CN116703011A - 航空旅客流量分布预测方法、装置、电子设备及存储介质 - Google Patents

航空旅客流量分布预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116703011A
CN116703011A CN202310996055.1A CN202310996055A CN116703011A CN 116703011 A CN116703011 A CN 116703011A CN 202310996055 A CN202310996055 A CN 202310996055A CN 116703011 A CN116703011 A CN 116703011A
Authority
CN
China
Prior art keywords
flow distribution
passenger
training
data set
information
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
Application number
CN202310996055.1A
Other languages
English (en)
Other versions
CN116703011B (zh
Inventor
张昆
张慧如
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Civil Aviation Airport Planning And Design Research Institute Ltd
Original Assignee
Civil Aviation Airport Planning And Design Research Institute Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Civil Aviation Airport Planning And Design Research Institute Ltd filed Critical Civil Aviation Airport Planning And Design Research Institute Ltd
Priority to CN202310996055.1A priority Critical patent/CN116703011B/zh
Publication of CN116703011A publication Critical patent/CN116703011A/zh
Application granted granted Critical
Publication of CN116703011B publication Critical patent/CN116703011B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种航空旅客流量分布预测方法，属于数据传输和处理技术领域，包括：获取待测区域，根据所述待测区域的旅客行程位置信息和时间信息的对应关系，生成训练数据集；构建流量分布预测模型，利用所述训练数据集训练所述流量分布预测模型，直到训练结束，得到最终流量分布预测模型；将待测时间信息输入所述最终流量分布预测模型，预测所述待测区域内航空旅客流量分布。本发明还提供一种航空旅客流量分布预测装置、电子设备及存储介质。采用本发明的方法、装置、电子设备及存储介质，能够解决现有技术中无法区分机场陆侧交通流量在不同空间内随时间的分布趋势、预测性能较低的技术问题。

Description

航空旅客流量分布预测方法、装置、电子设备及存储介质
技术领域
本发明涉及数据传输和处理技术领域，具体涉及一种航空旅客流量分布预测方法、装置、电子设备及存储介质。
背景技术
近年来，随着民航业务的快速增长，机场规模逐渐扩大，机场数量也逐步增加，为航空旅客提供更高质量的服务的压力也日益增加。机场所在地区的繁荣、地区内设施规划的复杂多样使得机场相关的规划管理变得更加困难。为了提高管理效率，预测某个服务范围内的航空旅客流量并提前采取行动提高服务质量是一种有效的手段。现有关于机场侧的预测主要是针对交通流量，将交通预测问题建模为时空图模型，用以描述交通流量内部的空间和时间相关性。
现有技术中，SCINet利用降采样-卷积-交互的架构扩展其感受野，并采用多分辨率进行数据分析，提高预测能力的同时捕捉到时间相关性。传统基于曲线拟合的时间序列预测的交通流量趋势分析可实现半自动地预测具有季节性特征的时间序列，但是受其能力限制无法捕捉数据集的隐含模式，并且无法区分机场陆侧交通流量在不同空间内随时间的分布趋势，因此预测性能较低且无法突破。
发明内容
本发明的目的是提供一种航空旅客流量分布预测方法、装置、电子设备及存储介质，解决现有技术中无法区分机场陆侧交通流量在不同空间内随时间的分布趋势、预测性能较低的技术问题。
为实现上述目的，本发明提供一种航空旅客流量分布预测方法，包括：获取待测区域，根据所述待测区域的旅客行程位置信息和时间信息的对应关系，生成训练数据集；构建流量分布预测模型，利用所述训练数据集训练所述流量分布预测模型，直到训练结束，得到最终流量分布预测模型；将待测时间信息输入所述最终流量分布预测模型，预测所述待测区域内航空旅客流量分布。
