CN114580751B - 空港到港旅客疏散时间预测方法、系统、存储介质及终端 - Google Patents
空港到港旅客疏散时间预测方法、系统、存储介质及终端 Download PDFInfo
- Publication number
- CN114580751B CN114580751B CN202210217212.XA CN202210217212A CN114580751B CN 114580751 B CN114580751 B CN 114580751B CN 202210217212 A CN202210217212 A CN 202210217212A CN 114580751 B CN114580751 B CN 114580751B
- Authority
- CN
- China
- Prior art keywords
- time
- evacuation
- evacuation process
- passenger
- passengers
- 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 312
- 238000011835 investigation Methods 0.000 claims abstract description 9
- 238000012546 transfer Methods 0.000 claims description 41
- 238000004088 simulation Methods 0.000 claims description 17
- 238000007689 inspection Methods 0.000 claims description 14
- 238000004540 process dynamic Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 230000029305 taxis Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000007547 defect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 101100458287 Saguinus oedipus MSPE gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000010937 topological data analysis 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于民用航空信息预测技术领域,公开了空港到港旅客疏散时间预测方法、系统、存储介质及终端。以到港旅客疏散过程所需历经的环节、空间位置为基础,从耗时环节和空间节点两个维度,构建旅客疏散过程拓扑结构;对影响旅客疏散过程的相关因素进行分析,确定疏散过程的影响因素参数体系;并构建了旅客疏散过程时空关联贝叶斯网络模型;以现场调研和机场运行数据为基础设计疏散时间样本生成方法;并基于疏散过程时空关联贝叶斯网络模型设计基于过程推进的疏散时间动态预测方法。本发明可在一定误差范围内对旅客疏散时间进行动态预测,对旅客的出行选择有一定的参考价值,并为机场路侧运力流调配提供决策依据,具有一定的实际应用意义。
Description
技术领域
本发明属于民用航空信息预测技术领域,尤其涉及一种空港到港旅客疏散时间预测方法、系统、存储介质及终端。
背景技术
目前,航站楼到港旅客的快速、高效疏散是在现有资源条件下解决楼内人员过饱和问题的关键环节。疏散时间是描述旅客疏散过程的重要指标,准确、有效地预测旅客的疏散时间,不仅能为旅客换乘方式选择提供依据,实现旅客的快速疏散,减少旅客滞留概率,而且也可以为机场方预测航站楼内的人员密度、安排接驳交通的班次提供依据,对缓解楼内人员密度、机场运行压力有着十分重要的意义。
无论是对大型空港还是铁路枢纽场景,目前国内外对到港旅客疏散过程的分析,主要有以下几个方面:紧急情况下的应急疏散仿真、疏散过程中旅客的路径选择及行为特性、旅客换乘方式选择、旅客应急疏散时间建模与分析等。而尚未有从旅客角度的、一般情形下的从旅客下机到离开的疏散时间的分析。
通过上述分析,现有技术存在的问题及缺陷为:(1)现有技术对到港旅客疏散时间的动态预测准确度低;(2)现有技术对旅客疏散时间进行动态预测的信息对旅客的出行参考价值差,不能为机场路侧运力流调配提供决策依据,使得机场运行效率难以进一步提高。
解决以上问题及缺陷的难度为:不同时段、疏散路径等时空条件下样本的获取,及多种时空特征下预测模型参数的确定。
解决以上问题及缺陷的意义为:能基于旅客属性、到达时段等特征及概率推理为各个旅客提供较为准确的各种换乘方式的疏散时间预测,对到达旅客换乘方式的选择具有较好的参考意义;同时可基于对旅客疏散时间的预测得到各接驳区旅客到达的时间分布,而不仅仅是旅客到达各接驳区的平均时间,对接驳区旅客到达的分布预测能更好的为机场方对运力流的调配提供决策依据。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供了一种空港到港旅客疏散时间预测方法、系统、存储介质及终端。
所述技术方案如下:一种空港到港旅客疏散时间预测方法,包括以下步骤:
步骤一,分析空港到港旅客的疏散过程,基于旅客疏散过程所需历经的相应环节和空间节点,从耗时环节和空间节点两个维度,构建旅客疏散过程拓扑结构,并给出疏散时间的定义;
步骤二,对影响旅客疏散过程的相关因素进行分析,包括个体因素和空间因素,并确定疏散过程的影响因素参数体系;
步骤三,利用步骤一、步骤二所述对旅客疏散过程拓扑结构及影响因素参数体系,构建旅客疏散过程时空关联贝叶斯网络模型,利用所述旅客疏散过程时空关联贝叶斯网络模型对疏散过程进行描述,并基于概率推理对旅客疏散过程进行动态预测;
步骤四,利用现场调研数据和机场实际运行数据,构建基于小样本扩充和Anylogic仿真的到港旅客疏散时间样本的生成方法;
步骤五,利用步骤三所述的到港旅客疏散过程时空关联贝叶斯网络模型,构建基于过程推进的疏散时间动态预测方法,利用步骤四生成的样本进行到港旅客疏散时间的动态预测。
在一实施例中,所述步骤一旅客疏散过程包括旅客由到达口进入楼内到港大厅,经由不同的通道到达不同的接驳交通换乘处,先后完成购票、安检、候车环节后乘车离开的全过程,基于整个过程所需历经的耗时环节和空间节点,分别从耗时环节和空间节点两个维度,构建旅客疏散过程的拓扑结构。
