CN115049152A - 一种机场换乘区到港旅客流量预测方法、装置及电子设备 - Google Patents
一种机场换乘区到港旅客流量预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115049152A CN115049152A CN202210817412.9A CN202210817412A CN115049152A CN 115049152 A CN115049152 A CN 115049152A CN 202210817412 A CN202210817412 A CN 202210817412A CN 115049152 A CN115049152 A CN 115049152A
- Authority
- CN
- China
- Prior art keywords
- shunting
- passenger
- moment
- simulation model
- airport
- 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
- 238000012546 transfer Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000004088 simulation Methods 0.000 claims abstract description 129
- 238000012545 processing Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 23
- 238000000605 extraction Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000012937 correction Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 230000005284 excitation Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 101000840267 Homo sapiens Immunoglobulin lambda-like polypeptide 1 Proteins 0.000 description 1
- 102100029616 Immunoglobulin lambda-like polypeptide 1 Human genes 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000032258 transport 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种机场换乘区到港旅客流量预测方法、装置及电子设备。方法包括:获取第一时刻下到港旅客前往换乘区的各个分流点对应的实际分流比例数据,以及以所述第一时刻为起始时刻的预设时间段的航班计划;将所述航班计划和所述实际分流比例数据输入预先设置的仿真模型,获取第二时刻下的机场换乘区到港旅客的流量预测结果,所述第二时刻为所述预设时间段的终止时刻。通过该方法,能改善现有技术无法准确的预测出机场所有换乘区到港旅客流量的问题。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种机场换乘区到港旅客流量预测方法、装置及电子设备。
背景技术
目前,针对到港旅客流量预测的研究,分为长时和短时预测两种。其中,长时预测方法为根据旅客年吞吐量历史数据,预测未来年份的旅客吞吐量;并结合高峰小时旅客流量占比,得到高峰小时到港旅客流量;通过旅客出行分担比例折算为各种交通工具换乘区的旅客流量,利用仿真的方法对机场综合交通区域的布局进行规划。短时预测方法则采用智能预测模型的方法,采集各换乘区旅客流量,通过机器学习的方法,构建预测模型,实现换乘区旅客流量预测。但长时预测方法和短时预测方法都存在一定的缺陷:
a、长时预测方法
长时预测方法由于交通分担比例的实时变化无法用于短时流量预测,同时采用的仿真方式为参数不随时间变化的静态仿真,故长时预测方法存在缺陷。
b、短时预测方法
短时预测方法由于目前机场信息化建设的现状,采集到港旅客数据的方式有限,通常只能实现单一换乘区的预测,而且部分研究者为了实现所有换乘区域的流量预测,采用WIFI连接流量比例作为各换乘区旅客实时分担比例。显然,各换乘区的WIFI连接数比例,不能作为旅客实时分担比例,故短时预测方法也存在缺陷。
发明内容
本申请实施例的目的在于提供一种机场换乘区到港旅客流量预测方法、装置及电子设备,以改善“现有技术无法准确的预测出机场换乘区到港旅客流量”的问题。
本发明是这样实现的:
第一方面,本申请实施例提供一种机场换乘区到港旅客流量预测方法,所述方法包括:获取第一时刻下到港旅客前往换乘区的各个分流点对应的实际分流比例数据,以及以所述第一时刻为起始时刻的预设时间段的航班计划;将所述航班计划和所述实际分流比例数据输入预先设置的仿真模型,获取第二时刻下的机场换乘区到港旅客的流量预测结果,所述第二时刻为所述预设时间段的终止时刻。
在本申请实施例中,通过将第一时刻下到港旅客前往换乘区的各个分流点对应的实际分流比例数据和以第一时刻为起始时刻的预设时间段的航班计划作为输入数据,输入预设的仿真模型,能准确的获取第二时刻下的所有机场换乘区到港旅客的流量预测结果。相较于现有技术,能在不使用WIFI连接流量比例作为各换乘区旅客实时分担比例的情况下,实现短时流量预测。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述仿真模型包括到港旅客生成模块、分流比例预测模块和换乘区旅客流量预测模块,所述将所述航班计划和所述实际分流比例数据输入预先设置的仿真模型,获取第二时刻下的机场换乘区到港旅客的流量预测结果,包括:通过所述到港旅客生成模块对所述航班计划进行处理,获取所述第二时刻下的行李转盘出口处的到港旅客流量生成结果;通过所述分流比例预测模块对所述实际分流比例数据进行处理,获取所述第二时刻下的所述各个分流点对应的分流比例预测结果;通过所述换乘区旅客流量预测模块对所述到港旅客流量生成结果和所述分流比例预测结果进行处理,获取所述流量预测结果。
