CN117669837A - 一种机场陆侧换乘交通方式选择预测方法及系统 - Google Patents
一种机场陆侧换乘交通方式选择预测方法及系统 Download PDFInfo
- Publication number
- CN117669837A CN117669837A CN202311852113.XA CN202311852113A CN117669837A CN 117669837 A CN117669837 A CN 117669837A CN 202311852113 A CN202311852113 A CN 202311852113A CN 117669837 A CN117669837 A CN 117669837A
- Authority
- CN
- China
- Prior art keywords
- passenger
- travel
- variables
- aviation
- transfer
- 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 111
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000010276 construction Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 239000004243 E-number Substances 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 19
- 230000006399 behavior Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- Traffic Control Systems (AREA)
Abstract
本发明涉及城市综合交通智能分析技术领域，具体而言，涉及一种机场陆侧换乘交通方式选择预测方法及系统，本发明利用RBF神经网络模型判别旅客航空出行属性特征变量重要度，跳过构建传统有序Logit交通行为分析模型的平行性检验步骤，克服冗余变量对量化估计旅客换乘选择的干扰问题，基于旅客换乘交通方式的集约度排序，构建了旅客换乘交通方式选择行为预测模型。该模型有效揭示了旅客个体因素、出行因素、航班因素、换乘场景因素等对换乘交通方式选择的潜在影响程度，量化分析不同类型旅客处于不同出行情景下的换乘方式选择概率分布及边际效应，在刻画到港旅客换乘需求偏好、预测旅客交通方式选择方面具有更好的可解释性。
Description
技术领域
本发明涉及城市综合交通智能分析技术领域，具体而言，涉及一种机场陆侧换乘交通方式选择预测方法及系统。
背景技术
机场综合交通枢纽是国家综合立体交通网的核心组成部分，是实现民航运输与其他交通运输方式高效衔接和一体化运输组织的关键节点。当前国内众多机场国内机场陆侧交通集疏运服务压力大，陆侧公共交通接驳体系出行吸引力不高，旅客更加青睐于个体化交通抵离机场，导致抵离机场道路运行状态常态化拥堵、整体客流疏解效率低。航空出行特征是旅客民航出行全过程的具体特征表现，是驱动换乘行为并影响旅客出行决策的关键因素。
在交通出行行为研究领域，研究者多应用离散选择模型(Discrete ChoiceModel，DCM)、结构方程模型(Structural Equation Model，SEM)、双层规划模型等技术来描述旅客的交通方式选择行为，相关研究在描述城市居民的交通方式选择行为特征方面表现出一定的适用性，但对机场旅客基于航空性出行特征的换乘情景缺乏针对性考虑，且多采用单一模型进行刻画，并侧重于对交通方式选择模型参数作标定，分析影响旅客交通方式选择的影响因子，对旅客深层次换乘需求与方式选择偏好特征的关联分析不充分，导致机场到港旅客换乘陆侧交通方式选择预测精度不足。
发明内容
本发明的目的是提供一种机场陆侧换乘交通方式选择预测方法及系统，来解决现有技术中预测精度不足的问题的。
本发明的实施例通过以下技术方案实现：
第一方面，本发明提供了一种机场陆侧换乘交通方式选择预测方法，包括；
构建旅客航空出行属性特征变量，所述旅客航空出行属性特征变量包括旅客个体特征变量、旅客出行特征变量和旅客换乘场景特征变量；