所述的疏散时间为旅客从到达到港大厅至进入接驳交通工具车厢过程所需的时间。
在一实施例中,所述步骤二影响因素包括个体因素和客观因素,个体因素包括旅客自身属性、对航站楼的熟悉程度;客观因素包括空间因素、接驳交通运力、到达时段;并利用上述影响因素对旅客疏散时间影响,构建影响旅客疏散过程的个体因素参数体系和客观因素参数体系;
所述个体因素参数体系为:
α=[α1,α2,α3,α4]
式中:α1α2α3α4分别为身高、性别、年龄、对航站楼的熟悉程度;
客观因素参数体系为:
β=[β1,β2,β3]
式中:β1β2β3分别为到达时段、所经路径、接驳交通运力,所述接驳交通运力包括班次密度、购票窗口、安检通道数量。
在一实施例中,所述步骤三对旅客疏散过程进行动态预测具体包括:
(1)利用旅客疏散过程时空关联的贝叶斯网络模型将整个疏散过程节点化、分支化,不同的疏散方式包括不同的网络分支;疏散过程中的节点包括:实线表示耗时环节节点、虚线表示关键空间位置节点;外部的a-i节点表示相应节点耗时的可能影响因素;
(2)将到港旅客疏散过程作为具有固定结构且随着时间演化的旅客疏散过程时空关联的贝叶斯网络模型,其中到达口节点x0为根节点,且不包含回环,则对于x1的子节点xi,i=2,3,4,存在条件概率为:
式中:p(x1,xi)为节点x1与子节点xi同时发生的联合概率,p(x1)为节点x1发生的先验概率;
子节点还包括:
对于x6,x7共同的子节点x8,存在条件概率
式中:p(x1,x2,x6,x7,x8)为节点x1,x2,x6,x7,x8同时发生的联合概率,p(x1,x2,x6,x7)为节点x8的祖节点均已发生的先验概率;
子节点还包括:
由上式基于概率推理对旅客疏散过程进行动态预测;
其中,关键空间位置节点包括:0:到达口;1:问询;2:连廊口;3:下1F扶梯处;4:下行直梯处;5:地铁售票处;6:下行扶梯处;7:下行直梯处;8:B2停车场;9:巴士售票处;10:下B1扶梯处;11:出租车候车区;12:地铁购票;13:地铁安检;14:地铁候车;15:网约/私家车候车;16:巴士购票;17:巴士候车;18:出租车候车;19:上车离开;
外部的a-i节点包括:a:到达时段、购票窗口/自助设备的数量;b:到达时段、安检通道数量、旅客属性;c:地铁班次密度;d:到达时段;e:巴士班次密度;f:到达时段、接客出租车数量;g:到达时段、购票窗口数量;h:旅客对航站楼的熟悉程度、到达时段;i:空间距离、旅客属性。
在一实施例中,所述步骤四构建到港旅客疏散时间样本的生成方法基于旅客疏散过程时空关联贝叶斯网络模型将旅客疏散过程拆解为相应的路段和环节,并基于小样本扩充和Anylogic仿真分别生成环节、排队及步行时间样本,再基于旅客疏散过程时空关联贝叶斯网络模型中不同时空条件下所需经由的路径和环节,将上述环节、排队、步行时间样本对应组合,生成不同时空条件下的疏散过程时间样本;
具体包括以下步骤:
步骤1,基于旅客疏散过程时空关联贝叶斯网络模型将旅客疏散过程拆解为相应的路段和环节;
步骤2,对于购票、安检、候车,基于小样本扩充对现场实测的环节样本进行扩充,生成环节时间样本;
步骤3,对于购票、安检环节前的排队时间,基于机场的实际运行数据,用Anylogic对排队过程进行仿真,生成排队时间样本;
步骤4,对于各路段的步行时间,以现场实测的人流行走耗时作为均值,基于正态分布对现场实测的人流范围内进行扩充,生成步行时间样本;
步骤5,基于旅客疏散过程时空关联贝叶斯网络模型中不同时空条件下所需经由的路径和环节,将环节、排队、步行时间样本对应组合,生成不同时空条件下的疏散过程时间样本。
相关时间定义:
Ta=t1+t0-2+t2-5+t12+t13
Tb=t1+t0-2+(t2-6+t6-8)/(t2-7+t7-8);
Tc=t1+(t0-3+t3-9)/(t0-4+t4-9);
Td=t1+(t0-4+t4-11)/(t0-3+t3-10+t10-11)+t18;
Ta-2=t1+t0-2,Ta-5=t1+t0-2+t2-5,···;
Tb-2=t1+t0-2,Tb-6=t1+t0-2+t2-6,···;
Tc-3=t1+t0-3,Tc-2=t1+t0-4,···;
Td-4=t1+t0-4,Td-11=t1+(t0-4+t4-11)/(t0-3+t3-10+t10-11),···;
上式中,Ta:乘地铁疏散时间;Tb:乘网约车/私家车疏散时间;Tc:乘巴士疏散时间;Td:乘出租车疏散时间;tx-x:相应空间节点间所需时间;tx:完成相应环节所需的时间,包括环节等候时间;Tx-x:相应换乘方式到达相应节点或完成相应环节的时间。
在一实施例中,所述步骤五进行到港旅客疏散时间的动态预测具体包括:
步骤I,数据处理:收集目标机场及各接驳交通相关历史运行数据,对数据进行删减、归类等处理,构建样本集;
步骤II,概率密度估计:根据历史数据对各疏散过程节点的先验概率和联合概率进行概率密度估计,确定不同时空条件下各节点的概率密度分布参数;
步骤III,概率推理:以旅客的目标换乘方式、到达时段、是否需要问询作为输入,确定疏散过程的时空条件,根据疏散过程时空关联贝叶斯网络进行条件概率推理,以条件概率最大值的时间作为各节点的初始预测值;
步骤IV,过程演化:对更新的疏散过程节点预测值重新进行条件概率推理;
步骤V,预测更新:重复步骤III、步骤IV,动态预测并更新各节点的时刻值。
在一实施例中,所述步骤II概率密度估计具体包括:
利用个体因素参数体系α和客观因素参数体系β,基于时空条件架构,从到达时段、是否需要问询和空间因素三个维度确定样本的不同时空条件;
再根据各节点的耗时分布选用正太、对数正态或核概率密度函数进行不同时空条件下的概率密度估计,三种概率密度函数为:
式中:h为自适应带宽,n为样本总数,K(x)为高斯核函数。
所述步骤III疏散过程初始预测值为:
本发明的另一目的在于提供一种实施所述空港到港旅客疏散时间预测方法的空港到港旅客疏散时间预测系统,所述空港到港旅客疏散时间预测系统包括:
旅客疏散过程拓扑结构模块,用于分析空港到港旅客的疏散过程,基于旅客疏散过程所需历经的相应环节和空间节点,从耗时环节和空间节点两个维度,构建旅客疏散过程拓扑结构,并给出疏散时间的定义;
疏散过程的影响因素参数体系确定模块,用于对影响旅客疏散过程的相关因素进行分析,包括个体因素和空间因素,并确定疏散过程的影响因素参数体系;
