CN110751102B - 京津冀三地机场客流关联性分析方法及装置 - Google Patents
京津冀三地机场客流关联性分析方法及装置 Download PDFInfo
- Publication number
- CN110751102B CN110751102B CN201911006349.5A CN201911006349A CN110751102B CN 110751102 B CN110751102 B CN 110751102B CN 201911006349 A CN201911006349 A CN 201911006349A CN 110751102 B CN110751102 B CN 110751102B
- Authority
- CN
- China
- Prior art keywords
- airport
- passenger flow
- data
- correlation
- place
- 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 31
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000010223 real-time analysis Methods 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 2
- 238000012097 association analysis method Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000010354 integration Effects 0.000 abstract description 4
- 238000007726 management method Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 230000002301 combined effect Effects 0.000 abstract description 2
- 230000000052 comparative effect Effects 0.000 abstract description 2
- 238000013439 planning Methods 0.000 abstract description 2
- 230000001737 promoting effect Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
Abstract
本发明提供了一种京津冀三地机场客流关联性分析方法,包括如下步骤:基于视频监控对客流人数进行实时分析,获取三地机场客流人数;对获取的三地机场客流数据进行抽样处理;对上述步骤处理后的数据进行三地机场的空间相关性计算。本发明可以发掘不同航空气象条件下三地机场客流变化的联动关系,一方面,可以帮助旅客在三个机场选择最优的出行方案;另一方面,可以帮助管理部门调配和整合三地的资源,发挥组合效应和整体优势,实现服务一体化;本发明对建设京津冀区域机场系统,明确主要机场功能定位,实现资源整合、统筹规划,发挥各个机场的比较优势,促进三地机场的协同互补、服务一体化等方面具有重要意义。
Description
技术领域
本发明涉及一种京津冀三地机场客流关联性分析方法及装置。
背景技术
目前,在世界范围内区域多机场系统已成为趋势,区域多机场系统通过“资源共享,互利共赢”,充分发挥区域内各机场的作用实现了区域综合交通的优化。京津冀地区机场航空业务量已具备了相当规模,但是三地机场尚未真正形成协同发展的格局。随着高铁、高速公路等其他交通设施的建设和发展,实现三地机场一体化协同发展已具备有利条件。目前,京津冀三地机场已经实现了视频监控的全覆盖。这些视频记录着机场中每一个区域、每一时刻的客流情况,是最为确切、全面、和详实的第一手客流数据。通过对京津冀三地机场客流数据的挖掘和分析,发现三地机场客流之间的相关性和关联模式,是建设结构合理、重点突出的京津冀区域协同格局的重要问题。
发明内容
有鉴于此,本发明旨在提出一种京津冀三地机场客流关联性分析方法。
为达到上述目的,本发明的技术方案是这样实现的:
京津冀三地机场客流关联性分析方法,包括如下步骤:
步骤S1:基于视频监控对客流人数进行实时分析,获取三地机场客流人数;
步骤S2:对获取的三地机场客流数据进行抽样处理;
步骤S3:对上述步骤处理后的数据进行三地机场的空间相关性计算;
步骤S4:根据三地机场的相关性进行客流的关联性分析。
进一步的,所述步骤S1具体包括如下:
建立待研究机场的摄像头分布地图,结合摄像头位置、拓扑信息、以及摄像头覆盖范围参数,对采集得到的视频场景进行筛选和处理,设候选摄像头集合S,候选人群场景集合为S',
