CN117252402B - 机场值机柜台航司分配规划方法、装置、设备及存储介质 - Google Patents

机场值机柜台航司分配规划方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117252402B
CN117252402B CN202311535997.6A CN202311535997A CN117252402B CN 117252402 B CN117252402 B CN 117252402B CN 202311535997 A CN202311535997 A CN 202311535997A CN 117252402 B CN117252402 B CN 117252402B
Authority
CN
China
Prior art keywords
historical
data
flight
shipping
distribution
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.)
Active
Application number
CN202311535997.6A
Other languages
English (en)
Other versions
CN117252402A (zh
Inventor
李静毅
程思远
张宴
梅刚
孙茂森
赵永红
徐旭
蒲家朋
夏亮
杨忠鹏
袁显鑫
王委
杨皓
封静
潘建兵
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 Electronic Technology Co ltd
Original Assignee
Civil Aviation Electronic Technology Co 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 Electronic Technology Co ltd filed Critical Civil Aviation Electronic Technology Co ltd
Priority to CN202311535997.6A priority Critical patent/CN117252402B/zh
Publication of CN117252402A publication Critical patent/CN117252402A/zh
Application granted granted Critical
Publication of CN117252402B publication Critical patent/CN117252402B/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
    • G06Q10/06—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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06N3/09—Supervised learning
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本申请公开了一种机场值机柜台航司分配规划方法、装置、设备及存储介质，该方法包括：将目标日期和与目标日期对应的目标航班出港信息输入至预先训练的预测模型中，得到目标日期对应的每一航司的全天行李托运数量；将目标日期、目标航班出港信息以及每一航司的全天行李托运数量输入至预先训练的时间序列模型中，得到目标日期对应的每一航司的行李托运时段分布数据集合；其中，每一航司的行李托运时段分布数据集合中包括各个时间段以及各个时间段分别对应的行李托运数量；对值机柜台资源信息、预设的队列阈值以及每一航司的行李托运时段分布数据集合进行分析，确定目标日期对应的值机柜台分配方案。本申请能够提升对值机柜台开放数量预测准确性。

