CN114997669A - 一种机场地面流量负载监测方法及系统 - Google Patents
一种机场地面流量负载监测方法及系统 Download PDFInfo
- Publication number
- CN114997669A CN114997669A CN202210657783.5A CN202210657783A CN114997669A CN 114997669 A CN114997669 A CN 114997669A CN 202210657783 A CN202210657783 A CN 202210657783A CN 114997669 A CN114997669 A CN 114997669A
- Authority
- CN
- China
- Prior art keywords
- flight
- time
- special
- actual
- passenger
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000036541 health Effects 0.000 claims abstract description 49
- 230000010006 flight Effects 0.000 claims abstract description 21
- 238000012546 transfer Methods 0.000 claims description 120
- 238000013527 convolutional neural network Methods 0.000 claims description 42
- 238000011176 pooling Methods 0.000 claims description 10
- 230000000903 blocking effect Effects 0.000 claims description 6
- 239000008280 blood Substances 0.000 claims description 5
- 210000004369 blood Anatomy 0.000 claims description 5
- 230000036772 blood pressure Effects 0.000 claims description 5
- 230000036760 body temperature Effects 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 150000002632 lipids Chemical class 0.000 claims description 5
- 238000003032 molecular docking Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 238000002955 isolation Methods 0.000 description 4
- 208000035473 Communicable disease Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 206010011409 Cross infection Diseases 0.000 description 1
- 206010029803 Nosocomial infection Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram 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
- 238000012545 processing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06N3/08—Learning methods
-
- G06Q50/40—
Abstract
本申请提供的一种机场地面流量负载监测方法及系统，具体应用于流量监测领域，包括获取目标机场多个航班的航班信息；实时监测多个航班的航行动态；根据航行动态和历史延误率调整起飞时间和落地时间，获得实际起飞时间和实际落地时间；根据实际起飞时间、实际落地时间、历史延误率以及实际载客流量，监测各个时段的地面流量负载量；判断第一时段地面流量负载量是否超过最大负载量；若是，则调整实际起飞时间和实际落地时间；反之，则根据健康信息划分乘客，并采用调度模型分配普通接驳车和特殊接驳车。通过对地面流量负载量的监测，为不同人群分配接驳车，提高接驳车调度的合理性和及时性。
Description
技术领域
本申请涉及流量监测领域，更具体地，涉及一种机场地面流量负载监测方法及系统。
背景技术
随着民航事业的快速发展，日益增长的航班数量与有限的地面服务设施之间的供需矛盾开始凸显，机场地面保障服务成为了机场的重点工作。在大型机场高峰时段，因为车辆资源紧张，这种弊端更加明显。因此，为确保大型机场高峰时段航班的正常运行，有必要对航班地面服务中的接驳车调度问题进行建模研究。