对旅客航空出行属性特征变量和旅客换乘交通方式进行编码赋值；
关联旅客航空出行属性特征变量构建神经网络模型，通过神经网络模型对旅客航空出行属性特征变量重要度进行排序，剔除影响较弱、重要性程度较低的旅客航空出行属性特征变量；
根据经过神经网络模型筛选剔除后的旅客航空出行属性特征变量构建Logit预测模型，通过Logit预测模型计算出旅客换乘交通方式选择的概率。
在本发明的一实施例中，所述旅客个体特征变量为旅客个体信息的特征变量，所述旅客出行特征变量为与旅客当次航空出行相关属性的特征变量，所述旅客换乘场景特征变量为反映机场到港旅客换乘陆侧交通工具过程中，影响交通方式选择的换乘场景特征属性。
在本发明的一实施例中，所述对旅客航空出行属性特征变量和旅客换乘交通方式进行编码赋值包括；
根据旅客航空出行属性特征变量的具体类型，选择个各特征变量的编码规则，所述编码规则包括二分类变量与多分类变量；
对旅客换乘交通方式选择目标变量，并采用数值量表进行赋值，不同数值代表不同交通方式，数值大小反映旅客选择交通方式的交通出行集约化程度。
在本发明的一实施例中，所述关联旅客航空出行属性特征变量构建神经网络模型包括；
所述神经网络模型为RBF神经网络，并设定神经网络的模型参数，所述模型参数包括解释因子、协变量和被解释因子；
对神经网络模型样本进行划分，并通过RBF多层感知器生成自变量正态化重要性排序图，判别哪些因素对预测值的影响较大，重要性越明显则对预测值影响力越大；
根据每个分类因变量的ROC曲线，输出对应的曲线下面积AUC，结合AUC是否大于0.5评估模型质量；
模型质量通过检验后，根据自变量正态化重要性排序图，完成旅客航空出行属性特征变量优化筛选。
在本发明的一实施例中，所述神经网络模型包括输入层、隐藏层和输出层，所述输入层的协变量重标度方法采用标准化方法，所述隐藏层的激活函数为Softmax函数，所述输出层的激活函数为恒等式，误差函数为平方和。
在本发明的一实施例中，所述模型样本包括训练样本、检验样本和坚持样本，将训练样本、检验样本和坚持样本分别按60％、30％和10％的比例进行分区设置，所述隐藏层的激活函数采用正态化径向基函数构造RBF神经网络。
在本发明的一实施例中，所述构建Logit预测模型包括；
基于旅客选择交通方式的交通出行集约化程度，经过RBF神经网络优化筛选后的旅客航空出行属性特征变量为因变量，旅客换乘交通方式为自变量，构建多分类有序Logit模型，拟合多个二分类logit回归，并基于累积概率构建回归模型。
在本发明的一实施例中，所述旅客个体特征变量包括旅客性别Ig、年龄Ia、职业Ic、年收入Ii、学历Ie；
所述旅客出行特征变量包括旅客航班类型Tf、当次出行目的Tp、旅客年航空出行次数Tc、航班实际降落时间Tt；
所述旅客换乘场景特征变量包括换乘交通方式决策时间Ct、旅客结伴同行情况Cc、旅客接机情况Cp、旅客停留机场意向Cs、旅客行李携带情况Cb。
在本发明的一实施例中，所述对旅客航空出行属性特征变量进行编码包括；
对旅客年龄Ia、职业Ic、年收入Ii、学历Ie、旅客年航空出行次数Tc、航班实际降落时间Tt、换乘交通方式决策时间Ct进行Likert量表多分类编码；
对旅客性别Ig、航班类型Tf、当次出行目的Tp、旅客结伴同行情况Cc、旅客接机情况Cp、旅客停留机场意向Cs、旅客行李携带情况Cb等变量，进行“0/1”编码；
对旅客换乘交通方式，按照交通出行集约程度，构造有序目标变量。
第二方面，本发明还提供了一种机场陆侧换乘交通方式选择预测系统，包括；
特征变量设定模块，被配置为构建旅客航空出行属性特征变量，所述旅客航空出行属性特征变量包括旅客个体特征变量、旅客出行特征变量和旅客换乘场景特征变量；
编码赋值模块，被配置为对旅客航空出行属性特征变量和旅客换乘交通方式进行编码赋值；
神经网络构建模块，被配置为关联旅客航空出行属性特征变量构建神经网络模型，通过神经网络模型对旅客航空出行属性特征变量重要度进行排序，剔除影响较弱、重要性程度较低的旅客航空出行属性特征变量；
预测模型构建模块，被配置为根据经过神经网络模型筛选剔除后的旅客航空出行属性特征变量构建Logit预测模型，通过Logit预测模型计算出旅客换乘交通方式选择的概率；