Description

机场值机柜台航司分配规划方法、装置、设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种机场值机柜台航司分配规划方法、装置、设备及存储介质。
背景技术
机场值机托运时间的长短是衡量旅客服务质量的一项重要指标，在机场运行的高峰时段，会存在机场值机托运时间较长旅客拥挤的情况，特别是大型机场、旅游城市的机场，在节假日、周末某些时段旅客值机存在明显高峰排队的情况，而值机柜台资源规划不合理会影响旅客值机体验与柜台资源利用率。
近年来，在大数据技术应用的普及下，出现了以机器学习算法为基础的值机柜台开放数量预测模型，基于该值机柜台开放数量预测模型能够更为精准、合理的预测值机柜台开放数量，为旅客提供更优质的服务，同时也能够节省航司成本。
然而，在实践中发现，现有的值机柜台开放数量预测模型对值机柜台开放数量的预测不够准确，从而使得旅客的值机体验较差。
上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
发明内容
本申请的主要目的在于提供一种机场值机柜台航司分配规划方法、装置、设备及存储介质，旨在解决现有的值机柜台开放数量预测模型对值机柜台开放数量的预测不够准确，导致旅客的值机体验较差的技术问题。
为实现上述目的，本申请提供一种机场值机柜台航司分配规划方法，其特征在于，所述方法包括以下步骤：
将目标日期和与所述目标日期对应的目标航班出港信息输入至预先训练的预测模型中，得到所述目标日期对应的每一航司的全天行李托运数量；其中，所述每一航司均为所述目标航班出港信息中包含的航司；所述预测模型通过历史航班出港信息和历史行李托运明细数据训练得到；所述历史航班出港信息中至少包含历史行李托运时段分布数据；
将所述目标日期、所述目标航班出港信息以及所述每一航司的全天行李托运数量输入至预先训练的时间序列模型中，得到所述目标日期对应的所述每一航司的行李托运时段分布数据集合；其中，所述时间序列模型通过所述历史行李托运时段分布数据训练得到；所述每一航司的行李托运时段分布数据集合中包括各个时间段以及所述各个时间段分别对应的行李托运数量；
对值机柜台资源信息、预设的队列阈值以及所述每一航司的行李托运时段分布数据集合进行分析，确定所述目标日期对应的值机柜台分配方案；其中，所述值机柜台分配方案中包括所述每一航司分别在各个时间段内被分配的目标值机柜台。
可选地，所述预测模型的训练方法包括以下步骤：
从历史航班出港信息中确定历史航班结构化数据；其中，所述历史航班结构化数据中至少包括历史航班日期、历史航班航司以及历史航班目的地；
从历史行李托运明细数据中确定历史托运结构化数据；其中，所述历史托运结构化数据中至少包括历史托运日期、历史托运航司以及历史行李托运数量；
将所述历史航班结构化数据和所述历史托运结构化数据进行拼接，得到历史综合结构化数据；其中，所述历史综合结构化数据中至少包括历史日期、历史航司、历史航班目的地以及历史行李托运数量；
基于所述历史综合结构化数据对预先构建的预测模型进行训练，得到训练后的预测模型。
可选地，所述将所述历史航班结构化数据和所述历史托运结构化数据进行拼接，得到历史综合结构化数据的步骤包括：
对所述历史航班结构化数据和所述历史托运结构化数据进行预处理，得到历史航班预处理数据和历史托运预处理数据；
将所述历史航班预处理数据和所述历史托运预处理数据进行拼接，得到历史综合结构化数据。
可选地，所述对所述历史航班结构化数据和所述历史托运结构化数据进行预处理，得到历史航班预处理数据和历史托运预处理数据的步骤包括：
从所述历史航班结构化数据和所述历史托运结构化数据中获取字符数据类型的所述历史航班航司、所述历史航班目的地以及所述历史托运航司；
基于独热编码对所述历史航班航司、所述历史航班目的地以及所述历史托运航司分别进行数值转换，得到历史航班航司编码、历史航班目的地编码以及历史托运航司编码；
对所述历史航班航司编码、所述历史航班目的地编码以及所述历史托运航司编码分别进行降维处理，得到历史航班航司数据、历史航班目的地数据以及历史托运航司数据；
利用所述历史航班航司数据和所述历史航班目的地数据替换所述历史航班结构化数据中的所述历史航班航司、所述历史航班目的地，得到历史航班预处理数据；
利用所述历史托运航司数据替换所述历史托运结构化数据中的所述历史托运航司，得到历史托运预处理数据。
可选地，所述时间序列模型的训练方法包括以下步骤：
从历史航班出港信息中确定历史托运分布数据；其中，所述历史托运分布数据中至少包括历史托运分布日期、历史托运分布航司、各个时间段的历史行李托运分布数量以及每一所述历史托运分布航司的历史托运总数量；
根据预设的滞后周期，确定与所述历史托运分布日期对应的滞后窗口统计数据；
将所述历史托运分布数据和所述滞后窗口统计数据进行转化，得到监督式时序数据；
基于所述监督式时序数据对预先构建的时间序列模型进行训练，得到训练后的时间序列模型。
可选地，所述根据预设的滞后周期，确定与所述历史托运分布日期对应的滞后窗口统计数据的步骤包括：
根据预设的滞后周期，确定与所述历史托运分布日期对应的滞后日期区间；其中，所述滞后日期区间中的滞后日期均为连续的日期；所述滞后日期区间中的最大滞后日期相比所述历史托运分布日期小一天；
获取所述滞后日期区间中每一滞后日期的滞后托运分布数据；其中，所述滞后托运分布数据中至少包括滞后托运分布航司、各个时间段的滞后行李托运分布数量以及每一所述滞后托运分布航司的滞后托运总数量；
根据所述每一滞后日期的滞后托运分布数据，确定与所述历史托运分布日期对应的滞后窗口统计数据。
可选地，所述根据所述每一滞后日期的滞后托运分布数据，确定与所述历史托运分布日期对应的滞后窗口统计数据的步骤包括：
基于所述每一滞后日期的滞后托运分布数据，计算得到所述滞后周期内所述滞后托运分布航司在各个时间段分别对应的统计特征；其中，所述统计特征至少包括各个时间段的滞后行李托运分布数量的平均数、中位数以及标注差；
将所述滞后托运分布航司和所述滞后托运分布航司在各个时间段分别对应的统计特征，确定为所述历史托运分布日期对应的滞后窗口统计数据。
此外，为实现上述目的，本申请还提供一种机场值机柜台航司分配规划装置，其特征在于，所述装置包括：
第一输入单元，用于将目标日期和与所述目标日期对应的目标航班出港信息输入至预先训练的预测模型中，得到所述目标日期对应的每一航司的全天行李托运数量；其中，所述每一航司均为所述目标航班出港信息中包含的航司；所述预测模型通过历史航班出港信息和历史行李托运明细数据训练得到；所述历史航班出港信息中至少包含历史行李托运时段分布数据；
第二输入单元，用于将所述目标日期、所述目标航班出港信息以及所述每一航司的全天行李托运数量输入至预先训练的时间序列模型中，得到所述目标日期对应的所述每一航司的行李托运时段分布数据集合；其中，所述时间序列模型通过所述历史行李托运时段分布数据训练得到；所述每一航司的行李托运时段分布数据集合中包括各个时间段以及所述各个时间段分别对应的行李托运数量；
分析单元，用于对值机柜台资源信息、预设的队列阈值以及所述每一航司的行李托运时段分布数据集合进行分析，确定所述目标日期对应的值机柜台分配方案；其中，所述值机柜台分配方案中包括所述每一航司分别在各个时间段内被分配的目标值机柜台。