①任意选择一个摄像头,依据其可视范围在机场地图上标注出其所覆盖的范围Ai,
②若目前机场地图上被摄像头已经覆盖的范围为A,则分析Si的可视范围Ai,存在以下三种情况:
一是Ai∩A=Φ,则在地图上标注Ai;把Si从S中删除,并把Si放入候选摄像头集合S';设其对应的权值为Wi=1,放入权值集合W;
二是Ai∈A,把Si从S中删除;
三是Ai∩A≠Φ,则在地图上标注Ai,并把Si从S中删除,并把Si放入候选摄像头集合S';其对应的权值为Wi=1-p,并放入权值集合W,其中p=(Ai∩A)/Ai;
③重复以上过程,获得全覆盖的机场人群场景序列S';
④采用融合纹理特征图的卷积神经网络人群计数算法,可获得每个场景Si对应的人数Ci,依据S'中各摄像头的位置,构建机场的Voronoi图,并计算图中的每一个区域Ai所对应的人数counti:counti=Ci*Wi,则获得机场Voronoi图的每个区域的旅客人数。
进一步的,所述步骤S2中,以步骤S1中所获得实时视频客流人数为基础,对客流数据进行抽样,针对每个机场的客流各选取n个样本,若ΔT为待分析的时间周期,pi表示ΔTi内所有时刻客流的平均值,则对应于ΔT某个机场客流的描述为一个n元组P={pi},其中i=1,…,n,首都机场的样本数据为PB={pBi},i=1,...,n;天津机场的样本数据为PT={pTi},i=1,...,n;石家庄机场的样本数据为PS={pSi},i=1,...,n。
进一步的,所述步骤S3中通过计算三地机场的相关系数表示三地机场客流的相关情况,计算过程如下:
为PB={pBi}中所有数据的平均值,/>为PT={pTi}中所有数据的平均值,/>为PS={pSi}中所有数据的平均值,首都机场客流与其它两地机场客流的相关系数为rBi,天津机场与其它两地机场客流的相关系数为rTi,石家庄机场与其它两地机场客流的相关系数为rSi,则相关系数计算方式如下:
通过上述公式可以计算出每个时刻三地机场客流的相关系数,并以此为依据构建三地机场客流相关性时空热力图,从而展现三地机场客流在不同时间内的相关情况。
进一步的,所述步骤S4具体包括如下:
S401客流数据预处理
对每个机场近三年的客流情况进行分析,把每个机场客流密度按照本身的标准划分为三个等级:低、中、高,则待分析的三个数据集PB={pBi},PT={pTi},PS={pSi}可分别表示为:PB'={p'Bi},p'Bi∈{高,中,低};PT'={p'Ti},p'Ti∈{高,中,低};PS'={p'Si},p'Si∈{高,中,低};
S402关联模式分析
对某个时段内相关性大于给定阈值的客流继续进行关联模式分析,方法如下:
①采用汉明距离作为两个机场客流描述元组之间的相似性度量,计算数据集P'B={p'Bi},P'T={p'Ti}和P'S={p'Si}中对应位置元组的相似性di(S1i,S2i),获得相似性结果数据集R={di},i=1,…,n;
②给定阈值dist,如果两个元组之间的汉明距离小于dist,则定义为两个元组相似,计算得到归一化的结果数据集R'={d'i}。d'i={0,1},d'i=0表示S1i与S2i相似,d'i=1表示S1i与S2i不相似;
③计算0在R'中出现的概率α,当d'i=0时,分别计算{Sj}中k个元组项目Sj在R′中出现概率βj,j=1,..,k,给出支持度support和置信度confidence,当α≥support且βj/α≥confidence时,表示D1和D2存在关联,其关联的形式为Sj;
④融合航空气象条件对客流关联模式进一步分析,获得关联的形式为Sj对应的航空气象条件。
⑤构建航空条件与客流关联模式的Circos图,以直观展示各航空因素对于三地客流关联模型的影响程度,揭示最重要因素。
本发明的另一目的在于提出一种京津冀三地机场客流关联性分析装置,包括
客流人数获取装置,用于基于视频监控对客流人数进行实时分析,获取三地机场客流人数;
数据处理装置,用于对获取的三地机场客流数据进行抽样处理;
相关性计算装置,用于对数据处理装置处理后的数据进行三地机场的空间相关性计算;
相关性分析装置,用于根据三地机场的相关性进行客流的关联性分析。
相对于现有技术,本发明所述的京津冀三地机场客流关联性分析方法具有以下优势:
(1)本发明可以发掘不同航空气象条件下三地机场客流变化的联动关系,一方面,可以帮助旅客在三个机场选择最优的出行方案;另一方面,可以帮助管理部门调配和整合三地的资源,发挥组合效应和整体优势,实现服务一体化;
(2)本发明对建设京津冀区域机场系统,明确主要机场功能定位,实现资源整合、统筹规划,发挥各个机场的比较优势,促进三地机场的协同互补、服务一体化等方面具有重要意义。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的京津冀三地机场客流关联性分析方法示意图;