现有技术中的机场地面接驳车通常采用各种多目标算法进行调度，然而依据乘客的不同健康状况可能需要分配不同的接驳车，例如乘客行动不便，则分配便于乘坐的接驳车；又例如乘客存在传染性疾病的隐患，则分配具有防护措施的接驳车，避免交叉感染。因此，亟需一种兼顾接驳车调度合理性和乘客安全性的调度方法。
发明内容
本发明实施例的目的在于提供一种机场地面流量负载监测方法及系统，实时监测地面流量负载量，为不同人群分配接驳车，提高接驳车调度的合理性和及时性。具体技术方案如下：
在本发明实施例的第一方面，提供一种机场地面流量负载监测方法，包括：获取目标机场多个航班的航班信息；所述航班信息包括起飞时间、落地时间、历史延误率以及实际载客流量；实时监测所述多个航班的航行动态；根据所述航行动态和所述历史延误率调整所述起飞时间和所述落地时间，获得实际起飞时间和实际落地时间；根据所述实际起飞时间、所述实际落地时间、所述历史延误率以及所述实际载客流量，监测各个时段的地面流量负载量；判断第一时段所述地面流量负载量是否超过最大负载量；若是，则调整所述实际起飞时间和所述实际落地时间；反之，则获取所述第一时段的乘客健康信息；将所述乘客健康信息输入改进卷积神经网络进行分类，获得第一分类结果；所述第一分类结果包括普通乘客和特殊乘客；根据所述第一分类结果，统计所述第一时段的普通乘客数量和特殊乘客数量；根据所述普通乘客数量，采用调度模型分配普通接驳车；将所述特殊乘客的所述乘客健康信息输入改进卷积神经网络进行分类，获得第二分类结果；根据所述特殊乘客数量和所述第二分类结果，采用调度模型分配特殊接驳车；其中，所述调度模型的目标函数是：
其中，I表示需要分配普通接驳车或特殊接驳车的航班集合，i表示需要分配普通接驳车或特殊接驳车的航班i，P表示待分配普通接驳车或特殊接驳车集合，p表示待分配普通接驳车或特殊接驳车p，
表示将需要分配普通接驳车或特殊接驳车的航班i分配给待分配普通接驳车或特殊接驳车p，α、β是阻滞参数。
可选地，所述航行动态包括航班基础数据、飞行数据和天气数据；所述航班基础数据包括航空公司代码、航务人员编码、始发机场、经停机场、落地机场、起落航站楼、飞行总里程以及飞行总时长；所述飞行数据包括飞行速度、飞行路径以及空中传递的其他飞机数据；所述天气数据包括云雾量、风速、风向以及气象能见度。
可选地，所述根据所述航行动态和所述历史延误率调整所述起飞时间和所述落地时间，获得实际起飞时间和实际落地时间，包括：将所述航行动态和所述历史延误率进行编码，构建特征向量；将所述特征向量输入航行估计模型进行估计，获得实际起飞时间和实际落地时间；其中，所述航行估计模型是基于加权特征的支持向量回归模型，并采用XGBoost算法进行模型训练防止过拟合。
可选地，所述乘客健康信息包括：体温、行程码、基础疾病、血压数据以及血脂数据。
可选地，所述将所述乘客健康信息输入改进卷积神经网络进行分类，获得第一分类结果，包括：将所述乘客健康信息进行拆分，获得拆分结果；将所述拆分结果转换为词向量，获得词向量序列；将所述词向量序列输入Text-CNN模型分类，获得第一分类结果；其中，所述Text-CNN模型包括输入层、卷积层、池化层和输出层。
可选地，所述根据所述普通乘客数量，采用调度模型分配普通接驳车，包括：获取需要分配接驳车的航班集合；根据所述普通乘客数量和所述航班集合，确定待分配接驳车集合；根据所述航班集合和所述待分配接驳车集合，采用调度模型分配普通接驳车。
可选地，所述将所述特殊乘客的所述乘客健康信息输入改进卷积神经网络进行分类，获得第二分类结果，包括：将所述特殊乘客的所述乘客健康信息进行拆分，获得拆分结果；将所述拆分结果转换为词向量，获得词向量序列；对所述词向量序列进行标注，获得标签序列；拼接所述词向量序列和所述标签序列，获得语义特征序列；将所述语义特征序列输入Text-CNN模型分类，获得第二分类结果；其中，所述Text-CNN模型包括输入层、卷积层、池化层和输出层。
可选地，所述第二分类结果包括：需辅助需隔离、需辅助无需隔离、无需辅助需隔离以及无需辅助无需隔离。
可选地，所述根据所述特殊乘客数量和所述第二分类结果，采用调度模型分配特殊接驳车，包括：分别获得需要分配第一特殊接驳车和第二特殊接驳车的第一航班集合和第二航班集合；根据所述特殊乘客数量、所述第二分类结果以及所述第一航班集合和第二航班集合，确定第一待分配接驳车集合和第二待分配接驳车集合；根据所述第一航班集合和所述第一待分配接驳车集合，采用调度模型分配第一特殊接驳车；根据第二航班集合和第二待分配接驳车集合，采用调度模型分配第二特殊接驳车。
在本发明实施例的又一方面，提供一种机场地面流量负载监测系统，包括：数据获取模块，用于获取目标机场多个航班的航班信息；所述航班信息包括起飞时间、落地时间、历史延误率以及实际载客流量。
负载量监测模块，用于实时监测所述多个航班的航行动态；根据所述航行动态和所述历史延误率调整所述起飞时间和所述落地时间，获得实际起飞时间和实际落地时间；根据所述实际起飞时间、所述实际落地时间、所述历史延误率以及所述实际载客流量，监测各个时段的地面流量负载量。