此外，本申请还提供了一种计算设备，所述计算设备包括：至少一个处理器、存储器和输入输出单元；其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行第一方面中任一项所述的方法。
此外，本申请还提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行第一方面中任一项所述的方法。
本申请实施例提出的一种机场值机柜台航司分配规划方法、装置、设备及存储介质，通过历史航班出港信息和历史行李托运明细数据共同对预测模型进行训练，以使训练后的预测模型可以准确地预测每个航司在目标日期的全天行李托运数量；并且可以通过历史行李托运时段分布数据对时间序列模型进行训练，以使训练后的时间序列模型可以更加准确的预测到每个航司在目标日期内的各个时间段分别对应的行李托运数量；可见，基于预测得到的每个航司在目标日期内的各个时间段分别对应的行李托运数量，可以使得在各个时间段对每个航司分配的值机柜台的数量与实际的值机人数更加匹配，显著提升对值机柜台开放数量预测准确性，从而提升旅客的值机体验。
附图说明
图1为本申请一实施例提供的一种机场值机柜台航司分配规划方法的流程示意图；
图2为图1中预测模型的训练方法的流程示意图；
图3为图1中时间序列模型的训练方法的流程示意图；
图4为本申请一实施例提供的一种机场值机柜台航司分配规划装置的功能模块示意图；
图5为本申请一实施例提供的一种介质的结构示意图；
图6为本申请一实施例提供的一种计算设备的结构示意图。
附图标记说明：60、计算设备；601、处理单元；602、系统存储器；6021、RAM（随机存取存储器）；6022、高速缓存存储器；6023、ROM（只读存储器）；6024、程序模块；6025、程序模块的程序/实用工具；603、连接不同系统组件的总线；604、外部设备；605、I/O（输入/输出）接口；606、网络适配器。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本申请的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本申请可以具体实现为以下形式，即：完全的硬件、完全的软件（包括固件、驻留软件、微代码等），或者硬件和软件结合的形式。
本申请实施例的主要解决方案是：
将目标日期和与所述目标日期对应的目标航班出港信息输入至预先训练的预测模型中，得到所述目标日期对应的每一航司的全天行李托运数量；其中，所述每一航司均为所述目标航班出港信息中包含的航司；所述预测模型通过历史航班出港信息和历史行李托运明细数据训练得到；所述历史航班出港信息中至少包含历史行李托运时段分布数据；
将所述目标日期、所述目标航班出港信息以及所述每一航司的全天行李托运数量输入至预先训练的时间序列模型中，得到所述目标日期对应的所述每一航司的行李托运时段分布数据集合；其中，所述时间序列模型通过所述历史行李托运时段分布数据训练得到；所述每一航司的行李托运时段分布数据集合中包括各个时间段以及所述各个时间段分别对应的行李托运数量；
对值机柜台资源信息、预设的队列阈值以及所述每一航司的行李托运时段分布数据集合进行分析，确定所述目标日期对应的值机柜台分配方案；其中，所述值机柜台分配方案中包括所述每一航司分别在各个时间段内被分配的目标值机柜台。
由于现有技术中，机场值机柜台数据之间通常具有时间依赖性，当前的值机柜台开放数量预测模型通常是假设机场值机柜台数据之间相互独立进行计算的，忽略了机场值机柜台数据之间在时间依赖上的重要性；以及值机柜台开放数量预测模型在训练过程中使用的训练数据虽然包含时间特征信息，但是对于模型来说训练数据中的时间特征信息是独立的数据，在模型的训练过程中时间特征信息之间并没有表现出明显的相关性。因此，值机柜台开放数量预测模型不能充分挖掘机场值机柜台数据之间的时间特征信息，导致值机柜台开放数量预测模型对值机柜台开放数量的预测不够准确，从而使得旅客的值机体验较差。
本申请提供一种解决方案，可以更加准确的预测到每个航司在目标日期内的各个时间段分别对应的行李托运数量；基于预测得到的每个航司在目标日期内的各个时间段分别对应的行李托运数量，可以使得在各个时间段对每个航司分配的值机柜台的数量与实际的值机人数更加匹配，从而提升旅客的值机体验。
需要说明的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
下面参考本申请的若干代表性实施方式，详细阐释本申请的原理和精神。
参照图1，本申请一实施例提供的一种机场值机柜台航司分配规划方法，所述机场值机柜台航司分配规划方法包括：
步骤S10，将目标日期和与所述目标日期对应的目标航班出港信息输入至预先训练的预测模型中，得到所述目标日期对应的每一航司的全天行李托运数量。
本申请实施例中，目标日期可以为需要预测的未来的任意一天的日期或未来的任意一个时间段的日期。所述每一航司均为所述目标航班出港信息中包含的航司；目标航班出港信息中可以包括出港的每一个航班的航司信息、出港时间以及出港目的地，此外，目标航班出港信息中还可以包括出港中转站。
本申请实施例中，所述预测模型通过历史航班出港信息和历史行李托运明细数据训练得到；所述历史航班出港信息中至少包含历史行李托运时段分布数据。预测模型可以用于对在目标日期内各个航司全天托运的行李托运数量进行预测。
本申请另一实施例中，如图2所示，预测模型的训练方法可以包括以下步骤：
步骤S101，从历史航班出港信息中确定历史航班结构化数据。
本申请实施例中，历史航班出港信息中可以包括历史航班日期、历史航班号、历史航线等常规性数据，根据历史航班号可以确定出来唯一的历史航班航司，根据历史航线可以确定出该历史航线的出发地和目的地，同时也存在一些历史航线中既包含出发地和目的地，又包含中转地的情况。对于一条历史航线中存在出发地、中转地以及目的地的情况，可以将该历史航线拆分为两条历史航线，既第一条历史航线的出发地可以为原始历史航线的出发地，第一条历史航线的目的地可以为原始历史航线的中转地；第二条历史航线的出发地可以为原始历史航线的中转地，第二条历史航线的目的地可以为原始历史航线的目的地。
本申请实施例中，所述历史航班结构化数据中至少包括历史航班日期、历史航班航司以及历史航班目的地；所述历史航班目的地的数量至少为一个。可以从历史航班出港信息中获取到每一条历史航线对应的历史航班日期、历史航班航司以及历史航班目的地，并将历史航班日期、历史航班航司以及历史航班目的地确定为该条历史航线的历史航班结构化数据。
步骤S102，从历史行李托运明细数据中确定历史托运结构化数据。
本申请实施例中，历史行李托运明细数据中可以包括历史日期、历史航班号、历史旅客数以及历史行李托运数量等关键性数据。根据历史航班号可以确定出历唯一的历史航班航司；可以根据历史旅客数和历史行李托运数量计算得到每一历史日期中每一个历史航班航司运载的旅客总数量以及托运的行李托运总数量。
本申请实施例中，所述历史托运结构化数据中至少包括历史托运日期、历史托运航司以及历史行李托运数量。可以从历史行李托运明细数据中获取到任意一个历史托运日期对应的历史托运航司以及该历史托运航司在该历史托运日期内托运的历史行李托运数量；该历史行李托运数量可以表示该历史托运航司在该历史托运日期内托运的行李总量。
