一种机场陆侧换乘交通方式选择预测方法及系统与流程

本发明涉及城市综合交通智能分析，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：

1、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。

2、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。

技术实现思路

1、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。

2、本发明的实施例通过以下技术方案实现：

3、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；

4、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；

5、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；

6、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；

7、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。

8、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。

9、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；

10、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；

11、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。

12、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；

13、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；

14、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；

15、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；

16、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。

17、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。

18、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。

19、在本发明的一实施例中，所述构建logit预测模型包括；

20、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。

21、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；

22、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；

23、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。

24、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；

25、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；

26、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；

27、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。

28、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；

29、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；

30、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；

31、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；

32、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；

33、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

34、本发明实施例的技术方案至少具有如下优点和有益效果：

35、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。

36、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。

37、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。