图2为本发明实施例所述的相关性程度示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面将参考附图并结合实施例来详细说明本发明。
本发明以京津冀三地机场客流密度为研究对象,给出了京津冀三地机场客流之间的关联性分析方法,如图1所示。
步骤一:基于视频监控的客流人数实时分析
建立待研究机场的摄像头分布地图,结合摄像头位置、拓扑信息、以及摄像头覆盖范围参数,对采集得到的视频场景进行筛选和处理。本专利所给出的方法如下。设候选摄像头集合S,候选人群场景集合为S'。本专利的多摄像头旅客计算的方案步骤如下:
①任意选择一个摄像头,依据其可视范围在机场地图上标注出其所覆盖的范围Ai,
②若目前机场地图上被摄像头已经覆盖的范围为A,则分析si的可视范围Ai,存在以下三种情况:
一是Ai∩A=Φ。则在地图上标注Ai;把Si从S中删除,并把Si放入候选摄像头集合S';设其对应的权值为Wi=1,放入权值集合W。
二是Ai∈A,把Si从S中删除。
三是Ai∩A≠Φ。则在地图上标注Ai,并把Si从S中删除,并把Si放入候选摄像头集合S';其对应的权值为Wi=1-p,并放入权值集合W。其中p=(Ai∩A)/Ai。
③重复以上过程,获得全覆盖的机场人群场景序列S'。
④采用融合纹理特征图的卷积神经网络人群计数算法,可获得每个场景Si对应的人数Ci。依据S'中各摄像头的位置,构建机场的Voronoi图,并计算图中的每一个区域Ai所对应的人数counti:counti=BiCi*Wi,则获得机场Voronoi图的每个区域的旅客人数。
步骤二:京津冀三地机场客流数据采样
以步骤一中所获得实时视频客流人数为基础,对客流数据进行抽样。针对每个机场的客流各选取n个样本,若ΔT为待分析的时间周期,pi表示ΔTi内所有时刻客流的平均值,则对应于ΔT某个机场客流的流量的描述为一个n元组P={pi},其中i=1,…,n。首都机场的样本数据为PB={pBi},i=1,...,n;天津机场的样本数据为PT={pTi},i=1,...,n;石家庄机场的样本数据为PS={pSi},i=1,...,n。
步骤三:京津冀三地机场客流的相关性计算
①本专利给出了三元皮尔逊相关系数计算方法。其中为PB={pBi}中所有数据的平均值,/>为PT={pTi}中所有数据的平均值,/>为PS={pSi}中所有数据的平均值。首都机场客流与其它两地机场客流的相关系数为rBi,天津机场与其它两地机场客流的相关系数为rTi,石家庄机场与其它两地机场客流的相关系数为rSi。则本专利给出的相关系数计算方式如下:
②通过上述公式可以计算出每个时刻三地机场客流的相关系数,并以此为依据构建三地机场客流相关性时空热力图,从而展现三地机场客流在不同时间内的相关情况。其中横轴时间,纵轴为三地机场,不同的深度程度表示相关性数值的大小,程度越深表示相关性数值越大,相关性越强。如图2所示,把时间段分为7个时间段,用不同深度来表示各机场的相关性。
步骤四:结合航空气象条件的京津冀三地机场客流的关联模式分析
(1)结合航空气象条件的客流数据预处理
对每个机场近三年的客流情况进行分析,把每个机场客流密度按照本身的标准划分为三个等级:低、中、高。则待分析的三个数据集PB={pBi},PT={pTi},PS={pSi}可分别表示为:P'B={p'Bi},p'Bi∈{高,中,低};PS'T={p'Ti},p'Ti∈{高,中,低};P'S={p'Si},p'Si∈{高,中,低}。
本方案依据《中国民用航空局空间交通管理局航空气象中心的航空气象中心》所给出的“气象要素对飞行活动影响条件”等资料,对航空气象条件从风力、天空状况、降水等级、雾等气象要素对航空气象条件进行了分类。具体如表1所示:
表1
对于给定的时间段,基于三元皮尔逊相关系数计算结果,可获得融合航空气象条件的客流数据,如表2所示:
表2
本专利拟对对相关性大于给定阈值的客流继续进行关联模式分析,则上表整理为表3:
表3
表3中的Ti表示待分析的时间段。如果当前待分析的时间段为4个小时,对每个小时的客流进行采样,则某特定机场客流为一个长度为4的元组,例如,北京机场在Ti的客流数据为<低,低,高,高>。与表3融合得到表4。
表4
(2)融合航空气象条件的客流关联模式分析
基于表4,形成3个数据集PB,PT和PS,其中PB表示首都机场客流数据、PT表示天津机场客流数据、PS表示石家庄机场客流数据。本方案采用两两分析的方式,对这三个数据集进行关联分析。本专利对任何两个数据集关联分析的方法如下:
①采集待分析周期内,相同时间段内的客流数据,获得两个机场同一时间段的两个数据集。
例如T1表示早上5:00到上午8:00时间段,采集7天首都机场和天津机场,在5:00~8:00之间的每个整点处的客流数据,获得数据集。