步骤S103，将所述历史航班结构化数据和所述历史托运结构化数据进行拼接，得到历史综合结构化数据。
本申请实施例中，所述历史综合结构化数据中至少包括历史日期、历史航司、历史航班目的地以及历史行李托运数量。
作为一种可选的实施方式，步骤S103将所述历史航班结构化数据和所述历史托运结构化数据进行拼接，得到历史综合结构化数据的步骤可以包括：
对所述历史航班结构化数据和所述历史托运结构化数据进行预处理，得到历史航班预处理数据和历史托运预处理数据；
将所述历史航班预处理数据和所述历史托运预处理数据进行拼接，得到历史综合结构化数据。
其中，实施这种实施方式，可以先对历史航班结构化数据和历史托运结构化数据进行预处理，得到历史航班预处理数据和历史托运预处理数据；得到的历史航班预处理数据和历史托运预处理数据均为数据格式相同的数据，因此，可以更好的将历史航班预处理数据和历史托运预处理数据进行拼接，避免因数据格式不同，而导致数据拼接失败的情况。
可选的，对所述历史航班结构化数据和所述历史托运结构化数据进行预处理，得到历史航班预处理数据和历史托运预处理数据的步骤可以包括：
从所述历史航班结构化数据和所述历史托运结构化数据中获取字符数据类型的所述历史航班航司、所述历史航班目的地以及所述历史托运航司；
基于独热编码对所述历史航班航司、所述历史航班目的地以及所述历史托运航司分别进行数值转换，得到历史航班航司编码、历史航班目的地编码以及历史托运航司编码；
对所述历史航班航司编码、所述历史航班目的地编码以及所述历史托运航司编码分别进行降维处理，得到历史航班航司数据、历史航班目的地数据以及历史托运航司数据；
利用所述历史航班航司数据和所述历史航班目的地数据替换所述历史航班结构化数据中的所述历史航班航司、所述历史航班目的地，得到历史航班预处理数据；
利用所述历史托运航司数据替换所述历史托运结构化数据中的所述历史托运航司，得到历史托运预处理数据。
其中，实施这种实施方式，可以将字符数据类型的数据先通过独热编码转换为数值编码，并且可以将数值编码再进行降维处理，从而降低预测模型再训练过程中的计算复杂度。
本申请实施例中，由于字符数据类型的历史航班航司、历史航班目的地以及历史托运航司，在预测模型的学习过程中不应该存在数值上的大小关系，因此可以采用独热编码将上述字符数据类型的数据转换为数值类型的编码数据。
同时，考虑到所述数值类型的编码数据中类型的多样性会导致独热编码结果的稀疏性，造成模型学习训练过程中的维度灾难以及计算复杂度增加，因此在独热编码完成后使用主成分分析方法(Principal Component Analysis，PCA)对编码结果进行降维处理。
此外，在独热编码及降维处理完成之后，会将字符数据类型的数据与其计算出的数值类型的数据一一映射至字典文件中，既可以以json格式进行保存。当有新的训练数据或测试数据到达时，由于航司数据与目的地数据不参与直接的数值大小运算，因此在全局数据中应保持一致，字典文件可以在保证全局一致性的基础上高效的完成大规模数据的映射替换。
本申请实施例中，历史托运预处理数据包含历史托运日期、历史托运航司数据以及历史行李托运数量，即同一个历史托运日期每个历史托运航司数据仅有一条历史行李托运数量。而历史航班预处理数据中至少包括历史航班日期、历史航班航司以及历史航班目的地，即同一个历史航班日期不同历史航班航司不同历史航班目的地，均存在一条数据。
在当前数据结构下，无法对历史托运预处理数据和历史航班预处理数据进行正确的条件拼接，同时机器学习网络模型也不能有效获取更多的输入特征进行训练。
因此本部分主要对历史航班预处理数据按照日期和航司分组，并将组内数据中的目的地特征由纵向结构转置为横向结构。转置后的数据中同一个历史航班日期同一个历史航班航司只有一条结构化数据，其特征格式为：历史航班日期、历史航班航司、历史航班目的地1、历史航班目的地2、…、历史航班目的地N。
在上述转置处理完成后，对历史托运预处理数据和历史航班预处理数据按照日期、航司关联条件进行拼接，最终得到历史综合结构化数据的数据格式为：历史日期、历史航司、历史航班目的地1、历史航班目的地2、…、历史航班目的地N、历史行李托运数量。
步骤S104，基于所述历史综合结构化数据对预先构建的预测模型进行训练，得到训练后的预测模型。
本申请实施例中，预测模型可以为LightGBM网络模型或决策树模型，对此，本申请实施例不做限定。
本申请实施例中，将历史综合结构化数据中的历史行李托运数量作为输出标签结果，并将历史综合结构化数据中的其余数据作为输入特征信息送至预测模型中进行训练。
其中，将历史综合结构化数据按照预设比例（例如6：2：2的比例）划分成三部分，分别作为训练集、验证集和测试集。其中，训练集主要用于预测模型的训练；验证集主要用于对预测模型学习训练的过程进行监测，验证预测模型是否按照正确的方向运行学习；测试集主要用于对学习训练完成的预测模型进行效果评估，并通过观察验证集的误差轨迹图与测试集的误差轨迹图判断预测模型的结构以及参数设定是否正确合理。
本申请实施例中，由于手动调试预测模型的参数的过程具有不确定性，且无法准确的对多个参数进行组合训练，因此，可以使用网格寻优算法进行参数自动调优。
上述训练完成的预测模型可以将其完整结构及参数保存到本地文件中，以供预测时直接使用。
实施上述的步骤S101~步骤S104，可以将历史航班出港信息与历史行李托运明细数据进行拼接，得到历史托运结构化数据，该历史托运结构化数据能够增强历史行李托运数量与历史日期的依赖性。进而可以使得基于历史托运结构化数据训练得到的预测模型，能够更加关注时间对行李托运数量的影响，从而提升预测模型的预测准确性。
步骤S20，将所述目标日期、所述目标航班出港信息以及所述每一航司的全天行李托运数量输入至预先训练的时间序列模型中，得到所述目标日期对应的所述每一航司的行李托运时段分布数据集合。
本申请实施例中，所述时间序列模型通过所述历史行李托运时段分布数据训练得到；所述每一航司的行李托运时段分布数据集合中包括各个时间段以及所述各个时间段分别对应的行李托运数量。
本申请另一实施例中，如图3所示，时间序列模型的训练方法可以包括以下步骤：
步骤S201，从历史航班出港信息中确定历史托运分布数据。
本申请实施例中，历史航班出港信息中包含历史托运分布日期对应的行李托运时段分布数据，因此，可以循环读取历史航班出港信息，进而从历史航班出港信息中确定历史托运分布数据，历史托运分布数据中至少包括历史托运分布日期、历史托运分布航司、各个时间段的历史行李托运分布数量以及每一所述历史托运分布航司的历史托运总数量。其中，部分航司在某些时间点会存在数据缺失的情况，因此，可以采用0值填充的方式进行处理。
步骤S202，根据预设的滞后周期，确定与所述历史托运分布日期对应的滞后窗口统计数据。
作为一种可选的实施方式，步骤S202根据预设的滞后周期，确定与所述历史托运分布日期对应的滞后窗口统计数据的步骤可以包括：
根据预设的滞后周期，确定与所述历史托运分布日期对应的滞后日期区间；其中，所述滞后日期区间中的滞后日期均为连续的日期；所述滞后日期区间中的最大滞后日期相比所述历史托运分布日期小一天；
