CN110751340A - 一种机场安检区域人流预测分析方法及系统 - Google Patents
一种机场安检区域人流预测分析方法及系统 Download PDFInfo
- Publication number
- CN110751340A CN110751340A CN201911035820.3A CN201911035820A CN110751340A CN 110751340 A CN110751340 A CN 110751340A CN 201911035820 A CN201911035820 A CN 201911035820A CN 110751340 A CN110751340 A CN 110751340A
- Authority
- CN
- China
- Prior art keywords
- flight
- security check
- time
- passenger
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000007689 inspection Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 230000010354 integration Effects 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 4
- 230000000379 polymerizing effect Effects 0.000 claims abstract description 3
- 238000013507 mapping Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种机场安检区域人流预测分析方法及系统。一种机场安检区域人流预测分析方法,其特征在于,包括:获取旅客实时安检数据,从航班信息服务平台中获取相应的航班计划信息,将旅客实时安检数据的航班信息与航班计划信息进行关联;对各区域的安检记录进行聚合操作,设定时间粒度,聚合出人数与通道数;提取各区域旅客过检记录聚合后的基础时序特征,提取聚合后数据的前n天的历史数据特征,所述n为大于0的自然数;根据旅客过检记录,进行特征整合,并将整合后的特征放入XGBoost模型进行预测,得到各区域的安检人数预测结果。一种机场安检区域人流预测分析系统,包括:数据关联模块;聚合模块;特征提取模块;整合预测模块。
Description
技术领域
本发明涉及数据分析领域,特别是涉及一种机场安检区域人流预测分析方法及系统。
背景技术
当前针对航站楼内旅客流量,没有可量化的依据指导生产运营,对安检客流量只能依靠历史工作经验判断,导致安检通道开放无法匹配旅客流量变化,出现工作滞后性,降低旅客体验;同时在旅客较少时段容易产生劳动力过剩造成浪费。
机场安检部门在人员安排与开放数量时间缺乏明确指引,生产管理水平和客候机体验有待进一步提高。为实现“智慧机场”的建设,需要结合机场具体业务与大数据云计算技术。
发明内容
基于此,本发明的目的在于,提供一种机场安检区域人流预测分析方法及系统。
本发明的机场安检区域人流预测分析方法,包括:
获取旅客实时安检数据,从航班信息服务平台中获取相应的航班计划信息,将旅客实时安检数据的航班信息与航班计划信息进行关联;
对各区域的安检记录进行聚合操作,设定时间粒度,聚合出人数与通道数;
提取各区域旅客过检记录聚合后的基础时序特征,提取聚合后数据的前n天的历史数据特征,所述n为大于0的自然数;
根据旅客过检记录,进行特征整合,并将整合后的特征放入XGBoost模型进行预测,得到各区域的安检人数预测结果。
在一种实施方式中,所述将安检旅客的航班信息与航班计划信息进行关联,包括:整理航班信息服务平台中各航班的航班计划起飞时间,并关联至旅客实时安检数据中。
在一种实施方式中,所述将旅客实时安检数据的航班信息与航班计划信息进行关联,包括:在获取旅客实时安检数据和航班计划信息后,本地存储至Parquet文件中用于备份,若旅客实时安检数据中没有关联的航班计划起飞时间,则对旅客实时安检数据进行补充。
在一种实施方式中,所述将旅客实时安检数据的航班信息与航班计划信息进行关联,包括:若旅客实时安检数据的航班信息与航班计划信息出现共享航班多个航班号无法匹配,则通过人工引入共享航班映射表进行航班号修复。
在一种实施方式中,所述通过人工引入共享航班映射表进行航班号修复,包括:去除实际安检时间在航班计划起飞时间之后的数据,按照航班日期、登机序列号、旅客英文名、航班号进行去重,确保航班计划信息与旅客实时安检数据连接后数据的有效性。
在一种实施方式中,所述进行特征整合,包括:计算当前时间片正处于安检的航班架次特征与航班分布率特征,并合并至基础时序特征分解的特征矩阵。
在一种实施方式中,所述将整合后的特征放入XGBoost模型进行预测,包括:在预测的过程中,调整超参数以使XGBoost模型达到最佳预测模型。
在一种实施方式中,所述得到各区域的安检人数预测结果之后,还包括:将安检人数预测结果与应开放的安检通道数进行映射转换。
在一种实施方式中,所述设定时间粒度,包括设定10min为时间粒度;
所述n的范围为1≤n≤7。
本发明还进一步提供了一种机场安检区域人流预测分析系统,包括:
数据关联模块,用于获取旅客实时安检数据,从航班信息服务平台中获取相应的航班计划信息,将旅客实时安检数据的航班信息与航班计划信息进行关联;
