CN115983487A - 一种基于卡方分布的机场航站楼旅客时空分布预测方法 - Google Patents

Abstract

本发明公开一种基于卡方分布的机场航站楼旅客时空分布预测方法，包括：S1、基于建筑环境单元化管控思想，划分机场航站楼空间单元并进行编码；S2、基于统计学原理，建立机场航站楼旅客抵港概率卡方分布模型，表征航站楼旅客抵港概率与航班预计起飞时间的关系，并用启发式算法求解模型未知参数；S3、利用流体动力学思想，将S1划分的航站楼空间单元视为微元，将S2建立的旅客抵港概率卡方分布模型作为输入，计算各空间单元旅客数量。本发明仅依据建筑基本信息与航班动态信息即可预测航站楼内旅客分布情况，解决了航站楼因空间结构连贯、人员流动剧烈而造成的旅客分布预测难的问题，为航站楼强化运行保障能力率等提供重要技术支撑。

Description

一种基于卡方分布的机场航站楼旅客时空分布预测方法

技术领域

本发明涉及机场航站楼运力保障强化和环境运维优化技术领域，尤其涉及一种基于卡方分布的机场航站楼旅客时空分布预测方法。

背景技术

对于机场的建设，作为机场服务旅客的核心区域，航站楼的低碳化、资源化、智慧化是重要组成。由于服务系统功能多、人员流动规模大、全年运行时间长等特点，航站楼成为了能源消耗的重要场所，其平均能耗强度是普通公共建筑的2.9倍，是城镇住宅建筑的8.0倍，属于典型的高能耗高排放建筑(DOI:10.1016/j.buildenv.2019.03.011；DOI:10.1016/j.scs.2021.103619；DOI:10.1016/j.enbenv.2022.06.006；DOI:10.1016/j.buildenv.2018.02.009)。而暖通空调系统作为能源消耗的重要设备，占据了整个航站楼能耗的40％～80％，其中通风、照明、人员是其能耗形成的主要原因，它们均与人员行为密切相关(DOI:10.1016/j.buildenv.2019.03.011；DOI:10.1016/j.scs.2021.103619；DOI:10.1016/j.buildenv.2018.02.009)。作为重要的交通枢纽，机场航站楼的人员行为以旅客为主体、以出行为目的，与航班班次时刻密切相关，具有明显的计划性和预知性。2018年，中国矿业大学学者采用爱尔朗分布对首都机场值机大厅旅客单队和多队排列下的停留时间进行了仿真模拟，用以优化旅客的排队方式(https://kns.cnki.net/KCMS/detail/detail.aspx？dbname＝CDFDLAST2018&filename＝1017237868.nh)。2019年，清华大学黄蔚欣采用伽马分布拟合了上海虹桥国际机场T2航站楼旅客停留时间，估计了整个航站楼的客流密度(DOI:10.1016/j.enbuild.2019.109439)。2022年，清华大学刘晓华调研并拟合了成都双流国际机场T2航站楼值机大厅、安检大厅、候机大厅的客流密度(DOI:10.1016/j.scs.2021.103619)。但上述研究未能深入挖掘旅客抵港概率与航班信息之间的关系，且将航站楼整体或某一区域作为研究对象，未能全面体现航站楼客流的分布特征。

发明内容

针对机场航站楼旅客时空分布与航班班次时刻的相关性，本发明采用统计分析与流体动力学原理，提供一种提升运行保障能力、优化环境控制系统的基于卡方分布的机场航站楼旅客时空分布预测方法。本发明主要通过卡方分布建立机场航站楼旅客抵港概率模型，划分航站楼空间单元并给出编码规则，利用流体动力学原理完成航站楼旅客时空分布预测。客流是机场航站楼中包括环境控制系统在内的服务设施启动与调控的根本原因，旅客分布是影响服务资源配置和运行保障能力的决定性因素。因此，本发明通过划分航站楼空间单元，提取旅客安检与航班信息，以航站楼旅客出发流线为引导，可实现航站楼旅客分布特征预测，对提高交通运营效益、强化枢纽运力保障、提升旅客服务质量具有重要应用价值，为航站楼强化运力保障、优化环境运维、提升服务质量提供了重要技术支撑。