具体如下:
PB_T1={<低,低,中,高>;
<低,低,中,高>;
<低,低,高,高>;
<低,低,高,高>;
<低,低,中,高>;
<低,中,高,高>;
<低,中,高,高>;
}
PT__T1={<低,低,高,高>;
<低,低,中,高>;
<低,低,高,高>;
<低,低,高,高>;
<低,低,高,中>;
<低,中,高,高>;
<低,中,中,高>;
}
②采用汉明距离作为两个机场客流描述元组之间的相似性度量,获得相似性结果数据集R={di},i=1,…,n。
以上面PB_T1和PT__T1为例,对应位置元组的汉明距离如下:
d1=(<低,低,中,高>;<低,低,高,高>)=1;
d2=(<低,低,中,高>;<低,低,中,高>)=0;
d3=(<低,低,高,高>;<低,低,高,高>)=0;
d4=(<低,低,高,高>;<低,低,高,高>)=0;
d5=(<低,低,中,高>;<低,低,高,中>)=2;
d6=(<低,中,高,高>;<低,中,高,高>)=0;
d7=(<低,中,高,高>;<低,中,中,高>)=1;
综合上述计算结果,获得相似性结果数据RT1如下:
RT1={d1,d2,d3,d4,d5,d6,d7}={1,0,0,0,2,0,1}
③给定阈值dist,如果两个元组之间的汉明距离小于dist,则定义为两个元组相似,计算得到归一化的结果数据集R'={d'i}。d'i={0,1},d'i=0表示S1i与S2i相似,d'i=1表示S1i与S2i不相似。
若给定阈值dist=2,则RT1归一化后的结果数据集R'T1={0,0,0,0,1,0,0}
④计算0在R'中出现的概率α:设num为R'中所有元素的个数,num'为R'中0的个数,则给定阈值α0,当α≥α0时,本方案认为两个数据集合存在频繁模式元组,且频繁模式元组为0对应的元组数据,所有的频繁模式原则构成频繁模式元组集合Fre。
若α0=0.8,在R'T1中0出现的次数为6,R'T1中共7个元素,则α=6/7=0.857,显然α≥α0成立。R'T1中的第1,2,3,4,6,7位置的元素为0,则PB_T1相应位置的元组为:<低,低,中,高>;<低,低,中,高>;<低,低,高,高>;<低,低,高,高>;<低,中,高,高>;<低,中,高,高>;PT__T1对应位置的元组为<低,低,高,高>;<低,低,中,高>;<低,低,高,高>;<低,低,高,高>;<低,中,高,高>;<低,中,中,高>;二者相结合获得频繁模式元组集FreT1如下:
{(<低,低,中,高>;<低,低,高,高>);
(<低,低,中,高>;<低,低,中,高>);
(<低,低,高,高>;<低,低,高,高>);
(<低,低,高,高>;<低,低,高,高>);
(<低,中,高,高>;<低,中,高,高>);
(<低,中,高,高>;<低,中,中,高>);}
⑤对频繁模式元组集合Fre对进行分析,计算所有元组对出现的概率β,若给定阈值β0,则慢则β≥β0的频繁模式元组为两个机场客流的关联模式。
分析FreT1,其中(<低,低,中,高>;<低,低,高,高>)出现1次,概率为1/6=0.167;(<低,低,中,高>;<低,低,中,高>)出现1次,概率为1/6=0.167;(<低,低,高,高>;<低,低,高,高>)出现2次,概率为2/6=0.33;(<低,中,高,高>;<低,中,高,高>)出现1次,概率为1/6=0.167;(<低,中,高,高>;<低,中,中,高>)出现1次,概率为1/6=0.167;若β0=0.25,则关联模式为(<低,低,高,高>;<低,低,高,高>)
⑥融合航空气象条件对客流关联模式进一步分析。对待分析的表中的所有客流状况为<低,低,高,高>数据的航空条件部分用apriori算法进行关联分析,找出符合置信度和支持度的航空气象条件,以表5为例,若支持度为0.7,置信度为0.6,则分析得到的相对应的气象条件为{小雨、无降雪,无雾、无冰雹、无雷电}
表5
⑦构建航空条件与客流关联模式的Circos图。以直观展示各航空因素对于三地客流关联模型的影响程度,揭示最重要因素。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.京津冀三地机场客流关联性分析方法,其特征在于:包括如下步骤:
步骤S1:基于视频监控对客流人数进行实时分析,获取三地机场客流人数;
步骤S2:对获取的三地机场客流数据进行抽样处理;
步骤S3:对上述步骤处理后的数据进行京津冀三地机场客流的相关性计算;
步骤S4:结合航空气象条件的京津冀三地机场客流的关联模式分析;
所述步骤S1具体包括如下:
建立待研究机场的摄像头分布地图,结合摄像头位置、拓扑信息、以及摄像头覆盖范围参数,对采集得到的视频场景进行筛选和处理,设候选摄像头集合S,候选人群场景集合为S';
①任意选择一个摄像头Si,依据其可视范围在机场地图上标注出其所覆盖的范围Ai,