聚合模块,用于对各区域的安检记录进行聚合操作,设定时间粒度,聚合出人数与通道数;
特征提取模块,提取各区域旅客过检记录聚合后的基础时序特征,提取聚合后数据的前n天的历史数据特征,所述n为大于0的自然数;
整合预测模块,根据旅客过检记录,进行特征整合,并将整合后的特征放入XGBoost模型进行预测,得到各区域的安检人数预测结果。
相对于现有技术,本发明的机场安检区域人流预测分析方法及系统通过大数据挖掘技术,利用了各安检区域历史人数信息,结合航班动态航班计划与计划起飞时间,通过XGBoost机器学习模型挖掘其中潜在的规律,实现预测将来一段时间该区域的安检人数变化,从而对安检工作人员进行调配。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1是本发明的机场安检区域人流预测分析方法的流程框图。
图2是本发明的机场安检区域人流预测分析方法的一示例性流程框图。
具体实施方式
以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
请参阅图1和图2。1是本发明的机场安检区域人流预测分析方法的流程框图。图2是本发明的机场安检区域人流预测分析方法的一示例性流程框图。
本实施例的机场安检区域人流预测分析方法,包括:
步骤101,获取旅客实时安检数据,从航班信息服务平台中获取相应的航班计划信息,将旅客实时安检数据的航班信息与航班计划信息进行关联。
步骤102,对各区域的安检记录进行聚合操作,设定时间粒度,聚合出人数与通道数。
步骤103,提取各区域旅客过检记录聚合后的基础时序特征,提取聚合后数据的前n天的历史数据特征,所述n为大于0的自然数。
步骤104,根据旅客过检记录,进行特征整合,并将整合后的特征放入XGBoost模型进行预测,得到各区域的安检人数预测结果。
步骤105,将安检人数预测结果与应开放的安检通道数进行映射转换。
通过大数据挖掘技术,利用了各安检区域历史人数信息,结合航班动态航班计划与计划起飞时间,通过XGBoost机器学习模型挖掘其中潜在的规律,实现预测将来一段时间该区域的安检人数变化,从而对安检工作人员进行调配。根据将来一段时间内预计到达通过该安检区域的旅客数进行预测并转换为安检通道开放数,合理调配通道开放资源,减少通道资源浪费,提高旅客过检速度与乘机体验。
在一种实施方式中,上述步骤101中,所述将安检旅客的航班信息与航班计划信息进行关联,包括:整理航班信息服务平台中各航班的航班计划起飞时间,并关联至旅客实时安检数据中。
在一种实施方式中,上述步骤101中,所述将旅客实时安检数据的航班信息与航班计划信息进行关联,包括:在获取旅客实时安检数据和航班计划信息后,本地存储至Parquet文件中用于备份,若旅客实时安检数据中没有关联的航班计划起飞时间,则对旅客实时安检数据进行补充。
该补充是出于下述计算当前时间片正处于安检的航班架次特征需要结合航班信息服务平台中已有的航班计划,对旅客实时安检数据进行补充。
为减少数据库读取压力与数据可靠性原则,选取了Parquet方案作为数据备份方案,该方案有助于避开远程数据库在数据传输过程中遇到的网络瓶颈。
Parquet为Apache顶级项目所设计的一种数据存储结构,是一种列式存储结构,并且与Apache生态下的多种计算框架、查询引擎、数据模型都拥有的较好的适配性。Parquet能通过较为先进的压缩算法如(snappy,lz4,blosc等)对数据进行高效压缩,这种存储方案不仅降低了存储成本,其存储结构与计算机内存结构非常相似,并通过元数据的形式对数据类型进行存储。在数据读取和写入时能有效降低硬盘IO与节省数据类型转换等操作。
在一种实施方式中,上述步骤101中,所述将旅客实时安检数据的航班信息与航班计划信息进行关联,包括:若旅客实时安检数据的航班信息与航班计划信息出现共享航班多个航班号无法匹配,则通过人工引入共享航班映射表进行航班号修复。
优选地,所述通过人工引入共享航班映射表进行航班号修复,包括:去除实际安检时间在航班计划起飞时间之后的数据,按照航班日期、登机序列号、旅客英文名、航班号进行去重,确保航班计划信息与旅客实时安检数据连接后数据的有效性。
在一种实施方式中,上述步骤103中,所述设定时间粒度,包括设定10min为时间粒度。
所述n的范围为1≤n≤7。
在一种实施方式中,上述步骤104中,所述进行特征整合,包括:计算当前时间片正处于安检的航班架次特征与航班分布率特征,并合并至基础时序特征分解的特征矩阵。
除了上述基础时序特征、历史数据特征、航班架次特征与航班分布率特征,XGBoost模型还使用了法定节假日特征和特殊时期特征等,具体列表如下:
通过对实时安检记录以十分钟为时间粒度按各安检区域进行人数聚合,产生出一个连续的时间序列,对该时间序列的时间片进行分解基础时序特征;同时使用实时安检记录数据,提取其航班计划起飞时间进行航班架次特征的计算与航班分布率特征的计算,最后将这两个特征合并至基础时序特征分解的特征矩阵。
对于国家法定节假日由国家假日办提供,整理出历史、本年度的国家法定节假日,并按照传统经验制定特殊时期的时间窗口(如:春运等),再对上述特征矩阵进行日期标注。
在一种实施方式中,上述步骤104中,所述将整合后的特征放入XGBoost模型进行预测,包括:在预测的过程中,调整超参数以使XGBoost模型达到最佳预测模型。
为保证XGBoost模型的准确性,将数据集划分为三个部分:训练集、测试集和预测集。
由于XGBoost模型预测时需要输入同一维度的特征,在构建上述三个数据集时需要对航班架次特征进行平移处理。在生成预测集的基础时序特征矩阵后,与真实数据集进行拼接,并平移7天的航班架次特征至预测集作为预测输入特征。