本发明的技术方案：

一种基于卡方分布的机场航站楼旅客时空分布预测方法，步骤如下：

S1、机场航站楼环境空间单元划分与编码：基于建筑环境单元化管控思想，划分机场航站楼空间单元并进行编码，具体步骤如下：

S1.1、机场航站楼空间单元划分

参照建筑基本单元信息模型，从空间划分的需要、能力、形状、特征和大小的要求出发，制定机场航站楼空间单元划分原则；①其环境参数具有独立监测和调控的需求；②具有独立调节环境参数的能力；③充分依赖建筑梁、板、柱、墙、轴等结构；④不宜包括功能和管理需求差异大的空间；⑤不能建筑跨越防火分区；其中，原则①与②与航站楼空调系统布置形式密切相关；

S1.2、机场航站楼空间单元编码

根据机场服务功能与管理特点，制定机场航站楼空间单元编码方法，对S1.1划分的空间单元进行数字化表达，以便其在计算机中存储、调用和传输；空间单元编码采用10位16进制体系，可准确表达所属空间的位置、类型和功能。

S2、机场航站楼旅客抵港概率卡方分布模型：基于统计学原理，建立机场航站楼旅客抵港概率卡方分布模型，表征航站楼旅客抵港概率与航班预计起飞时间的关系，并用启发式算法求解模型未知参数，具体步骤如下：

S2.1、航站楼旅客抵港概率卡方分布拟合

提取航班信息与旅客安检信息，旅客最早与最晚抵港时间分别表示为t_EA和t_LA；采样间隔设为ε，统计各航班旅客安检人数，换算相应航班旅客抵港百分比；引入变换因子，采用卡方分布拟合旅客抵港概率；

其中，f(t)表示旅客抵港百分比；Γ(·)表示伽马函数；t表示旅客抵港时间；t_SD、t_EA和t_LA分别表示航班计划起飞时间以及旅客最早和最晚抵港时间；d为自由度；s为变换因子；

S2.2、旅客抵港概率卡方分布模型未知参数辨识

采用启发式算法，求解模型未知参数自由度d和变换因子s；粒子群优化算法将粒子视为潜在解，通过相互协作搜索解集空间，以确定全局极值；

w＝w_min+(w_max-w_min)×rand+randn/2 (4)

其中，

和

分别代表在第τ次迭代中第α个粒子的位置和速度；

和gbes^τ表示第τ次迭代中的个体最优值和全局最优值；a₁和a₂为学习因子；r₁和r₂为0～1之间的随机数；w为惯性权重；w_min和w_max分别表示惯性权重最小值和最大值；rand和randn分别表示服从均匀分布和正态分布的0～1之间的随机数；

S3、机场航站楼旅客时空分布预测模型：利用流体动力学思想，将S1划分的航站楼空间单元视为微元，将S2建立的旅客抵港概率卡方分布模型作为输入，计算各空间单元旅客数量，具体步骤如下：

S3.1、航站楼旅客时空分布预测模型建立

旅客时空分布预测范围设定为24小时，模型采用一天中的相对时间，并假设旅客登机服从均匀分布；

其中，Z_j表示第j个空间单元的编号；G_f,i表示航班t的登机口编号；

表示t时刻第j个空间单元的旅客数量；C_f,i表示航班i的载客量；L_in,j和L_out,j表示第j个空间单元的入口和出口距安检通道的距离；m为预测范围内的航班总数；p为旅客出勤率；v为旅客的平均步速；g(t)为旅客登机概率分布模型；t_SB和t_EB表示开始登机时间和截止登机时间；

如果航班i的登机口G_f,i在空间单元Z_j中，则旅客进入空间单元直至登机离开；如果航班i的登机口G_f,i不在空间单元Z_j中，则旅客仅穿过空间单元；航班的开始登机时间t_SB可能早于旅客最晚抵港时间t_LA。