负载量控制模块，用于判断第一时段所述地面流量负载量是否超过最大负载量；若是，则调整所述实际起飞时间和所述实际落地时间；反之，执行接驳车分配模块。
接驳车分配模块，用于获取所述第一时段的乘客健康信息；将所述乘客健康信息输入改进卷积神经网络进行分类，获得第一分类结果；所述第一分类结果包括普通乘客和特殊乘客；根据所述第一分类结果，统计所述第一时段的普通乘客数量和特殊乘客数量；根据所述普通乘客数量，采用调度模型分配普通接驳车；将所述特殊乘客的所述乘客健康信息输入改进卷积神经网络进行分类，获得第二分类结果；根据所述特殊乘客数量和所述第二分类结果，采用调度模型分配特殊接驳车；其中，所述调度模型的目标函数是：
其中，I表示需要分配普通接驳车或特殊接驳车的航班集合，i表示需要分配普通接驳车或特殊接驳车的航班i，P表示待分配普通接驳车或特殊接驳车集合，p表示待分配普通接驳车或特殊接驳车p，
表示将需要分配普通接驳车或特殊接驳车的航班i分配给待分配普通接驳车或特殊接驳车p，α、β是阻滞参数。
可选地，所述航行动态包括航班基础数据、飞行数据和天气数据；所述航班基础数据包括航空公司代码、航务人员编码、始发机场、经停机场、落地机场、起落航站楼、飞行总里程以及飞行总时长；所述飞行数据包括飞行速度、飞行路径以及空中传递的其他飞机数据；所述天气数据包括云雾量、风速、风向以及气象能见度。
可选地，所述根据所述航行动态和所述历史延误率调整所述起飞时间和所述落地时间，获得实际起飞时间和实际落地时间，包括：将所述航行动态和所述历史延误率进行编码，构建特征向量；将所述特征向量输入航行估计模型进行估计，获得实际起飞时间和实际落地时间；其中，所述航行估计模型是基于加权特征的支持向量回归模型，并采用XGBoost算法进行模型训练防止过拟合。
可选地，所述乘客健康信息包括：体温、行程码、基础疾病、血压数据以及血脂数据。
可选地，所述将所述乘客健康信息输入改进卷积神经网络进行分类，获得第一分类结果，包括：将所述乘客健康信息进行拆分，获得拆分结果；将所述拆分结果转换为词向量，获得词向量序列；将所述词向量序列输入Text-CNN模型分类，获得第一分类结果；其中，所述Text-CNN模型包括输入层、卷积层、池化层和输出层。
可选地，所述根据所述普通乘客数量，采用调度模型分配普通接驳车，包括：获取需要分配接驳车的航班集合；根据所述普通乘客数量和所述航班集合，确定待分配接驳车集合；根据所述航班集合和所述待分配接驳车集合，采用调度模型分配普通接驳车。
可选地，所述将所述特殊乘客的所述乘客健康信息输入改进卷积神经网络进行分类，获得第二分类结果，包括：将所述特殊乘客的所述乘客健康信息进行拆分，获得拆分结果；将所述拆分结果转换为词向量，获得词向量序列；对所述词向量序列进行标注，获得标签序列；拼接所述词向量序列和所述标签序列，获得语义特征序列；将所述语义特征序列输入Text-CNN模型分类，获得第二分类结果；其中，所述Text-CNN模型包括输入层、卷积层、池化层和输出层。
可选地，所述第二分类结果包括：需辅助需隔离、需辅助无需隔离、无需辅助需隔离以及无需辅助无需隔离。
可选地，所述根据所述特殊乘客数量和所述第二分类结果，采用调度模型分配特殊接驳车，包括：分别获得需要分配第一特殊接驳车和第二特殊接驳车的第一航班集合和第二航班集合；根据所述特殊乘客数量、所述第二分类结果以及所述第一航班集合和第二航班集合，确定第一待分配接驳车集合和第二待分配接驳车集合；根据所述第一航班集合和所述第一待分配接驳车集合，采用调度模型分配第一特殊接驳车；根据第二航班集合和第二待分配接驳车集合，采用调度模型分配第二特殊接驳车。
有益效果：
(1)本发明获取目标机场多个航班的航班信息；实时监测多个航班的航行动态，并获得实际起飞时间和实际落地时间；监测各个时段的地面流量负载量；判断第一时段的地面流量负载量是否超过最大负载量；若是，则调整实际起飞时间和实际落地时间；反之，则引入调度模型及其目标函数分配接驳车。通过该方式提高接驳车调度的及时性。
(2)根据地面流量负载量获取第一时段的乘客健康信息；将乘客健康信息输入改进卷积神经网络进行分类，获得第一分类结果；其中第一分类结果包括普通乘客和特殊乘客；根据第一分类结果，统计第一时段的普通乘客数量和特殊乘客数量；根据普通乘客数量，采用调度模型分配普通接驳车；将特殊乘客的乘客健康信息输入改进卷积神经网络进行分类，获得第二分类结果；其中第二分类结果包括需辅助需隔离、需辅助无需隔离、无需辅助需隔离以及无需辅助无需隔离；根据特殊乘客数量和第二分类结果，采用调度模型分配特殊接驳车。通过对乘客健康状况的识别，为不同乘客分配特定的接驳车。由此提高接驳车调度的合理性，能够保障乘客安全。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种机场地面流量负载监测方法的流程示意图；
图2是本申请实施例提供的接驳车调度方法的流程示意图；