本XGBoost模型在训练预测过程中使用最后一天作为测试集,通过模型在测试集上的表现进行评估测试集的预测效果。
在一种实施方式中,上述步骤105中,优选地采用“八分钟原则”将安检人数预测结果与应开放的安检通道数进行映射转换。通过采用“八分钟原则”,将安检人数预测结果转换为应开放的安检通道数,可以更合理调配通道开放资源,减少通道资源浪费,使安检通道安检效率最大化,提高旅客过检速度与乘机体验。
本实施例的机场安检区域人流预测分析系统,包括:
数据关联模块,用于获取旅客实时安检数据,从航班信息服务平台中获取相应的航班计划信息,将旅客实时安检数据的航班信息与航班计划信息进行关联;
聚合模块,用于对各区域的安检记录进行聚合操作,设定时间粒度,聚合出人数与通道数;
特征提取模块,提取各区域旅客过检记录聚合后的基础时序特征,提取聚合后数据的前n天的历史数据特征,所述n为大于0的自然数;
整合预测模块,根据旅客过检记录,进行特征整合,并将整合后的特征放入XGBoost模型进行预测,得到各区域的安检人数预测结果;
映射转换模块,用于将安检人数预测结果与应开放的安检通道数进行映射转换。
相对于现有技术,本发明的机场安检区域人流预测分析方法及系统通过大数据挖掘技术,利用了各安检区域历史人数信息,结合航班动态航班计划与计划起飞时间,通过XGBoost机器学习模型挖掘其中潜在的规律,实现预测将来一段时间该区域的安检人数变化,从而对安检工作人员进行调配。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种机场安检区域人流预测分析方法,其特征在于,包括:
获取旅客实时安检数据,从航班信息服务平台中获取相应的航班计划信息,将旅客实时安检数据的航班信息与航班计划信息进行关联;
对各区域的安检记录进行聚合操作,设定时间粒度,聚合出人数与通道数;
提取各区域旅客过检记录聚合后的基础时序特征,提取聚合后数据的前n天的历史数据特征,所述n为大于0的自然数;
根据旅客过检记录,进行特征整合,并将整合后的特征放入XGBoost模型进行预测,得到各区域的安检人数预测结果。
2.根据权利要求1所述的机场安检区域人流预测分析方法,其特征在于:所述将安检旅客的航班信息与航班计划信息进行关联,包括:整理航班信息服务平台中各航班的航班计划起飞时间,并关联至旅客实时安检数据中。
3.根据权利要求2所述的机场安检区域人流预测分析方法,其特征在于,所述将旅客实时安检数据的航班信息与航班计划信息进行关联,包括:在获取旅客实时安检数据和航班计划信息后,本地存储至Parquet文件中用于备份,若旅客实时安检数据中没有关联的航班计划起飞时间,则对旅客实时安检数据进行补充。
4.根据权利要求3所述的机场安检区域人流预测分析方法,其特征在于,所述将旅客实时安检数据的航班信息与航班计划信息进行关联,包括:若旅客实时安检数据的航班信息与航班计划信息出现共享航班多个航班号无法匹配,则通过人工引入共享航班映射表进行航班号修复。
5.根据权利要求4所述的机场安检区域人流预测分析方法,其特征在于,所述通过人工引入共享航班映射表进行航班号修复,包括:去除实际安检时间在航班计划起飞时间之后的数据,按照航班日期、登机序列号、旅客英文名、航班号进行去重,确保航班计划信息与旅客实时安检数据连接后数据的有效性。
6.根据权利要求1所述的机场安检区域人流预测分析方法,其特征在于:所述进行特征整合,包括:计算当前时间片正处于安检的航班架次特征与航班分布率特征,并合并至基础时序特征分解的特征矩阵。
7.根据权利要求6所述的机场安检区域人流预测分析方法,其特征在于:所述将整合后的特征放入XGBoost模型进行预测,包括:在预测的过程中,调整超参数以使XGBoost模型达到最佳预测模型。
8.根据权利要求1-7任一项所述的机场安检区域人流预测分析方法,其特征在于:所述得到各区域的安检人数预测结果之后,还包括:将安检人数预测结果与应开放的安检通道数进行映射转换。
9.根据权利要求1-7任一项所述的机场安检区域人流预测分析方法,其特征在于,所述设定时间粒度,包括设定10min为时间粒度;
所述n的范围为1≤n≤7。
10.一种机场安检区域人流预测分析系统,其特征在于,包括:
数据关联模块,用于获取旅客实时安检数据,从航班信息服务平台中获取相应的航班计划信息,将旅客实时安检数据的航班信息与航班计划信息进行关联;
聚合模块,用于对各区域的安检记录进行聚合操作,设定时间粒度,聚合出人数与通道数;
特征提取模块,提取各区域旅客过检记录聚合后的基础时序特征,提取聚合后数据的前n天的历史数据特征,所述n为大于0的自然数;
整合预测模块,根据旅客过检记录,进行特征整合,并将整合后的特征放入XGBoost模型进行预测,得到各区域的安检人数预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911035820.3A CN110751340A (zh) | 2019-10-29 | 2019-10-29 | 一种机场安检区域人流预测分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911035820.3A CN110751340A (zh) | 2019-10-29 | 2019-10-29 | 一种机场安检区域人流预测分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751340A true CN110751340A (zh) | 2020-02-04 |
