CN110751102B - 京津冀三地机场客流关联性分析方法及装置 - Google Patents

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

京津冀三地机场客流关联性分析方法及装置

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A_i，

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S_i的可视范围A_i，存在以下三种情况：

一是A_i∩A＝Φ，则在地图上标注A_i；把S_i从S中删除，并把S_i放入候选摄像头集合S'；设其对应的权值为W_i＝1，放入权值集合W；

二是A_i∈A，把S_i从S中删除；

三是A_i∩A≠Φ，则在地图上标注A_i，并把S_i从S中删除，并把S_i放入候选摄像头集合S'；其对应的权值为W_i＝1-p,并放入权值集合W，其中p＝(A_i∩A)/A_i；

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S_i对应的人数C_i，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count_i：count_i＝C_i*W_i，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，p_i表示ΔT_i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＝{p_i}，其中i＝1,…,n，首都机场的样本数据为P_B＝{p_Bi}，i＝1,...,n；天津机场的样本数据为P_T＝{p_Ti}，i＝1,...,n；石家庄机场的样本数据为P_S＝{p_Si}，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P_B＝{p_Bi}中所有数据的平均值，/>为P_T＝{p_Ti}中所有数据的平均值，/>为P_S＝{p_Si}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r_Bi,天津机场与其它两地机场客流的相关系数为r_Ti，石家庄机场与其它两地机场客流的相关系数为r_Si，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P_B＝{p_Bi}，P_T＝{p_Ti}，P_S＝{p_Si}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}；

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d_i(S_1i,S_2i)，获得相似性结果数据集R＝{d_i}，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S_1i与S_2i相似，d'_i＝1表示S_1i与S_2i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{S_j}中k个元组项目S_j在R′中出现概率β_j，j＝1,..,k，给出支持度support和置信度confidence，当α≥support且β_j/α≥confidence时，表示D₁和D₂存在关联，其关联的形式为S_j；

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S_j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A_i，

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s_i的可视范围A_i，存在以下三种情况：

一是A_i∩A＝Φ。则在地图上标注A_i；把S_i从S中删除，并把S_i放入候选摄像头集合S'；设其对应的权值为W_i＝1，放入权值集合W。

二是A_i∈A，把S_i从S中删除。

三是A_i∩A≠Φ。则在地图上标注A_i，并把S_i从S中删除，并把S_i放入候选摄像头集合S'；其对应的权值为W_i＝1-p,并放入权值集合W。其中p＝(A_i∩A)/A_i。

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S_i对应的人数C_i。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count_i：count_i＝BiC_i*W_i，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，p_i表示ΔT_i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＝{p_i}，其中i＝1,…,n。首都机场的样本数据为P_B＝{p_Bi}，i＝1,...,n；天津机场的样本数据为P_T＝{p_Ti}，i＝1,...,n；石家庄机场的样本数据为P_S＝{p_Si}，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P_B＝{p_Bi}中所有数据的平均值，/>为P_T＝{p_Ti}中所有数据的平均值，/>为P_S＝{p_Si}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r_Bi,天津机场与其它两地机场客流的相关系数为r_Ti，石家庄机场与其它两地机场客流的相关系数为r_Si。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P_B＝{p_Bi}，P_T＝{p_Ti}，P_S＝{p_Si}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P_B，P_T和P_S，其中P_B表示首都机场客流数据、P_T表示天津机场客流数据、P_S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：

P_{B_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>；

}

P_{T__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＝{d_i}，i＝1,…,n。

以上面P_{B_T1}和P_{T__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R_T1如下：

R_T1＝{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S_1i与S_2i相似，d'_i＝1表示S_1i与S_2i不相似。

若给定阈值dist＝2，则R_T1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P_{B_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>；P_{T__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Fre_T1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Fre_T1，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S_i，依据其可视范围在机场地图上标注出其所覆盖的范围A_i，

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S_i的可视范围A_i，存在以下三种情况：

一是A_i∩A＝Φ，则在地图上标注A_i；把S_i从S中删除，并把S_i放入候选人群场景集合S'；设其对应的权值为W_i＝1，放入权值集合W；

二是A_i∈A，把S_i从S中删除；

三是A_i∩A≠Φ，则在地图上标注A_i，并把S_i从S中删除，并把S_i放入候选人群场景集合S'；其对应的权值为W_i＝1-p,并放入权值集合W，其中p＝(A_i∩A)/A_i；

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S_i对应的人数C_i，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count_i：count_i＝C_i*W_i，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，p_i表示ΔT_i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＝{p_i}，其中i＝1,…,n，首都机场的样本数据为P_B＝{p_Bi}，i＝1,...,n；天津机场的样本数据为P_T＝{p_Ti}，i＝1,...,n；石家庄机场的样本数据为P_S＝{p_Si}，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P_B＝{p_Bi}中所有数据的平均值，/>为P_T＝{p_Ti}中所有数据的平均值，/>为P_S＝{p_Si}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r_Bi,天津机场与其它两地机场客流的相关系数为r_Ti，石家庄机场与其它两地机场客流的相关系数为r_Si，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P_B＝{p_Bi}，P_T＝{p_Ti}，P_S＝{p_Si}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d_i(S_1i,S_2i)，获得相似性结果数据集R＝{d_i}，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S_1i与S_2i相似，d′_i＝1表示S_1i与S_2i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。