②若目前机场地图上被摄像头已经覆盖的范围为A,则分析Si的可视范围Ai,存在以下三种情况:
一是Ai∩A=Φ,则在地图上标注Ai;把Si从S中删除,并把Si放入候选人群场景集合S';设其对应的权值为Wi=1,放入权值集合W;
二是Ai∈A,把Si从S中删除;
三是Ai∩A≠Φ,则在地图上标注Ai,并把Si从S中删除,并把Si放入候选人群场景集合S';其对应的权值为Wi=1-p,并放入权值集合W,其中p=(Ai∩A)/Ai;
③重复以上过程,获得全覆盖的机场人群场景序列S';
④采用融合纹理特征图的卷积神经网络人群计数算法,可获得每个场景Si对应的人数Ci,依据S'中各摄像头的位置,构建机场的Voronoi图,并计算图中的每一个区域Ai所对应的人数counti:counti=Ci*Wi,则获得机场Voronoi图的每个区域的旅客人数;
所述步骤S2中,以步骤S1中所获得实时视频客流人数为基础,对客流数据进行抽样,针对每个机场的客流各选取n个样本,若ΔT为待分析的时间周期,pi表示ΔTi内所有时刻客流的平均值,则对应于ΔT某个机场客流的描述为一个n元组P={pi},其中i=1,…,n,首都机场的样本数据为PB={pBi},i=1,...,n;天津机场的样本数据为PT={pTi},i=1,...,n;石家庄机场的样本数据为PS={pSi},i=1,...,n;
所述步骤S3中通过计算三地机场的相关系数表示三地机场客流的相关情况,计算过程如下:
为PB={pBi}中所有数据的平均值,/>为PT={pTi}中所有数据的平均值,/>为PS={pSi}中所有数据的平均值,首都机场客流与其它两地机场客流的相关系数为rBi,天津机场与其它两地机场客流的相关系数为rTi,石家庄机场与其它两地机场客流的相关系数为rSi,则相关系数计算方式如下:
通过上述公式可以计算出每个时刻三地机场客流的相关系数,并以此为依据构建三地机场客流相关性时空热力图,从而展现三地机场客流在不同时间内的相关情况;
所述步骤S4具体包括如下:
S401客流数据预处理
对每个机场近三年的客流情况进行分析,把每个机场客流密度按照本身的标准划分为三个等级:低、中、高,则待分析的三个数据集PB={pBi},PT={pTi},PS={pSi}可分别表示为:P′B={p′Bi},p′Bi∈{高,中,低};P′T={p′Ti},p′Ti∈{高,中,低};P′S={p′Si},p′Si∈{高,中,低};对航空气象条件从风力、天空状况、降水等级、雾等气象要素对航空气象条件进行分类,对于给定的时间段,基于三元皮尔逊相关系数计算结果,可获得融合航空气象条件的客流数据;
S402关联模式分析
对某个时段内相关性大于给定阈值的客流继续进行关联模式分析,采用两两分析的方式,对三个数据集进行关联分析,对任何两个数据集关联分析的方法如下:
①采用汉明距离作为两个机场客流描述元组之间的相似性度量,计算数据集P′B={p′Bi},P′T={p′Ti}和P′S={p′Si}中对应位置元组相似性di(S1i,S2i),获得相似性结果数据集R={di},i=1,…,n;
②给定阈值dist,如果两个元组之间的汉明距离小于dist,则定义为两个元组相似,计算得到归一化的结果数据集R'={d′i}。d′i={0,1},d′i=0表示S1i与S2i相似,d′i=1表示S1i与S2i不相似;
③计算0在R'中出现的概率α,设num为R′中所有元素的个数,num'为R'中0的个数,则给定阈值α0;
当α≥α0时,数据集合存在频繁模式元组,且频繁模式元组为0对应的元组数据,所有的频繁模式元组构成频繁模式的元组集合Fre;
对频繁模式元组集合Fre进行分析,计算所有频繁模式元组对出现的概率β,若给定阈值β0,则β≥β0的频繁模式元组为两个机场客流的关联模式;
④融合航空气象条件对客流关联模式进一步分析,对待分析的数据中的所有客流状况为关联模式的航空条件部分用apriori算法进行关联分析,找出符合置信度和支持度的航空气象条件;
⑤构建航空条件与客流关联模式的Circos图,以直观展示各航空因素对于三地客流关联模型的影响程度,揭示最重要因素。
2.京津冀三地机场客流关联性分析装置,采用如权利要求1所述的京津冀三地机场客流关联性分析方法,其特征在于:包括
客流人数获取装置,用于基于视频监控对客流人数进行实时分析,获取三地机场客流人数;
数据处理装置,用于对获取的三地机场客流数据进行抽样处理;
相关性计算装置,用于对数据处理装置处理后的数据进行三地机场的空间相关性计算;