Family
ID=69280704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911035820.3A Pending CN110751340A (zh) | 2019-10-29 | 2019-10-29 | 一种机场安检区域人流预测分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751340A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751329A (zh) * | 2019-10-17 | 2020-02-04 | 中国民用航空总局第二研究所 | 一种机场安检通道的控制方法、装置、电子设备及存储介质 |
CN112181629A (zh) * | 2020-11-30 | 2021-01-05 | 同方威视技术股份有限公司 | 安检集中判图系统及其自动工作模式切换控制方法 |
CN112926809A (zh) * | 2021-05-10 | 2021-06-08 | 北京人人云图信息技术有限公司 | 一种基于聚类和改进的xgboost的航班流量预测方法及系统 |
CN114408446A (zh) * | 2022-01-28 | 2022-04-29 | 珠海世纪鼎利科技股份有限公司 | 安检自动传输带的控制方法 |
CN114444966A (zh) * | 2022-02-11 | 2022-05-06 | 携程旅游网络技术(上海)有限公司 | 客运中心监测和资源调配方法、系统、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203311459U (zh) * | 2013-05-22 | 2013-11-27 | 重庆民航凯亚信息技术有限公司 | 民航机场集团信息集成云服务平台 |
CN107480247A (zh) * | 2017-08-10 | 2017-12-15 | 中国民航信息网络股份有限公司 | 机场旅客分布状态的监控方法和装置 |
CN107578126A (zh) * | 2017-08-29 | 2018-01-12 | 飞友科技有限公司 | 一种机场安检人数预测的方法 |
CN107679647A (zh) * | 2017-09-06 | 2018-02-09 | 武汉科技大学 | 一种机场客流量的时空分布预测装置 |
CN107704971A (zh) * | 2017-10-27 | 2018-02-16 | 中航信移动科技有限公司 | 一种实时预测机场安检人数的数据处理方法和装置 |
-
2019
- 2019-10-29 CN CN201911035820.3A patent/CN110751340A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203311459U (zh) * | 2013-05-22 | 2013-11-27 | 重庆民航凯亚信息技术有限公司 | 民航机场集团信息集成云服务平台 |
CN107480247A (zh) * | 2017-08-10 | 2017-12-15 | 中国民航信息网络股份有限公司 | 机场旅客分布状态的监控方法和装置 |
CN107578126A (zh) * | 2017-08-29 | 2018-01-12 | 飞友科技有限公司 | 一种机场安检人数预测的方法 |
CN107679647A (zh) * | 2017-09-06 | 2018-02-09 | 武汉科技大学 | 一种机场客流量的时空分布预测装置 |
CN107704971A (zh) * | 2017-10-27 | 2018-02-16 | 中航信移动科技有限公司 | 一种实时预测机场安检人数的数据处理方法和装置 |
Non-Patent Citations (2)
Title |
---|
NIKOUE H 等: "Passenger flow predictions at sydney international airport: a data-driven queuing approach", 《ARXIV PREPRINT ARXIV》 * |
顾扬 等: "机场安检资源动态分配方法研究", 《航空计算技术》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751329A (zh) * | 2019-10-17 | 2020-02-04 | 中国民用航空总局第二研究所 | 一种机场安检通道的控制方法、装置、电子设备及存储介质 |
CN112181629A (zh) * | 2020-11-30 | 2021-01-05 | 同方威视技术股份有限公司 | 安检集中判图系统及其自动工作模式切换控制方法 |
CN112181629B (zh) * | 2020-11-30 | 2021-05-04 | 同方威视技术股份有限公司 | 安检集中判图系统及其自动工作模式切换控制方法 |
CN112926809A (zh) * | 2021-05-10 | 2021-06-08 | 北京人人云图信息技术有限公司 | 一种基于聚类和改进的xgboost的航班流量预测方法及系统 |
