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
一种基于卡方分布的机场航站楼旅客时空分布预测方法 Download PDFInfo
- Publication number
- CN115983487A CN115983487A CN202310032539.4A CN202310032539A CN115983487A CN 115983487 A CN115983487 A CN 115983487A CN 202310032539 A CN202310032539 A CN 202310032539A CN 115983487 A CN115983487 A CN 115983487A
- Authority
- CN
- China
- Prior art keywords
- passenger
- space
- time
- distribution
- model
- 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000012530 fluid Substances 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 230000010006 flight Effects 0.000 claims description 6
- 238000009827 uniform distribution Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 abstract description 5
- 230000001427 coherent effect Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 10
- 238000005265 energy consumption Methods 0.000 description 6
- 238000004378 air conditioning Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- YZCKVEUIGOORGS-IGMARMGPSA-N Protium Chemical compound [1H] YZCKVEUIGOORGS-IGMARMGPSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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tEA和tLA;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;tSD、tEA和tLA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=wmin+(wmax-wmin)×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gbesτ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;wmin和wmax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,Zj表示第j个空间单元的编号;Gf,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;Cf,i表示航班i的载客量;Lin,j和Lout,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;tSB和tEB表示开始登机时间和截止登机时间;
如果航班i的登机口Gf,i在空间单元Zj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Gf,i不在空间单元Zj中,则旅客仅穿过空间单元;航班的开始登机时间tSB可能早于旅客最晚抵港时间tLA。
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tSB和截止登机时间tEB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;
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tSD-tEA=400min,tSD-tLA=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;tSD、tEA和tLA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=wmin+(wmax-wmin)×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gbesτ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;wmin和wmax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,Zj表示第j个空间单元的编号;Gf,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;Cf,i表示航班i的载客量;Lin,j和Lout,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;tSB和tEB表示开始登机时间和截止登机时间;
如果航班i的登机口Gf,i在空间单元Zj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Gf,i不在空间单元Zj中,则旅客仅穿过空间单元;航班的开始登机时间tSB可能早于旅客最晚抵港时间tLA。
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tSB和截止登机时间tEB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;
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tSB和截止登机时间tEB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tEA和tLA;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;tSD、tEA和tLA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=wmin+(wmax-wmin)×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gbestτ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;wmin和wmax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,Zj表示第j个空间单元的编号;Gf,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;Cf,i表示航班i的载客量;lin,j和Lout,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;tSB和tEB表示开始登机时间和截止登机时间;
如果航班i的登机口Gf,i在空间单元Zj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Gf,i不在空间单元Zj中,则旅客仅穿过空间单元;航班的开始登机时间tSB可能早于旅客最晚抵港时间tLA;
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tSB和截止登机时间tEB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;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310032539.4A CN115983487B (zh) | 2023-01-10 | 2023-01-10 | 一种基于卡方分布的机场航站楼旅客时空分布预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310032539.4A CN115983487B (zh) | 2023-01-10 | 2023-01-10 | 一种基于卡方分布的机场航站楼旅客时空分布预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115983487A true CN115983487A (zh) | 2023-04-18 |
