一种机场客流量的时空分布预测方法与流程

本发明涉及机场客流量预测技术领域，特别涉及一种机场客流量的时空分布预测方法。

背景技术：

机场拥有巨大的旅客吞吐量，与巨大的人员流动相对应的则是巨大的服务压力。例如北京首都国际机场，其为中国客流量最大的机场，科学准确的预测首都机场客流量发展趋势，能够为首都机场提升旅客服务质量，制定未来发展规划提供科学决策依据。安防、安检、突发事件应急、值机、行李追踪等机场服务都希望能够预测未来的旅客吞吐量，并据此提前调配人力物力，更好的为旅客服务。而目前并没有一种较好的预测旅客吞吐量的方法，导致机场容易出现过拥挤的区域。但是，仅仅预测旅客吞吐量是远远不够的，旅客拥挤往往是某些区域拥挤，若因为旅客流量大，则每个登机口候机室都安排工作人员引导，必将浪费很大的人力物力。因此，必须针对性的安排工作人员，预测旅客流量的时空分布变得极为重要，机场可根据旅客的时空分布，针对性的安排工作人员进行引导，保证机场秩序的稳定。

技术实现要素：

本发明提供一种机场客流量的时空分布预测方法，解决现有技术中机场客流量预测局限性强，无法适应客流时空分布的技术问题。

为解决上述技术问题，本发明提供了一种机场客流量的时空分布预测方法，包括：

wifi连接相关数据采集，获取当前时段及之前的历史数据，具体包括：机场wifi连接总人数、安检过关人数、旅客进入机场的时间、旅客离开机场的时间、航班到达机场的时间、航班离开机场的时间以及机场登机口区域各wifi接入点连接人数；

特征提取，分别以10分钟，30分钟以及60分钟为单位将所述wifi连接相关数据进行分类；

模型建立，

基于分类的所述wifi连接相关数据，依据逻辑斯蒂回归模型对下一时段的所述wifi连接相关数据得到初步预测值；

利用线性回归模型对当前时段的所述wifi连接相关数据进行预测并获取与真实值的预测偏差值；

将所述初步预测值与所述预测偏差值加和得到最终预测值。

进一步地，所述方法还包括：

根据所述下一时段的所述wifi连接相关数据的最终预测值相对其实际值的准确度，修正所述逻辑斯蒂回归模型和所述线性回归模型的参数权值。

进一步地，所述特征提取步骤包括：

分别以10分钟，30分钟以及60分钟为单位时间段将所述wifi连接相关数据进行分类，并求取各时间段的所述wifi连接相关数据中各数据的平均值，作为所述wifi连接相关数据的特征值参与模型建立。

进一步地，在所述wifi连接相关数据采集步骤中，当所述wifi连接相关数据中的数据出现缺失时，以缺失值对应的时段的历史数据的均值补充。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例中提供的机场客流量的时空分布预测方法，相比传统的客流量预测的方法，本发明充分利用历史wifi连接信息，不仅预测了客流量而且预测出了客流量的时空分布，更加有利于机场管理人员进行管理调度。相比于传统的构建预测模型，本发明创造性的提出了残差预测模型，与预测结果模型相结合，得到更加准确的预测值。线上预测与线下调参相结合，既保证了客流量预测的实时性，也保证了预测的准确性。多路并行线性回归，减少了预测的时间，提高了预测方法的实时性。

附图说明

图1为本发明提供的机场客流量的时空分布预测方法的总体流程图；

图2为本发明提供的机场客流量的时空分布预测方法的线下模型流程图.

具体实施方式

本申请实施例通过提供一种机场客流量的时空分布预测方法，解决现有技术中机场客流量预测局限性强，无法适应客流时空分布的技术问题。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细说明，应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

参见图1和图2，一种机场客流量的时空分布预测方法，包括：

wifi连接相关数据采集，获取当前时段及之前的历史数据，具体包括：机场wifi连接总人数、安检过关人数、旅客进入机场的时间、旅客离开机场的时间、航班到达机场的时间、航班离开机场的时间以及机场登机口区域各wifi接入点连接人数；

特征提取，分别以10分钟，30分钟以及60分钟为单位将所述wifi连接相关数据进行分类；

模型建立，

基于分类的所述wifi连接相关数据，依据逻辑斯蒂回归模型对下一时段的所述wifi连接相关数据得到初步预测值；

利用线性回归模型对当前时段的所述wifi连接相关数据进行预测并获取与真实值的预测偏差值；

将所述初步预测值与所述预测偏差值加和得到最终预测值。

进一步地，所述方法还包括：

根据所述下一时段的所述wifi连接相关数据的最终预测值相对其实际值的准确度，修正所述逻辑斯蒂回归模型和所述线性回归模型的参数权值。

进一步地，所述特征提取步骤包括：

分别以10分钟，30分钟以及60分钟为单位时间段将所述wifi连接相关数据进行分类，并求取各时间段的所述wifi连接相关数据中各数据的平均值，作为所述wifi连接相关数据的特征值参与模型建立。