本发明还提供一种航空旅客流量分布预测装置，包括：数据获取模块，用于获取待测区域，根据所述待测区域的旅客行程位置信息和时间信息的对应关系，生成训练数据集；模型构建模块，用于构建流量分布预测模型，利用所述训练数据集训练所述流量分布预测模型，直到训练结束，得到最终流量分布预测模型；流量分布预测模块，用于将待测时间信息输入所述最终流量分布预测模型，预测所述待测区域内航空旅客流量分布。
本发明还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述航空旅客流量分布预测方法中的步骤。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述航空旅客流量分布预测方法中的步骤。
相比于现有技术，本发明的有益效果在于：
采用本发明的航空旅客流量分布预测方法，通过合理利用交通大数据，对历史航空旅客流量分布数据的学习，捕捉到数据中的时间相关性和趋势，从而实现对未来航空旅客流量在机场外不同服务范围分布的预测，帮助管理者获得机场陆侧旅客流量分布进行早期预警，进而采取相关举措对航空旅客的服务质量进行改善，提高管理效率，对于构建机场数字化信息管理系统具有重要意义，为未来机场陆侧交通规划建设提供重要参考。
优选的，所述根据所述待测区域的旅客行程位置信息和时间信息的对应关系，生成训练数据集，包括：基于不同时间下的机场等时圈特征，确定不同时间下所述待测区域内的多个服务范围；基于所述待测区域内的多个服务范围，对所述旅客行程位置信息进行划分，得到旅客行程分布信息；根据所述旅客行程分布信息和所述时间信息的对应关系，生成所述训练数据集。
优选的，所述根据所述旅客行程分布信息和所述时间信息的对应关系，生成所述训练数据集，包括：根据所述旅客行程分布信息获取旅客分布密度数据；根据所述旅客分布密度数据和所述时间信息的对应关系，生成所述训练数据集。
优选的，所述利用所述训练数据集训练所述流量分布预测模型，直到训练结束，得到最终流量分布预测模型，包括：利用所述训练数据集训练所述流量分布预测模型，计算平均绝对误差和决定系数；当平均绝对误差和决定系数达到预设阈值时，结束训练，得到所述最终流量分布预测模型。
优选的，所述数据获取模块包括：服务范围确定单元，用于基于不同时间下的机场等时圈特征，确定不同时间下所述待测区域内的多个服务范围；旅客行程分布信息获取单元，用于基于所述待测区域内的多个服务范围，对所述旅客行程位置信息进行划分，得到旅客行程分布信息；训练数据集生成单元，用于根据所述旅客行程分布信息和所述时间信息的对应关系，生成所述训练数据集。
优选的，所述训练数据集生成单元包括：旅客分布密度数据子单元，用于根据所述旅客行程分布信息获取旅客分布密度数据；训练数据集生成子单元，用于根据所述旅客分布密度数据和所述时间信息的对应关系，生成所述训练数据集。
优选的，所述模型构建模块包括：模型训练模块，用于利用所述训练数据集训练所述流量分布预测模型，计算平均绝对误差和决定系数；模型输出模块，用于当平均绝对误差和决定系数达到预设阈值时，结束训练，得到所述最终流量分布预测模型。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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的附图。
图1为本发明实施例中航空旅客流量分布预测方法的流程示意图；
图2为本发明实施例中航空旅客流量分布预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
为解决现有技术中无法区分机场陆侧交通流量在不同空间内随时间的分布趋势、预测性能较低的技术问题，本发明提出一种航空旅客流量分布预测方法、装置、电子设备及存储介质。
图1为本发明实施例中航空旅客流量分布预测方法的流程示意图。如图1所示，本实施例公开一种航空旅客流量分布预测方法，包括：
步骤S101，获取待测区域，根据所述待测区域的旅客行程位置信息和时间信息的对应关系，生成训练数据集。
获取待测区域包括，获取机场周围待测区域的地理位置信息、以及不同交通运输方式在机场的接入点的数据等信息，以便于识别旅客行程中所在位置与机场待测区域的位置关系，和便于判断旅客行程数据中哪些数据实际与来往机场相关，从而便于去除原始数据中与往来机场无关的旅客数据。
其中，旅客行程位置信息和相应的时间信息的来源包括但不限于公开数据集。可在公开数据集中筛选出在机场出发和到达机场对应的旅客行程终点和起点的位置信息，例如获取出租车行程数据中的起点和终点信息，可通过迭代所有来源数据样本并检查其上车和下车位置ID或经纬度来筛选出在相应机场上车和下车的行程记录。此外，行程记录可以包含机场标识、旅客数量、旅客上车或下车位置至机场的距离，即行程距离，以及相应的时间信息，例如上车和下车的时间信息。表1为旅客行程位置信息和相应的时间信息集部分字段名称示例。
表1
字段名称 描述 示例
pickup_datetime 行程开始的日期和时间 23/5/1 9:10:05
dropoff_datetime 行程结束的日期和时间 2023/5/1 10:07:56
