Pre1-2,…,Pre1-18以及Pre2-1,Pre2-2,…,Pre2-18即每类WIFI连接点未来3小时每10分钟的连接人数预测值。
通过预测未来3小时第一个10分钟的WIFI连接数,并以此作为未来3小时第二个10分钟的前10分钟连接人数的时间序列特征,如此迭代最终预测出第十八个10分钟的WIFI连接人数,在时间序列特征中以预测值替代历史真实值进行迭代预测,解决了动态算法预测矩阵创建步骤中缺失时间序列特征的问题并能有效减少预测误差。
本发明通过对未来3小时内每10分钟不同WIFI连接点连接人数的预测,能够直接反应出航站楼的旅客流量,进而实现航站楼的旅客流量的动态预测,可以有效弥补现有技术在动态预测方面的缺失。
以上,为本发明提供的一种航站楼旅客流量动态预测方法。
基于与上述一种航站楼旅客流量动态预测方法相同的发明构思,与之相对应的,本发明实施例还提供了一种航站楼旅客流量动态预测装置,如图2所示。由于装置实施例基本相似与方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。
本发明提供的一种航站楼旅客流量动态预测装置,包括:
分类模块101,用于根据WIFI连接点的地理位置信息,对航站楼中的WIFI连接点进行分类;
特征确定模块102,用于基于历史数据,确定不同类WIFI连接点的特征值;
特征矩阵建立模块103,用于根据所述特征值,分别建立每类WIFI连接点的特征矩阵;
模型训练模块104,用于采用迭代回归树算法,基于每类WIFI连接点的所述特征矩阵,训练得到每类WIFI连接点的预测模型;
预测模块105,用于基于不同类WIFI连接点的所述预测模型,以当前时刻为触发时刻,预测未来3小时每10分钟不同WIFI连接点的连接人数。
在本发明提供的一个具体实施例中,所述分类模块101,具体用于:
根据WIFI连接点的地理位置信息,将航站楼中的WIFI连接点分为两类;第一类为航站楼隔离区以内的WIFI连接点;第二类为航站楼隔离区以外的WIFI连接点。
在本发明提供的一个具体实施例中,所述特征确定模块102,包括:
关联关系计算单元,用于采用余弦相似度计算方法,建立登记口与第二类WIFI连接点的关联关系;
第一特征值确定单元,用于基于历史数据,确定第一类WIFI连接点的第一特征值;
第二特征值确定单元,用于基于历史数据和所述关联关系,确定第二类WIFI连接点的第二特征值。
在本发明提供的一个具体实施例中,所述第一特征值,包括:基础属性、目标向量、时间序列特征、时刻窗口基础特征、时刻窗口统计特征、时刻窗口累计特征、时间特征和位置特征;
所述第二特征值,包括:基础属性、目标向量、时间序列特征、时刻窗口基础特征、时刻窗口统计特征、时刻窗口累计特征、时间特征、位置特征、安检流量时间窗口特征和登机口时间窗口特征。
在本发明提供的一个具体实施例中,所述装置,还包括:缺失值补充模块;所述缺失值补充模块,包括:
原始矩阵建立单元,用于根据每类WIFI连接点的历史数据建立原始矩阵;
筛选单元,用于筛选出所述原始矩阵中的缺失矩阵;
填充单元,用于对所述缺失矩阵进行填充,获得填充后的原始矩阵;
所述特征矩阵建立模块103,具体用于:
根据所述填充后的原始矩阵和所述特征值,分别建立每类WIFI连接点的特征矩阵。
在本发明提供的一个具体实施例中,所述模型训练模块104,包括:
矩阵划分单元,用于将每类WIFI连接点的所述特征矩阵均划分为两部分;第一部分为训练特征矩阵;第二部分为测试特征矩阵;
参数计算单元,用于采用网格搜索方法,以均方误差为评估指标选择最优参数组合;
模型训练单元,用于采用迭代回归树算法,以所述最优参数组合,对每类WIFI连接点的所述训练特征矩阵进行训练,获得每类WIFI连接点的预测模型。
在本发明提供的一个具体实施例中,所述预测模块105,包括:
第一预测单元,用于基于不同类WIFI连接点的所述预测模型,以当前时刻为触发时刻,预测未来3小时第一个10分钟不同WIFI连接点的连接人数;
第二预测单元,用于根据第一个10分钟不同WIFI连接点的连接人数,基于相应的预测模型,预测未来3小时第二个10分钟不同WIFI连接点的连接人数;
迭代计算单元,用于依次迭代计算,预测未来3小时每10分钟不同WIFI连接点的连接人数。
以上,为本发明提供的一种航站楼旅客流量动态预测装置。
进一步地,在上述实施例所提供的一种航站楼旅客流量动态预测方法及装置的基础上,本发明实施例还提供了一种航站楼旅客流量动态预测设备。如图3所示,该设备可以包括:一个或多个处理器201、一个或多个输入设备202、一个或多个输出设备203和存储器204,上述处理器201、输入设备202、输出设备203和存储器204通过总线205相互连接。存储器204用于存储计算机程序,所述计算机程序包括程序指令,所述处理器201被配置用于调用所述程序指令执行上述方法实施例部分的方法。