关联模式分析装置,用于根据三地机场的相关性进行客流的关联性分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911006349.5A CN110751102B (zh) | 2019-10-22 | 2019-10-22 | 京津冀三地机场客流关联性分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911006349.5A CN110751102B (zh) | 2019-10-22 | 2019-10-22 | 京津冀三地机场客流关联性分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751102A CN110751102A (zh) | 2020-02-04 |
CN110751102B true CN110751102B (zh) | 2023-12-22 |
Family
ID=69279327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911006349.5A Active CN110751102B (zh) | 2019-10-22 | 2019-10-22 | 京津冀三地机场客流关联性分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751102B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030063005A (ko) * | 2002-01-22 | 2003-07-28 | 구성완 | 인터넷을 이용한 예약 시스템 및 예약 방법 |
CN101714293A (zh) * | 2009-12-16 | 2010-05-26 | 上海交通投资信息科技有限公司 | 基于立体视觉的公交客流拥挤度采集方法 |
CN103065205A (zh) * | 2012-12-26 | 2013-04-24 | 深圳先进技术研究院 | 三维智能交通枢纽客流时空分析与预测系统 |
CN104809335A (zh) * | 2015-04-10 | 2015-07-29 | 上海卫生信息工程技术研究中心有限公司 | 一种环境变化对疾病发病影响的分析预测模型 |
CN105404934A (zh) * | 2015-11-11 | 2016-03-16 | 北京航空航天大学 | 一种基于条件随机场的城市人口移动数据模型分析方法 |
CN105893491A (zh) * | 2016-03-29 | 2016-08-24 | 东南大学 | 一种基于区域城际流强度测算模型的划定大都市圈的方法 |
WO2017026993A1 (en) * | 2015-08-07 | 2017-02-16 | Hewlett Packard Enterprise Development Lp | Airline resource management |
CN106779222A (zh) * | 2016-12-20 | 2017-05-31 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 机场地面等待时间预测方法及装置 |
CN106971547A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 一种考虑时空相关性的短时交通流预测方法 |
KR101803344B1 (ko) * | 2016-07-29 | 2017-12-01 | 서울대학교산학협력단 | 정규화 지수를 이용한 토지이용에 따른 도시 열섬 취약 특성 분석 시스템 및 방법 |
CN107527293A (zh) * | 2017-08-10 | 2017-12-29 | 中国科学院地理科学与资源研究所 | 基于统计模型的城市群空间联系强度分析系统 |
CN107704972A (zh) * | 2017-10-27 | 2018-02-16 | 飞友科技有限公司 | 一种航线旅客需求预测方法 |
JP2018039441A (ja) * | 2016-09-09 | 2018-03-15 | 株式会社日立製作所 | 評価システム及び評価方法 |
CN108374432A (zh) * | 2018-04-12 | 2018-08-07 | 北京市市政工程设计研究总院有限公司 | 综合管廊一体化开发与地铁共构的明挖车站 |
CN109191846A (zh) * | 2018-10-12 | 2019-01-11 | 国网浙江省电力有限公司温州供电公司 | 一种交通出行流量预测方法 |
CN109345139A (zh) * | 2018-10-29 | 2019-02-15 | 南京航空航天大学 | 一种基于系统动力学的机场群效率及政策评估方法 |
CN109543874A (zh) * | 2018-10-12 | 2019-03-29 | 南京航空航天大学 | 一种结合气象条件影响的机场空气质量预测方法 |