基于概率推理对旅客疏散过程动态预测模块,用于利用所述对旅客疏散过程拓扑结构及影响因素参数体系,构建旅客疏散过程时空关联贝叶斯网络模型,利用所述旅客疏散过程时空关联贝叶斯网络模型对疏散过程进行描述,并基于概率推理对旅客疏散过程进行动态预测;
到港旅客疏散时间样本的生成方法构建模块,用于利用现场调研数据和机场实际运行数据,构建基于小样本扩充和Anylogic仿真的到港旅客疏散时间样本的生成方法;
到港旅客疏散时间的动态预测模块,用于利用所述的到港旅客疏散过程时空关联贝叶斯网络模型,构建基于过程推进的疏散时间动态预测方法,并利用生成的样本进行到港旅客疏散时间的动态预测。
本发明的另一目的在于提供一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行所述空港到港旅客疏散时间预测方法。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述空港到港旅客疏散时间预测方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
本发明提供的空港到港旅客疏散时间动态预测方法,以到港旅客疏散过程所需历经的环节、空间位置为基础,从耗时环节和空间节点两个维度,构建旅客疏散过程拓扑结构;对影响旅客疏散过程的相关因素进行分析,确定疏散过程的影响因素参数体系;并构建了旅客疏散过程时空关联贝叶斯网络模型;以现场调研和机场运行数据为基础,设计了一种疏散时间样本生成方法;并基于疏散过程时空关联贝叶斯网络模型,设计了一种基于过程推进的疏散时间动态预测方法。该方法可在一定误差范围内对旅客疏散时间进行动态预测,能基于旅客属性、到达时段等特征及概率推理对不同旅客给出针对其自身特征的较为准确的选择各种换乘方式的疏散时间预测,可为其换乘方式的选择提供参考,同时可基于该方法对各接驳区的旅客到达分布进行预测,进而为机场路侧运力流的调配提供决策依据,具有一定的实际应用意义。
当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明的公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本发明实施例提供的
图2是本发明实施例提供的空港到港旅客疏散时间动态预测方法原理图。
图3是本发明实施例提供的疏散过程耗时环节拓扑结构图。
图4是本发明实施例提供的疏散过程途径的空间节点拓扑结构图。
图5是本发明实施例提供的建立的旅客疏散过程时空关联贝叶斯网络图。
图6是本发明实施例提供的疏散过程时空条件架构图。
图7是本发明实施例提供的各换乘方式不同时空条件下各节点的先验概率模型图;其中,图7(a)节点2所需时间的先验概率模型图,图7(b)节点5所需时间的先验概率模型图,图7(c)节点12所需时间的先验概率模型图,图7(d)节点13所需时间的先验概率模型图。
图8是本发明实施例提供的根据节点的演化更新相应未完成节点的条件概率模型也发生变化,两种时空条件下节点13的条件概率模型演化过程图;其中,图8(a)平峰无需问询人工柜台购票时空条件下节点13的条件概率模型演化过程图,图8(b)高峰需问询自助区域购票时空条件下节点13的条件概率模型演化过程图。
图9是本发明实施例提供的疏散过程关键节点预测结果图;其中,图9(a)疏散过程节点2预测结果图,图9(b)疏散过程节点5预测结果图,图9(c)疏散过程节点12预测结果图,图9(d)疏散过程节点2预测结果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
如图1所示,本发明提供一种空港到港旅客疏散时间动态预测方法,包括下列步骤:
S101:分析空港到港旅客的疏散过程,基于旅客疏散过程所需历经的相应环节和空间节点,从耗时环节和空间节点两个维度,构建旅客疏散过程拓扑结构,并给出疏散时间的定义。
S102:在上述分析的基础上,对影响旅客疏散过程的相关因素进行分析,包括个体因素和空间因素,并确定疏散过程的影响因素参数体系。
S103:在步骤S101、S102所述对旅客疏散过程拓扑结构及影响因素分析的基础上,构建了旅客疏散过程时空关联贝叶斯网络模型,以此模型对疏散过程进行描述,并基于概率推理对旅客疏散过程进行动态预测。
S104:以现场调研数据和机场实际运行数据为基础,设计一种基于小样本扩充和Anylogic仿真的到港旅客疏散时间样本的生成方法。
S105:基于步骤S103所述的到港旅客疏散过程时空关联贝叶斯网络模型,设计了一种基于过程推进的疏散时间动态预测方法,以步骤S104生成的样本为基础开展疏散时间的动态预测。
在本发明一优选实施中,在步骤S101中,所述的旅客疏散过程包括旅客由到达口进入楼内到港大厅,经由不同的通道到达不同的接驳交通换乘处,先后完成购票、安检、候车等环节后乘车离开的全过程,基于整个过程所需历经的耗时环节和空间节点,分别从耗时环节和空间节点两个维度,构建了旅客疏散过程的拓扑结构。
所述的疏散时间为旅客从到达到港大厅至进入接驳交通工具车厢过程所需的时间。
在本发明一优选实施中,在步骤S102中,所述的影响因素包括个体因素和客观因素,个体因素有旅客自身属性、对航站楼的熟悉程度等,客观因素有空间因素、接驳交通运力、到达时段等,并基于上述因素对旅客疏散时间影响的分析,构建了影响旅客疏散过程的个体因素参数体系和客观因素参数体系。
在本发明一优选实施中,在步骤S103中,所述的旅客疏散过程时空关联贝叶斯网络模型,是以两个维度的疏散过程拓扑结构为基础,基于旅客疏散过程节点性、流程性的特性,采用贝叶斯网络对疏散过程进行分析,构建旅客疏散过程时空关联的贝叶斯网络。
所述的疏散过程时空关联贝叶斯网络模型,将整个疏散过程节点化、分支化,不同的疏散方式有不同的网络分支。疏散过程网络中的节点也分为几类,实线节点为耗时环节节点、虚线节点为关键空间位置节点,外部的节点为相应节点耗时的可能影响因素。后续将在此模型的基础上对旅客疏散过程进行分析。
在本发明一优选实施中,在步骤S104中,所述的到港旅客疏散时间样本生成方法,是因为在目前条件下,还无法通过视频分析或人工跟踪的方式获得大量旅客疏散过程的样本。为了分析到港旅客的疏散时间,以现场调研数据和机场实际运行数据为基础,设计了一种基于小样本扩充和Anylogic仿真的到港旅客疏散时间样本的生成方法。