passenger_count 乘客数量 2
trip_distance 行程距离 23
locationID 上车/下车区域机场代码 15
其中，可以检测并删除行程记录中的错误数据，例如时间戳记录错误或行程距离为零等。
在一些优选的实施例中，对所述旅客行程位置信息和时间信息进行预处理，即首先将其划分为固定长度的序列，而后进行归一化、平滑化处理，以及缺失值修复、异常值处理以及特征值提取等。
具体地，所述根据所述待测区域的旅客行程位置信息和时间信息的对应关系，生成训练数据集，包括：
步骤S201，基于不同时间下的机场等时圈特征，确定不同时间下所述待测区域内的多个服务范围。
等时圈模型是指在特定时间限制下基于路网结构所能覆盖到的最远距离，可以反映出不同的时间条件下目标地所辐射的范围的变化情况。同时，辐射的范围也代表了实际接受服务的人口在空间上的分布，对于机场而言，指在合适的时间内到达该机场的地区范围内的人口数量。利用等时圈模型来测算机场与其它各地区的可达性，获取服务范围内航空旅客流量。
需要说明的是，不同交通工具的等时圈一般不相同，相应划分出的服务范围也不相同。以出租车行程数据为例，以机场为中心，分别选取10分钟、20分钟、30分钟这三条等时圈，将待测区域划分为4个服务范围。
步骤S202，基于所述待测区域内的多个服务范围，对所述旅客行程位置信息进行划分，得到旅客行程分布信息。
例如，在筛选出来的以机场为行程上车或下车地的数据中，根据旅客行程位置信息，判断每组数据属于哪个服务范围，从而将相应的服务范围信息关联至所有旅客行程位置信息之中，得到旅客行程分布信息。
步骤S203，根据所述旅客行程分布信息和所述时间信息的对应关系，生成所述训练数据集。
在一些可行的实施方式中，可获取特定时段内各服务范围的旅客行程分布信息和相应的时间信息用于生成所述训练数据集，从而避免由于原始数据中存在某些时间缺少数据等导致错误，保证数据的稳定性。表2为训练数据集的部分字段名称示例，其中特定时段自起始时间起算，长度可以设定为15分钟、1小时、1天或1个月等。
表2
字段名称 描述 示例
timestamp 起始时间 2023/1/1 9:00:00
ic_count 特定时段内以机场为中心不同服务范围内交通流量 13
在一些可行的实施方式中，所述根据所述旅客行程分布信息和所述时间信息的对应关系，生成所述训练数据集，包括：
步骤S301，根据所述旅客行程分布信息获取旅客分布密度数据。
步骤S302，根据所述旅客分布密度数据和所述时间信息的对应关系，生成所述训练数据集。
步骤S102，构建流量分布预测模型，利用所述训练数据集训练所述流量分布预测模型，直到结束训练，得到最终流量分布预测模型。
具体地，所述利用所述训练数据集训练所述流量分布预测模型，直到结束训练，得到最终流量分布预测模型，包括：
步骤S401，利用所述训练数据集训练所述流量分布预测模型，计算平均绝对误差和决定系数。
长短期记忆网络（LSTM）是一种用于处理序列数据的深度学习模型。相比于传统的循环神经网络（RNN），LSTM能够更好地捕捉长期依赖关系，并且有效地避免了梯度消失的问题。LSTM模型通过对时间序列数据的学习和训练，可以预测未来时间步的数值。它在处理具有长期依赖关系的序列数据方面表现出色，适用于各种时间序列预测任务，包括天气预测、股票预测等。
预测模型可采用的LSTM网络结构，包括一个输入层、两个LSTM层、一个dropout正则化层以及一个具有sigmoid激活函数的全连接层。输入向量的大小为（None, A, B），其中，None表示输入数据的时间步大小，A表示输出的时间步长度，即预测的时间序列长度，B表示输入的属性数量。在训练过程中，它会根据输入的数据维度变化而变化。训练轮数设置为n，每轮的损失由平均绝对误差（MAPE）定义，同时使用RMSprop优化器。
平均绝对误差（MAPE）和均方误差（MAE）是时间序列预测任务中一个经常使用的评价指标，衡量预测值和真实数据之间的误差。与MAE不同的是，MAPE是比率而不是绝对值，能够更直接地反映准确性。
；
其中，和/>分别为真实数据和预测值，n为训练轮数。
决定系数（）反映预测值与真实数据的变化比例。
；
其中，为残差的平方和，/>为预测的误差，/>为总方差，/>为/>的平均值。
步骤S402，当平均绝对误差和决定系数达到预设阈值时，结束训练，得到所述最终流量分布预测模型。
可根据实际需要设置平均绝对误差和决定系数的预设阈值大小。其中，在和/>的情况下，预测值完全符合真实数据。当/>为负值时，表明平均值比预测值更准确。
步骤S103，将待测时间信息输入所述最终流量分布预测模型，预测所述待测区域内航空旅客流量分布。
采用本发明的航空旅客流量分布预测方法，通过合理利用交通大数据，对历史航空旅客流量分布数据的学习，捕捉到数据中的时间相关性和趋势，从而实现对未来航空旅客流量在机场外不同服务范围分布的预测，帮助管理者获得机场陆侧旅客流量分布进行早期预警，进而采取相关举措对航空旅客的服务质量进行改善，提高管理效率，对于构建机场数字化信息管理系统具有重要意义，为未来机场陆侧交通规划建设提供重要参考。