CN110020980A (zh) * | 2019-04-08 | 2019-07-16 | 江苏号百信息服务有限公司 | 基于手机信令数据的机场到发旅客识别与客情分析方法 |
CN110135233A (zh) * | 2019-01-24 | 2019-08-16 | 刘赏 | 基于视频分析的航站楼旅客常见聚集行为识别方法 |
-
2019
- 2019-10-22 CN CN201911006349.5A patent/CN110751102B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030063005A (ko) * | 2002-01-22 | 2003-07-28 | 구성완 | 인터넷을 이용한 예약 시스템 및 예약 방법 |
CN101714293A (zh) * | 2009-12-16 | 2010-05-26 | 上海交通投资信息科技有限公司 | 基于立体视觉的公交客流拥挤度采集方法 |
CN103065205A (zh) * | 2012-12-26 | 2013-04-24 | 深圳先进技术研究院 | 三维智能交通枢纽客流时空分析与预测系统 |
CN104809335A (zh) * | 2015-04-10 | 2015-07-29 | 上海卫生信息工程技术研究中心有限公司 | 一种环境变化对疾病发病影响的分析预测模型 |
WO2017026993A1 (en) * | 2015-08-07 | 2017-02-16 | Hewlett Packard Enterprise Development Lp | Airline resource management |
CN105404934A (zh) * | 2015-11-11 | 2016-03-16 | 北京航空航天大学 | 一种基于条件随机场的城市人口移动数据模型分析方法 |
CN105893491A (zh) * | 2016-03-29 | 2016-08-24 | 东南大学 | 一种基于区域城际流强度测算模型的划定大都市圈的方法 |
KR101803344B1 (ko) * | 2016-07-29 | 2017-12-01 | 서울대학교산학협력단 | 정규화 지수를 이용한 토지이용에 따른 도시 열섬 취약 특성 분석 시스템 및 방법 |
JP2018039441A (ja) * | 2016-09-09 | 2018-03-15 | 株式会社日立製作所 | 評価システム及び評価方法 |
CN106779222A (zh) * | 2016-12-20 | 2017-05-31 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 机场地面等待时间预测方法及装置 |
CN106971547A (zh) * | 2017-05-18 | 2017-07-21 | 福州大学 | 一种考虑时空相关性的短时交通流预测方法 |
CN107527293A (zh) * | 2017-08-10 | 2017-12-29 | 中国科学院地理科学与资源研究所 | 基于统计模型的城市群空间联系强度分析系统 |
CN107704972A (zh) * | 2017-10-27 | 2018-02-16 | 飞友科技有限公司 | 一种航线旅客需求预测方法 |
CN108374432A (zh) * | 2018-04-12 | 2018-08-07 | 北京市市政工程设计研究总院有限公司 | 综合管廊一体化开发与地铁共构的明挖车站 |
CN109191846A (zh) * | 2018-10-12 | 2019-01-11 | 国网浙江省电力有限公司温州供电公司 | 一种交通出行流量预测方法 |
CN109543874A (zh) * | 2018-10-12 | 2019-03-29 | 南京航空航天大学 | 一种结合气象条件影响的机场空气质量预测方法 |
CN109345139A (zh) * | 2018-10-29 | 2019-02-15 | 南京航空航天大学 | 一种基于系统动力学的机场群效率及政策评估方法 |
CN110135233A (zh) * | 2019-01-24 | 2019-08-16 | 刘赏 | 基于视频分析的航站楼旅客常见聚集行为识别方法 |
CN110020980A (zh) * | 2019-04-08 | 2019-07-16 | 江苏号百信息服务有限公司 | 基于手机信令数据的机场到发旅客识别与客情分析方法 |
Non-Patent Citations (4)
Title |
---|
"帧平均加速度"人群异常运动检测算法;刘赏等;《计算机工程与应用》;第168-176、264页 * |