主控模块，所述主控模块与所述特征变量设定模块、编码赋值模块、神经网络构建模块和预测模型构建模块连接，用于执行权利要求1-9任意一项所述的一种机场陆侧换乘交通方式选择预测方法
本发明实施例的技术方案至少具有如下优点和有益效果：
本发明利用RBF神经网络模型判别旅客航空出行属性特征变量重要度，跳过构建传统有序Logit交通行为分析模型的平行性检验步骤，克服冗余变量对量化估计旅客换乘选择的干扰问题，基于旅客换乘交通方式的集约度排序，构建了旅客换乘交通方式选择行为预测模型。该模型有效揭示了旅客个体因素、出行因素、航班因素、换乘场景因素等对换乘交通方式选择的潜在影响程度，量化分析不同类型旅客处于不同出行情景下的换乘方式选择概率分布及边际效应，在刻画到港旅客换乘需求偏好、预测旅客交通方式选择方面具有更好的可解释性。
基于旅客航空出行的全过程特征变量，建立旅客换乘陆侧交通方式选择偏好量化分析模型，实现旅客换乘交通方式选择行为精准预测，对引导旅客乘坐公共交通工具，促进机场接驳交通方式结构均衡优化，合理配置陆侧交通设施资源具有重要作用。
本发明基于现有技术的缺陷，通过提炼机场到港旅客换乘陆侧交通全过程的出行特征要素，强化关联旅客航空出行特征属性，提出旅客出行特征变量重要度判别技术方法，构建机场旅客交通方式选择模型，精细化刻画机场旅客换乘选择偏好，实现到港旅客换乘交通方式选择精准预测。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对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发明的某些实施例，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为本发明的流程示意图；
图2为本发明RBF神经网络模型结构信息图；
图3为本发明的RBF神经网络模型ROC曲线图；
图4为本发明的旅客航空出行属性特征变量重要度判别图；
图5为本发明的实际计算示例。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
本申请中所出现的模块的划分，是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行。
独立说明的模块或子模块可以是物理上分离的，也可以不是物理上的分离：可以是软件实现的，也可以是硬件实现的，且可以部分模块或子模块通过软件实现，由处理器调用该软件实现这部分模块或子模块的功能，且其它部分模板或子模块通过硬件实现，例如通过硬件电路实现。此外，可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。
请参照图1，本发明提供了一种机场陆侧换乘交通方式选择预测方法，包括；
S101：构建旅客航空出行属性特征变量，所述旅客航空出行属性特征变量包括旅客个体特征变量、旅客出行特征变量和旅客换乘场景特征变量；
S102：对旅客航空出行属性特征变量和旅客换乘交通方式进行编码赋值；
S103：关联旅客航空出行属性特征变量构建神经网络模型，通过神经网络模型对旅客航空出行属性特征变量重要度进行排序，剔除影响较弱、重要性程度较低的旅客航空出行属性特征变量；
S104：根据经过神经网络模型筛选剔除后的旅客航空出行属性特征变量构建Logit预测模型，通过Logit预测模型计算出旅客换乘交通方式选择的概率。
本发明基于现有技术的缺陷，通过提炼机场到港旅客换乘陆侧交通全过程的出行特征要素，强化关联旅客航空出行特征属性，提出旅客出行特征变量重要度判别技术方法，构建机场旅客交通方式选择模型，精细化刻画机场旅客换乘选择偏好，实现到港旅客换乘交通方式选择精准预测。
本发明的一个实例性实施方式，旅客个体特征变量为旅客个体信息的特征变量，包括旅客性别Ig、年龄Ia、职业Ic、年收入Ii、学历Ie等旅客个人社会经济属性，具体的：
旅客性别Ig变量指男、女。
旅客年龄Ia变量指旅客年龄段，包括≤21岁、22-34岁、35-44岁、45-54岁、55-64岁、≥65岁。
旅客职业Ic变量指旅客职业类型，包括公务员、企事业单位、自由职业、学生以及其他。
旅客年收入Ii变量指旅客收入状况，包括年收入5万元以下、5-9.9万元、10-14.9万元、15-19.9万元、20-29.9万元、30-50万元、50万元以上。