所述的样本生成方法主要包括疏散过程拆解、环节、排队、步行时间样本生成、时间样本对应组合等步骤。首先基于疏散过程模型将旅客疏散过程拆解为相应的路段和环节,之后基于小样本扩充和Anylogic仿真分别生成环节、排队及步行时间样本,最后基于模型中不同时空条件下所需经由的路径和环节,将上述环节、排队、步行时间样本对应组合,生成不同时空条件下的疏散过程时间样本。
在本发明一优选实施中,在步骤S105中,所述的疏散时间动态预测方法,是以到港旅客的疏散时间时空关联贝叶斯网络模型为基础,设计的一种基于过程推进的疏散时间动态预测方法,先后经过数据处理、概率密度估计、概率推理、过程演化和预测更新五个步骤,实现对到港旅客疏散时间的动态预测。
在本发明一优选实施例中,本发明提供一种空港到港旅客疏散时间预测系统包括:
旅客疏散过程拓扑结构模块,用于分析空港到港旅客的疏散过程,基于旅客疏散过程所需历经的相应环节和空间节点,从耗时环节和空间节点两个维度,构建旅客疏散过程拓扑结构,并给出疏散时间的定义;
疏散过程的影响因素参数体系确定模块,用于对影响旅客疏散过程的相关因素进行分析,包括个体因素和空间因素,并确定疏散过程的影响因素参数体系;
基于概率推理对旅客疏散过程动态预测模块,用于利用所述对旅客疏散过程拓扑结构及影响因素参数体系,构建旅客疏散过程时空关联贝叶斯网络模型,利用所述旅客疏散过程时空关联贝叶斯网络模型对疏散过程进行描述,并基于概率推理对旅客疏散过程进行动态预测;
到港旅客疏散时间样本的生成方法构建模块,用于利用现场调研数据和机场实际运行数据,构建基于小样本扩充和Anylogic仿真的到港旅客疏散时间样本的生成方法;
到港旅客疏散时间的动态预测模块,用于利用所述的到港旅客疏散过程时空关联贝叶斯网络模型,构建基于过程推进的疏散时间动态预测方法,并利用生成的样本进行到港旅客疏散时间的动态预测。
下面结合具体实施例对本发明的技术方案作进一步描述。
实施例
如图2所示,本发明提供的空港到港旅客疏散时间动态预测方法包括按顺序进行的下列步骤:
步骤1:分析空港到港旅客的疏散过程,基于旅客疏散过程所需历经的相应环节和空间节点,从耗时环节和空间节点两个维度,构建旅客疏散过程拓扑结构,并给出疏散时间的定义。
到港旅客通常由到达口进入楼内到港大厅,之后按照各自的选择偏好,经由不同的通道到达不同的接驳交通换乘处,先后完成购票、安检、候车等环节后乘车离开。疏散过程具有较强的节点性、流程性和确定的先后次序。
旅客从到达到上车需要先后经历问询、购票、安检、候车等环节,但不是每个环节对所有旅客都是必须的,同一环节选择不同换乘方式的旅客所需的时间也有所差异。图3为疏散过程耗时环节拓扑结构。
由于各接驳交通换乘处所处空间位置不同,航站楼内选择不同换乘方式的旅客所要经由的疏散路径也大不相同。以首都机场为例,供旅客选择的换乘方式主要有机场巴士、地铁、出租车、网约车和私家车。T3航站楼整个到达层是一个对称性的结构,每侧都有两部下行扶梯和两部下行直梯,中部有一条通往换乘中心的连廊,通往换乘中心。
巴士换乘处位于航站楼一层、出租车换乘处负一层,而地铁和网约车/私家车的换乘处则位于换乘中心的二层和负二层。旅客疏散过程途径的空间节点拓扑结构如图4所示。其中到4F出发厅入口乘车离开的旅客较少,且此疏散路径易导致出发层拥堵,此路径不做分析。
疏散时间定义:旅客从到达到港大厅至进入接驳交通工具车厢过程所需的时间。
步骤2:在上述分析的基础上,对影响旅客疏散过程的相关因素进行分析,包括个体因素和空间因素,并确定疏散过程的影响因素参数体系。
个体因素:
1)旅客自身属性
旅客步速是影响疏散时间的重要因素。通常认为步速受身高、性别、年龄等属性的影响。调研发现,实际疏散过程中旅客的步速受多种因素的影响,如换乘时间紧张的旅客步速会加快、有同伴的旅客步速会趋于一致,且大部分旅客会跟随同时到达的人流疏散速度加快或放缓步伐。
因此,若由旅客的属性基于步速对步行时间进行预测,结果会有很大的局限性。本发明分析基于同一时段到达的旅客会形成一波主要人流的特性,以现场实测的主要人流步行时间为依据,同时考虑上述因素的影响对步行时间进行预测。
2)对航站楼的熟悉程度
旅客对航站楼的熟悉程度也会对旅客的疏散时间产生影响。如果对航站楼的空间布局、接驳交通位置等不是很熟悉,那旅客可能还会产生寻找卫生间/标识、问询或手机查询等额外耗时。
综上,可确定影响疏散过程的个体因素参数体系:
α=[α1,α2,α3,α4] (1)
式中:α1α2α3α4分别为身高、性别、年龄、对航站楼的熟悉程度。
客观因素:
1)空间因素
不同换乘方式所要经由的通道、直/扶梯等设施、路程等都有很大差异,这直接影响到旅客的步行时间。此外,两个空间节点间经由不同的通道、设施,所需的时间也有差异。
2)接驳交通运力
旅客到达目标换乘区后还需经历一些耗时环节,比如购票、安检、候车等。而接驳交通的运力以及配套的安检、购票等服务能力则是影响上述环节耗时的重要因素。
3)到达时段
不同时段到达旅客的密度不同,旅客密度越高,越可能出现拥堵、滞留等情况,但调研发现,首都机场的通道、设施较为完备,很少出现拥堵等状况,即旅客密度对步行时间的影响不大,但对购票、安检等环节的耗时有较大影响。
综上,可确定影响疏散过程的客观因素参数体系:
β=[β1,β2,β3] (2)
式中:β1β2β3分别为到达时段、所经路径、接驳交通运力(班次密度、购票窗口、安检通道数量等)。
步骤3:在步骤1、2所述对旅客疏散过程拓扑结构及影响因素分析的基础上,构建了旅客疏散过程时空关联贝叶斯网络模型,以此模型对疏散过程进行描述,并基于概率推理对旅客疏散过程进行动态预测。
旅客疏散过程具有节点性、流程性的特性,可采用贝叶斯网络对疏散过程进行分析。基于步骤1中两个维度的拓扑分析,构建旅客疏散过程时空关联的贝叶斯网络如图5所示。
该网络将整个疏散过程节点化、分支化,不同的疏散方式有不同的网络分支。而疏散过程中的节点也包括两类,实线表示耗时环节节点、虚线表示关键空间位置节点。外部的a-i节点表示相应节点耗时的可能影响因素。以此模型对旅客疏散过程进行描述。具体的:
0:到达口;1:问询;2:连廊口;3:下1F扶梯处;4:下行直梯处;5:地铁售票处;6:下行扶梯处;7:下行直梯处;8:B2停车场;9:巴士售票处;10:下B1扶梯处;11:出租车候车区;12:地铁购票;13:地铁安检;14:地铁候车;15:网约/私家车候车;16:巴士购票;17:巴士候车;18:出租车候车;19:上车离开。
a:到达时段、购票窗口/自助设备的数量;b:到达时段、安检通道数量、旅客属性;c:地铁班次密度;d:到达时段;e:巴士班次密度;f:到达时段、接客出租车数量;g:到达时段、购票窗口数量;h:旅客对航站楼的熟悉程度、到达时段;i:空间距离、旅客属性。