在本申请实施例中,行李转盘出口处为全部到港旅客在进入机场换乘区前均会经过的一个地点,通过获取行李转盘出口出的到港旅客流量生成结果,能获取到第二时刻下的到港旅客的总数。此外,通过换乘区旅客流量预测模块对到港旅客流量生成结果和分流比例预测结果进行处理,能准确的获取到第二时刻下的机场换乘区到港旅客的流量预测结果。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述分流比例预测模块包括时空图卷积神经网络和门控循环单元,所述通过所述分流比例预测模块对所述实际分流比例数据进行处理,获取所述第二时刻下的所述各个分流点对应的分流比例预测结果,包括:通过所述时空图卷积神经网络对所述实际分流比例数据进行处理,获取所述第二时刻下的旅客流量的空间相关特性;通过所述门控循环单元对所述实际分流比例数据进行处理,获取所述第二时刻下的旅客流量的时间动态相关特性;通过所述时空图卷积神经网络中的全连接层对所述空间相关特性和所述时间动态相关特性进行处理,获取所述分流比例预测结果。
在本申请实施例中,因到港旅客从不同登机口到各分流点在空间上是拓扑结构,故采用时空图卷积神经网络能获取不同登机口到各分流点的空间依赖关系,且通过时空图卷积神经网络中的邻接矩阵能获取到固定的空间相关特性。并且,采用门控循环单元能获取航站楼旅客登机口到各分流节点的时间特性,以及捕捉由于航站楼的空间结构造成的时间滞后效应,从而避免了在同一时间尺度内,远距离登机口旅客较晚到达分流节点而造成的影响精度的问题,进而能准确的获取到第二时刻下的分流比例预测结果。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述获取第一时刻下到港旅客前往换乘区的各个分流点对应的实际分流比例数据,包括:获取所述第一时刻下所述各个分流点的监控视频;根据所述监控视频,获取所述实际分流比例数据。
在本申请实施例中,通过上述方式,能更快速且准确的获取到第一时刻下的实际分流比例数据,从而提高了第二时刻下的机场换乘区到港旅客的流量预测结果的准确率。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述方法还包括:在时间到达所述第二时刻时,获取所述行李转盘出口处的实际旅客流量和所述各个分流点对应的实际分流比例数据;根据所述到港旅客流量生成结果和所述第二时刻下的实际旅客流量,对所述仿真模型进行优化;根据所述分流比例预测结果和所述第二时刻下的实际分流比例数据,对所述仿真模型进行优化。
在本申请实施例中,通过根据在第一时刻下生成的到港旅客流量生成结果与第二时刻下的实际旅客流量,对仿真模型进行优化;以及根据在第一时刻下预测的分流比例预测结果和第二时刻下的实际分流比例数据,对仿真模型进行优化,能使该仿真模型在使用过程中也不断进行调整,从而提高该仿真模型的预测准确率。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,通过如下步骤得到所述仿真模型:根据航班计划、到港旅客的步行流程、预设的多个分流点和机场的空间布局,构建初始仿真模型,并对所述初始仿真模型中表征旅客特性和行李特性的参数的参数值进行初始化,以及设置分流比例初始值;根据历史航班计划和所述各个分流点对应的历史分流比例数据,对所述初始仿真模型进行训练,得到所述仿真模型。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述根据历史航班计划和所述各个分流点对应的历史分流比例,对所述初始仿真模型进行训练,包括:将所述历史航班计划输入所述初始仿真模型的到港旅客生成模块,获取行李转盘出口处的仿真旅客流量;根据反馈激励函数,判断所述行李转盘出口处的实际旅客流量和所述仿真旅客流量的误差是否处于预设范围,若所述误差不处于所述预设范围,则根据所述误差,对表征旅客特性和行李特性的参数值进行修正;重复上述步骤,直至所述误差处于所述预设范围,获得最终的参数值;将所述历史分流比例数据输入所述初始仿真模型的分流比例预测模块,获取分流比例预测结果;根据所述分流比例预测结果和所述历史分流比例数据的误差,对所述分流比例预测模块进行训练,获取所述各个分流点对应的旅客流量的空间相关特性和时间动态相关特性。
结合上述第一方面提供的技术方案,在一些可能的实现方式中,所述初始仿真模型中表征旅客特性和行李特性的参数包括旅客到达分布规律参数、旅客平均步行速度、首件行李上转盘时间和行李到达分布规律参数。
第二方面,本申请实施例提供一种仿真模型的构建方法,所述方法包括:根据航班计划、到港旅客的步行流程、预设的多个分流点和机场的空间布局,构建初始仿真模型,并对所述初始仿真模型中表征旅客特性和李特性的参数的参数值进行初始化,以及设置分流比例初始值;根据历史航班计划和各个分流点对应的历史分流比例数据,对所述初始仿真模型进行训练,得到所述仿真模型。
在本申请实施例中,通过上述方式,能够快速且准确的构建出用于预测未来时刻下的机场换乘区到港旅客的流量的仿真模型。
第三方面,本申请实施例提供一种机场换乘区到港旅客流量预测装置,所述装置包括:获取模块,用于获取第一时刻下到港旅客前往换乘区的各个分流点对应的实际分流比例数据,以及以所述第一时刻为起始时刻的预设时间段的航班计划;预测模块,用于将所述航班计划和所述实际分流比例数据输入预先设置的仿真模型,获取第二时刻下的机场换乘区到港旅客的流量预测结果,所述第二时刻为所述预设时间段的终止时刻。
第四方面,本申请实施例提供一种仿真模型的构建装置,所述装置包括:处理模块,用于根据航班计划、到港旅客的步行流程、预设的多个分流点和机场的空间布局,构建初始仿真模型,并对所述初始仿真模型中表征旅客特性和行李特性的参数的参数值进行初始化,以及设置分流比例初始值;构建模块,用于根据历史航班计划和各个分流点对应的历史分流比例数据,对所述初始仿真模型进行训练,得到所述仿真模型。
第五方面,本申请实施例提供一种电子设备,包括:处理器和存储器,所述处理器和所述存储器连接;所述存储器用于存储程序;所述处理器用于调用存储在所述存储器中的程序,执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法,和/或执行如上述第二方面实施例的一些可能的实现方式提供的方法。
第六方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器运行时执行如上述第一方面实施例和/或结合上述第一方面实施例的一些可能的实现方式提供的方法,和/或执行如上述第二方面实施例的一些可能的实现方式提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1为本申请实施例提供的第一种仿真模型的结构示意图。
