基于改进K近邻算法的航站楼离港旅客到达规律研究
发布时间：2021-06-24 04:29
随着我国民航运输客流量逐年稳定增长,我国各大机场不同程度出现运行能力饱和态势。航站楼传统的资源配置方式已不能满足机场客流量增长的需求,全国各大机场不同程度地出现了旅客排队时间长、旅客服务质量下降等现象。如何在有限资源下提高机场资源利用率成为目前热点问题。航站楼短时客流量预测是航站楼旅客服务流程优化的关键核心问题,其预测精度的高低直接影响了上述难题的破解效果。考察了几种常见的短时预测方法,发现K近邻非参数回归算法更适合用于航站楼短时客流量的预测。但由于传统K近邻算法并未考虑影响航站楼短时客流量影响因素,其存在不具备良好鲁棒性的缺陷。于是借鉴电力系统预测方法,引入“相似日”预测思想,在传统K近邻算法基础上增加了航班计划状态模式匹配方法,以航班计划包含的多维属性作为特征选取相似历史运营日作为预测基准向量,建立基于航站楼短时客流量预测的双层K近邻模型（T-K近邻）,实验证明T-K近邻模型预测结果相对传统K近邻模型有更高精度以及良好的鲁棒性。但只考虑一种特征作为影响因素不具备良好的说服力,于是借助机场运行控制中心大数据平台,进一步挖掘运营日的特征属性,在考虑航班计划影响因子的前提下,加入天气状况...
【文章来源】：中国民航大学天津市
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
近五年我国民航业旅客吞吐量统计
图 2-1 历史数据库展示图态向量的定义近邻算法通过距离函数在历史数据库中搜索近邻时，需要通过某些特征来进此便引入状态向量，状态向量即为数据状态特征，用于描述历史数据库中的目前没有统一的标准去定义状态向量，研究者都是根据具体的预测场景去选态向量，将越多的因素考虑到状态向量中对预测精度的提高并没有帮助，反态向量会导致算法的运算时间增加，不能满足本文短时预测实时性的需求。及到的预测场景中，影响航站楼短时客流量主要有天气、星期类型、淡旺季类、航班计划、机场附近交通情况和突发事件等因素。考虑到旅客是基于航班动到达机场（详情见 2.22 节），再结合本文获取数据的实际情况与算法效率选取航班计划和相邻时段旅客流量两个因素作为本文 K 近邻算法的状态向量.2.3 节中的定义 2.3。离度量方式
图 2-2 K 近邻算法流程果分析相关要素定义完成后，通过 K 近邻算法对取连续 5 天（2016-09-09~2016-09-13）作为末，后面从时间维度出发，选择预测日包含淡为预测基准向量，并选择相应基准向量前半 3 个评价指标：平均绝对误差 MAE、均方的预测精度。MAE 的定义如式(2.3)所示，Miy
【参考文献】：
期刊论文
[1]基于双层K近邻算法航站楼短时客流量预测[J]. 邢志伟,何川,罗谦,蒋祥枫,刘畅,丛婉. 北京航空航天大学学报. 2019(01)
[2]基于效用价值驱动的旅客出行动力学研究与建模[J]. 邢志伟,文涛,罗谦,丛婉,魏志强,廖必凯. 北京航空航天大学学报. 2018(02)
[3]基于相似日和CAPSO-SNN的光伏发电功率预测[J]. 陈通,孙国强,卫志农,臧海祥,孙永辉,Kwok W Cheung,李慧杰. 电力自动化设备. 2017(03)
[4]航空旅客群体移动行为特性分析[J]. 黄飞虎,彭舰,由明阳. 物理学报. 2016(22)
[5]基于ARIMA与ESN的短期风速混合预测模型[J]. 田中大,李树江,王艳红,高宪文. 太阳能学报. 2016(06)
[6]基于混沌理论与改进回声状态网络的网络流量多步预测[J]. 田中大,李树江,王艳红,王向东. 通信学报. 2016(03)
[7]基于航班离港时刻主导的单航班离港旅客聚集模型[J]. 邢志伟,冯文星,罗谦,李学哲,白楠,潘野,李定亮. 电子科技大学学报. 2015(05)
[8]铁路客运专线模糊k近邻客流预测模型[J]. 豆飞,贾利民,秦勇,徐杰,王莉. 中南大学学报(自然科学版). 2014(12)
[9]短时交通流预测的改进K近邻算法[J]. 谢海红,戴许昊,齐远. 交通运输工程学报. 2014(03)
[10]基于社会力模型的拥挤人群状态研究与仿真[J]. 李连天. 软件导刊. 2013(08)
博士论文
[1]机场旅客与行李流程的规划和仿真研究[D]. 陆迅.南京航空航天大学 2008
[2]基于k近邻分类准则的特征变换算法研究[D]. 张巍.复旦大学 2007
硕士论文
[1]基于Anylogic的航站楼旅客离港业务流程仿真研究[D]. 刘浩.中国民用航空飞行学院 2016
[2]基于K近邻非参数回归的短时交通流预测算法研究[D]. 林川.电子科技大学 2015
[3]基于数据挖掘的航站楼客流量预测研究[D]. 田原.哈尔滨工业大学 2014