图3是本申请实施例提供的一种机场地面流量负载监测系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种机场地面流量负载监测方法及系统，包括获取目标机场多个航班的航班信息；实时监测多个航班的航行动态；根据航行动态和历史延误率调整起飞时间和落地时间，获得实际起飞时间和实际落地时间；根据实际起飞时间、实际落地时间、历史延误率以及实际载客流量，监测各个时段的地面流量负载量；判断第一时段地面流量负载量是否超过最大负载量；若是，则调整实际起飞时间和实际落地时间；反之，则根据健康信息划分乘客，并采用调度模型分配普通接驳车和特殊接驳车。通过对地面流量负载量的监测，为不同人群分配接驳车，提高接驳车调度的合理性和及时性。
该机场地面流量负载监测方法及系统，具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为光场摄像机、车载相机、手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer，PC)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。
可以理解的是，本实施例的该机场地面流量负载监测方法及系统可以是在终端上执行的，也可以是在服务器上执行，还可以由终端和服务器共同执行的。以上举例不应理解为对本申请的限制。
图1示出了本申请实施例提供的一种机场地面流量负载监测方法的流程示意图，请参考图1，具体包括如下步骤：
S110、获取目标机场多个航班的航班信息。
其中，航班信息包括起飞时间、落地时间、历史延误率以及实际载客流量。
S120、实时监测所述多个航班的航行动态。
其中，航行动态包括航班基础数据、飞行数据和天气数据；所述航班基础数据包括航空公司代码、航务人员编码、始发机场、经停机场、落地机场、起落航站楼、飞行总里程以及飞行总时长；所述飞行数据包括飞行速度、飞行路径以及空中传递的其他飞机数据；所述天气数据包括云雾量、风速、风向以及气象能见度。
S130、根据所述航行动态和所述历史延误率调整所述起飞时间和所述落地时间，获得实际起飞时间和实际落地时间。
具体地，基于加权特征的支持向量回归模型构建航行估计模型，并采用XGBoost算法进行模型训练防止过拟合。将所述航行动态和所述历史延误率进行编码，构建特征向量；将所述特征向量输入航行估计模型进行估计，获得实际起飞时间和实际落地时间。
S140、根据所述实际起飞时间、所述实际落地时间、所述历史延误率以及所述实际载客流量，监测各个时段的地面流量负载量。
S150、判断第一时段所述地面流量负载量是否超过最大负载量；若是，则执行步骤S160；反之，则执行步骤S170。
S160、调整所述实际起飞时间和所述实际落地时间。
S170、采用调度模型分配接驳车。
具体地，调度模型的目标函数表达式为：
其中，I表示需要分配普通接驳车或特殊接驳车的航班集合，i表示需要分配普通接驳车或特殊接驳车的航班i，P表示待分配普通接驳车或特殊接驳车集合，p表示待分配普通接驳车或特殊接驳车p，
表示将需要分配普通接驳车或特殊接驳车的航班i分配给待分配普通接驳车或特殊接驳车p，α、β是阻滞参数。
其中，采用调度模型分配接驳车的具体方式将在后续实施例中详细介绍，在此不再赘述。
通过该实施方式提高接驳车调度的及时性。
图2示出了本申请实施例提供的接驳车调度方法的流程示意图，请参考图2，具体包括如下步骤：
S210、获取所述第一时段的乘客健康信息。
其中，乘客健康信息包括：体温、行程码、基础疾病、血压数据以及血脂数据。
S220、将所述乘客健康信息输入改进卷积神经网络进行分类，获得第一分类结果。
其中，第一分类结果包括普通乘客和特殊乘客。
具体地，首先构建包括输入层、卷积层、池化层和输出层的Text-CNN模型；然后将所述乘客健康信息进行拆分，获得拆分结果；将所述拆分结果转换为词向量，获得词向量序列；将所述词向量序列输入Text-CNN模型分类，获得第一分类结果。
S230、根据所述第一分类结果，统计所述第一时段的普通乘客数量和特殊乘客数量。
S240、根据所述普通乘客数量，采用调度模型分配普通接驳车。
具体地，获取需要分配接驳车的航班集合；根据所述普通乘客数量和所述航班集合，确定待分配接驳车集合；根据所述航班集合和所述待分配接驳车集合，采用调度模型分配普通接驳车。
S250、将所述特殊乘客的所述乘客健康信息输入改进卷积神经网络进行分类，获得第二分类结果。
其中，第二分类结果包括：需辅助需隔离、需辅助无需隔离、无需辅助需隔离以及无需辅助无需隔离。例如，将行动不便且可能感染传染性疾病的乘客，划分为需辅助需隔离类；将可以自主行动且可能感染传染性疾病的乘客，划分为无需辅助需隔离类。
具体地，将所述特殊乘客的所述乘客健康信息进行拆分，获得拆分结果；将所述拆分结果转换为词向量，获得词向量序列；对所述词向量序列进行标注，获得标签序列；拼接所述词向量序列和所述标签序列，获得语义特征序列；将所述语义特征序列输入Text-CNN模型分类，获得第二分类结果；其中，Text-CNN模型包括输入层、卷积层、池化层和输出层。
S260、根据所述特殊乘客数量和所述第二分类结果，采用调度模型分配特殊接驳车。