CN112926809B (zh) * | 2021-05-10 | 2021-07-23 | 北京人人云图信息技术有限公司 | 一种基于聚类和改进的xgboost的航班流量预测方法及系统 |
CN114408446A (zh) * | 2022-01-28 | 2022-04-29 | 珠海世纪鼎利科技股份有限公司 | 安检自动传输带的控制方法 |
CN114444966A (zh) * | 2022-02-11 | 2022-05-06 | 携程旅游网络技术(上海)有限公司 | 客运中心监测和资源调配方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751340A (zh) | 一种机场安检区域人流预测分析方法及系统 | |
CN109492002B (zh) | 一种智能电网大数据存储与分析系统及处理方法 | |
CN106507315B (zh) | 基于网络社交媒体数据的城市交通事故预测方法和系统 | |
CN105678398A (zh) | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 | |
CN105574593B (zh) | 基于云计算和大数据的轨道状态静态检控系统及方法 | |
CN111191839B (zh) | 一种换电预测方法和系统及存储介质 | |
CN104182805A (zh) | 基于服刑人员行为特征集成学习模型的危险倾向预测方法 | |
CN103761585A (zh) | 机场接续运输动态匹配、运力监测预警和智能调配方法 | |
CN110109908B (zh) | 基于社会基础信息挖掘人物潜在关系的分析系统及方法 | |
CN105608541A (zh) | 一种基于电力物资供应全程预警监督系统与方法 | |
CN109408574B (zh) | 基于文本挖掘技术的投诉责任认定系统 | |
CN114492663B (zh) | 事件智能分拨方法、装置、设备及存储介质 | |
CN114519524A (zh) | 基于知识图谱的企业风险预警方法、装置及存储介质 | |
CN110445939A (zh) | 容量资源的预测方法及装置 | |
CN105809349A (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
Cheng et al. | A synoptic weather-typing approach to project future daily rainfall and extremes at local scale in Ontario, Canada | |
CN114418360A (zh) | 一种智慧城市运行体征大数据分析方法及装置 | |
CN107742162B (zh) | 一种基于配调监控信息的多维特征关联分析方法 | |
CN109033378A (zh) | 一种Zero-shot Learning在智能客服系统中的应用方法 | |
Dhal et al. | An operations-structured model for strategic prediction of airport arrival rate and departure rate futures | |
CN114912854B (zh) | 地铁列车运行调整方法、装置、电子设备及存储介质 | |
CN110674263A (zh) | 一种模型构件文件自动分类的方法和装置 | |
CN115345163A (zh) | 一种基于故障数据的外场质量分析方法及系统 | |
CN114707284A (zh) | 一种高速铁路区段通过能力仿真计算系统 | |
CN206023811U (zh) | 路测监管系统 |
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 | ||
CB02 | Change of applicant information |
Address after: 510000 North Building of secondary company business building, block A4, New Baiyun International Airport, Baiyun District, Guangzhou City, Guangdong Province Applicant after: Guangdong Airport Baiyun Information Technology Co.,Ltd. Address before: 510000 North Building of secondary company business building, block A4, New Baiyun International Airport, Baiyun District, Guangzhou City, Guangdong Province Applicant before: GUANGDONG AIRPORT BAIYUN INFORMATION TECHNOLOGY CO.,LTD. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |
|
RJ01 | Rejection of invention patent application after publication |