图2为本申请实施例提供的第二种仿真模型的结构示意图。
图3为本申请实施例提供的一种仿真模型的构建方法的步骤流程图。
图4为本申请实施例提供的一种时空图卷积神经网络的整体框架的示意图。
图5为本申请实施例提供的一种机场换乘区到港旅客流量预测方法的步骤流程图。
图6为本申请实施例提供的一种停车场区域的到港旅客流量预测结果和实际到港旅客流量对比的示意图。
图7为本申请实施例提供的一种地铁区域的到港旅客流量预测结果和实际到港旅客流量对比的示意图。
图8为本申请实施例提供的一种机场巴士区域的到港旅客流量预测结果和实际到港旅客流量对比的示意图。
图9为本申请实施例提供的一种出租车区域的到港旅客流量预测结果和实际到港旅客流量对比的示意图。
图10为本申请实施例提供的一种机场换乘区到港旅客流量预测装置的模块框图。
图11为本申请实施例提供的一种仿真模型的构建装置的模块框图。
图12为本申请实施例提供的一种电子设备的模块框图。
图标:100-仿真模型;10-数据输入模块;20-到港旅客生成模块;21-旅客生成子模块;22-行李转盘提取子模块;23-旅客行为子模块;30-分流比例预测模块;31-时空图卷积神经网络;32-门控循环单元;33-分流比例修正子模块;40-换乘区旅客流量预测模块;50-参数修正模块;200-机场换乘区到港旅客预测装置;201-获取模块;202-预测模块;203-优化模块;204-训练模块;300-仿真模型的构建装置;301-处理模块;302-构建模块;400-电子设备;410-处理器;420-存储器。
具体实施方式
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描述。
鉴于现有技术无法准确的预测出机场换乘区到港旅客流量,本申请发明人经过研究探索,提出以下实施例以解决上述问题。
本申请实施例提供一种用于预测未来时刻下机场换乘区到港旅客流量的仿真模型100。如图1和图2所示,该仿真模型100包括:数据输入模块10、到港旅客生成模块20、分流比例预测模块30、换乘区旅客流量预测模块40和参数修正模块50。
其中,数据输入模块10,用于获取输入数据,该输入数据包括以第一时刻为起始时刻的预设时间段的航班计划、第一时刻下到港旅客前往换乘区的各个分流点对应的实际分流比例数据,以及待时间到达第二时刻下的行李转盘出口处的实际旅客流量和各个分流点对应的实际分流比例数据,其中,上述第二时刻为上述预设时间段的终止时刻,上述行李转盘出口处为全部到港旅客在进入机场换乘区前均会经过的一个地点。
到港旅客生成模块20,用于对以第一时刻为起始时刻的预设时间段的航班计划进行处理,获取第二时刻下的行李转盘出口处的到港旅客流量生成结果。
此外,上述到港旅客生成模块20包括:旅客生成子模块21、行李转盘提取子模块22和旅客行为子模块23,其中,上述旅客生成子模块21用于对上述航班计划进行处理,按时间点的顺序在仿真模型100中生成对应的旅客。上述行李转盘提取子模块22用于对上述航班计划进行处理,并结合仿真模型100中已生成的旅客及旅客在仿真模型100中的运动,获取第二时刻下的行李转盘出口处的旅客流量。上述旅客行为子模块23用于根据社会力模型构建旅客行走行为,且根据最短路径原则,设定旅客寻路算法,确保旅客按照航站楼内的最短路径到达机场换乘区。
分流比例预测模块30,用于对第一时刻下到港旅客前往换乘区的各个分流点对应的实际分流比例数据进行处理,获取第二时刻下的各个分流点对应的分流比例预测结果;以及,在时间到达第二时刻时,根据当前时刻下的各个分流点对应的实际分流比例数据和分流比例预测结果之间的误差,对其参数进行修正。
此外,上述分流比例预测模块30包括:时空图卷积神经网络31、门控循环单元32和分流比例修正子模块33,其中,上述时空图卷积神经网络31用于对输入的实际分流比例进行处理,获取第二时刻下的旅客流量的空间相关特性。上述门控循环单元32用于对输入的实际分流比例进行处理,获取第二时刻下的旅客流量的时间动态相关特性;再通过时空图卷积神经网络31中的全连接层对上述空间相关特性和时间动态相关特性进行处理,获取上述分流比例预测结果。上述分流比例修正子模块33用于在时间到达第二时刻时,根据当前时刻下的各个分流点对应的实际分流比例数据和分流比例预测结果之间的误差,对时空图卷积神经网络31和门控循环单元32中的各参数进行修正。
换乘区旅客流量预测模块40,用于根据仿真模型100中各个分流点的具体设置位置,对到港旅客生成模块20输出的到港旅客流量生成结果和分流比例预测模块30输出的分流比例预测结果进行处理,获取第二时刻下的机场换乘区到港旅客的流量预测结果。
参数修正模块50,用于在时间到达第二时刻时,接收数据输入模块10发送的当前时刻下的行李转盘出口处的实际旅客流量,并根据该实际旅客流量和分流比例预测结果之间的误差,对旅客生成子模块21和行李转盘提取子模块22内的参数进行修正。
本申请实施例还提供了一种仿真模型的构建方法,该方法用于构建上述仿真模型。以下结合图3对一种仿真模型的构建方法的具体流程及步骤进行说明。
需要说明的是,本申请实施例提供的仿真模型的构建方法不以图3及以下所示的顺序为限制。
步骤S101:根据航班计划、到港旅客的步行流程、预设的多个分流点和机场的空间布局,构建初始仿真模型,并对初始仿真模型中表征旅客特性和行李特性的参数的参数值进行初始化,以及设置分流比例初始值。
其中,航班计划包括:航班号、航班到港时间、登机口编号、旅客数量、行李数量、行李转盘编号和机位标识;预设的多个分流点为按机场的实际情况确定的各个分流点;到港旅客的步行流程为:旅客从登机口到达航站楼,通过楼内的路径到达行李提取处,其中,携带有行李的旅客需等待传送带将行李运至行李提取厅后,完成行李提取,再从行李提取厅出口处前往机场换乘区,而未携带行李的旅客则直接从行李提取厅出口处前往机场换乘区,即未携带行李的旅客无需经过提取行李提取环节。
以某机场为例,该机场的换乘区包括:停车场区域、地铁区域、机场巴士区域和出租车区域。在所有旅客从行李提取厅出口处前往各机场换乘区的过程中,需要经过四个关键分流点,依次为:二层停车楼通道与乘坐电梯前往一层的分流点;若旅客前往了二层停车楼通道,则会经过地铁和停车场换乘区的分流点;若旅客前往了一层,则会经过机场大巴与出租车换乘区的分流点;若旅客前往了出租车换乘区,则会经过出租车一区和出租车二区的分流点。需要说明的是,各分流点设置的具体位置及数量与机场的空间布局有关,即可根据机场的实际情况,设置分流点的具体位置和数量。