具体地，分别获得需要分配第一特殊接驳车和第二特殊接驳车的第一航班集合和第二航班集合；根据所述特殊乘客数量、所述第二分类结果以及所述第一航班集合和第二航班集合，确定第一待分配接驳车集合和第二待分配接驳车集合；根据所述第一航班集合和所述第一待分配接驳车集合，采用调度模型分配第一特殊接驳车；根据第二航班集合和第二待分配接驳车集合，采用调度模型分配第二特殊接驳车。
该实施方式通过对乘客健康状况的识别，为不同乘客分配特定的接驳车。由此提高接驳车调度的合理性，能够保障乘客安全。
为实现上述方法类实施例，本实施例还提供一种机场地面流量负载监测系统，如图3所示，该系统包括：
数据获取模块310，用于获取目标机场多个航班的航班信息；所述航班信息包括起飞时间、落地时间、历史延误率以及实际载客流量。
负载量监测模块320，用于实时监测所述多个航班的航行动态；根据所述航行动态和所述历史延误率调整所述起飞时间和所述落地时间，获得实际起飞时间和实际落地时间；根据所述实际起飞时间、所述实际落地时间、所述历史延误率以及所述实际载客流量，监测各个时段的地面流量负载量。
负载量控制模块330，用于判断第一时段所述地面流量负载量是否超过最大负载量；若是，则调整所述实际起飞时间和所述实际落地时间；反之，执行接驳车分配模块。
接驳车分配模块340，用于获取所述第一时段的乘客健康信息；将所述乘客健康信息输入改进卷积神经网络进行分类，获得第一分类结果；所述第一分类结果包括普通乘客和特殊乘客；根据所述第一分类结果，统计所述第一时段的普通乘客数量和特殊乘客数量；根据所述普通乘客数量，采用调度模型分配普通接驳车；将所述特殊乘客的所述乘客健康信息输入改进卷积神经网络进行分类，获得第二分类结果；根据所述特殊乘客数量和所述第二分类结果，采用调度模型分配特殊接驳车；其中，所述调度模型的目标函数是：
其中，I表示需要分配普通接驳车或特殊接驳车的航班集合，i表示需要分配普通接驳车或特殊接驳车的航班i，P表示待分配普通接驳车或特殊接驳车集合，p表示待分配普通接驳车或特殊接驳车p，
表示将需要分配普通接驳车或特殊接驳车的航班i分配给待分配普通接驳车或特殊接驳车p，α、β是阻滞参数。
可选地，所述航行动态包括航班基础数据、飞行数据和天气数据；所述航班基础数据包括航空公司代码、航务人员编码、始发机场、经停机场、落地机场、起落航站楼、飞行总里程以及飞行总时长；所述飞行数据包括飞行速度、飞行路径以及空中传递的其他飞机数据；所述天气数据包括云雾量、风速、风向以及气象能见度。
可选地，所述根据所述航行动态和所述历史延误率调整所述起飞时间和所述落地时间，获得实际起飞时间和实际落地时间，包括：将所述航行动态和所述历史延误率进行编码，构建特征向量；将所述特征向量输入航行估计模型进行估计，获得实际起飞时间和实际落地时间；其中，所述航行估计模型是基于加权特征的支持向量回归模型，并采用XGBoost算法进行模型训练防止过拟合。
可选地，所述乘客健康信息包括：体温、行程码、基础疾病、血压数据以及血脂数据。
可选地，所述将所述乘客健康信息输入改进卷积神经网络进行分类，获得第一分类结果，包括：将所述乘客健康信息进行拆分，获得拆分结果；将所述拆分结果转换为词向量，获得词向量序列；将所述词向量序列输入Text-CNN模型分类，获得第一分类结果；其中，所述Text-CNN模型包括输入层、卷积层、池化层和输出层。
可选地，所述根据所述普通乘客数量，采用调度模型分配普通接驳车，包括：获取需要分配接驳车的航班集合；根据所述普通乘客数量和所述航班集合，确定待分配接驳车集合；根据所述航班集合和所述待分配接驳车集合，采用调度模型分配普通接驳车。
可选地，所述将所述特殊乘客的所述乘客健康信息输入改进卷积神经网络进行分类，获得第二分类结果，包括：将所述特殊乘客的所述乘客健康信息进行拆分，获得拆分结果；将所述拆分结果转换为词向量，获得词向量序列；对所述词向量序列进行标注，获得标签序列；拼接所述词向量序列和所述标签序列，获得语义特征序列；将所述语义特征序列输入Text-CNN模型分类，获得第二分类结果；其中，所述Text-CNN模型包括输入层、卷积层、池化层和输出层。
可选地，所述第二分类结果包括：需辅助需隔离、需辅助无需隔离、无需辅助需隔离以及无需辅助无需隔离。
可选地，所述根据所述特殊乘客数量和所述第二分类结果，采用调度模型分配特殊接驳车，包括：分别获得需要分配第一特殊接驳车和第二特殊接驳车的第一航班集合和第二航班集合；根据所述特殊乘客数量、所述第二分类结果以及所述第一航班集合和第二航班集合，确定第一待分配接驳车集合和第二待分配接驳车集合；根据所述第一航班集合和所述第一待分配接驳车集合，采用调度模型分配第一特殊接驳车；根据第二航班集合和第二待分配接驳车集合，采用调度模型分配第二特殊接驳车。