旅客学历Ie变量指旅客学历状况，包括初中及以下、高中、大专、本科、硕士、博士。
旅客出行特征变量为与旅客当次航空出行相关属性的特征变量，包括旅客航班类型Tf、当次出行目的Tp、旅客年航空出行次数Tc、航班实际降落时间Tt等，具体的：
旅客航班类型Tf变量指旅客到达该机场搭乘的航班属性，包括国内到达航班、国际到达航班，通常国际旅客的航班飞行时间较国内旅客更长，生理、心理消耗更大，旅客航班类型属性反映到港旅客的身心疲劳程度。
当次出行目的Tp变量指旅客当次航空出行的具体目的，包括非因公出行、因公出行，旅客因公出行选择交通工具时一般受票价约束相对更小，出行目的反映了旅客换乘选择的费用敏感程度。
旅客年航空出行次数Tc变量指旅客当年累计民航出行次数(含当次)，包括1-2次、3-5次、6-10次、11-20次、21次及以上。随着旅客航空出行次数增多，选择交通方式的行为将存在更为显著的经验依赖效应，年航空出行次数可反映旅客出行习惯的固化程度。
航班实际降落时间Tt变量指旅客当次搭乘航班实际降落时段，包括[0:00，05:59)、[6:00，11:59)、[12:00，17:59)、[18:00，23:59)四个时段，旅客在不同时段可选择的交通方式受机场陆侧交通运营影响，反映旅客换乘交通方式选择时间约束。
旅客换乘场景特征变量为反映机场到港旅客换乘陆侧交通工具过程中，影响交通方式选择的换乘场景特征属性，包括换乘交通方式决策时间Ct、旅客结伴同行情况Cc、旅客接机情况Cp、旅客停留机场意向Cs、旅客行李携带情况Cb等，具体的：
换乘交通方式决策时间Ct变量指旅客在出行过程中，决定选择某种换乘交通方式的时间节点，包括飞机起飞前、飞机上、下飞机时、提取行李时、出行李厅后。如旅客在飞机起飞前和到港提取行李后进行决策时，其方式选择时间宽松程度也存在差异。
旅客结伴同行情况Cc变量指旅客是否有同伴共同出行换乘，包括无人同行、有人同行，反映同行情况对旅客换乘选择的影响。
旅客接机情况Cp变量指旅客是否有人员到机场接机，包括无人接机、有人接机，反映接机情况对旅客换乘选择的影响。
旅客停留机场意向Cs变量指旅客是立即离开机场或是稍作停留离开机场，包括不作停留、停留机场，反映旅客选择换乘交通方式的时间急切程度。
旅客行李携带情况Cb变量指旅客是否为携带行李出行，包括提取行李、未提取行李，反映旅客行李携带以及提取时间负担对旅客换乘选择的影响。
本发明的一个实例性实施方式，所述对旅客航空出行属性特征变量和旅客换乘交通方式进行编码赋值包括；根据旅客航空出行属性特征变量的具体类型，选择个各特征变量的编码规则，所述编码规则包括二分类变量与多分类变量；对旅客换乘交通方式选择目标变量，并采用数值量表进行赋值，不同数值代表不同交通方式，数值大小反映旅客选择交通方式的交通出行集约化程度。
具体的，对旅客年龄Ia、职业Ic、年收入Ii、学历Ie、旅客年航空出行次数Tc、航班实际降落时间Tt、换乘交通方式决策时间Ct进行Likert量表多分类编码，即从“1”开始，采用阿拉伯数字依次代表不同变量取值。
对旅客性别Ig、航班类型Tf、当次出行目的Tp、旅客结伴同行情况Cc、旅客接机情况Cp、旅客停留机场意向Cs、旅客行李携带情况Cb等变量，进行“0/1”编码，即采用“0”和“1”分别代表不同取值。
针对旅客换乘交通方式，按照交通出行集约程度，构造有序目标变量，即从个体机动化出行有序向大运量公共交通出行过渡，即用数值“1-6”分别代表私家车、网约车、出租车、团体车、机场巴士、机场轨道交通
例如，旅客换乘交通方式集约度排序：对旅客换乘交通方式选择目标变量G，即私家车G1、网约车G2、出租车G3、团体车G4、机场巴士G5、机场轨道交通G6，按照交通出行集约程度排序，分别赋值代码“1”、“2”、“3”、“4”、“5”、“6”，值越高表示交通出行集约度越高。
如图2所示，本发明的一个实例性实施方式，所述关联旅客航空出行属性特征变量构建神经网络模型包括；神经网络模型为RBF神经网络，并设定神经网络的模型参数，所述模型参数包括解释因子、协变量和被解释因子；对神经网络模型样本进行划分，并通过RBF多层感知器生成自变量正态化重要性排序图，判别哪些因素对预测值的影响较大，重要性越明显则对预测值影响力越大；根据每个分类因变量的ROC曲线，输出对应的曲线下面积AUC，结合AUC是否大于0.5评估模型质量；模型质量通过检验后，根据自变量正态化重要性排序图，完成旅客航空出行属性特征变量优化筛选。