获取所述滞后日期区间中每一滞后日期的滞后托运分布数据；其中，所述滞后托运分布数据中至少包括滞后托运分布航司、各个时间段的滞后行李托运分布数量以及每一所述滞后托运分布航司的滞后托运总数量；
根据所述每一滞后日期的滞后托运分布数据，确定与所述历史托运分布日期对应的滞后窗口统计数据。
其中，实施这种实施方式，可以根据预设的滞后周期和历史托运分布日期，确定出滞后日期区间；并且可以获取到在滞后日期区间内的每个航司的滞后托运分布数据，通过对滞后日期区间内的每个航司的滞后托运分布数据进行分析，可以确定出与历史托运分布日期对应的滞后窗口统计数据，提高了滞后窗口统计数据的准确性。
可选的，根据所述每一滞后日期的滞后托运分布数据，确定与所述历史托运分布日期对应的滞后窗口统计数据的步骤可以包括：
基于所述每一滞后日期的滞后托运分布数据，计算得到所述滞后周期内所述滞后托运分布航司在各个时间段分别对应的统计特征；其中，所述统计特征至少包括各个时间段的滞后行李托运分布数量的平均数、中位数以及标注差；
将所述滞后托运分布航司和所述滞后托运分布航司在各个时间段分别对应的统计特征，确定为所述历史托运分布日期对应的滞后窗口统计数据。
其中，实施这种实施方式，可以将滞后窗口统计数据基于各个时间段进行分类，按照各个时间段分别对每个航司在滞后周期内的滞后行李托运分布数量进行计算，得到滞后行李托运分布数量的平均数、中位数以及标注差等数据，进而可以将得到的平均数、中位数以及标注差等数据确定为统计特征；基于该统计特征最终得到的历史托运分布日期对应的滞后窗口统计数据更加精确。
本申请实施例中，在时序数据中，历史日期的信息通常与当前日期的数据呈现出一定的相关性。举例说明：对于当前日期t，可以认为当前日期t和昨天的数据、上周同一天的数据、上个月同一天的数据、甚至是去年同期数据高度相关，那么就可以将t-1天、t-7天、t-30天和t-365的数据作为新的特征。
同理，在时序数据中，历史日期区间观察值的统计通常与当前日期的数据同样可能呈现出一定的相关性。举例说明：对于当前日期t，可以取前7天的统计值作为新的特征，也就是将t-1天至t-8天时间段数据的平均数、中位数、标注差等作为新的特征，这里的滑动窗口大小就是7。
其中，滞后周期可自行设定，通常以3、5、7、15、30等具有明显周期性的数值作为滞后周期数值集合。
步骤S203，将所述历史托运分布数据和所述滞后窗口统计数据进行转化，得到监督式时序数据。
本申请实施例中，历史托运分布数据可以包括历史托运分布日期、历史托运分布航司、各个时间段的历史行李托运分布数量以及每一所述历史托运分布航司的历史托运总数量，滞后窗口统计数据可以包括滞后托运分布航司和所述滞后托运分布航司在各个时间段分别对应的统计特征；因此，可以将历史托运分布数据和滞后窗口统计数据按照航司进行拼接，最终得到监督式时序数据的数据格式为：历史托运分布日期、历史托运分布航司、各个时间段的历史行李托运分布数量、每一历史托运分布航司的历史托运总数量以及历史托运分布航司在各个时间段分别对应的统计特征。
本申请实施例中，在构建监督式时序数据时，可以分别为滞后周期数、超前周期数、滞后特征个数、超前特征个数。其中，滞后周期数表示使用历史多少个周期的数据作为输入特征，超前周期数表示要预测未来多少个周期的数据，滞后特征个数表示每个周期输入特征的数量，超前特征个数表示预测结果的特征数量。
举例说明：当前结构化的时间序列数据包含10个特征，其中输入特征有8个，输出特征有2个，对于t时刻，我们取前t-1至t-7天数据的输入特征预测未来t+3天的输出结果，那么此时滞后周期数为7，超前周期数为3，滞后特征个数为8，超前特征个数为2。而对于转换后的监督式时序数据，输入特征个数为滞后周期数×滞后特征个数，输出特征个数为超前周期数×超前特征个数。
其中，在数据结构转换过程中，对数据进行偏置及拼接后会出现值为空的数据行，这些数据行无法作为训练数据输入到时间序列模型，因此需要对其进行清理删除。
转置后的监督式时序数据每一行都包含了时间相关依赖，其不仅支持数据样本中训练集、验证集、测试集的随机划分，同时还支持部分监督式机器学习算法。
步骤S204，基于所述监督式时序数据对预先构建的时间序列模型进行训练，得到训练后的时间序列模型。
本申请实施例中，时间序列模型可以为长短期记忆网络（Long Short-TermMemory，LSTM）构建的模型，对此，本申请实施例不做限定。时间序列模型通过引入输入门、遗忘门、输出门三个门控单元，可以更好的捕捉时序数据中的长期依赖关系，即相比于传统的循环神经网络，时间序列模型可以在处理时序数据时保留更长远的上下文信息。同时，时间序列模型具有对时间的敏感性，能够学习到时序数据中的模式和特征。这使得时间序列模型在时间序列预测、信号处理等任务中具有优势。特别注意的是，时间序列模型包括但不仅限于上述方式。
实施上述的步骤S201~步骤S204，可以从历史航班出港信息中获取历史托运分布数据；并且可以根据预设的滞后周期，确定与历史托运分布日期对应的滞后窗口统计数据，通过对历史托运分布数据和滞后窗口统计数据进行转化，可以得到监督式时序数据；该监督式时序数据中既包含了每个航司在各个时间段的历史行李托运分布数量，还包含了与历史托运分布日期对应的时间周期内各个时间段的行李托运的统计数据；可见，基于监督式时序数据对时间序列模型进行训练，可以使训练后的时间序列模型更加关注各个时间段与行李托运数量之间的关系，提高了时间序列模型对航司在各个时间段内托运行李量的准确性。
步骤S30，对值机柜台资源信息、预设的队列阈值以及所述每一航司的行李托运时段分布数据集合进行分析，确定所述目标日期对应的值机柜台分配方案。
本申请实施例中，所述值机柜台分配方案中包括所述每一航司分别在各个时间段内被分配的目标值机柜台。队列阈值表示全天值机柜台办理托运手续的等待队列长度的最大值，该值可任意设定与调整。值机柜台资源信息可以包括各个航司分别控制的值机柜台信息以及公用的值机柜台信息。
可以理解的是，在获得目标日期对应的值机柜台分配方案后，即可根据该方案进行目标日期的值机柜台航司分配。
实施上述的步骤S10~步骤S30，可以更加准确的预测到每个航司在目标日期内的各个时间段分别对应的行李托运数量；基于预测得到的每个航司在目标日期内的各个时间段分别对应的行李托运数量，可以使得在各个时间段对每个航司分配的值机柜台的数量与实际的值机人数更加匹配，从而提升旅客的值机体验。此外，本申请还可以避免因数据格式不同，而导致数据拼接失败的情况。此外，本申请还可以降低预测模型再训练过程中的计算复杂度。此外，本申请还可以提升预测模型的预测准确性。此外，本申请还可以提高滞后窗口统计数据的准确性。此外，本申请还可以使基于该统计特征最终得到的历史托运分布日期对应的滞后窗口统计数据更加精确。此外，本申请还可以提高时间序列模型对航司在各个时间段内托运行李量的准确性。
在介绍了本申请示例性实施方式的方法之后，接下来，参考图4对本申请示例性实施方式的一种机场值机柜台航司分配规划装置进行说明，该装置包括：
第一输入单元401，用于将目标日期和与所述目标日期对应的目标航班出港信息输入至预先训练的预测模型中，得到所述目标日期对应的每一航司的全天行李托运数量；其中，所述每一航司均为所述目标航班出港信息中包含的航司；所述预测模型通过历史航班出港信息和历史行李托运明细数据训练得到；所述历史航班出港信息中至少包含历史行李托运时段分布数据。