具体的,根据机场的空间布局构建仿真场景,比如:可根据机场的CAD图构建仿真场景,或根据机场的三维模型构建仿真场景。
建立旅客行为模块,使得旅客按照社会力模型在航站楼内行走,并根据最短路径到达机场换乘区。
建立由强化学习算法构成的参数修正模块。
建立到港旅客生成模块,该到港旅客生成模块包括行李转盘提取子模块和旅客生成模块。具体的,根据航班计划建立上述旅客生成子模块,使得旅客按照航班到达时间出现在仿真模型的航站楼内,且设置旅客到达分布规律参数λ人/分钟、平均旅客行走速度V米/每秒,其中,上述旅客到达分布规律参数和平均旅客行走速度表征了旅客特性。建立行李转盘提取子模块,按照航班计划,设定携带行李的旅客数量,使得携带行李的旅客在经过行李提取环节后,再前往机场换乘区;而未携带行李的旅客通过提取行李出口,直接前往机场换乘区,且设置首件行李上转盘时间T分钟、行李到达分布规律参数τ件/分钟,其中,上述首件行李上转盘时间、行李到达分布规律参数表征了行李特性。
建立分流比例预测模块,该分流比例预测模块包括时空图卷积神经网络和门控循环单元,并且,时空图卷积神经网络用于获取旅客流量的空间相关特性,门控循环单元用于获取旅客流量的时间动态相关特性。
建立换乘区旅客流量预测模块,并在预设的分流点处设置分流比例初始值。
在构建完初始仿真模型后,本方法可以继续执行步骤S102。
步骤S102:根据历史航班计划和所述各个分流点对应的历史分流比例数据,对初始仿真模型进行训练,得到仿真模型。
具体的,步骤S102分为两个训练过程,下面对上述两个训练过程分别进行说明。
第一训练过程为:将历史航班计划输入初始仿真模型进行仿真到港旅客生成模块,获取行李转盘出口处的仿真旅客流量;根据反馈激励函数,判断行李转盘出口处的实际旅客流量和仿真旅客流量的误差是否处于预设范围,若误差不处于预设范围,则根据误差,对表征旅客特性和行李特性的参数值进行修正;重复上述步骤,直至误差处于预设范围,获得最终的参数值。
具体的,选择历史航班计划作为仿真历史数据,比如:可选择某一时间段的航班计划作为仿真历史数据,也可选择过去某一天的航班计划作为仿真历史数据;并以选择的历史航班计划对应的视频统计的行李提取厅的旅客流量作为标签数据,比如:选择2021年6月10日8点至8点30分的历史航班计划作为仿真历史数据,则该标签数据为8点30分时刻下的视频统计的行李提取厅的旅客流量;又比如:选择2021年6月12日的历史航班计划作为仿真历史数据,即可将该仿真数据看作为多个连续的时间段,比如:将预设时间段设置为30分钟,即该仿真历史数据可分为00:00-00:30,00:30-01:000,…,23:30-24:00共48个连续的时间段,则标签数据00:30,01:00,…,24:00时刻下的视频统计的行李提取厅的旅客流量。
对表征旅客特性和行李特性的参数进行设置,其中,表征旅客特性和行李特性的参数包括:旅客到达分布规律参数λ人/分钟、平均旅客行走速度V米/每秒、首件行李上转盘时间T分钟和行李到达分布规律参数τ件/分钟。如表1所示,对上述参数的设置具体如下。
表1
参数名称 | 初始值 | 波动区间 | 单位 |
航班旅客到达分布规律参数λ | 5 | 2~10 | 人/分钟 |
旅客平均步行速度V | 0.7 | 0.5~1.2 | 米/秒 |
首件行李上转盘时间T | 8 | 5~12 | 分钟 |
行李到达分布规律参数τ | 9 | 5~20 | 件/分钟 |
由上述表1可知,动作机制actioni=[λi,Vi,Ti,τi]且i=1,2,...,100,参数选择策略为λi∈[2,10]、Vi∈[0.5,1.2]、Ti∈[5,12]、τi∈[5,20],初始状态为action0=[5,0.7,8,9]。需要说明的是,上述四个参数的初始值可在所给出的波动区间可以任意选择和任意组合。
在对上述参数设置完毕后,向初始仿真模型输入历史航班计划,从而获取行李转盘出口处的仿真旅客流量。
在获取到该仿真旅客流量后,上述参数修正模块可根据该仿真旅客流量和与其对应的视频统计的行李提取厅的旅客流量(即对应的标签数据)获取两者的误差。并根据反馈激励函数,判断行李转盘出口处的实际旅客流量和仿真旅客流量的误差是否处于预设范围,若误差不处于预设范围,则根据误差,对表征旅客特性和行李特性的参数值进行修正。
重复上述步骤,直至误差处于预设范围,可得到最终的参数值。
需要说明的是,上述反馈激励函数为:
此外,还需要说明的是,在仿真模型中,行李转盘出口处的旅客流量是旅客到达分布规律参数、平均旅客行走速度、首件行李上转盘时间和行李到达分布规律参数共同的作用。每次强化学习输出的调参结果可作为下一次仿真模型的参数值,当误差稳定时,可获取到最优的仿真模型参数组合,例如:最优的仿真模型参数组合为λ=7,V=0.86,T=9.25,τ=10.5。
第二训练过程为:将历史分流比例数据输入初始仿真模型的分流比例预测模块,获取分流比例预测结果;根据分流比例预测结果和历史分流比例数据的误差,对分流比例预测模块进行训练,获取各个分流点对应的旅客流量的空间相关特性和时间动态相关特性。
具体的,获取各个分流点对应的旅客流量的空间相关特性的操作如下。
分流比例预测问题可表示为:
其中,函数f(·)表示将历史的关键分流节点分流比例信息映射到未来分流比例信息;表示在t+i时刻,分流节点j的分流比例,其中,n表示节点个数,M表示为历史时间序列长度,N表示需要被预测的数据,采样间隔为每分钟采集一次,即视频每分钟统计一次关键分流节点的分流比例。表示在t+i时刻通往两个不同换乘区的分流比例。
将每组相隔采样时间为一分钟的,同一t+i时刻的多个关键节点分流比例数据输入时空图卷积神经网络,利用时空图卷积神经网络捕获旅客流的空间相关特征。如图4所示,输入转化层将输入数据的空间相关性,转化为时空图卷积神经网络要求的格式。进入STGCN网络的L层GCN网络进行空间特征提取,传播公式为:
其中,X为由输入转化层将输入数据转化得到的STGCN网络中L层的输入。A为多个关键分流节点的邻近矩阵,该矩阵由多个关键分流节点的空间结构组成,如果节点直接连接,则对应位置为1,否则为0。W为权重矩阵,σ(·)为非线性变换激活函数。I为单位矩阵。W(0)初始权重系数矩阵,W(L)为权重矩阵的经过L层线性变换,其中L代表层数。
训练后通过损失函数进行偏差修正,最后得到单一时刻下的节点特征ZL=[XL,WL]。
具体的,获取各个分流点对应的旅客流量的时间动态相关特性的操作如下。
采用时间注意力编码模型作为时间维建模结构,该方法由两个具备独立参数的门控循环单元(gatedrecurrent unit,GRU)模块构成。