图2为本发明实施例中航空旅客流量分布预测装置的结构示意图。如图2所示，本发明还提供一种航空旅客流量分布预测装置，包括：数据获取模块51，用于获取待测区域，根据所述待测区域的旅客行程位置信息和时间信息的对应关系，生成训练数据集；模型构建模块52，用于构建流量分布预测模型，利用所述训练数据集训练所述流量分布预测模型，直到训练结束，得到最终流量分布预测模型；流量分布预测模块53，用于将待测时间信息输入所述最终流量分布预测模型，预测所述待测区域内航空旅客流量分布。
具体地，所述数据获取模块51包括：服务范围确定单元，用于基于不同时间下的机场等时圈特征，确定不同时间下所述待测区域内的多个服务范围；旅客行程分布信息获取单元，用于基于所述待测区域内的多个服务范围，对所述旅客行程位置信息进行划分，得到旅客行程分布信息；训练数据集生成单元，用于根据所述旅客行程分布信息和所述时间信息的对应关系，生成所述训练数据集。
具体地，所述训练数据集生成单元包括：旅客分布密度数据子单元，用于根据所述旅客行程分布信息获取旅客分布密度数据；训练数据集生成子单元，用于根据所述旅客分布密度数据和所述时间信息的对应关系，生成所述训练数据集。
具体地，所述模型构建模块52包括：模型训练单元，用于利用所述训练数据集训练所述流量分布预测模型，计算平均绝对误差和决定系数；模型输出单元，用于当平均绝对误差和决定系数达到预设阈值时，结束训练，得到所述最终流量分布预测模型。
本发明还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述航空旅客流量分布预测方法中的步骤。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述航空旅客流量分布预测方法中的步骤。
需要说明的是，本发明实施例公开的航空旅客流量分布预测装置、电子设备及计算机可读存储介质中相关部分的说明请参见本发明实施例提供的航空旅客流量分布预测方法中对应部分的详细说明，在此不再赘述。另外，本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
还需要说明的是，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。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上面对本发明的各种实施方式的描述以描述的目的提供给本领域技术人员。其不旨在是穷举的、或者不旨在将本发明限制于单个公开的实施方式。如上所述，本发明的各种替代和变化对于上述技术所属领域技术人员而言将是显而易见的。因此，虽然已经具体讨论了一些另选的实施方式，但是其它实施方式将是显而易见的，或者本领域技术人员相对容易得出。本发明旨在包括在此已经讨论过的本发明的所有替代、修改和变化，以及落在上述申请的精神和范围内的其它实施方式。
虽然通过实施方式描绘了本发明，本领域普通技术人员知道，本发明有许多变形和变化而不脱离本发明的精神，希望所附的权利要求包括这些变形和变化而不脱离本发明的精神。

Claims (10)

1.航空旅客流量分布预测方法，包括：
获取待测区域，根据所述待测区域的旅客行程位置信息和时间信息的对应关系，生成训练数据集；
构建流量分布预测模型，利用所述训练数据集训练所述流量分布预测模型，直到训练结束，得到最终流量分布预测模型；
将待测时间信息输入所述最终流量分布预测模型，预测所述待测区域内航空旅客流量分布。
2.根据权利要求1所述的预测方法，其特征在于，所述根据所述待测区域的旅客行程位置信息和时间信息的对应关系，生成训练数据集，包括：
基于不同时间下的机场等时圈特征，确定不同时间下所述待测区域内的多个服务范围；
基于所述待测区域内的多个服务范围，对所述旅客行程位置信息进行划分，得到旅客行程分布信息；
根据所述旅客行程分布信息和所述时间信息的对应关系，生成所述训练数据集。
3.根据权利要求2所述的预测方法，其特征在于，所述根据所述旅客行程分布信息和所述时间信息的对应关系，生成所述训练数据集，包括：
根据所述旅客行程分布信息获取旅客分布密度数据；
根据所述旅客分布密度数据和所述时间信息的对应关系，生成所述训练数据集。
4.根据权利要求1所述的预测方法，其特征在于，所述利用所述训练数据集训练所述流量分布预测模型，直到训练结束，得到最终流量分布预测模型，包括：
利用所述训练数据集训练所述流量分布预测模型，计算平均绝对误差和决定系数；
当平均绝对误差和决定系数达到预设阈值时，结束训练，得到所述最终流量分布预测模型。
5.航空旅客流量分布预测装置，包括：
数据获取模块，用于获取待测区域，根据所述待测区域的旅客行程位置信息和时间信息的对应关系，生成训练数据集；
模型构建模块，用于构建流量分布预测模型，利用所述训练数据集训练所述流量分布预测模型，直到训练结束，得到最终流量分布预测模型；
流量分布预测模块，用于将待测时间信息输入所述最终流量分布预测模型，预测所述待测区域内航空旅客流量分布。
6.根据权利要求5所述的预测装置，其特征在于，所述数据获取模块包括：
服务范围确定单元，用于基于不同时间下的机场等时圈特征，确定不同时间下所述待测区域内的多个服务范围；
旅客行程分布信息获取单元，用于基于所述待测区域内的多个服务范围，对所述旅客行程位置信息进行划分，得到旅客行程分布信息；