第二输入单元402，用于将所述目标日期、所述目标航班出港信息以及所述每一航司的全天行李托运数量输入至预先训练的时间序列模型中，得到所述目标日期对应的所述每一航司的行李托运时段分布数据集合；其中，所述时间序列模型通过所述历史行李托运时段分布数据训练得到；所述每一航司的行李托运时段分布数据集合中包括各个时间段以及所述各个时间段分别对应的行李托运数量。
分析单元403，用于对值机柜台资源信息、预设的队列阈值以及所述每一航司的行李托运时段分布数据集合进行分析，确定所述目标日期对应的值机柜台分配方案；其中，所述值机柜台分配方案中包括所述每一航司分别在各个时间段内被分配的目标值机柜台。
在介绍了本申请示例性实施方式的方法和装置之后，接下来，参考图5对本申请示例性实施方式的计算机可读存储介质进行说明，请参考图5，其示出的计算机可读存储介质为光盘50，其上存储有计算机程序（即程序产品），所述计算机程序在被处理器运行时，会实现上述方法实施方式中所记载的各步骤，例如，将目标日期和与所述目标日期对应的目标航班出港信息输入至预先训练的预测模型中，得到所述目标日期对应的每一航司的全天行李托运数量；其中，所述每一航司均为所述目标航班出港信息中包含的航司；所述预测模型通过历史航班出港信息和历史行李托运明细数据训练得到；所述历史航班出港信息中至少包含历史行李托运时段分布数据；将所述目标日期、所述目标航班出港信息以及所述每一航司的全天行李托运数量输入至预先训练的时间序列模型中，得到所述目标日期对应的所述每一航司的行李托运时段分布数据集合；其中，所述时间序列模型通过所述历史行李托运时段分布数据训练得到；所述每一航司的行李托运时段分布数据集合中包括各个时间段以及所述各个时间段分别对应的行李托运数量；对值机柜台资源信息、预设的队列阈值以及所述每一航司的行李托运时段分布数据集合进行分析，确定所述目标日期对应的值机柜台分配方案；其中，所述值机柜台分配方案中包括所述每一航司分别在各个时间段内被分配的目标值机柜台；各步骤的具体实现方式在此不再重复说明。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
在介绍了本申请示例性实施方式的方法、装置和介质之后，接下来，参考图6对本申请示例性实施方式的用于模型处理的计算设备。
图6示出了适于用来实现本申请实施方式的示例性计算设备60的框图，该计算设备60可以是计算机系统或服务器。图6显示的计算设备60仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算设备60的组件可以包括但不限于：一个或者多个处理器或者处理单元601，系统存储器602，连接不同系统组件（包括系统存储器602和处理单元601）的总线603。
计算设备60典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算设备60访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器602可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器（RAM）6021和/或高速缓存存储器6022。计算设备60可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，ROM6023可以用于读写不可移动的、非易失性磁介质（图6中未显示，通常称为“硬盘驱动器”）。尽管未在图6中示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如CD-ROM，DVD-ROM或者其它光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与连接不同系统组件的总线603相连。系统存储器602中可以包括至少一个程序产品，该程序产品具有一组（例如至少一个）程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组（至少一个）程序模块6024的程序/实用工具6025，可以存储在例如系统存储器602中，且这样的程序模块6024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块6024通常执行本申请所描述的实施例中的功能和/或方法。
计算设备60也可以与一个或多个外部设备604（如键盘、指向设备、显示器等）通信。这种通信可以通过输入/输出（I/O）接口605进行。并且，计算设备60还可以通过网络适配器606与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图6所示，网络适配器606通过连接不同系统组件的总线603与计算设备60的其它模块（如处理单元601等）通信。应当明白，尽管图6中未示出，可以结合计算设备60使用其它硬件和/或软件模块。
处理单元601通过运行存储在系统存储器602中的程序，从而执行各种功能应用以及数据处理，例如，将目标日期和与所述目标日期对应的目标航班出港信息输入至预先训练的预测模型中，得到所述目标日期对应的每一航司的全天行李托运数量；其中，所述每一航司均为所述目标航班出港信息中包含的航司；所述预测模型通过历史航班出港信息和历史行李托运明细数据训练得到；所述历史航班出港信息中至少包含历史行李托运时段分布数据；将所述目标日期、所述目标航班出港信息以及所述每一航司的全天行李托运数量输入至预先训练的时间序列模型中，得到所述目标日期对应的所述每一航司的行李托运时段分布数据集合；其中，所述时间序列模型通过所述历史行李托运时段分布数据训练得到；所述每一航司的行李托运时段分布数据集合中包括各个时间段以及所述各个时间段分别对应的行李托运数量；对值机柜台资源信息、预设的队列阈值以及所述每一航司的行李托运时段分布数据集合进行分析，确定所述目标日期对应的值机柜台分配方案；其中，所述值机柜台分配方案中包括所述每一航司分别在各个时间段内被分配的目标值机柜台。各步骤的具体实现方式在此不再重复说明。应当注意，尽管在上文详细描述中提及了机场值机柜台航司分配规划装置的若干单元/模块或子单元/子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、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，在本申请各个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，可以存储在一个处理器可执行的非易失的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。
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所述以权利要求的保护范围为准。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