S3.2、旅客时空分布预测模型评价与校准

旅客时空分布预测模型中包含旅客出勤率p、旅客平均步速v、旅客开始登机时间t_SB和截止登机时间t_EB四项假设参数，因此需对时空分布模型假设参数进行校准；定义旅客时空分布预测模型评价指标，包括均方根误差RMSE、平均绝对误差MAPE和相关指数R²；监测航站楼空间单元实际旅客数量，通过调整模型假设参数，使模型评价指标最小，获得假设参数最优值；

其中，Y^t和

分别表示航站楼空间单元旅客监测数据实时值和平均值；err表示航站楼旅客实际监测值与模型预测值的误差向量；n表示样本数量。

该方法也适用于火车站、高铁站、汽车站等交通枢纽的旅客时空分布预测。

与现有技术相比，本发明的有益效果：提供了一种无需额外辅助设备的航站楼旅客时空分布预测方法，仅依据建筑基本信息与航班动态信息即可预测航站楼内旅客分布情况，解决了航站楼因空间结构连贯、人员流动剧烈而造成的旅客分布预测难的问题，为航站楼强化运行保障能力、提升环境运维效率、改善旅客服务质量提供了重要技术支撑。

附图说明

图1为基于卡方分布的机场航站楼旅客时空分布预测方法框架图。

图2为基于卡方分布的机场航站楼旅客时空分布预测方法流程图。

图3为机场航站楼空间单元编码规则图。

图4为机场航站楼旅客出发流线图。

图5为机场航站楼国内旅客抵港概率卡方分布拟合图。

图6为机场航站楼国际旅客抵港概率卡方分布拟合图。

具体实施方式

以下结合发明内容和说明书附图与公式详细描述本发明的具体实施方式。

参照图1和2，本发明是一种基于卡方分布的机场航站楼旅客时空分布预测方法，以广州市某机场航站楼旅客时空分布预测为例，具体步骤如下：

S1、机场航站楼环境空间单元划分与编码：基于建筑环境单元化管控思想，划分机场航站楼空间单元并进行编码，具体步骤如下：

S1.1、机场航站楼空间单元划分

机场航站楼由于空间结构连贯、建筑功能复杂、系统形式多样，因此其空间环境需求差异大、耦合关系多，加之此类建筑围护结构通透、人员流动剧烈、系统规模庞大，因而其室内环境影响因素多、滞后效应强；为了便于形成标准化的管控技术和统一的管理模式，采用单元化管控思想，将超大空间进行分隔，以实现航站楼空间环境协同管理；参照建筑基本单元信息模型，从空间划分的需要、能力、形状、特征和大小的要求出发，特此制定机场航站楼空间单元划分原则；①其环境参数具有独立监测和调控的需求；②具有独立调节环境参数的能力；③充分依赖建筑梁、板、柱、墙、轴等结构；④不宜包括功能和管理需求差异大的空间；⑤不能建筑跨越防火分区；其中，原则①与②与航站楼空调系统布置形式密切相关；广州市某机场航站楼共划分空间单元3710个；

S1.2、机场航站楼空间单元编码

根据机场服务功能与管理特点，制定机场航站楼空间单元编码方法，对S1.1划分的空间单元进行数字化表达，以便其在计算机中存储、调用和传输；参照图3，空间单元编码采用10位16进制体系，可准确表达所属空间的位置、类型和功能，具体如表1所示；广州市某机场航站楼值机大厅主功能空间单元和行李大厅辅助功能空间单元编号分别为CAN1012000和CAN1190100；

表1机场航站楼空间单元编码规则表

S2、机场航站楼旅客抵港概率卡方分布模型：基于统计学原理，建立机场航站楼旅客抵港概率卡方分布模型，表征航站楼旅客抵港概率与航班预计起飞时间的关系，并用启发式算法求解模型未知参数，具体步骤如下：

S2.1、航站楼旅客抵港概率卡方分布拟合

参照图4，提取航班信息与旅客安检信息，设置旅客最早与最晚抵港时间分别为航班预计起飞时间前的400分钟与20分钟，即t_SD-t_EA＝400min，t_SD-t_LA＝20min；采样间隔ε设为5分钟，统计各航班旅客安检人数，换算相应航班旅客抵港百分比；参照图5和图6，引入变换因子，采用卡方分布拟合旅客抵港概率；