在本实施例中，解释因子包括旅客性别Ig、职业Ic、学历Ie、航班类型Tf、当次出行目的Tp、换乘交通方式决策时间Ct、旅客结伴同行情况Cc、旅客接机情况Cp、旅客停留机场意向Cs、旅客行李携带情况Cb；协变量包括年龄Ia、年收入Ii、旅客年航空出行次数Tc、航班实际降落时间Tt；被解释因子为旅客换乘交通方式选择目标变量G，包括私家车、网约车、出租车、机场巴士、机场轨道交通。输入层协变量重标度方法采用标准化方法，隐藏层激活函数为Softmax函数，输出层激活函数为恒等式，误差函数为平方和。
其次，模型样本包括训练样本、检验样本和坚持样本，将训练样本、检验样本和坚持样本分别按60％、30％和10％的比例进行分区设置，所述隐藏层的激活函数采用正态化径向基函数构造RBF神经网络。
在本实施例中，RBF神经网络由输入层、隐藏层和输出层组成。Xn为输入层变量，即旅客个体特征变量、旅客出行特征变量和旅客换乘场景特征变量；Gi为输出层，即旅客的换乘交通方式选择方案；mj、σj分别为隐层基函数中心和宽度；wij为网络权重；hj为隐藏层输出的归一化径向基函数；fj为高斯型径向基函数，xk为输入变量单元，mjk为输入单元变量K对应的隐藏层个及诶单基函数中心。
隐藏层到输出层权向量，以及基函数中心向量与宽度按照梯度下降法进行更新，η和δ分别为学习速率和惯性系数。
式中，hj(k)为第k个输出神经元与第j个隐藏层神经元迭代计算时的调节权重，为输入变量单元k期望输入估计量，σj(k)为第k个输出神经元与第j个隐藏层神经元迭代计算时的中心宽度，Mj为j隐藏层神经元的基函数中心，X为输入变量单元。
采用接受者操作特性曲线(receiver operating characteristic curve，ROC曲线)评估RBF神经网络模型质量，ROC曲线能够显示在不同分类阈值下的分类器性能，ROC曲线下的面积，即AUC，是一个常用的分类器性能度量。AUC值越接近1，表示分类器性能越好。如图3，当曲线下方区域面积超过0.5，表明较好地刻画了自变量与选择交通方式的非线性映射特征，否则需重新调整RBF神经网络参数。
基于RBF神经网络的属性重要性评价是以神经网络为模型来衡量模型中输入变量对模型输出的影响程度。它一方面基于神经网络模型按照重要性对属性排序；另一方面还可增加网络模型的解释性、减少网络的复杂度、简化网络的结构、提高网络的泛化能力。该步骤创建每个预测变量的重要性和标准化重要性图标，以此确定每个预测变量的重要性。以自变量重要性＞0.05和正态化重要性＞30％作为参考，如图4所示，剔除影响较弱、重要性程度较低的旅客航空出行属性特征变量。
本发明的一个实例性实施方式，所述构建Logit预测模型包括；
基于旅客选择交通方式的交通出行集约化程度，经过RBF神经网络优化筛选后的旅客航空出行属性特征变量为因变量，旅客换乘交通方式为自变量，构建多分类有序Logit模型，拟合多个二分类logit回归，并基于累积概率构建回归模型。
具体的，
Logit(Pj)＝ln[P(g≤j)/P(g≥i+1)]-αj+βv
v＝(I，C，T)
其中，Pj是旅客选择某一种交通方式的概率，j＝1，2，3，4，5；(v1，v2，…，vi)T表示一组自变量；αj是模型截距；β是与某组与v对应的回归系数，v为旅客个体特征变量、旅客出行特征变量和旅客换乘场景特征变量的集合。
如图5所示，国内某机场旅客样本数据作为具体示例，经RBF神经网络筛选变量后的有序logit模型估计旅客选择换乘出租车的模型系数结果如下，其中β是模型回归估计系数，α是模型截距，P＞|z|表示系数显著性，95％Conf.Interval表示模型系数95％置信区间。
一种机场陆侧换乘交通方式选择预测系统，包括；
特征变量设定模块，被配置为构建旅客航空出行属性特征变量，所述旅客航空出行属性特征变量包括旅客个体特征变量、旅客出行特征变量和旅客换乘场景特征变量；
编码赋值模块，被配置为对旅客航空出行属性特征变量和旅客换乘交通方式进行编码赋值；
神经网络构建模块，被配置为关联旅客航空出行属性特征变量构建神经网络模型，通过神经网络模型对旅客航空出行属性特征变量重要度进行排序，剔除影响较弱、重要性程度较低的旅客航空出行属性特征变量；