训练数据集生成单元，用于根据所述旅客行程分布信息和所述时间信息的对应关系，生成所述训练数据集。
7.根据权利要求6所述的预测装置，其特征在于，所述训练数据集生成单元包括：
旅客分布密度数据子单元，用于根据所述旅客行程分布信息获取旅客分布密度数据；
训练数据集生成子单元，用于根据所述旅客分布密度数据和所述时间信息的对应关系，生成所述训练数据集。
8.根据权利要求5所述的预测装置，其特征在于，所述模型构建模块包括：
模型训练模块，用于利用所述训练数据集训练所述流量分布预测模型，计算平均绝对误差和决定系数；
模型输出模块，用于当平均绝对误差和决定系数达到预设阈值时，结束训练，得到所述最终流量分布预测模型。
9.电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的航空旅客流量分布预测方法中的步骤。
10.计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的航空旅客流量分布预测方法中的步骤。
CN202310996055.1A 2023-08-09 2023-08-09 航空旅客流量分布预测方法、装置、电子设备及存储介质 Active CN116703011B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310996055.1A CN116703011B (zh) 2023-08-09 2023-08-09 航空旅客流量分布预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310996055.1A CN116703011B (zh) 2023-08-09 2023-08-09 航空旅客流量分布预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN116703011A true CN116703011A (zh) 2023-09-05
CN116703011B CN116703011B (zh) 2023-10-20

Family

ID=87829829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310996055.1A Active CN116703011B (zh) 2023-08-09 2023-08-09 航空旅客流量分布预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116703011B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190342716A1 (en) * 2018-05-03 2019-11-07 Curbside Inc. Content providing based on location determination using sensor data
CN110852476A (zh) * 2019-09-29 2020-02-28 华东理工大学 客流预测方法、装置、计算机设备和存储介质
CN111583648A (zh) * 2020-05-14 2020-08-25 公安部交通管理科学研究所 融合gps数据和卡口流量数据的城市交通流量预测方法
CN114037140A (zh) * 2021-11-04 2022-02-11 数字广东网络建设有限公司 预测模型训练、数据预测方法、装置、设备及存储介质
CN114118508A (zh) * 2021-08-02 2022-03-01 南京航空航天大学 一种基于时空卷积网络的od市场航空客流量预测方法
CN114154393A (zh) * 2021-10-15 2022-03-08 广州市交通规划研究院 一种基于腹地理论的目标地机场群旅客吞吐量预测方法
CN114723480A (zh) * 2022-03-28 2022-07-08 西南石油大学 一种针对乡村旅游的客流量预测方法及货物调度系统
CN115130263A (zh) * 2022-07-13 2022-09-30 广州市交通规划研究院有限公司 一种面向国土空间规划的多交通设施等时圈计算方法
CN115146840A (zh) * 2022-06-23 2022-10-04 东南大学 一种基于数据驱动的轨道交通新线接入客流预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190342716A1 (en) * 2018-05-03 2019-11-07 Curbside Inc. Content providing based on location determination using sensor data
CN110852476A (zh) * 2019-09-29 2020-02-28 华东理工大学 客流预测方法、装置、计算机设备和存储介质
CN111583648A (zh) * 2020-05-14 2020-08-25 公安部交通管理科学研究所 融合gps数据和卡口流量数据的城市交通流量预测方法
