离港旅客安检区到达分布的预测研究

发布时间：2020-07-22 07:37

【摘要】：随着国内民航旅客运输量的接年攀升,民航旅客安检区服务资源利用效率几近饱和的现状成为了限制机场旅客服务质量的瓶颈。传统的安检区旅客分布预测方法难以对安检区旅客服务资源的运行指挥提供十分精准数据支持,且离港旅客安检服务环节的复杂性等一系列问题致使其成为了旅客排队滞留的重灾区。因此,如何设计精准有效的安检区旅客到达分布预测模型成为了提升航站楼内安检运行效率的研究重点。为了解决机场安检区的旅客到达分布预测问题,本文利用历史已执行的航班数据,对各个航班离港旅客的安检的到达概率密度进行曲线拟合。通过对拟合模型的论证分析,确定了以二阶高斯混合模型为研究对象。随后对单航班拟合模型的结构参数与航班计划特征之间的进行关联性分析,发现了临近航班短时客流量等航班特征与结构参数间的相关性,并基于此构建了单航班高斯拟合结构参数的预测模型(RBF-GMM)。针对历史未执行新增航班,采用k近邻算法,选取出与预测航班特征信息最为贴近的历史航班,实现对拟合模型结构参数的预测。最后结合前期的预测结果与航班客座率等对各单航班旅客的到达分布进行重构。通过对同一安检区所有航班进行平移叠加运算,完成了安检区多航班离港旅客的到达分布预测模型。本文所构建的预测模型能够结合最新的离港航班计划,预测一天内各安检区的旅客到达分布,一定程度上排除了航班计划变更引发的干扰,通过对多个安检区进行仿真验证分析,预测精度能够到达近90%,为航站楼安检区旅客到达分布的精确预测提供了一种新的解决思路。
【学位授予单位】：中国民航大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：V354
【图文】：

示意图,神经网络,结构示意图

在人工神经网络在应用过程当中，无需确定输入与输出之间的具体数学关通过训练，学习规则就可实现输入和输出的任意非线性映射。1986 年 RumMcClelland 等人提出 BP(backpropagation)神经网络的概念，它是一种按照误差算法训练的多层前馈神经网络。BP 网络在诸如分类、图像识别、参数学习等泛应用，且通过改进和形式的变化，衍生了许多以此为理论基础的新的神经网BP 算法基本原理：信号在输入层、隐含层和输出层之间传递，正向传播时号通过隐含层作用于输出节点，因此输出信号通过他们之间的非线性映射产生的输出信号与实际输出之间存在差异时，就会将误差信号进行反向传递，最终层到达输入层，在这个过程当中每一层的各个单元会将误差进行分摊，从而对的权值进行调整。沿着误差梯度逐步下降的方向，不断进行训练学习，对输入层节点、输出节点之间的阈值及联节强度进行调优，训练过程以达到最小误差志，并以此时的阈值与权值作为最终的网络参数。如果再次对训练好的网络输息，就会转换输出误差最小的对应信息，其网络结构示意图如 3-1 所示：

神经网络,结构示意图,航班,旅客

图 3-2 RBF 神经网络的结构示意图计划的不固定性，同一航班也并一定是天天都发，部分航班可几天发，且航班客座率每天也有很大的不同，并非如同地铁定。历史旅客出行数据安检旅客到达分布函数航班、旅客特征数据拟合模型结构参数特征数据输入神经网络模型训练提取并标准化处理

数学特征,高斯分布,旅客,离港

中国民航大学硕士学位论文析诸多特征信息对旅客到达的影响。航班离港时刻主导的旅客到达聚集模型（TD001 12 2 2ln(t t )p(t t ) erf = 港时刻，0（p t - t）为旅客的累计到达比例。设wt 距航班离港时刻的等待时间。分析发现，在 0< 1 <2 小时的范围内，正常各检区间一般设定在航班起飞时间前的 30 至 1峰时段更是如此。旅客到达航站楼后，同一安在其安检时段的 2 小时范围内。

【参考文献】