预测模型构建模块，被配置为根据经过神经网络模型筛选剔除后的旅客航空出行属性特征变量构建Logit预测模型，通过Logit预测模型计算出旅客换乘交通方式选择的概率；
主控模块，所述主控模块与所述特征变量设定模块、编码赋值模块、神经网络构建模块和预测模型构建模块连接，用于执行权利要求1-9任意一项所述的一种机场陆侧换乘交通方式选择预测方法
另外，在本发明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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元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，可以存储在一个计算机可读取存储介质中。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)执行本发明各个实施例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-OnlyMemory)、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。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种机场陆侧换乘交通方式选择预测方法，其特征在于，包括；
构建旅客航空出行属性特征变量，所述旅客航空出行属性特征变量包括旅客个体特征变量、旅客出行特征变量和旅客换乘场景特征变量；
对旅客航空出行属性特征变量和旅客换乘交通方式进行编码赋值；
关联旅客航空出行属性特征变量构建神经网络模型，通过神经网络模型对旅客航空出行属性特征变量重要度进行排序，剔除影响较弱、重要性程度较低的旅客航空出行属性特征变量；
根据经过神经网络模型筛选剔除后的旅客航空出行属性特征变量构建Logit预测模型，通过Logit预测模型计算出旅客换乘交通方式选择的概率。
2.根据权利要求1所述的一种机场陆侧换乘交通方式选择预测方法，其特征在于，所述旅客个体特征变量为旅客个体信息的特征变量，所述旅客出行特征变量为与旅客当次航空出行相关属性的特征变量，所述旅客换乘场景特征变量为反映机场到港旅客换乘陆侧交通工具过程中，影响交通方式选择的换乘场景特征属性。
3.根据权利要求1所述的一种机场陆侧换乘交通方式选择预测方法，其特征在于，所述对旅客航空出行属性特征变量和旅客换乘交通方式进行编码赋值包括；
根据旅客航空出行属性特征变量的具体类型，选择个各特征变量的编码规则，所述编码规则包括二分类变量与多分类变量；
对旅客换乘交通方式选择目标变量，并采用数值量表进行赋值，不同数值代表不同交通方式，数值大小反映旅客选择交通方式的交通出行集约化程度。
4.根据权利要求3所述的一种机场陆侧换乘交通方式选择预测方法，其特征在于，所述关联旅客航空出行属性特征变量构建神经网络模型包括；
所述神经网络模型为RBF神经网络，并设定神经网络的模型参数，所述模型参数包括解释因子、协变量和被解释因子；
对神经网络模型样本进行划分，并通过RBF多层感知器生成自变量正态化重要性排序图，判别哪些因素对预测值的影响较大，重要性越明显则对预测值影响力越大；
根据每个分类因变量的ROC曲线，输出对应的曲线下面积AUC，结合AUC是否大于0.5评估模型质量；
模型质量通过检验后，根据自变量正态化重要性排序图，完成旅客航空出行属性特征变量优化筛选。
5.根据权利要求4所述的一种机场陆侧换乘交通方式选择预测方法，其特征在于，所述神经网络模型包括输入层、隐藏层和输出层，所述输入层的协变量重标度方法采用标准化方法，所述隐藏层的激活函数为Softmax函数，所述输出层的激活函数为恒等式，误差函数为平方和。
6.根据权利要求5所述的一种机场陆侧换乘交通方式选择预测方法，其特征在于，所述模型样本包括训练样本、检验样本和坚持样本，将训练样本、检验样本和坚持样本分别按60％、30％和10％的比例进行分区设置，所述隐藏层的激活函数采用正态化径向基函数构造RBF神经网络。
7.根据权利要求6所述的一种机场陆侧换乘交通方式选择预测方法，其特征在于，所述构建Logit预测模型包括；