Hi,t=GRU(Zi,t,Hi,t-1) (4)
其中,Hi,t为传感器节点i在t时刻下的输出。Zi,t为图卷积操作得到的特征序列。Hi,t-1为传感器节点i在t-1时刻下的输出。
GRU通过门控机制来控制当前时刻和前一时刻状态的输入程度,详细过程如以下公式所示:
ui,t=σ(Wu[Zi,t,Hi,t-1]+bu) (5)
ri,t=σ(Wr[Zi,t,Hi,t-1]+br) (6)
其中,ui,t和ri,t分别表示GRU中更新门和重置门大小,σ表示Sigmoid激活函数,W和b是可学习参数,表示隐藏层t时刻状态。需要说明的是,更新门的值越大,重置门的值越小,则表示上一时刻状态的信息被写入的越少,通过这种方式门控循环单元能够获取关键节点分流比例长期的时间相关性。
根据上述获取空间相关特性和时间动态相关特性的操作,将输入的历史分流比例数据作为分流比例预测模块的训练输入数据进行训练,可得到各历史分流比例数据对应的空间相关特性和时间动态相关特性。将该空间相关特性和时间动态相关特性输入时空图卷积神经网络中的全连接层进行处理,可获取到各历史分流比例数据对应的分流比例预测结果。根据模型输出的分流比例预测结果和历史分流比例数据的误差,对分流比例预测模块进行自适应迭代优化训练,最终获取各个分流点对应的旅客流量的空间相关特性和时间动态相关特性。
需要说明的是,分流比例预测模块中的时空图卷积神经网络和门控循环单元,以及上述获取空间相关特性和时间动态相关特性的操作均为本领域技术人员熟知的内容,此处不再进行说明。
此外,还需要说明的是,上述两个训练过程可以同时进行;也可以先进行第一训练过程,再进行第二训练过程;还可以先进行第二训练过程,再进行第一训练过程,此处不做限定。
本申请实施例还提供了一种机场换乘区到港旅客流量预测方法,该方法用于对机场换乘区的到港旅客流量进行预测。以下结合图5对一种机场换乘区到港旅客流量预测方法的具体流程及步骤进行描述。
需要说明的是,本申请实施例提供的机场换乘区到港旅客流量预测方法不以图5及以下所示的顺序为限制。
步骤S201:获取第一时刻下到港旅客前往换乘区的各个分流点对应的实际分流比例数据,以及以第一时刻为起始时刻的预设时间段的航班计划。
具体的,获取第一时刻下到港旅客前往换乘区的各个分流点对应的实际分流比例数据可具体包括:获取第一时刻下各个分流点的监控视频;根据监控视频,获取实际分流比例数据。通过该方式,能快速且准确的获取到第一时刻下各个分流点的实际分流比例数据,从而提高了第二时刻下的机场换乘区到港旅客的流量预测结果的准确率。
需要说明的是,上述航班计划包括:预设时间段对应的航班号、航班到港时间、登机口编号、旅客数量、行李数量、行李转盘编号和机位标识。
在获取到上述实际分流比例数据和上述航班计划后,本方法可以继续执行步骤S202。
步骤S202:将航班计划和实际分流比例数据输入预先设置的仿真模型,获取第二时刻下的机场换乘区到港旅客的流量预测结果。
其中,第二时刻为所述预设时间段的终止时刻。
具体的,仿真模型包括到港旅客生成模块、分流比例预测模块和换乘区旅客流量预测模块,将航班计划和实际分流比例数据输入预先设置的仿真模型,获取第二时刻下的机场换乘区到港旅客的流量预测结果可具体包括:通过到港旅客生成模块对航班计划进行处理,获取第二时刻下的行李转盘出口处的到港旅客流量生成结果;通过分流比例预测模块对实际分流比例数据进行处理,获取第二时刻下的各个分流点对应的分流比例预测结果;通过换乘区旅客流量预测模块对到港旅客流量生成结果和分流比例预测结果进行处理,获取流量预测结果。
在本申请实施例中,行李转盘出口处为全部到港旅客在进入机场换乘区前均会经过的一个地点,通过获取行李转盘出口出的到港旅客流量生成结果,能获取到第二时刻下的到港旅客的总数。此外,通过换乘区旅客流量预测模块对到港旅客流量生成结果和分流比例预测结果进行处理,能准确的获取到第二时刻下的机场换乘区到港旅客的流量预测结果。
可选的,分流比例预测模块包括时空图卷积神经网络和门控循环单元,通过分流比例预测模块对实际分流比例数据进行处理,获取第二时刻下的各个分流点对应的分流比例预测结果可具体包括:通过时空图卷积神经网络对实际分流比例数据进行处理,获取第二时刻下的旅客流量的空间相关特性;通过门控循环单元对实际分流比例数据进行处理,获取第二时刻下的旅客流量的时间动态相关特性;通过时空图卷积神经网络中的全连接层对空间相关特性和时间动态相关特性进行处理,获取分流比例预测结果。通过该方式,能准确的获取到第二时刻下的分流比例预测结果。
需要说明的是,在使用该仿真模型预测完毕后,还可在时间到达第二时刻时,利用该时间对应的实际值和仿真模型对该时间的预测值,对仿真模型进行优化(即参数修正)。
具体的,在时间到达第二时刻时,获取行李转盘出口处的实际旅客流量和各个分流点对应的实际分流比例数据;根据到港旅客流量生成结果和第二时刻下的实际旅客流量,对仿真模型进行优化;根据分流比例预测结果和第二时刻下的实际分流比例数据,对仿真模型进行优化。
通过上述方式,能使该仿真模型在使用过程中也不断进行调整,从而提高该仿真模型的预测准确率。
以前述步骤S101中所给出的四个分流点为例,向仿真模型中输入2021年11月1日的航班计划,以及在每次预测下一个时间点对应的机场换乘区到港旅客流量之前,输入当前时刻下的各分流点的实际分流比例数据,比如:在8点时,输入8点时的机场各分流点的实际分流比例数据,从而获得8点30分的机场换乘区到港旅客流量,当时间到达8点30分时,向仿真模型输入8点30分时的机场各分流点的实际分流比例数据,从而获得9点的机场换乘区到港旅客流量,进而获取到2021年11月1日当天的各换乘区的到港旅客流量预测结果。
需要说明的是,上述各时间点之间的时长可按照实际需要进行设置,比如:在8点时,输入8点时的机场各分流点的实际分流比例数据,从而获得8点10分的机场换乘区到港旅客流量;时间到达8点10分时,向仿真模型输入8点10分时的机场各分流点的实际分流比例数据,从而获得8点20的机场换乘区到港旅客流量。可理解的是,在选择不同的时长后,需要对仿真历史数据进行对应时长的划分,以对仿真模型进行构建。且通过设置合适的时长,能对机场换乘区到港旅客流量进行实时预测。
如图6-图9所示,图6-图9分别为前述四个不同的换乘区(停车场区域、地铁区域、机场巴士区域和出租车区域)的到港旅客流量预测结果和实际到港旅客流量对比的示意图,其中,图6-图9中的横轴为时间,纵轴为旅客流量,图中三角形为各时间点对应的旅客流量预测结果,圆点为各时间点对应的实际旅客流量。且由图6-图9可知,机场出租车区域、机场巴士区域、停车场区域呈现凌晨3-7点旅客流量较少、高峰期主要出现在夜间20-24点的规律;地铁受发车排班影响,凌晨5点后流量出现明显增加,在20点左右到达峰值。且将到港旅客流量预测结果和实际到港旅客流量进行对比,可看出该仿真模型预测出的机场换乘区到港旅客流量的准确度较高。