该系统通过对地面流量负载量的监测，为不同人群分配接驳车，提高接驳车调度的合理性和及时性。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述装置中模块/单元/子单元/组件的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，又例如，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。另一点，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通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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实施例方案的目的。
另外，在本申请提供的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，也可以两个或两个以上单元集成在一个单元中。
所述功能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，本申请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)执行本申请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-Only Memory)、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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种机场地面流量负载监测方法，其特征在于，包括：
获取目标机场多个航班的航班信息；所述航班信息包括起飞时间、落地时间、历史延误率以及实际载客流量；
实时监测所述多个航班的航行动态；
根据所述航行动态和所述历史延误率调整所述起飞时间和所述落地时间，获得实际起飞时间和实际落地时间；
根据所述实际起飞时间、所述实际落地时间、所述历史延误率以及所述实际载客流量，监测各个时段的地面流量负载量；
判断第一时段所述地面流量负载量是否超过最大负载量；若是，则调整所述实际起飞时间和所述实际落地时间；反之，则获取所述第一时段的乘客健康信息；
将所述乘客健康信息输入改进卷积神经网络进行分类，获得第一分类结果；所述第一分类结果包括普通乘客和特殊乘客；
根据所述第一分类结果，统计所述第一时段的普通乘客数量和特殊乘客数量；
根据所述普通乘客数量，采用调度模型分配普通接驳车；
将所述特殊乘客的所述乘客健康信息输入改进卷积神经网络进行分类，获得第二分类结果；
根据所述特殊乘客数量和所述第二分类结果，采用调度模型分配特殊接驳车；
其中，所述调度模型的目标函数是：
其中，I表示需要分配普通接驳车或特殊接驳车的航班集合，i表示需要分配普通接驳车或特殊接驳车的航班i，P表示待分配普通接驳车或特殊接驳车集合，p表示待分配普通接驳车或特殊接驳车p，
表示将需要分配普通接驳车或特殊接驳车的航班i分配给待分配普通接驳车或特殊接驳车p，α、β是阻滞参数。
2.根据权利要求1所述的机场地面流量负载监测方法，其特征在于，所述航行动态包括航班基础数据、飞行数据和天气数据；所述航班基础数据包括航空公司代码、航务人员编码、始发机场、经停机场、落地机场、起落航站楼、飞行总里程以及飞行总时长；所述飞行数据包括飞行速度、飞行路径以及空中传递的其他飞机数据；所述天气数据包括云雾量、风速、风向以及气象能见度。
3.根据权利要求2所述的机场地面流量负载监测方法，其特征在于，所述根据所述航行动态和所述历史延误率调整所述起飞时间和所述落地时间，获得实际起飞时间和实际落地时间，包括：
将所述航行动态和所述历史延误率进行编码，构建特征向量；
将所述特征向量输入航行估计模型进行估计，获得实际起飞时间和实际落地时间；
其中，所述航行估计模型是基于加权特征的支持向量回归模型，并采用XGBoost算法进行模型训练防止过拟合。
4.根据权利要求1所述的机场地面流量负载监测方法，其特征在于，所述乘客健康信息包括：体温、行程码、基础疾病、血压数据以及血脂数据。
5.根据权利要求1所述的机场地面流量负载监测方法，其特征在于，所述将所述乘客健康信息输入改进卷积神经网络进行分类，获得第一分类结果，包括：
将所述乘客健康信息进行拆分，获得拆分结果；
将所述拆分结果转换为词向量，获得词向量序列；
将所述词向量序列输入Text-CNN模型分类，获得第一分类结果；
其中，所述Text-CNN模型包括输入层、卷积层、池化层和输出层。
6.根据权利要求1所述的机场地面流量负载监测方法，其特征在于，所述根据所述普通乘客数量，采用调度模型分配普通接驳车，包括：
获取需要分配接驳车的航班集合；
根据所述普通乘客数量和所述航班集合，确定待分配接驳车集合；
根据所述航班集合和所述待分配接驳车集合，采用调度模型分配普通接驳车。
7.根据权利要求1所述的机场地面流量负载监测方法，其特征在于，所述将所述特殊乘客的所述乘客健康信息输入改进卷积神经网络进行分类，获得第二分类结果，包括：
将所述特殊乘客的所述乘客健康信息进行拆分，获得拆分结果；
将所述拆分结果转换为词向量，获得词向量序列；
对所述词向量序列进行标注，获得标签序列；
拼接所述词向量序列和所述标签序列，获得语义特征序列；
将所述语义特征序列输入Text-CNN模型分类，获得第二分类结果；