应当理解,在本发明实施例中,所称处理器201可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备202可以包括键盘等,输出设备203可以包括显示器(LCD等)、扬声器等。
该存储器204可以包括只读存储器和随机存取存储器,并向处理器201提供指令和数据。存储器204的一部分还可以包括非易失性随机存取存储器。例如,存储器204还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器201、输入设备202、输出设备203可执行本发明实施例提供的一种航站楼旅客流量动态预测方法的实施例中所描述的实现方式,在此不再赘述。
相应地,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现:上述航站楼旅客流量动态预测方法。
所述计算机可读存储介质可以是前述任一实施例所述的系统的内部存储单元,例如系统的硬盘或内存。所述计算机可读存储介质也可以是所述系统的外部存储设备,例如所述系统上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述系统的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述系统所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种航站楼旅客流量动态预测方法,其特征在于,包括:
根据WIFI连接点的地理位置信息,将航站楼中的WIFI连接点分为两类;第一类为航站楼隔离区以内的WIFI连接点;第二类为航站楼隔离区以外的WIFI连接点;
基于历史数据,确定不同类WIFI连接点的特征值;
根据所述特征值,分别建立每类WIFI连接点的特征矩阵;
采用迭代回归树算法,基于每类WIFI连接点的所述特征矩阵,训练得到每类WIFI连接点的预测模型;
基于不同类WIFI连接点的所述预测模型,以当前时刻为触发时刻,预测未来3小时每10分钟不同WIFI连接点的连接人数;
其中,所述基于历史数据,确定不同类WIFI连接点的特征值,包括:
采用余弦相似度计算方法,建立登机口与第二类WIFI连接点的关联关系;
基于历史数据,确定第一类WIFI连接点的第一特征值;
基于历史数据和所述关联关系,确定第二类WIFI连接点的第二特征值;
所述第一特征值包括:基础属性、目标向量、时间序列特征、时刻窗口基础特征、时刻窗口统计特征、时刻窗口累计特征、时间特征和位置特征;
所述第二特征值包括:基础属性、目标向量、时间序列特征、时刻窗口基础特征、时刻窗口统计特征、时刻窗口累计特征、时间特征、位置特征、安检流量时间窗口特征和登机口时间窗口特征。
2.根据权利要求1所述的方法,其特征在于,在所述根据所述特征值,分别建立每类WIFI连接点的特征矩阵的步骤之前,还包括:
根据每类WIFI连接点的历史数据建立原始矩阵;
筛选出所述原始矩阵中的缺失矩阵;
对所述缺失矩阵进行填充,获得填充后的原始矩阵;
所述根据所述特征值,分别建立每类WIFI连接点的特征矩阵,包括:
根据所述填充后的原始矩阵和所述特征值,分别建立每类WIFI连接点的特征矩阵。
3.根据权利要求1所述的方法,其特征在于,所述采用迭代回归树算法,基于每类WIFI连接点的所述特征矩阵,训练得到每类WIFI连接点的预测模型,包括:
将每类WIFI连接点的所述特征矩阵均划分为两部分;第一部分为训练特征矩阵;第二部分为测试特征矩阵;
采用网格搜索方法,以均方误差为评估指标选择最优参数组合;
采用迭代回归树算法,以所述最优参数组合,对每类WIFI连接点的所述训练特征矩阵进行训练,获得每类WIFI连接点的预测模型。
4.根据权利要求1所述的方法,其特征在于,所述基于不同类WIFI连接点的所述预测模型,以当前时刻为触发时刻,预测未来3小时每10分钟不同WIFI连接点的连接人数,包括:
基于不同类WIFI连接点的所述预测模型,以当前时刻为触发时刻,预测未来3小时第一个10分钟不同WIFI连接点的连接人数;
根据第一个10分钟不同WIFI连接点的连接人数,基于相应的预测模型,预测未来3小时第二个10分钟不同WIFI连接点的连接人数;
依次迭代计算,预测未来3小时每10分钟不同WIFI连接点的连接人数。
5.一种航站楼旅客流量动态预测装置,其特征在于,包括:
分类模块,用于根据WIFI连接点的地理位置信息,将航站楼中的WIFI连接点分为两类;第一类为航站楼隔离区以内的WIFI连接点;第二类为航站楼隔离区以外的WIFI连接点;
特征确定模块,用于基于历史数据,确定不同类WIFI连接点的特征值;