如图5,可将到港旅客疏散过程视为一个具有固定结构且随着时间演化的贝叶斯网络模型,其中到达口节点x0为根节点,且不包含回环,则
对于x1的子节点xi(i=2,3,4),存在条件概率
式中:p(x1,xi)为节点x1与子节点xi同时发生的联合概率,p(x1)为节点x1发生的先验概率;
此类节点还有:
对于x6,x7共同的子节点x8,存在条件概率
式中:p(x1,x2,x6,x7,x8)为节点x1,x2,x6,x7,x8同时发生的联合概率,p(x1,x2,x6,x7)为节点x8的祖节点均已发生的先验概率;
此类节点还有
可由上式基于概率推理对旅客疏散过程开展预测。
步骤4:以现场调研数据和机场实际运行数据为基础,设计一种基于小样本扩充和Anylogic仿真的到港旅客疏散时间样本的生成方法:
目前条件下,还无法通过视频分析或人工的方式跟踪大量旅客的疏散过程及其到达关键节点的时刻。因此,为了分析到港旅客的疏散时间,以现场调研数据和机场实际运行数据为基础,设计了一种基于小样本扩充和Anylogic仿真的到港旅客疏散时间样本的生成方法。具体如下:
STEP1:基于上述旅客疏散过程时空关联贝叶斯网络模型将旅客疏散过程拆解为相应的路段和环节;
STEP2:对于购票、安检、候车等环节,基于小样本扩充对现场实测的环节样本进行扩充,生成环节时间样本;
STEP3:对于购票、安检等环节前的排队时间,基于机场的实际运行数据,用Anylogic对排队过程进行仿真,生成排队时间样本;
STEP4:对于各路段的步行时间,以现场实测的主要人流行走耗时作为均值,在一定范围内基于正态分布对其进行扩充,生成步行时间样本;
STEP5:基于上述模型中不同时空条件下所需经由的路径和环节,将上述环节、排队、步行时间样本对应组合,生成不同时空条件下的疏散过程时间样本。
相关时间定义:
Ta=t1+t0-2+t2-5+t12+t13 (12)
Tb=t1+t0-2+(t2-6+t6-8)/(t2-7+t7-8) (13)
Tc=t1+(t0-3+t3-9)/(t0-4+t4-9) (14)
Td=t1+(t0-4+t4-11)/(t0-3+t3-10+t10-11)+t18 (15)
Ta-2=t1+t0-2,Ta-5=t1+t0-2+t2-5,··· (16)
Tb-2=t1+t0-2,Tb-6=t1+t0-2+t2-6,··· (17)
Tc-3=t1+t0-3,Tc-2=t1+t0-4,··· (18)
Td-4=t1+t0-4,Td-11=t1+(t0-4+t4-11)/(t0-3+t3-10+t10-11),··· (19)
上式中,Ta:乘地铁疏散时间;Tb:乘网约车/私家车疏散时间;Tc:乘巴士疏散时间;Td:乘出租车疏散时间;tx-x:相应空间节点间所需时间;tx:完成相应环节所需的时间(包括环节等候时间);Tx-x:相应换乘方式到达相应节点或完成相应环节的时间;
步骤5:基于步骤3所述的到港旅客疏散过程时空关联贝叶斯网络模型,设计了一种基于过程推进的疏散时间动态预测方法,以步骤4生成的样本为基础开展疏散时间的动态预测。
步骤5.1:数据处理:收集目标机场及各接驳交通相关历史运行数据,对数据进行删减、归类等处理,构建样本集;
步骤5.2:概率密度估计:根据历史数据对各疏散过程节点的先验概率和联合概率进行概率密度估计,确定不同时空条件下各节点的概率密度分布参数;
具体的:在个体因素参数体系α和客观因素参数体系β的基础上,基于图6所示的时空条件架构,从到达时段、是否需要问询和空间因素三个维度确定样本的不同时空条件(比如,换乘地铁疏散方式可分为高峰需问询人工区域购票、平峰无需问询自助区域购票等时空条件)。
之后,根据各节点的耗时分布选用正太、对数正态或核概率密度函数进行不同时空条件下的概率密度估计,三种概率密度函数如下:
式中:h为自适应带宽,n为样本总数,K(x)为高斯核函数。
步骤5.3:概率推理:以旅客的目标换乘方式、到达时段、是否需要问询等作输入,确定其疏散过程的时空条件,根据疏散过程时空关联贝叶斯网络进行条件概率推理,以条件概率最大值的时间作为各节点的初始预测值;
定义疏散过程初始预测值如下:
式中:Tx为最终节点的初始预测值,Tn为目标候车区节点(5,8,9,11)的初始预测值,为旅客自身因素影响系数,其大小由旅客基于自身属性,以其对能否跟上主要人流的步速进行自我判断为基础,在(-0.2,0.2)范围内取值。
步骤5.4:过程演化:随着疏散过程节点的更新其预测值被实际值代替,相应保障节点关联的先验概率及疏散过程贝叶斯网络结构发生变化,重新对之后各节点进行条件概率推理;
步骤5.5:预测更新:随着疏散过程的推进重复步骤5.3、5.4,从而动态预测并更新各节点的时刻值,直至旅客乘车离开。
下面结合仿真实验对本发明的积极效果作进一步描述。
基于所述的预测方法开展地铁换乘方式疏散时间预测的仿真实验,数据来源于首都机场的运行数据以及调研数据,部分如下表所示。
表12019年10月首都机场地铁闸机进站客流统计
表2部分环节耗时样本统计
由以上数据及步骤四所述方法生成不同时空条件下的疏散过程样本,部分如下所示。
表3平峰时段需问询人区域工购票的选乘地铁旅客样本
首先,由生成的旅客疏散时间样本开展旅客疏散过程中到达各节点所需时间的概率密度估计,得到各换乘方式不同时空条件下各节点的先验概率模型,其中“高峰时段需问询自助区域购票”条件下的地铁换乘旅客到达四个主要节所需时间的先验概率模型如图7所示。其中图7(a)节点2所需时间的先验概率模型图。图7(b)节点5所需时间的先验概率模型图;图7(c)节点12所需时间的先验概率模型图;图7(d)节点13所需时间的先验概率模型图。
可见,各节点的先验概率模型并不趋于同一种分布,同样的,不同时空条件下同一节点的先验概率模型也有差异。因此需逐一确定各节点在不同时空条件下的先验概率分布,并以条件概率最大值时间作为到达各节点所需时间的初始预测结果。
同时,根据节点的演化更新相应未完成节点的条件概率模型也发生变化,两种时空条件下节点13的条件概率模型演化过程如图8所示。其中,图8(a)平峰无需问询人工柜台购票时空条件下节点13的条件概率模型演化过程图。图8(b)高峰需问询自助区域购票时空条件下节点13的条件概率模型演化过程图。
综上,需根据疏散过程网络的动态演化和概率推理开展动态预测。例:平峰无需问询人工区域购票条件下单个样本疏散过程初始预测结果及动态预测结果如表4所示。
表4单个样本疏散过程动态结果