[4]基于Anylogic的成都北站铁路客流换乘城市轨道交通仿真研究[D]. 陈建宇.西南交通大学 2014
[5]基于混沌时间序列的航站楼离港旅客流量预测[D]. 郭圆圆.哈尔滨工业大学 2013
[6]航站楼旅客流量异常预警研究[D]. 邓双龙.哈尔滨工业大学 2013
[7]非参数回归的研究及其应用[D]. 刘志刚.温州大学 2012
[8]基于非参数回归的路网短时交通状态预测[D]. 马毅林.北京交通大学 2008
本文编号：3246372
【文章来源】：中国民航大学天津市
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
近五年我国民航业旅客吞吐量统计
图 2-1 历史数据库展示图态向量的定义近邻算法通过距离函数在历史数据库中搜索近邻时，需要通过某些特征来进此便引入状态向量，状态向量即为数据状态特征，用于描述历史数据库中的目前没有统一的标准去定义状态向量，研究者都是根据具体的预测场景去选态向量，将越多的因素考虑到状态向量中对预测精度的提高并没有帮助，反态向量会导致算法的运算时间增加，不能满足本文短时预测实时性的需求。及到的预测场景中，影响航站楼短时客流量主要有天气、星期类型、淡旺季类、航班计划、机场附近交通情况和突发事件等因素。考虑到旅客是基于航班动到达机场（详情见 2.22 节），再结合本文获取数据的实际情况与算法效率选取航班计划和相邻时段旅客流量两个因素作为本文 K 近邻算法的状态向量.2.3 节中的定义 2.3。离度量方式
图 2-2 K 近邻算法流程果分析相关要素定义完成后，通过 K 近邻算法对取连续 5 天（2016-09-09~2016-09-13）作为末，后面从时间维度出发，选择预测日包含淡为预测基准向量，并选择相应基准向量前半 3 个评价指标：平均绝对误差 MAE、均方的预测精度。MAE 的定义如式(2.3)所示，Miy
【参考文献】：
期刊论文
[1]基于双层K近邻算法航站楼短时客流量预测[J]. 邢志伟,何川,罗谦,蒋祥枫,刘畅,丛婉. 北京航空航天大学学报. 2019(01)
[2]基于效用价值驱动的旅客出行动力学研究与建模[J]. 邢志伟,文涛,罗谦,丛婉,魏志强,廖必凯. 北京航空航天大学学报. 2018(02)
[3]基于相似日和CAPSO-SNN的光伏发电功率预测[J]. 陈通,孙国强,卫志农,臧海祥,孙永辉,Kwok W Cheung,李慧杰. 电力自动化设备. 2017(03)
[4]航空旅客群体移动行为特性分析[J]. 黄飞虎,彭舰,由明阳. 物理学报. 2016(22)
[5]基于ARIMA与ESN的短期风速混合预测模型[J]. 田中大,李树江,王艳红,高宪文. 太阳能学报. 2016(06)
[6]基于混沌理论与改进回声状态网络的网络流量多步预测[J]. 田中大,李树江,王艳红,王向东. 通信学报. 2016(03)
[7]基于航班离港时刻主导的单航班离港旅客聚集模型[J]. 邢志伟,冯文星,罗谦,李学哲,白楠,潘野,李定亮. 电子科技大学学报. 2015(05)
[8]铁路客运专线模糊k近邻客流预测模型[J]. 豆飞,贾利民,秦勇,徐杰,王莉. 中南大学学报(自然科学版). 2014(12)
[9]短时交通流预测的改进K近邻算法[J]. 谢海红,戴许昊,齐远. 交通运输工程学报. 2014(03)
[10]基于社会力模型的拥挤人群状态研究与仿真[J]. 李连天. 软件导刊. 2013(08)
博士论文
[1]机场旅客与行李流程的规划和仿真研究[D]. 陆迅.南京航空航天大学 2008
[2]基于k近邻分类准则的特征变换算法研究[D]. 张巍.复旦大学 2007
硕士论文
[1]基于Anylogic的航站楼旅客离港业务流程仿真研究[D]. 刘浩.中国民用航空飞行学院 2016
[2]基于K近邻非参数回归的短时交通流预测算法研究[D]. 林川.电子科技大学 2015
[3]基于数据挖掘的航站楼客流量预测研究[D]. 田原.哈尔滨工业大学 2014
[4]基于Anylogic的成都北站铁路客流换乘城市轨道交通仿真研究[D]. 陈建宇.西南交通大学 2014
[5]基于混沌时间序列的航站楼离港旅客流量预测[D]. 郭圆圆.哈尔滨工业大学 2013
[6]航站楼旅客流量异常预警研究[D]. 邓双龙.哈尔滨工业大学 2013
[7]非参数回归的研究及其应用[D]. 刘志刚.温州大学 2012
[8]基于非参数回归的路网短时交通状态预测[D]. 马毅林.北京交通大学 2008
本文编号：3246372
本文链接：https://www.wllwen.com/jingjilunwen/jtysjj/3246372.html