基于旅客选择交通方式的交通出行集约化程度，经过RBF神经网络优化筛选后的旅客航空出行属性特征变量为因变量，旅客换乘交通方式为自变量，构建多分类有序Logit模型，拟合多个二分类logit回归，并基于累积概率构建回归模型。
8.根据权利要求3所述的一种机场陆侧换乘交通方式选择预测方法，其特征在于，所述旅客个体特征变量包括旅客性别Ig、年龄Ia、职业Ic、年收入Ii、学历Ie；
所述旅客出行特征变量包括旅客航班类型Tf、当次出行目的Tp、旅客年航空出行次数Tc、航班实际降落时间Tt；
所述旅客换乘场景特征变量包括换乘交通方式决策时间Ct、旅客结伴同行情况Cc、旅客接机情况Cp、旅客停留机场意向Cs、旅客行李携带情况Cb。
9.根据权利要求8所述的一种机场陆侧换乘交通方式选择预测方法，其特征在于，所述对旅客航空出行属性特征变量进行编码包括；
对旅客年龄Ia、职业Ic、年收入Ii、学历Ie、旅客年航空出行次数Tc、航班实际降落时间Tt、换乘交通方式决策时间Ct进行Likert量表多分类编码；
对旅客性别Ig、航班类型Tf、当次出行目的Tp、旅客结伴同行情况Cc、旅客接机情况Cp、旅客停留机场意向Cs、旅客行李携带情况Cb等变量，进行“0/1”编码；
对旅客换乘交通方式，按照交通出行集约程度，构造有序目标变量。
10.一种机场陆侧换乘交通方式选择预测系统，其特征在于，包括；
特征变量设定模块，被配置为构建旅客航空出行属性特征变量，所述旅客航空出行属性特征变量包括旅客个体特征变量、旅客出行特征变量和旅客换乘场景特征变量；
编码赋值模块，被配置为对旅客航空出行属性特征变量和旅客换乘交通方式进行编码赋值；
神经网络构建模块，被配置为关联旅客航空出行属性特征变量构建神经网络模型，通过神经网络模型对旅客航空出行属性特征变量重要度进行排序，剔除影响较弱、重要性程度较低的旅客航空出行属性特征变量；
预测模型构建模块，被配置为根据经过神经网络模型筛选剔除后的旅客航空出行属性特征变量构建Logit预测模型，通过Logit预测模型计算出旅客换乘交通方式选择的概率；
主控模块，所述主控模块与所述特征变量设定模块、编码赋值模块、神经网络构建模块和预测模型构建模块连接，用于执行权利要求1-9任意一项所述的一种机场陆侧换乘交通方式选择预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311852113.XA CN117669837A (zh) | 2023-12-28 | 2023-12-28 | 一种机场陆侧换乘交通方式选择预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311852113.XA CN117669837A (zh) | 2023-12-28 | 2023-12-28 | 一种机场陆侧换乘交通方式选择预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117669837A true CN117669837A (zh) | 2024-03-08 |
Family
ID=90075260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311852113.XA Pending CN117669837A (zh) | 2023-12-28 | 2023-12-28 | 一种机场陆侧换乘交通方式选择预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117669837A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117745108A (zh) * | 2024-02-20 | 2024-03-22 | 中国民用航空飞行学院 | 一种先进空中交通的客流需求预测方法和系统 |
-
2023
- 2023-12-28 CN CN202311852113.XA patent/CN117669837A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117745108A (zh) * | 2024-02-20 | 2024-03-22 | 中国民用航空飞行学院 | 一种先进空中交通的客流需求预测方法和系统 |