其中，f(t)表示旅客抵港百分比；Γ(·)表示伽马函数；t表示旅客抵港时间；t_SD、t_EA和t_LA分别表示航班计划起飞时间以及旅客最早和最晚抵港时间；d为自由度；s为变换因子；

S2.2、旅客抵港概率卡方分布模型未知参数辨识

采用启发式算法，求解模型未知参数自由度d和变换因子s；粒子群优化算法将粒子视为潜在解，通过相互协作搜索解集空间，以确定全局极值；

w＝w_min+(w_max-w_min)×rand+randn/2 (4)

其中，

和

代表在第τ次迭代中第α个粒子的位置和速度；

和gbes^τ表示第τ次迭代中的个体最优值和全局最优值；a₁和a₂为学习因子，可取2；r₁和r₂为0～1之间的随机数；w为惯性权重；w_min和w_max分别表示惯性权重最小值和最大值，可分别取0.2和0.8；rand和randn分别表示服从均匀分布和正态分布的0～1之间的随机数；

广州市某机场航站楼国内出发和国际出发旅客抵港概率卡方分布模型自由度d与变换因子s辨识结果分别为8与0.1155和8与0.0656，旅客安检峰值时间分别为航班计划起飞前55分钟和95分钟；

S3、机场航站楼旅客时空分布预测模型：利用流体动力学思想，将S1划分的航站楼空间单元视为微元，将S2建立的旅客抵港概率卡方分布模型作为输入，计算各空间单元旅客数量，具体步骤如下：

S3.1、航站楼旅客时空分布预测模型建立

旅客时空分布预测范围设定为24小时，模型采用一天中的相对时间，并假设旅客登机服从均匀分布；

其中，Z_j表示第j个空间单元的编号；G_f,i表示航班i的登机口编号；

表示t时刻第j个空间单元的旅客数量；C_f,i表示航班i的载客量；L_in,j和L_out,j表示第j个空间单元的入口和出口距安检通道的距离；m为预测范围内的航班总数；p为旅客出勤率；v为旅客的平均步速；g(t)为旅客登机概率分布模型；t_SB和t_EB表示开始登机时间和截止登机时间；

如果航班i的登机口G_f,i在空间单元Z_j中，则旅客进入空间单元直至登机离开；如果航班i的登机口G_f,i不在空间单元Z_j中，则旅客仅穿过空间单元；航班的开始登机时间t_SB可能早于旅客最晚抵港时间t_LA。

S3.2、旅客时空分布预测模型评价与校准

旅客时空分布预测模型中包含旅客出勤率p、旅客平均步速v、旅客开始登机时间t_SB和截止登机时间t_EB四项假设参数，因此需对时空分布模型假设参数进行校准；定义旅客时空分布预测模型评价指标，包括均方根误差RMSE、平均绝对误差MAPE和相关指数R²；监测航站楼空间单元实际旅客数量，通过调整模型假设参数，使模型评价指标最小，获得假设参数最优值；

其中，Y_t和

分别表示航站楼空间单元旅客监测数据实时值和平均值；err表示航站楼旅客实际监测值与模型预测值的误差向量；n表示样本数量；

广州市某机场航站楼采用Wi-Fi室内定位技术方案校准旅客时空分布预测模型假设参数，旅客出勤率p为0.84、旅客平均步速v为1.21m/s、旅客开始登机时间t_SB和截止登机时间t_EB分别为航班起飞前42分钟和23分钟；旅客时空分布预测模型均方根误差RMSE为0.01人/平方米、平均绝对误差MAPE为11％、相关指数R²为0.82。

Claims (1)