请参阅图10,基于同一发明构思,本申请实施例还提供一种机场换乘区到港旅客流量预测装置200,该装置200包括:获取模块201和预测模块202。
获取模块201,用于获取第一时刻下到港旅客前往换乘区的各个分流点对应的实际分流比例数据,以及以第一时刻为起始时刻的预设时间段的航班计划;
预测模块202,用于将航班计划和实际分流比例数据输入预先设置的仿真模型,获取第二时刻下的机场换乘区到港旅客的流量预测结果,第二时刻为预设时间段的终止时刻。
可选的,仿真模型包括到港旅客生成模块、分流比例预测模块和换乘区旅客流量预测模块,相应的,预测模块202具体用于通过到港旅客生成模块对航班计划进行处理,获取第二时刻下的行李转盘出口处的到港旅客流量生成结果;通过分流比例预测模块对实际分流比例数据进行处理,获取第二时刻下的各个分流点对应的分流比例预测结果;通过换乘区旅客流量预测模块对到港旅客流量生成结果和分流比例预测结果进行处理,获取流量预测结果。
可选的,分流比例预测模块包括时空图卷积神经网络和门控循环单元,相应的,预测模块202具体用于通过时空图卷积神经网络对实际分流比例数据进行处理,获取第二时刻下的旅客流量的空间相关特性;通过门控循环单元对实际分流比例数据进行处理,获取第二时刻下的旅客流量的时间动态相关特性;通过时空图卷积神经网络中的全连接层对空间相关特性和时间动态相关特性进行处理,获取分流比例预测结果。
可选的,获取模块201具体用于获取第一时刻下各个分流点的监控视频;根据监控视频,获取实际分流比例数据。
可选的,机场换乘区到港旅客流量预测装置还包括优化模块203,该优化模块203用于在时间到达第二时刻时,获取行李转盘出口处的实际旅客流量和各个分流点对应的实际分流比例数据;根据到港旅客流量生成结果和第二时刻下的实际旅客流量,对仿真模型进行优化;根据分流比例预测结果和第二时刻下的实际分流比例数据,对仿真模型进行优化。
可选的,机场换乘区到港旅客流量预测装置还包括训练模块204,该训练模块204用于根据航班计划、到港旅客的步行流程、预设的多个分流点和机场的空间布局,构建初始仿真模型,并对初始仿真模型中表征旅客特性和行李特性的参数的参数值进行初始化,以及设置分流比例初始值;根据历史航班计划和各个分流点对应的历史分流比例数据,对初始仿真模型进行训练,获取仿真模型。
可选的,训练模块204具体用于将历史航班计划输入初始仿真模型的到港旅客生成模块,获取行李转盘出口处的仿真旅客流量;根据反馈激励函数,判断行李转盘出口处的实际旅客流量和仿真旅客流量的误差是否处于预设范围,若误差不处于预设范围,则根据误差,对表征旅客特性和行李特性的参数值进行修正;重复上述步骤,直至误差处于预设范围,获得最终的参数值;将历史分流比例数据输入初始仿真模型的分流比例预测模块,获取分流比例预测结果;根据分流比例预测结果和历史分流比例数据的误差,对分流比例预测模块进行训练,获取各个分流点对应的旅客流量的空间相关特性和时间动态相关特性。
请参阅图11,基于同一发明构思,本申请实施例还提供一种仿真模型的构建装置300,该装置300包括:处理模块301和构建模块302。
处理模块301,用于根据航班计划、到港旅客的步行流程、预设的多个分流点和机场的空间布局,构建初始仿真模型,并对初始仿真模型中表征旅客特性和行李特性的参数的参数值进行初始化,以及设置分流比例初始值。
构建模块302,用于根据历史航班计划和各个分流点对应的历史分流比例数据,对初始仿真模型进行训练,得到仿真模型。
请参阅图12,基于同一发明构思,本申请实施例提供的一种电子设备400的示意性结构框图,该电子设备400可用于实施上述的一种机场换乘区到港旅客流量预测方法,或用于实施上述的一种仿真模型的构建方法。本申请实施例中,电子设备400可以是,但不限于个人计算机(Personal Computer,PC)、智能手机、平板电脑、个人数字助理(PersonalDigital Assistant,PDA)、移动上网设备(Mobile Internet Device,MID)等。在结构上,电子设备400可以包括处理器410和存储器420。
处理器410与存储器420直接或间接地电性连接,以实现数据的传输或交互,例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。其中,处理器410可以是一种集成电路芯片,具有信号处理能力。处理器410也可以是通用处理器,例如,可以是中央处理器(Central Processing Unit,CPU)、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、分立门或晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外,通用处理器可以是微处理器或者任何常规处理器等。
存储器420可以是,但不限于,随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-OnlyMemory,PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory,EPROM),以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory,EEPROM)。存储器420用于存储程序,处理器410在接收到执行指令后,执行该程序。
应当理解,图12所示的结构仅为示意,本申请实施例提供的电子设备400还可以具有比图12更少或更多的组件,或是具有与图12所示不同的配置。此外,图12所示的各组件可以通过软件、硬件或其组合实现。
需要说明的是,由于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,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
基于同一发明构思,本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序在被运行时执行上述实施例中提供的方法。
该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid StateDisk(SSD))等。