其中，所述Text-CNN模型包括输入层、卷积层、池化层和输出层。
8.根据权利要求1所述的机场地面流量负载监测方法，其特征在于，所述第二分类结果包括：需辅助需隔离、需辅助无需隔离、无需辅助需隔离以及无需辅助无需隔离。
9.根据权利要求8所述的机场地面流量负载监测方法，其特征在于，所述根据所述特殊乘客数量和所述第二分类结果，采用调度模型分配特殊接驳车，包括：
分别获得需要分配第一特殊接驳车和第二特殊接驳车的第一航班集合和第二航班集合；
根据所述特殊乘客数量、所述第二分类结果以及所述第一航班集合和第二航班集合，确定第一待分配接驳车集合和第二待分配接驳车集合；
根据所述第一航班集合和所述第一待分配接驳车集合，采用调度模型分配第一特殊接驳车；
根据第二航班集合和第二待分配接驳车集合，采用调度模型分配第二特殊接驳车。
10.一种机场地面流量负载监测系统，其特征在于，包括：
数据获取模块，用于获取目标机场多个航班的航班信息；所述航班信息包括起飞时间、落地时间、历史延误率以及实际载客流量；
负载量监测模块，用于实时监测所述多个航班的航行动态；
根据所述航行动态和所述历史延误率调整所述起飞时间和所述落地时间，获得实际起飞时间和实际落地时间；
根据所述实际起飞时间、所述实际落地时间、所述历史延误率以及所述实际载客流量，监测各个时段的地面流量负载量；
负载量控制模块，用于判断第一时段所述地面流量负载量是否超过最大负载量；若是，则调整所述实际起飞时间和所述实际落地时间；反之，执行接驳车分配模块；
接驳车分配模块，用于获取所述第一时段的乘客健康信息；
将所述乘客健康信息输入改进卷积神经网络进行分类，获得第一分类结果；所述第一分类结果包括普通乘客和特殊乘客；
根据所述第一分类结果，统计所述第一时段的普通乘客数量和特殊乘客数量；
根据所述普通乘客数量，采用调度模型分配普通接驳车；
将所述特殊乘客的所述乘客健康信息输入改进卷积神经网络进行分类，获得第二分类结果；
根据所述特殊乘客数量和所述第二分类结果，采用调度模型分配特殊接驳车；
其中，所述调度模型的目标函数是：
其中，I表示需要分配普通接驳车或特殊接驳车的航班集合，i表示需要分配普通接驳车或特殊接驳车的航班i，P表示待分配普通接驳车或特殊接驳车集合，p表示待分配普通接驳车或特殊接驳车p，
表示将需要分配普通接驳车或特殊接驳车的航班i分配给待分配普通接驳车或特殊接驳车p，α、β是阻滞参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210657783.5A CN114997669A (zh) | 2022-06-10 | 2022-06-10 | 一种机场地面流量负载监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210657783.5A CN114997669A (zh) | 2022-06-10 | 2022-06-10 | 一种机场地面流量负载监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114997669A true CN114997669A (zh) | 2022-09-02 |
Family
ID=83032729
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210657783.5A Pending CN114997669A (zh) | 2022-06-10 | 2022-06-10 | 一种机场地面流量负载监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114997669A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106257504A (zh) * | 2016-07-29 | 2016-12-28 | 华南理工大学 | 一种基于均衡配流模型的brt乘客出行效益优化方法 |
| CN106295817A (zh) * | 2016-07-27 | 2017-01-04 | 百度在线网络技术（北京）有限公司 | 一种用于在专线运输系统中进行接客调度的方法和装置 |
| WO2018032808A1 (zh) * | 2016-08-19 | 2018-02-22 | 大连理工大学 | 基于大数据的公交线路时刻表协同优化方法 |
| CN109409599A (zh) * | 2018-10-24 | 2019-03-01 | 天津市市政工程设计研究院 | 基于实时需求的定制公交线路开通优化方法 |
| US20200279345A1 (en) * | 2019-03-02 | 2020-09-03 | ANI Technologies Private Limited | Allocation of vehicles using fitness information |