特征矩阵建立模块,用于根据所述特征值,分别建立每类WIFI连接点的特征矩阵;
模型训练模块,用于采用迭代回归树算法,基于每类WIFI连接点的所述特征矩阵,训练得到每类WIFI连接点的预测模型;
预测模块,用于基于不同类WIFI连接点的所述预测模型,以当前时刻为触发时刻,预测未来3小时每10分钟不同WIFI连接点的连接人数;
所述特征确定模块包括:
关联关系计算单元,用于采用余弦相似度计算方法,建立登机口与第二类WIFI连接点的关联关系;
第一特征值确定单元,用于基于历史数据,确定第一类WIFI连接点的第一特征值;
第二特征值确定单元,用于基于历史数据和所述关联关系,确定第二类WIFI连接点的第二特征值;
所述第一特征值包括:基础属性、目标向量、时间序列特征、时刻窗口基础特征、时刻窗口统计特征、时刻窗口累计特征、时间特征和位置特征;
所述第二特征值包括:基础属性、目标向量、时间序列特征、时刻窗口基础特征、时刻窗口统计特征、时刻窗口累计特征、时间特征、位置特征、安检流量时间窗口特征和登机口时间窗口特征。
6.一种航站楼旅客流量动态预测设备,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-4任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481017.6A CN110166945B (zh) | 2019-06-04 | 2019-06-04 | 航站楼旅客流量动态预测方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910481017.6A CN110166945B (zh) | 2019-06-04 | 2019-06-04 | 航站楼旅客流量动态预测方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110166945A CN110166945A (zh) | 2019-08-23 |
CN110166945B true CN110166945B (zh) | 2020-11-24 |
Family
ID=67627316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910481017.6A Active CN110166945B (zh) | 2019-06-04 | 2019-06-04 | 航站楼旅客流量动态预测方法、装置、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110166945B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561121B (zh) * | 2020-11-12 | 2021-07-20 | 北京大学 | 基于手机信令数据的复工趋势预测方法及系统 |
CN113657652B (zh) * | 2021-07-31 | 2023-06-20 | 腾讯科技(深圳)有限公司 | 流动量的预测方法、装置、设备及可读存储介质 |
CN115620525B (zh) * | 2022-12-16 | 2023-03-10 | 中国民用航空总局第二研究所 | 基于时变动态贝叶斯网络的短时交通客运需求预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737336A (zh) * | 2012-04-12 | 2012-10-17 | 林华龙 | 基于移动装置来了解客流量及其行为的方法与管理系统 |
CN104217592A (zh) * | 2014-09-24 | 2014-12-17 | 福建星网锐捷网络有限公司 | 人流量统计方法、设备及系统 |
CN107086935A (zh) * | 2017-06-16 | 2017-08-22 | 重庆邮电大学 | 基于wifi ap的人流量分布预测方法 |
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 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101103941B1 (ko) * | 2010-02-22 | 2012-01-12 | 성균관대학교산학협력단 | 이종 무선 통신 네트워크에서 모바일 iptv 서비스를 위한 핸드오버 방법 및 그 제어 장치 |
CN105246033B (zh) * | 2015-09-14 | 2019-07-23 | 百度在线网络技术(北京)有限公司 | 一种基于终端定位的人群状态监测方法和监测装置 |