Claims (10)

1.一种机场值机柜台航司分配规划方法，其特征在于，所述方法包括以下步骤：
将目标日期和与所述目标日期对应的目标航班出港信息输入至预先训练的预测模型中，得到所述目标日期对应的每一航司的全天行李托运数量；其中，所述每一航司均为所述目标航班出港信息中包含的航司；所述预测模型通过历史航班出港信息和历史行李托运明细数据训练得到；所述历史航班出港信息中至少包含历史行李托运时段分布数据；
将所述目标日期、所述目标航班出港信息以及所述每一航司的全天行李托运数量输入至预先训练的时间序列模型中，得到所述目标日期对应的所述每一航司的行李托运时段分布数据集合；其中，所述时间序列模型通过所述历史行李托运时段分布数据训练得到；所述每一航司的行李托运时段分布数据集合中包括各个时间段以及所述各个时间段分别对应的行李托运数量；
对值机柜台资源信息、预设的队列阈值以及所述每一航司的行李托运时段分布数据集合进行分析，确定所述目标日期对应的值机柜台分配方案；其中，所述值机柜台分配方案中包括所述每一航司分别在各个时间段内被分配的目标值机柜台。
2.如权利要求1所述的机场值机柜台航司分配规划方法，其特征在于，所述预测模型的训练方法包括以下步骤：
从历史航班出港信息中确定历史航班结构化数据；其中，所述历史航班结构化数据中至少包括历史航班日期、历史航班航司以及历史航班目的地；
从历史行李托运明细数据中确定历史托运结构化数据；其中，所述历史托运结构化数据中至少包括历史托运日期、历史托运航司以及历史行李托运数量；
将所述历史航班结构化数据和所述历史托运结构化数据进行拼接，得到历史综合结构化数据；其中，所述历史综合结构化数据中至少包括历史日期、历史航司、历史航班目的地以及历史行李托运数量；
基于所述历史综合结构化数据对预先构建的预测模型进行训练，得到训练后的预测模型。
3.如权利要求2所述的机场值机柜台航司分配规划方法，其特征在于，所述将所述历史航班结构化数据和所述历史托运结构化数据进行拼接，得到历史综合结构化数据的步骤包括：
对所述历史航班结构化数据和所述历史托运结构化数据进行预处理，得到历史航班预处理数据和历史托运预处理数据；
将所述历史航班预处理数据和所述历史托运预处理数据进行拼接，得到历史综合结构化数据。
4.如权利要求3所述的机场值机柜台航司分配规划方法，其特征在于，所述对所述历史航班结构化数据和所述历史托运结构化数据进行预处理，得到历史航班预处理数据和历史托运预处理数据的步骤包括：
从所述历史航班结构化数据和所述历史托运结构化数据中获取字符数据类型的所述历史航班航司、所述历史航班目的地以及所述历史托运航司；
基于独热编码对所述历史航班航司、所述历史航班目的地以及所述历史托运航司分别进行数值转换，得到历史航班航司编码、历史航班目的地编码以及历史托运航司编码；
对所述历史航班航司编码、所述历史航班目的地编码以及所述历史托运航司编码分别进行降维处理，得到历史航班航司数据、历史航班目的地数据以及历史托运航司数据；
利用所述历史航班航司数据和所述历史航班目的地数据替换所述历史航班结构化数据中的所述历史航班航司、所述历史航班目的地，得到历史航班预处理数据；
利用所述历史托运航司数据替换所述历史托运结构化数据中的所述历史托运航司，得到历史托运预处理数据。
5.如权利要求1~4任一项所述的机场值机柜台航司分配规划方法，其特征在于，所述时间序列模型的训练方法包括以下步骤：
从历史航班出港信息中确定历史托运分布数据；其中，所述历史托运分布数据中至少包括历史托运分布日期、历史托运分布航司、各个时间段的历史行李托运分布数量以及每一所述历史托运分布航司的历史托运总数量；
根据预设的滞后周期，确定与所述历史托运分布日期对应的滞后窗口统计数据；
将所述历史托运分布数据和所述滞后窗口统计数据进行转化，得到监督式时序数据；
基于所述监督式时序数据对预先构建的时间序列模型进行训练，得到训练后的时间序列模型。
6.如权利要求5所述的机场值机柜台航司分配规划方法，其特征在于，所述根据预设的滞后周期，确定与所述历史托运分布日期对应的滞后窗口统计数据的步骤包括：
根据预设的滞后周期，确定与所述历史托运分布日期对应的滞后日期区间；其中，所述滞后日期区间中的滞后日期均为连续的日期；所述滞后日期区间中的最大滞后日期相比所述历史托运分布日期小一天；
获取所述滞后日期区间中每一滞后日期的滞后托运分布数据；其中，所述滞后托运分布数据中至少包括滞后托运分布航司、各个时间段的滞后行李托运分布数量以及每一所述滞后托运分布航司的滞后托运总数量；
根据所述每一滞后日期的滞后托运分布数据，确定与所述历史托运分布日期对应的滞后窗口统计数据。
7.如权利要求6所述的机场值机柜台航司分配规划方法，其特征在于，所述根据所述每一滞后日期的滞后托运分布数据，确定与所述历史托运分布日期对应的滞后窗口统计数据的步骤包括：
基于所述每一滞后日期的滞后托运分布数据，计算得到所述滞后周期内所述滞后托运分布航司在各个时间段分别对应的统计特征；其中，所述统计特征至少包括各个时间段的滞后行李托运分布数量的平均数、中位数以及标注差；
将所述滞后托运分布航司和所述滞后托运分布航司在各个时间段分别对应的统计特征，确定为所述历史托运分布日期对应的滞后窗口统计数据。
8.一种机场值机柜台航司分配规划装置，其特征在于，所述装置包括：
第一输入单元，用于将目标日期和与所述目标日期对应的目标航班出港信息输入至预先训练的预测模型中，得到所述目标日期对应的每一航司的全天行李托运数量；其中，所述每一航司均为所述目标航班出港信息中包含的航司；所述预测模型通过历史航班出港信息和历史行李托运明细数据训练得到；所述历史航班出港信息中至少包含历史行李托运时段分布数据；
第二输入单元，用于将所述目标日期、所述目标航班出港信息以及所述每一航司的全天行李托运数量输入至预先训练的时间序列模型中，得到所述目标日期对应的所述每一航司的行李托运时段分布数据集合；其中，所述时间序列模型通过所述历史行李托运时段分布数据训练得到；所述每一航司的行李托运时段分布数据集合中包括各个时间段以及所述各个时间段分别对应的行李托运数量；
分析单元，用于对值机柜台资源信息、预设的队列阈值以及所述每一航司的行李托运时段分布数据集合进行分析，确定所述目标日期对应的值机柜台分配方案；其中，所述值机柜台分配方案中包括所述每一航司分别在各个时间段内被分配的目标值机柜台。
9.一种计算设备，其特征在于，所述计算设备包括：
至少一个处理器、存储器和输入输出单元；
其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行如权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其包括指令，当其在计算机上运行时，使得计算机执行如权利要求1~7中的任一项所述的方法。
CN202311535997.6A 2023-11-17 2023-11-17 机场值机柜台航司分配规划方法、装置、设备及存储介质 Active CN117252402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311535997.6A CN117252402B (zh) 2023-11-17 2023-11-17 机场值机柜台航司分配规划方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311535997.6A CN117252402B (zh) 2023-11-17 2023-11-17 机场值机柜台航司分配规划方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117252402A CN117252402A (zh) 2023-12-19
CN117252402B true CN117252402B (zh) 2024-02-06