1.基于卡方分布的机场航站楼旅客时空分布预测方法，其特征在于，步骤如下：

S1、机场航站楼环境空间单元划分与编码：基于建筑环境单元化管控思想，划分机场航站楼空间单元并进行编码，具体步骤如下：

S1.1、机场航站楼空间单元划分

参照建筑基本单元信息模型，从空间划分的需要、能力、形状、特征和大小的要求出发，制定机场航站楼空间单元划分原则；①环境参数具有独立监测和调控的需求；②具有独立调节环境参数的能力；③充分依赖建筑梁、板、柱、墙、轴结构；④不包括功能和管理需求差异大的空间；⑤不能建筑跨越防火分区；

S1.2、机场航站楼空间单元编码

根据机场服务功能与管理特点，制定机场航站楼空间单元编码方法，对S1.1划分的空间单元进行数字化表达；空间单元编码采用10位16进制体系；

S2、机场航站楼旅客抵港概率卡方分布模型：基于统计学原理，建立机场航站楼旅客抵港概率卡方分布模型，表征航站楼旅客抵港概率与航班预计起飞时间的关系，并用启发式算法求解模型未知参数，具体步骤如下：

S2.1、航站楼旅客抵港概率卡方分布拟合

提取航班信息与旅客安检信息，旅客最早与最晚抵港时间分别表示为t_EA和t_LA；采样间隔设为ε，统计各航班旅客安检人数，换算相应航班旅客抵港百分比；引入变换因子，采用卡方分布拟合旅客抵港概率；

其中，f(t)表示旅客抵港百分比；Γ(·)表示伽马函数；t表示旅客抵港时间；t_SD、t_EA和t_LA分别表示航班计划起飞时间以及旅客最早和最晚抵港时间；d为自由度；s为变换因子；

S2.2、旅客抵港概率卡方分布模型未知参数辨识

采用启发式算法，求解模型未知参数自由度d和变换因子s；粒子群优化算法将粒子视为潜在解，通过相互协作搜索解集空间，以确定全局极值；

w＝w_min+(w_max-w_min)×rand+randn/2 (4)

其中，

和

分别代表在第τ次迭代中第α个粒子的位置和速度；

和gbest^τ表示第τ次迭代中的个体最优值和全局最优值；a₁和a₂为学习因子；r₁和r₂为0～1之间的随机数；w为惯性权重；w_min和w_max分别表示惯性权重最小值和最大值；rand和randn分别表示服从均匀分布和正态分布的0～1之间的随机数；

S3、机场航站楼旅客时空分布预测模型：利用流体动力学思想，将S1划分的航站楼空间单元视为微元，将S2建立的旅客抵港概率卡方分布模型作为输入，计算各空间单元旅客数量，具体步骤如下：

S3.1、航站楼旅客时空分布预测模型建立

旅客时空分布预测范围设定为24小时，模型采用一天中的相对时间，并假设旅客登机服从均匀分布；

其中，Z_j表示第j个空间单元的编号；G_f,i表示航班i的登机口编号；

表示t时刻第j个空间单元的旅客数量；C_f,i表示航班i的载客量；l_in,j和L_out,j表示第j个空间单元的入口和出口距安检通道的距离；m为预测范围内的航班总数；p为旅客出勤率；v为旅客的平均步速；g(t)为旅客登机概率分布模型；t_SB和t_EB表示开始登机时间和截止登机时间；

如果航班i的登机口G_f,i在空间单元Z_j中，则旅客进入空间单元直至登机离开；如果航班i的登机口G_f,i不在空间单元Z_j中，则旅客仅穿过空间单元；航班的开始登机时间t_SB可能早于旅客最晚抵港时间t_LA；

S3.2、旅客时空分布预测模型评价与校准

旅客时空分布预测模型中包含旅客出勤率p、旅客平均步速v、旅客开始登机时间t_SB和截止登机时间t_EB四项假设参数，因此需对时空分布模型假设参数进行校准；定义旅客时空分布预测模型评价指标，包括均方根误差RMSE、平均绝对误差MAPE和相关指数R²；监测航站楼空间单元实际旅客数量，通过调整模型假设参数，使模型评价指标最小，获得假设参数最优值；

其中，Y^t和

分别表示航站楼空间单元旅客监测数据实时值和平均值；err表示航站楼旅客实际监测值与模型预测值的误差向量；n表示样本数量。

Images