CN115983487B CN115983487B (zh) | 2023-07-25 |
Family
ID=85975936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310032539.4A Active CN115983487B (zh) | 2023-01-10 | 2023-01-10 | 一种基于卡方分布的机场航站楼旅客时空分布预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983487B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630900A (zh) * | 2023-07-21 | 2023-08-22 | 中铁第四勘察设计院集团有限公司 | 基于机器学习的客运站旅客流线识别方法、系统及设备 |
CN117952287A (zh) * | 2024-03-27 | 2024-04-30 | 飞友科技有限公司 | 一种航站楼候机区域内旅客数量的预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573873A (zh) * | 2015-01-23 | 2015-04-29 | 哈尔滨工业大学 | 一种基于模糊决策树的航站楼离港旅客流量预测方法 |
CN109214612A (zh) * | 2018-11-20 | 2019-01-15 | 广东机场白云信息科技有限公司 | 一种基于xgboost机场客流量时空分布预测方法 |
CN111932925A (zh) * | 2020-07-09 | 2020-11-13 | 中咨数据有限公司 | 一种公共交通站点的出行客流的确定方法、装置及系统 |
CN112257614A (zh) * | 2020-10-26 | 2021-01-22 | 中国民航大学 | 一种基于图卷积网络的航站楼客流量时空分布预测方法 |
CN114611781A (zh) * | 2022-03-07 | 2022-06-10 | 中国民航大学 | 一种面向航班计划的离港旅客聚集信息预测方法及系统 |
-
2023
- 2023-01-10 CN CN202310032539.4A patent/CN115983487B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573873A (zh) * | 2015-01-23 | 2015-04-29 | 哈尔滨工业大学 | 一种基于模糊决策树的航站楼离港旅客流量预测方法 |
CN109214612A (zh) * | 2018-11-20 | 2019-01-15 | 广东机场白云信息科技有限公司 | 一种基于xgboost机场客流量时空分布预测方法 |
CN111932925A (zh) * | 2020-07-09 | 2020-11-13 | 中咨数据有限公司 | 一种公共交通站点的出行客流的确定方法、装置及系统 |
CN112257614A (zh) * | 2020-10-26 | 2021-01-22 | 中国民航大学 | 一种基于图卷积网络的航站楼客流量时空分布预测方法 |
CN114611781A (zh) * | 2022-03-07 | 2022-06-10 | 中国民航大学 | 一种面向航班计划的离港旅客聚集信息预测方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630900A (zh) * | 2023-07-21 | 2023-08-22 | 中铁第四勘察设计院集团有限公司 | 基于机器学习的客运站旅客流线识别方法、系统及设备 |
CN116630900B (zh) * | 2023-07-21 | 2023-11-07 | 中铁第四勘察设计院集团有限公司 | 基于机器学习的客运站旅客流线识别方法、系统及设备 |
CN117952287A (zh) * | 2024-03-27 | 2024-04-30 | 飞友科技有限公司 | 一种航站楼候机区域内旅客数量的预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115983487B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115983487A (zh) | 一种基于卡方分布的机场航站楼旅客时空分布预测方法 | |
CN109711619B (zh) | 考虑空地运行限制的多机场战略航班时刻协同优化方法 | |
CN105404850A (zh) | 车站客流监测系统、车站客流监测方法及车站客流管控系统、车站客流管控方法 | |
CN113177377A (zh) | 一种基于数字孪生的智慧城市轨道交通线网管理系统 | |
CN111160815B (zh) | 一种铁路货物运输机车运用计划自动编制方法及系统 | |
CN115456343B (zh) | 一种智慧机场评价指标体系构建与评价方法 | |
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 | |
CN111951145B (zh) | 基于ga-dqn的停机位分配方法 | |
CN115854501A (zh) | 一种基于客流预测的机场航站楼室温大滞后预测控制方法 | |
CN105800400A (zh) | 一种优化电梯调度管理的方法 | |
CN110210648A (zh) | 基于灰色长短期记忆网络的管制空域战略流量预测方法 | |
CN113222238B (zh) | 一种枢纽机场值机资源配置优化方法及系统 | |
Wang et al. | Sudden passenger flow characteristics and congestion control based on intelligent urban rail transit network | |
Li et al. | A framework of smart railway passenger station based on digital twin | |
CN113191541A (zh) | 一种基于利用低空空域开展高效货物运输活动的方法 | |
CN116204954A (zh) | 基于旅客时空分布预测的航站楼新风节能优化控制方法 | |
Xiong et al. | Parallel bus rapid transit (BRT) operation management system based on ACP approach | |
Zhong et al. | Research on the evaluation index system of the taxi operation and service in airport hubs | |
Deng et al. | Research on bus passenger traffic forecasting model based on gps and ic card data | |
Guo et al. | Research on short-term traffic demand of taxi in large cities based on BP neural network algorithm | |
CN114254250A (zh) | 一种考虑时空非平稳性的网约车出行需求预测方法 | |
Ma et al. | A scheme of sustainable trajectory optimization for aircraft cruise based on comprehensive social benefit | |
CN113380073A (zh) | 一种基于事件触发机制的流量管理系统异步滤波估计方法 | |
Zhang et al. | Optimization Model of Urban Rail Transportation Planning Based on Evolutionary Algorithm of State Space Model | |
Shi et al. | [Retracted]“Intelligent” Technical Guidelines for Chongqing East Railway Station Building and Supporting Hub Area |
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 |