Family

ID=89129946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311535997.6A Active CN117252402B (zh) 2023-11-17 2023-11-17 机场值机柜台航司分配规划方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117252402B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106327121A (zh) * 2016-08-19 2017-01-11 贾鹏 机场旅客托运行李实时追踪系统及其使用方法
CN107633329A (zh) * 2017-09-19 2018-01-26 飞友科技有限公司 一种预测到达航班旅客出机场时间的方法
CN108197760A (zh) * 2018-01-31 2018-06-22 民航成都电子技术有限责任公司 一种空港地面交通旅客流量预测方法
CN111243198A (zh) * 2020-01-13 2020-06-05 中国民航大学 一种民航机场市区内移动值机站点方法和系统
CN111798186A (zh) * 2020-07-20 2020-10-20 深圳市领航乐行网络科技有限公司 一种托运行李方法、系统及可读存储介质
CN114239325A (zh) * 2022-02-28 2022-03-25 民航成都物流技术有限公司 机场值机托运柜台配置规划方法、装置、设备和存储介质
CN114326621A (zh) * 2021-12-25 2022-04-12 长安大学 一种基于分层架构的群体智能机场托运车调度方法和系统
CN115457304A (zh) * 2022-08-04 2022-12-09 中国南方航空股份有限公司 一种基于目标检测的行李破损分析方法及系统
CN115630833A (zh) * 2022-12-15 2023-01-20 中国民航信息网络股份有限公司 旅客托运行李信息预测方法及相关设备
CN116011653A (zh) * 2023-01-10 2023-04-25 中国民航信息网络股份有限公司 一种值机柜台开放数量预测的方法、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11820534B2 (en) * 2020-06-09 2023-11-21 Accenture Global Solutions Limited Baggage weight prediction

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106327121A (zh) * 2016-08-19 2017-01-11 贾鹏 机场旅客托运行李实时追踪系统及其使用方法
CN107633329A (zh) * 2017-09-19 2018-01-26 飞友科技有限公司 一种预测到达航班旅客出机场时间的方法
CN108197760A (zh) * 2018-01-31 2018-06-22 民航成都电子技术有限责任公司 一种空港地面交通旅客流量预测方法
CN111243198A (zh) * 2020-01-13 2020-06-05 中国民航大学 一种民航机场市区内移动值机站点方法和系统
CN111798186A (zh) * 2020-07-20 2020-10-20 深圳市领航乐行网络科技有限公司 一种托运行李方法、系统及可读存储介质
CN114326621A (zh) * 2021-12-25 2022-04-12 长安大学 一种基于分层架构的群体智能机场托运车调度方法和系统
CN114239325A (zh) * 2022-02-28 2022-03-25 民航成都物流技术有限公司 机场值机托运柜台配置规划方法、装置、设备和存储介质
CN115457304A (zh) * 2022-08-04 2022-12-09 中国南方航空股份有限公司 一种基于目标检测的行李破损分析方法及系统
CN115630833A (zh) * 2022-12-15 2023-01-20 中国民航信息网络股份有限公司 旅客托运行李信息预测方法及相关设备
CN116011653A (zh) * 2023-01-10 2023-04-25 中国民航信息网络股份有限公司 一种值机柜台开放数量预测的方法、装置及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Balancing the baggage handling performance of a check-in area shared by multiple airlines;Gukhwa Kim 等;《Journal of Air Transport Management》;第58卷;第31-49页 *
上海自贸区视角下我国国际多式联运业外资准入法律问题研究;夏亮 等;《国际商务研究》;第35卷(第5期);第39-48页 *
人工值机柜台动态分配策略研究;杨扬;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》(第1期);第J151-96页 *
成都天府机场国内值机运行态势把控机制初探;刘遥 等;《空运商务》(第9期);第56-61页 *
机场值机柜台资源动态分配方法与运行仿真研究;张天炫;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第2期);第C031-1206页 *

Also Published As

Publication number Publication date
CN117252402A (zh) 2023-12-19

Similar Documents

Publication Publication Date Title
CN110334839B (zh) 航班延误预测方法、装置、设备及存储介质
EP3444763A1 (en) Cumulative model for scheduling and resource allocation for airline operations
Wyatt et al. Prionn: Predicting runtime and io using neural networks
CN109961248B (zh) 运单投诉预测方法、装置、设备及其存储介质
US10379146B2 (en) Detecting non-technical losses in electrical networks based on multi-layered statistical techniques from smart meter data
CN111858690B (zh) 一种航班舱位限制销售数量自动调整方法及系统
CN111191811A (zh) 集群负荷预测方法、装置及存储介质
Tang et al. A gate reassignment framework for real time flight delays
CN111161566A (zh) 航班延误预警方法、系统、电子设备和介质
CA3050952A1 (en) Inspection risk estimation using historical inspection data
JP7316233B2 (ja) データ処理システムおよびデータ処理方法
CN117252402B (zh) 机场值机柜台航司分配规划方法、装置、设备及存储介质
WO2021130298A1 (en) System, apparatus and method for managing energy consumption at a technical installation
JP2021128478A5 (zh)
Liang et al. Sequence assignment model for the flight conflict resolution problem
CN114372835B (zh) 综合能源服务潜力客户识别方法、系统及计算机设备
CN110362627A (zh) 基于区块链的业务分析方法及装置、电子设备、存储介质
CN113269432B (zh) 一种基于要素聚合网络的服务承载能力评估方法
US20230118644A1 (en) Network digital twin of airline operations
CN112308344A (zh) 一种未离港航班订座值预测方法、装置及电子设备
Ramos-Carrasco et al. Artificial neural networks to estimate the forecast of tourism demand in Peru
Lionetti et al. Tourism Forecast with Weather, Event, and Cross-industry Data.
CN113807579A (zh) 一种基于机器学习的航班抵港延误时间预测方法
Sison et al. Survey of Machine Learning and Deep Learning Techniques for Travel Demand Forecasting
CN112529416A (zh) 一种运输系统的运行效率预估模型的构建方法

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
CB03 Change of inventor or designer information

Inventor after: Li Jingyi

Inventor after: Yang Zhongpeng

Inventor after: Yuan Xianxin

Inventor after: Wang Wei

Inventor after: Yang Hao

Inventor after: Feng Jing

Inventor after: Pan Jianbing

Inventor after: Cheng Siyuan

Inventor after: Zhang Yan

Inventor after: Mei Gang

Inventor after: Sun Maosen

Inventor after: Zhao Yonghong

Inventor after: Xu Xu

Inventor after: Pu Jiapeng

Inventor after: Xia Liang

Inventor before: Li Jingyi

Inventor before: Yang Zhongpeng

Inventor before: Yuan Xianxin

Inventor before: Wang Wei

Inventor before: Yang Hao

Inventor before: Feng Jing

Inventor before: Pan Jianbing

Inventor before: Cheng Siyuan

Inventor before: Zhang Yan

Inventor before: Mei Gang

Inventor before: Sun Maosen

Inventor before: Zhao Yonghong

Inventor before: Xu Xu

Inventor before: Pu Jiapeng

Inventor before: Xia Liang