| CN112700071A (zh) * | 2021-01-29 | 2021-04-23 | 中科大路(青岛)科技有限公司 | 用于机场的自动驾驶旅客摆渡车的管控方法及系统 |
-
2022
- 2022-06-10 CN CN202210657783.5A patent/CN114997669A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295817A (zh) * | 2016-07-27 | 2017-01-04 | 百度在线网络技术（北京）有限公司 | 一种用于在专线运输系统中进行接客调度的方法和装置 |
| CN106257504A (zh) * | 2016-07-29 | 2016-12-28 | 华南理工大学 | 一种基于均衡配流模型的brt乘客出行效益优化方法 |
| WO2018032808A1 (zh) * | 2016-08-19 | 2018-02-22 | 大连理工大学 | 基于大数据的公交线路时刻表协同优化方法 |
| CN109409599A (zh) * | 2018-10-24 | 2019-03-01 | 天津市市政工程设计研究院 | 基于实时需求的定制公交线路开通优化方法 |
| US20200279345A1 (en) * | 2019-03-02 | 2020-09-03 | ANI Technologies Private Limited | Allocation of vehicles using fitness information |
| CN112700071A (zh) * | 2021-01-29 | 2021-04-23 | 中科大路(青岛)科技有限公司 | 用于机场的自动驾驶旅客摆渡车的管控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111052158B (zh) | 用于分配服务请求的系统和方法 | |
| Straubinger et al. | An overview of current research and developments in urban air mobility–Setting the scene for UAM introduction | |
| US20210232984A1 (en) | Order allocation system and method | |
| CN110168313B (zh) | 用于预估到达时间的方法及系统 | |
| TWI638320B (zh) | 推薦預計到達時間的系統、方法及非暫態電腦可讀儲存媒體 | |
| WO2021135653A1 (zh) | 一种识别车辆的异常停留的方法和系统 | |
| CN109478275B (zh) | 分配服务请求的系统和方法 | |
| US20200050938A1 (en) | Systems and methods for improvement of index prediction and model building | |
| TW202009807A (zh) | 用於分配訂單的系統和方法 | |
| CN109429520B (zh) | 用于检查作弊服务订单的方法、系统、设备及可读介质 | |
| TWI724958B (zh) | 用於線上到線下服務的系統、方法和電腦可讀取媒體 | |
| CN109949068A (zh) | 一种基于预测结果的实时拼车方法和装置 | |
| CN111178686B (zh) | 一种网约车的分配方法、装置、电子设备及存储介质 | |
| CN110832284A (zh) | 用于目的地预测的系统和方法 | |
| CN110531788B (zh) | 无人机的巡航控制方法、装置和电子设备 | |
| US20210125512A1 (en) | Aircraft parking stand assignment prediction | |
| CN114358446B (zh) | 一种机场资源调度的鲁棒优化方法 | |
| JP7123186B2 (ja) | オンライン・オンデマンドサービス・プラットフォームからのデータを処理するためのシステムおよび方法 | |
| CN111489214A (zh) | 订单分配方法、条件设置方法、装置及电子设备 | |
| CN114997669A (zh) | 一种机场地面流量负载监测方法及系统 | |
| CN111475702B (zh) | 基于爬虫技术的航司价格预警的方法、系统、设备和介质 | |
| CN110832513A (zh) | 用于按需服务的系统和方法 | |
| CN111507502A (zh) | 一种虚占航班班次的优化方法和系统 | |
| CN113077304B (zh) | 一种航班信息的推荐方法、系统和电子设备 | |
| CN116993137B (zh) | 一种停机位的确定方法、装置、电子设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220902 |