低能见度预测及其与航班准点率相关性研究;张义朋;《中国优秀硕士论文电子期刊网》;全文 * |
刘赏 ; 董林芳.人群运动中的视觉显著性研究.《数据采集与处理》.2017,第890-897页. * |
李雨吟等.基于DTW的机场延误特性分析.《航空计算技术》.2018,第54-59页. * |
Also Published As
Publication number | Publication date |
---|---|
CN110751102A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ríos et al. | Land Use detection with cell phone data using topic models: Case Santiago, Chile | |
CN112182410B (zh) | 基于时空轨迹知识图谱的用户出行模式挖掘方法 | |
CN110324787B (zh) | 一种手机信令数据的职住地获取方法 | |
CN106488405B (zh) | 一种融合个体与近邻移动规律的位置预测方法 | |
CN110516708B (zh) | 一种基于轨迹与路网匹配的路径预测方法 | |
Wang et al. | Sample surveying to estimate the mean of a heterogeneous surface: reducing the error variance through zoning | |
US10055828B2 (en) | Method for retrieving atmospheric aerosol based on statistical segmentation | |
CN112561146A (zh) | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 | |
Xing et al. | Mapping human activity volumes through remote sensing imagery | |
CN104820718A (zh) | 基于地理位置特征与全局视觉特征的图像分类和检索方法 | |
CN106951828B (zh) | 一种基于卫星影像和网络的城市区域功能属性的识别方法 | |
CN111046968B (zh) | 一种基于改进dpc算法的道路网络轨迹聚类分析方法 | |
CN108566620B (zh) | 一种基于wifi的室内定位方法 | |
CN110751102B (zh) | 京津冀三地机场客流关联性分析方法及装置 | |
CN112418696A (zh) | 城市交通动态知识图谱的构建方法及装置 | |
CN111985389A (zh) | 一种基于流域属性距离的流域相似判别方法 | |
Cao et al. | Multi-scale three-dimensional detection of urban buildings using aerial LiDAR data | |
Kalantar et al. | Smart counting–oil palm tree inventory with UAV | |
CN116796904A (zh) | 一种轨道交通新线客流预测方法、系统、电子设备及介质 | |
CN115412857A (zh) | 一种居民出行信息预测方法 | |
CN105242330A (zh) | 一种天气状况的检测方法、装置及移动终端 | |
Li et al. | Model and transfer spatial-temporal knowledge for fine-grained radio map reconstruction | |
Cai et al. | A novel unsupervised deep learning method for the generalization of urban form | |
Yan et al. | Identification of secondary functional areas and functional structure analysis based on multisource geographic data | |
Pepe et al. | Comparing the performance of fuzzy and crisp classifiers on remotely sensed images: A case of snow classification |
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 |