| CN117745108B (zh) * | 2024-02-20 | 2024-05-07 | 中国民用航空飞行学院 | 一种先进空中交通的客流需求预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108304974B (zh) | 一种基于优化C5.0和Apriori的民航NOSHOW预测及强因子分析方法 | |
| CN117669837A (zh) | 一种机场陆侧换乘交通方式选择预测方法及系统 | |
| CN106372674A (zh) | 在线叫车服务平台中的司机分类方法和装置 | |
| CN107067076A (zh) | 一种基于时滞narx神经网络的客流预测方法 | |
| CN106529711A (zh) | 用户行为预测方法及装置 | |
| CN111899059A (zh) | 一种基于区块链的航司收益管理动态定价方法 | |
| Li et al. | Flight delay prediction from spatial and temporal perspective | |
| CN113591380A (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
| CN111047078A (zh) | 交通特征预测方法、系统及存储介质 | |
| Marcos et al. | A machine learning approach to air traffic route choice modelling | |
| CN117056785A (zh) | 基于自适应模型扰动的联邦学习分类模型训练方法 | |
| Monmousseau et al. | Predicting passenger flow at Charles de Gaulle airport security checkpoints | |
| CN110751395A (zh) | 一种旅客行程状态确定方法、装置及服务器 | |
| CN117252307B (zh) | 流量预测方法、装置、计算机设备和存储介质 | |
| CN109543922A (zh) | 用于有桩共享单车站点群的分时段借还量预测方法 | |
| 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 | |
| CN113269402A (zh) | 一种航班舱位的控制方法、装置及计算机设备 | |
| Straubinger et al. | Proposing a scenario-based estimation of global urban air mobility demand | |
| 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 | |
| CN110619422A (zh) | 一种智能车站客流状况预测方法和系统 | |
| Florio et al. | Neural network models for classification and forecasting of freeway traffic flow stability | |
| Koç et al. | Demand forecasting for domestic air transportation in Turkey using artificial neural networks | |
| CN115796030A (zh) | 一种基于图卷积的交通流量预测方法 | |
| Vadlamani et al. | Using machine learning to analyze and predict entry patterns of low-cost airlines: a study of Southwest Airlines | |
| Almaameri et al. | Predicting Airplane Flight Delays Using Neural Networks |
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 |