进一步地，在所述wifi连接相关数据采集步骤中，当所述wifi连接相关数据中的数据出现缺失时，以缺失值对应的时段的历史数据的均值补充。

下面具体说明

s1采集wifi连接相关数据

获取机场各个wifi连接点的相关数据，包括：a.不同时间连接wifi的人数，以10分钟为间隔进行统计；b.不同时间安检旅客过关人数，以10分钟为间隔进行统计；c.每个旅客进入机场的时间以及离开机场的时间；d.机场每天航班安排计划，每架飞机到达机场的时间以及每架飞机离开机场的时间；e.机场每个登机口的区域划分信息；f.每个旅客连接机场wifi时所处位置的坐标信息。

s2对缺失数据、不符合格式的数据进行预处理

对各个表中的特殊数据进行处理。填充连接wifi点的人数、安检旅客过关人数信息中的缺失值，以缺失值所在日期前后2天同时段值的平均值进行填充，已获得可处理的完整数据；机场航班有时会因某些原因临时取消，此时会导致旅客大量滞留，wifi连接数猛增，因此应将每天航班信息里，只有飞机到达时间的信息删除，排除此类特殊信息对总体预测结果的干扰；机场每个登机口的区域划分信息与每个旅客连接机场wifi时所处位置的坐标信息有着较强的相关性，因为一般来说机场大部分旅客都处在自己航班的登机口附近，因此将机场每个登机口的区域划分信息与wifi接入点坐标进行对应，将机场登机口区域进行坐标转换。

s3不同模型分别进行特征提取

对初步预测模型和残差预测模型分别提取特征，初步预测模型提取的特征为：最近10天同时段10分钟wifi平均连接数，最近10天同时段30分钟wifi平均连接数，最近10天同时段60分钟wifi平均连接数等。残差预测模型提取的特征为：该wifi点的登机口安排的热门航班数，过去10分钟登机口飞机起降情况，过去30分钟登机口飞机起降情况，过去60分钟登机口飞机起降情况。

s4利用历史数据进行线下模型建立

利用s1获取的历史信息，线下建立预测模型，线下模型采用整体初步预测模型、残差预测模型、最终结果模型相结合的方法。整体初步预测模型是指，利用现有的逻辑斯蒂回归模型，对wifi连接数进行初步预测，得到机场每个区域wifi连接数；残差预测模型是指，得到预测值的偏差值，利用历史数据对预测时间之前3小时的wifi连接数进行预测，而这3个小时的wifi实际连接数是已知的，将预测值与实际值相减得到预测残差；最终结果预测模型是指，将wifi连接数的预测值与残差值相结合，得到较理想的预测值。首先利用逻辑斯蒂回归模型进行初步预测，得到初步结果预测值。其次，利用线性回归模型对预测时间之前3小时的wifi连接数的历史数据进行预测，而这3个小时的wifi实际连接数是已知的，将预测值与实际值相减得到预测残差，利用残差值就可以进一步提高预测的精度。最后将整体初步的预测值与残差值加和，得到最终wifi连接数的预测值，即接下来三小时每10分钟间隔wifi连接人数。

s5线上实时预测wifi点wifi连接数

采用s4的得到的最终模型，利用当前时间的历史数据，实时预测得到接下来3个小时每隔10分钟各个wifi连接点的wifi连接数，来间接预测机场客流量的时空分布。并且根据实际连接的值，得到预测的准确度，将预测结果的准确度反馈给线下模型。

s6根据线上预测反馈的信息进行线下调整模型

根据线上的分数反馈，调整线下模型，使模型变得更加精准稳定。如果反馈的准确率低于50％，则会重新进行提取特征，对模型特征进行优化，不断的调整逻辑斯蒂模型、线性回归模型中各个参数的权值，以达到更好的预测效果。并进行多次线下测试，选取正确率最高的模型提交给线上，保证了线上实时预测的正确率。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请实施例中提供的机场客流量的时空分布预测方法，相比传统的客流量预测的方法，本发明充分利用历史wifi连接信息，不仅预测了客流量而且预测出了客流量的时空分布，更加有利于机场管理人员进行管理调度。相比于传统的构建预测模型，本发明创造性的提出了残差预测模型，与预测结果模型相结合，得到更加准确的预测值。线上预测与线下调参相结合，既保证了客流量预测的实时性，也保证了预测的准确性。多路并行线性回归，减少了预测的时间，提高了预测方法的实时性。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。