选择60个上述生成样本中地铁换乘且在平峰无需问询人工区域购票条件下的样本根据步骤五所述的方法开展各节点的仿真预测,结果如图9疏散过程关键节点预测结果所示。其中,图9(a)疏散过程节点2预测结果图。图9(b)疏散过程节点5预测结果图;图9(c)疏散过程节点12预测结果图;图9(d)疏散过程节点2预测结果图。
选择上述生成样本中相应时空条件下的样本各60个根据步骤五所述的方法开展地铁换乘方式在各种时空条件下疏散时间的动态预测,部分结果如下表所示。
表5换乘地铁疏散时间预测结果
下面结合结果分析对仿真实验作进一步描述。
首先分析单个样本疏散过程的预测结果,分别计算相应节点的绝对误差和绝对百分比误差。
表6单个样本预测误差分析
可知,各节点动态预测结果的AE都较初始预测值由明显缩小,APE较初始预测值缩小了三分之一以上,且各节点的APE均在10%以内。动态预测结果的精度较初始预测值有明显的提升。
为验证该动态预测方法的预测精度,对实验所述60个相应时空条件下的地铁换乘样本进行各节点的预测结果分析,计算疏散过程中各主要节点的均方根误差和平均绝对误差。
表7多样本预测误差分析
可知,各节点动态预测结果的RMSE最大值为31S、MAE最大值为26S,有较好的预测精度,满足旅客参考要求。
为进一步验证该动态预测方法的预测精度、稳定性及广泛性,选用地铁换乘方式相应时空条件下的样本各60个进行最终节点的预测结果分析,计算最终节点的均方根百分比误差和平均绝对百分比误差。
表8多方式多时空条件下的样本预测误差分析
可知,地铁换乘方式多种时空条件下动态预测结果的MSPE均在2%以内、MAPE均在9%以内,满足预测精度的要求,表明动态预测方法适用于地铁换乘方式多种时空条件下的疏散过程预测且预测结果有较好的参考价值。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。
Claims (7)
1.一种空港到港旅客疏散时间预测方法,其特征在于,所述空港到港旅客疏散时间预测方法包括以下步骤:
步骤一,分析空港到港旅客的疏散过程,基于旅客疏散过程所需历经的环节和空间节点,从耗时环节和空间节点两个维度,构建旅客疏散过程拓扑结构,并给出疏散时间的定义;
步骤二,对影响旅客疏散过程的因素进行分析,包括个体因素和空间因素,并确定疏散过程的影响因素参数体系;
步骤三,利用对旅客疏散过程拓扑结构及影响因素参数体系,构建旅客疏散过程时空关联贝叶斯网络模型,利用所述旅客疏散过程时空关联贝叶斯网络模型对疏散过程进行描述,并基于概率推理对旅客疏散过程进行动态预测;
步骤四,利用现场调研数据和机场实际运行数据,构建基于小样本扩充和Anylogic仿真的到港旅客疏散时间样本的生成方法;
步骤五,利用旅客疏散过程时空关联贝叶斯网络模型,构建基于过程推进的疏散时间动态预测方法,利用步骤四生成的样本进行到港旅客疏散时间的动态预测;
在步骤三中,对旅客疏散过程进行动态预测具体包括:
(1)利用旅客疏散过程时空关联的贝叶斯网络模型将整个疏散过程节点化、分支化,不同的疏散方式包括不同的网络分支;疏散过程中的节点包括:实线表示耗时环节节点、虚线表示关键空间位置节点;外部的a-i节点表示节点耗时的可能影响因素;
(2)将到港旅客疏散过程作为具有固定结构且随着时间演化的旅客疏散过程时空关联的贝叶斯网络模型,其中到达口节点x0为根节点,且不包含回环,则对于x1的子节点xi,i=2,3,4,存在条件概率为:
式中:p(x1,xi)为节点x1与子节点xi同时发生的联合概率,p(x1)为节点x1发生的先验概率;
子节点还包括:
对于x6,x7共同的子节点x8,存在条件概率
式中:p(x1,x2,x6,x7,x8)为节点x1,x2,x6,x7,x8同时发生的联合概率,p(x1,x2,x6,x7)为节点x8的祖节点均已发生的先验概率;
子节点还包括:
由上式基于概率推理对旅客疏散过程进行动态预测;
其中,关键空间位置节点包括:0:到达口;1:问询;2:连廊口;3:下1F扶梯处;4:下行直梯处;5:地铁售票处;6:下行扶梯处;7:下行直梯处;8:B2停车场;9:巴士售票处;10:下B1扶梯处;11:出租车候车区;12:地铁购票;13:地铁安检;14:地铁候车;15:网约/私家车候车;16:巴士购票;17:巴士候车;18:出租车候车;19:上车离开;
外部的a-i节点包括:a:到达时段、购票窗口/自助设备的数量;b:到达时段、安检通道数量、旅客属性;c:地铁班次密度;d:到达时段;e:巴士班次密度;f:到达时段、接客出租车数量;g:到达时段、购票窗口数量;h:旅客对航站楼的熟悉程度、到达时段;i:空间距离、旅客属性;
在步骤四中,到港旅客疏散时间样本的生成方法的构建过程中,基于旅客疏散过程时空关联贝叶斯网络模型将旅客疏散过程拆解为路段和环节,并基于小样本扩充和Anylogic仿真分别生成环节、排队及步行时间样本,再基于旅客疏散过程时空关联贝叶斯网络模型中不同时空条件下所需经由的路径和环节,将上述环节、排队、步行时间样本对应组合,生成不同时空条件下的疏散过程时间样本;
具体包括以下步骤:
步骤1,基于旅客疏散过程时空关联贝叶斯网络模型将旅客疏散过程拆解为路段和环节;
步骤2,对于购票、安检、候车,基于小样本扩充对现场实测的环节样本进行扩充,生成环节时间样本;
步骤3,对于购票、安检环节前的排队时间,基于机场的实际运行数据,用Anylogic对排队过程进行仿真,生成排队时间样本;
步骤4,对于各路段的步行时间,以现场实测的人流行走耗时作为均值,基于正态分布对现场实测的人流范围内进行扩充,生成步行时间样本;
步骤5,基于旅客疏散过程时空关联贝叶斯网络模型中不同时空条件下所需经由的路径和环节,将环节、排队、步行时间样本对应组合,生成不同时空条件下的疏散过程时间样本;
时间定义如下:
Ta=t1+t0-2+t2-5+t12+t13
Tb=t1+t0-2+(t2-6+t6-8)/(t2-7+t7-8);
Tc=t1+(t0-3+t3-9)/(t0-4+t4-9);
Td=t1+(t0-4+t4-11)/(t0-3+t3-10+t10-11)+t18;
Ta-2=t1+t0-2,Ta-5=t1+t0-2+t2-5,…;
Tb-2=t1+t0-2,Tb-6=t1+t0-2+t2-6,…;
Tc-3=t1+t0-3,Tc-2=t1+t0-4,…;
Td-4=t1+t0-4,Td-11=t1+(t0-4+t4-11)/(t0-3+t3-10+t10-11),…;