CN105203125A (zh) * | 2015-10-13 | 2015-12-30 | 张玙璠 | 一种基于云服务器的旅游景区智能导航系统 |
CN106211067A (zh) * | 2016-06-30 | 2016-12-07 | 北京奇虎科技有限公司 | 一种基于终端的人流监控方法及装置 |
CN106507406B (zh) * | 2016-11-30 | 2020-01-07 | 四川九洲电器集团有限责任公司 | 一种无线网络的设备接入数的预测方法及设备 |
-
2019
- 2019-06-04 CN CN201910481017.6A patent/CN110166945B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737336A (zh) * | 2012-04-12 | 2012-10-17 | 林华龙 | 基于移动装置来了解客流量及其行为的方法与管理系统 |
CN104217592A (zh) * | 2014-09-24 | 2014-12-17 | 福建星网锐捷网络有限公司 | 人流量统计方法、设备及系统 |
CN107086935A (zh) * | 2017-06-16 | 2017-08-22 | 重庆邮电大学 | 基于wifi ap的人流量分布预测方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110166945A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110166945B (zh) | 航站楼旅客流量动态预测方法、装置、介质及设备 | |
CN107086935B (zh) | 基于wifi ap的人流量分布预测方法 | |
CN109872064B (zh) | 一种机场资源分配方法、装置、设备及介质 | |
CN107818382B (zh) | 航班到达时间预测方法 | |
Wang et al. | Sustainable airport development with performance evaluation forecasts: A case study of 12 Asian airports | |
CN111950738A (zh) | 机器学习模型优化效果评估方法、装置、终端及存储介质 | |
CN112418567B (zh) | 人流量预测方法、装置、计算机设备及存储介质 | |
CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
CN107506499A (zh) | 兴趣点与建筑物之间建立逻辑关系的方法、装置及服务器 | |
CN112651671A (zh) | 一种航班舱位调整方法及相关设备 | |
JP2024522128A (ja) | フライト季節的分類の予測方法、装置及びマシン可読媒体 | |
CN115605903A (zh) | 用于快速组成、启动和配置具有内置审计和监测结构的可定制的第二层级转移结构的系统及其方法 | |
CN106779240A (zh) | 民航市场宏观指数的预测方法及系统 | |
CN114239325B (zh) | 机场值机托运柜台配置规划方法、装置、设备和存储介质 | |
CN117252407B (zh) | 基于数字孪生体的航空机场监控方法、装置、设备及介质 | |
CN114020650A (zh) | 众测任务分配方法、装置、电子设备及存储介质 | |
US20180089774A1 (en) | Method for automatic property valuation | |
CN115759386B (zh) | 一种民航航班执飞结果预测方法、装置及电子设备 | |
CN109711894B (zh) | 航线需求异常的检测方法及系统 | |
CN104299037B (zh) | 一种自动化空间环境模式评估系统及方法 | |
CN116187675A (zh) | 任务分配方法、装置、设备及存储介质 | |
CN115438835A (zh) | 航班的配餐量预测方法、装置、计算机设备和存储介质 | |
Nagy et al. | Revealing Influencing Factors of Check-in Time | |
CN116362788B (zh) | 一种新航线开通的预测方法、装置、设备及存储介质 | |
CN113537853A (zh) | 订单分配方法、订单分配装置、可读存储介质及电子设备 |
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 |