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。
另外,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。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种机场换乘区到港旅客流量预测方法,其特征在于,所述方法包括:
获取第一时刻下到港旅客前往换乘区的各个分流点对应的实际分流比例数据,以及以所述第一时刻为起始时刻的预设时间段的航班计划;
将所述航班计划和所述实际分流比例数据输入预先设置的仿真模型,获取第二时刻下的机场换乘区到港旅客的流量预测结果,所述第二时刻为所述预设时间段的终止时刻。
2.根据权利要求1所述的方法,其特征在于,所述仿真模型包括到港旅客生成模块、分流比例预测模块和换乘区旅客流量预测模块,所述将所述航班计划和所述实际分流比例数据输入预先设置的仿真模型,获取第二时刻下的机场换乘区到港旅客的流量预测结果,包括:
通过所述到港旅客生成模块对所述航班计划进行处理,获取所述第二时刻下的行李转盘出口处的到港旅客流量生成结果;
通过所述分流比例预测模块对所述实际分流比例数据进行处理,获取所述第二时刻下的所述各个分流点对应的分流比例预测结果;
通过所述换乘区旅客流量预测模块对所述到港旅客流量生成结果和所述分流比例预测结果进行处理,获取所述流量预测结果。
3.根据权利要求2所述的方法,其特征在于,所述分流比例预测模块包括时空图卷积神经网络和门控循环单元,所述通过所述分流比例预测模块对所述实际分流比例数据进行处理,获取所述第二时刻下的所述各个分流点对应的分流比例预测结果,包括:
通过所述时空图卷积神经网络对所述实际分流比例数据进行处理,获取所述第二时刻下的旅客流量的空间相关特性;
通过所述门控循环单元对所述实际分流比例数据进行处理,获取所述第二时刻下的旅客流量的时间动态相关特性;
通过所述时空图卷积神经网络中的全连接层对所述空间相关特性和所述时间动态相关特性进行处理,获取所述分流比例预测结果。
4.根据权利要求1所述的方法,其特征在于,通过如下步骤获取所述仿真模型:
根据航班计划、到港旅客的步行流程、预设的多个分流点和机场的空间布局,构建初始仿真模型,并对所述初始仿真模型中表征旅客特性和行李特性的参数的参数值进行初始化,以及设置分流比例初始值;
根据历史航班计划和所述各个分流点对应的历史分流比例数据,对所述初始仿真模型进行训练,得到所述仿真模型。
5.根据权利要求4所述的方法,其特征在于,所述初始仿真模型中表征旅客特性和行李特性的参数包括旅客到达分布规律参数、旅客平均步行速度、首件行李上转盘时间和行李到达分布规律参数。
6.一种仿真模型的构建方法,其特征在于,所述方法包括:
根据航班计划、到港旅客的步行流程、预设的多个分流点和机场的空间布局,构建初始仿真模型,并对所述初始仿真模型中表征旅客特性和行李特性的参数的参数值进行初始化,以及设置分流比例初始值;
根据历史航班计划和各个分流点对应的历史分流比例数据,对所述初始仿真模型进行训练,得到所述仿真模型。
7.一种机场换乘区到港旅客流量预测装置,其特征在于,所述装置包括:
获取模块,用于获取第一时刻下到港旅客前往换乘区的各个分流点对应的实际分流比例数据,以及以所述第一时刻为起始时刻的预设时间段的航班计划;
预测模块,用于将所述航班计划和所述实际分流比例数据输入预先设置的仿真模型,获取第二时刻下的机场换乘区到港旅客的流量预测结果,所述第二时刻为所述预设时间段的终止时刻。
8.一种仿真模型的构建装置,其特征在于,所述装置包括:
处理模块,用于根据航班计划、到港旅客的步行流程、预设的多个分流点和机场的空间布局,构建初始仿真模型,并对所述初始仿真模型中表征旅客特性和行李特性的参数的参数值进行初始化,以及设置分流比例初始值;
构建模块,用于根据历史航班计划和各个分流点对应的历史分流比例数据,对所述初始仿真模型进行训练,得到所述仿真模型。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述处理器和所述存储器连接;
所述存储器用于存储程序;
所述处理器用于运行存储在所述存储器中的程序,执行如权利要求1-5中任一项所述的方法,或执行如权利要求6所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在被计算机运行时执行如权利要求1-5中任一项所述的方法或如权利要求6所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817412.9A CN115049152A (zh) | 2022-07-12 | 2022-07-12 | 一种机场换乘区到港旅客流量预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817412.9A CN115049152A (zh) | 2022-07-12 | 2022-07-12 | 一种机场换乘区到港旅客流量预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049152A true CN115049152A (zh) | 2022-09-13 |
Family
ID=83164808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210817412.9A Pending CN115049152A (zh) | 2022-07-12 | 2022-07-12 | 一种机场换乘区到港旅客流量预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049152A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115392886A (zh) * | 2022-10-28 | 2022-11-25 | 中国民用航空总局第二研究所 | 一种到港飞机的报时方法、报时装置、存储介质和处理器 |
CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 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 |
CN116128558A (zh) * | 2022-11-30 | 2023-05-16 | 北京伽睿智能科技集团有限公司 | 一种智能排班时序预测方法、系统、设备及存储介质 |