上式中,Ta:乘地铁疏散时间;Tb:乘网约车/私家车疏散时间;Tc:乘巴士疏散时间;Td:乘出租车疏散时间;tx-x:空间节点间所需时间;tx:完成环节所需的时间,包括环节等候时间;Tx-x:换乘方式到达节点或完成环节的时间;
在步骤五中,进行到港旅客疏散时间的动态预测具体包括:
步骤I,数据处理:收集目标机场及各接驳交通的历史运行数据,对数据进行删减、归类处理,构建样本集;
步骤II,概率密度估计:根据历史数据对各疏散过程节点的先验概率和联合概率进行概率密度估计,确定不同时空条件下各节点的概率密度分布参数;
步骤III,概率推理:以旅客的目标换乘方式、到达时段、是否需要问询作为输入,确定疏散过程的时空条件,根据疏散过程时空关联贝叶斯网络进行条件概率推理,以条件概率最大值的时间作为各节点的初始预测值;
步骤IV,过程演化:对更新的疏散过程节点预测值重新进行条件概率推理;
步骤V,预测更新:重复步骤III、步骤IV,动态预测并更新各节点的时刻值。
2.根据权利要求1所述的空港到港旅客疏散时间预测方法,其特征在于,在步骤一中,旅客疏散过程包括旅客由到达口进入楼内到港大厅,经由不同的通道到达不同的接驳交通换乘处,先后完成购票、安检、候车环节后乘车离开的全过程,基于整个过程所需历经的耗时环节和空间节点,分别从耗时环节和空间节点两个维度,构建旅客疏散过程的拓扑结构;疏散时间为旅客从到达到港大厅至进入接驳交通工具车厢过程所需的时间。
3.根据权利要求1所述的空港到港旅客疏散时间预测方法,其特征在于,在步骤二中,影响因素包括个体因素和客观因素;个体因素包括旅客自身属性、对航站楼的熟悉程度;客观因素包括空间因素、接驳交通运力、到达时段;并利用上述影响因素对旅客疏散时间影响,构建影响旅客疏散过程的个体因素参数体系和客观因素参数体系;
所述个体因素参数体系为:α=[α1,α2,α3,α4],式中:α1α2α3α4分别为身高、性别、年龄、对航站楼的熟悉程度;
客观因素参数体系为:β=[β1,β2,β3],式中:β1β2β3分别为到达时段、所经路径、接驳交通运力,所述接驳交通运力包括班次密度、购票窗口、安检通道数量。
5.一种实施权利要求1-4任意一项所述空港到港旅客疏散时间预测方法的空港到港旅客疏散时间预测系统,其特征在于,所述空港到港旅客疏散时间预测系统包括:
旅客疏散过程拓扑结构模块,用于分析空港到港旅客的疏散过程,基于旅客疏散过程所需历经的环节和空间节点,从耗时环节和空间节点两个维度,构建旅客疏散过程拓扑结构,并给出疏散时间的定义;
疏散过程的影响因素参数体系确定模块,用于对影响旅客疏散过程的因素进行分析,包括个体因素和空间因素,并确定疏散过程的影响因素参数体系;
基于概率推理对旅客疏散过程动态预测模块,用于利用所述对旅客疏散过程拓扑结构及影响因素参数体系,构建旅客疏散过程时空关联贝叶斯网络模型,利用所述旅客疏散过程时空关联贝叶斯网络模型对疏散过程进行描述,并基于概率推理对旅客疏散过程进行动态预测;
到港旅客疏散时间样本的生成方法构建模块,用于利用现场调研数据和机场实际运行数据,构建基于小样本扩充和Anylogic仿真的到港旅客疏散时间样本的生成方法;
到港旅客疏散时间的动态预测模块,用于利用所述的到港旅客疏散过程时空关联贝叶斯网络模型,构建基于过程推进的疏散时间动态预测方法,并利用生成的样本进行到港旅客疏散时间的动态预测。
6.一种接收用户输入程序存储介质,所存储的计算机程序使电子设备执行权利要求1-4任意一项所述空港到港旅客疏散时间预测方法。
7.一种信息数据处理终端,其特征在于,所述信息数据处理终端包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1-4任意一项所述空港到港旅客疏散时间预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210217212.XA CN114580751B (zh) | 2022-03-07 | 2022-03-07 | 空港到港旅客疏散时间预测方法、系统、存储介质及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210217212.XA CN114580751B (zh) | 2022-03-07 | 2022-03-07 | 空港到港旅客疏散时间预测方法、系统、存储介质及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114580751A CN114580751A (zh) | 2022-06-03 |
CN114580751B true CN114580751B (zh) | 2023-02-07 |
Family
ID=81773922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210217212.XA Active CN114580751B (zh) | 2022-03-07 | 2022-03-07 | 空港到港旅客疏散时间预测方法、系统、存储介质及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580751B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116109014B (zh) * | 2023-04-11 | 2023-08-01 | 广东广宇科技发展有限公司 | 一种城市轨道交通大型换乘站点的模拟消防疏散方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380398A (zh) * | 2020-11-12 | 2021-02-19 | 北京交通大学 | 一种空港旅客多交通方式换乘出行链构建装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8700296B2 (en) * | 2006-03-03 | 2014-04-15 | Inrix, Inc. | Dynamic prediction of road traffic conditions |
-
2022
- 2022-03-07 CN CN202210217212.XA patent/CN114580751B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112380398A (zh) * | 2020-11-12 | 2021-02-19 | 北京交通大学 | 一种空港旅客多交通方式换乘出行链构建装置 |