CN114118508A (zh) * 2021-08-02 2022-03-01 南京航空航天大学 一种基于时空卷积网络的od市场航空客流量预测方法
CN114154393A (zh) * 2021-10-15 2022-03-08 广州市交通规划研究院 一种基于腹地理论的目标地机场群旅客吞吐量预测方法
CN114037140A (zh) * 2021-11-04 2022-02-11 数字广东网络建设有限公司 预测模型训练、数据预测方法、装置、设备及存储介质
CN114723480A (zh) * 2022-03-28 2022-07-08 西南石油大学 一种针对乡村旅游的客流量预测方法及货物调度系统
CN115146840A (zh) * 2022-06-23 2022-10-04 东南大学 一种基于数据驱动的轨道交通新线接入客流预测方法
CN115130263A (zh) * 2022-07-13 2022-09-30 广州市交通规划研究院有限公司 一种面向国土空间规划的多交通设施等时圈计算方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ADAMTOROK: "Assessment of Regional Transport with Map Deformation: A Case Study for Budapest", PROCEDIA ENGINEERING, pages 4 - 8 *
张国华;郝媛;周乐;: "大型空港枢纽区域集疏运网络优化方法", 城市交通, no. 04, pages 33 - 40 *

Also Published As

Publication number Publication date
CN116703011B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN110998568B (zh) 寻觅乘客的可搭载车辆的导航确定系统和方法
CN106205114B (zh) 一种基于数据融合的高速公路路况信息实时获取方法
CN107516417A (zh) 一种挖掘时空关联关系的实时高速公路流量估计方法
He et al. An adapted geographically weighted LASSO (Ada-GWL) model for predicting subway ridership
CN105974495B (zh) 利用分类拟合法预判目标区域未来平均云量的方法
Arjona et al. Improving parking availability information using deep learning techniques
CN114120635B (zh) 基于张量分解的城市路网线状缺失流量估计方法及系统
CN111126713A (zh) 基于卡口数据的时空热点预测方法、装置及控制器
CN112347652B (zh) 基于水文气象地区线性矩频率分析的暴雨高风险区划方法
CN112258029B (zh) 地铁站周边共享单车的需求预测方法
CN104599002A (zh) 预测订单价值的方法及设备
CN116680658A (zh) 一种基于风险评价的热浪监测站选址方法及系统
Arabghalizi et al. Data-driven bus crowding prediction models using context-specific features
CN115034429A (zh) 基于深度图神经网络的城市出租车接客点推荐方法
Fontes et al. A deep learning approach for predicting bus passenger demand based on weather conditions
CN112926809B (zh) 一种基于聚类和改进的xgboost的航班流量预测方法及系统
CN109146113B (zh) 乘车需求量预测方法及系统
CN114501336A (zh) 一种公路出行量测算方法、装置、电子设备及存储介质
CN116703011B (zh) 航空旅客流量分布预测方法、装置、电子设备及存储介质
Sun et al. Big data mobile services for New York City taxi riders and drivers
CN117436653A (zh) 一种网约车出行需求的预测模型构建方法和预测方法
Arabghalizi et al. How full will my next bus be? A framework to predict bus crowding levels
CN110309953B (zh) 采用目标流动性分布预测的城市安防监控布局系统及方法
CN113837566B (zh) 一种pm2.5人群暴露风险评估方法及装置
Mu et al. An Unscented Kalman Filter‐Based Method for Reconstructing Vehicle Trajectories at Signalized Intersections

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