-
2022
- 2022-07-12 CN CN202210817412.9A patent/CN115049152A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115392886A (zh) * | 2022-10-28 | 2022-11-25 | 中国民用航空总局第二研究所 | 一种到港飞机的报时方法、报时装置、存储介质和处理器 |
CN116128558A (zh) * | 2022-11-30 | 2023-05-16 | 北京伽睿智能科技集团有限公司 | 一种智能排班时序预测方法、系统、设备及存储介质 |
CN116128558B (zh) * | 2022-11-30 | 2024-02-13 | 北京伽睿智能科技集团有限公司 | 一种智能排班时序预测方法、系统、设备及存储介质 |
CN115620525A (zh) * | 2022-12-16 | 2023-01-17 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049152A (zh) | 一种机场换乘区到港旅客流量预测方法、装置及电子设备 | |
Pan et al. | Predicting bike sharing demand using recurrent neural networks | |
Nuzzolo et al. | A mesoscopic transit assignment model including real-time predictive information on crowding | |
Gao et al. | Optimize taxi driving strategies based on reinforcement learning | |
Huang et al. | A novel bus-dispatching model based on passenger flow and arrival time prediction | |
Chen et al. | Uncertainty in urban mobility: Predicting waiting times for shared bicycles and parking lots | |
CN109409626A (zh) | 用于航线操作的调度和资源分配的累积模型 | |
Wang et al. | Data driven approaches for passenger train delay estimation | |
CN105224992A (zh) | 对等待乘客数进行预测的方法和系统以及评价方法和系统 | |
CN111754025A (zh) | 基于cnn+gru的公交短时客流预测方法 | |
CN113762595B (zh) | 通行时间预测模型训练方法、通行时间预测方法及设备 | |
Nejadettehad et al. | Short-term demand forecasting for online car-hailing services using recurrent neural networks | |
Zhu et al. | Multistep flow prediction on car-sharing systems: A multi-graph convolutional neural network with attention mechanism | |
Lin et al. | Airport baggage handling system simulation modeling using SysML | |
Yedavalli et al. | Microsimulation analysis for network traffic assignment (MANTA) at metropolitan-scale for agile transportation planning | |
Zhang et al. | Travel time prediction of urban public transportation based on detection of single routes | |
Zhao et al. | Multi-featured spatial-temporal and dynamic multi-graph convolutional network for metro passenger flow prediction | |
CN114021996A (zh) | 车辆调度策略的评估方法、装置、电子设备和存储介质 | |
Xu et al. | A taxi dispatch system based on prediction of demand and destination | |
Shafiei et al. | Estimating time-dependent origin–destination demand from traffic counts: extended gradient method | |
Chuwang et al. | Short-term urban rail transit passenger flow forecasting based on fusion model methods using univariate time series | |
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 | |
La Rocca et al. | Heuristics for electric taxi fleet management at Teo Taxi | |
Xie et al. | A shared parking optimization framework based on dynamic resource allocation and path planning | |
Yan et al. | A customer selection and vehicle scheduling model for moving companies |
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 |