Non-Patent Citations (4)
Title |
---|
Taxi-out time prediction model at charles de gaulle airport;HERREMA F 等;《Journal Of Aerospace Information Systems》;20181231;全文 * |
基于贝叶斯网络的机场客流换乘研究;黄佳等;《工业工程》;20090615(第03期);全文 * |
基于贝叶斯网络的航班保障服务时间动态估计;邢志伟等;《计算机应用》;20170110(第01期);全文 * |
过站航班地面保障过程动态预测;王立文 等;《北京航空航天大学学报》;20210630;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114580751A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114580751B (zh) | 空港到港旅客疏散时间预测方法、系统、存储介质及终端 | |
Sáez et al. | Hybrid adaptive predictive control for the multi-vehicle dynamic pick-up and delivery problem based on genetic algorithms and fuzzy clustering | |
CN108009972B (zh) | 一种基于多源数据校核的多方式出行o-d需求估计方法 | |
Chen et al. | Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots | |
Kato et al. | Comparative analysis of transit assignment: evidence from urban railway system in the Tokyo Metropolitan Area | |
CN115527369B (zh) | 一种空港枢纽大面积延误条件下的大客流预警与疏散方法 | |
CN112380398A (zh) | 一种空港旅客多交通方式换乘出行链构建装置 | |
CN111582750A (zh) | 一种轨道交通反向乘客识别及乘车班次确定方法及系统 | |
CN113537626B (zh) | 一种聚合信息差异的神经网络结合时间序列预测的方法 | |
Zhu et al. | Estimating train choices of rail transit passengers with real timetable and automatic fare collection data | |
Zhang et al. | A simulation and machine learning based optimization method for integrated pedestrian facilities planning and staff assignment problem in the multi-mode rail transit transfer station | |
Ma et al. | Integrated optimization of arrival, departure, and surface operations | |
Harris et al. | A mesoscopic simulation model for airport curbside management | |
Chen et al. | Online eco-routing for electric vehicles using combinatorial multi-armed bandit with estimated covariance | |
Tilg et al. | Simulation-based design of urban bi-modal transport systems | |
CN111008736A (zh) | 用于新航线的开通决策方法及系统 | |
CN114372830A (zh) | 一种基于时空多图神经网络的网约车需求预测方法 | |
Nasiboglu | Dijkstra solution algorithm considering fuzzy accessibility degree for patch optimization problem | |
CN113947132A (zh) | 基于gcn图神经网络的公交到站预测方法、计算机及介质 | |
Xie et al. | A shared parking optimization framework based on dynamic resource allocation and path planning | |
Yu et al. | Simulation-based optimization for the operation of toll plaza at car park exit with mixed types of tollbooths and waiting-time-dependent service | |
Huang et al. | Modelling the pedestrian’s willingness to walk on the subway platform: A novel approach to analyze in-vehicle crowd congestion | |
CN113656746B (zh) | 一种动态结构下考虑群体异质性的出行方式链选择方法 | |
Yu et al. | Combining travel behavior in metro passenger flow prediction: A smart explainable Stacking-Catboost algorithm | |
Nuzzolo | Schedule-Based Transit Assignment Models (°) |
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 |