[發明專利]一種機場到港旅客乘坐出租車短時需求集成預測方法

在審

• 申請號: 202210630008.0
• 申請日: 2022-06-06
• 公開（公告）號: CN114943356A
• 公開（公告）日: 2022-08-26
• 發明（設計）人: 羊釗;宋溢露;包杰;曾維理;叢瑋;謝華;張洪海
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06Q10/02
• 分類號: G06Q10/02;G06K9/62;G06N3/04;G06N3/08;G06Q10/04;G06Q10/06;G06Q50/30
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 賀翔

1.一種機場到港旅客乘坐出租車短時需求集成預測方法，其特征在于，步驟如下：

(1)采集機場到港旅客乘坐出租車訂單數據、機場到港航班數據、機場到港旅客乘坐地鐵閘門數據、機場天氣報文數據；

(2)將上述步驟(1)中采集到的數據分別處理為機場到港旅客乘坐出租車流量時間序列數據、機場到港旅客下機流量時間序列數據集、機場到港旅客乘坐地鐵流量時間序列數據和天氣時間序列數據，結合時間特征生成綜合時間序列數據集；將得到的機場到港旅客乘坐出租車流量時間序列數據、機場到港旅客下機流量時間序列數據集、機場到港旅客乘坐地鐵流量時間序列數據構建為復合流量數據集；

(3)采用K-Means模型對步驟(2)中的復合流量數據集進行無監督聚類，基于復合流量相似性距離進行相似性度量，計算不同類別數下的輪廓系數，選取輪廓系數最大的類別數作為無監督聚類算法的K值，得到K個聚類結果；

(4)針對步驟(3)中的聚類結果對步驟(2)中的綜合時間序列數據集進行分類，將每個分類結果劃分為訓練集和測試集；

(5)建立K個LSTM-Att模型，分別用聚類后第g類別的訓練集數據訓練第g個LSTM-Att模型，g∈[1,K]，得到K個訓練后的LSTM-Att模型；

(6)建立K個XGBoost模型，分別用聚類后第g類別的訓練集數據訓練第g個XGBoost模型，g∈[1,K]，得到K個訓練后的XGBoost模型；

(7)建立K個LightGBM模型，分別用聚類后第g類別的訓練集數據訓練第g個LightGBM模型，g∈[1,K]，得到K個訓練后的LightGBM模型；

(8)建立K個堆疊法集成預測模型，用步驟(5)、步驟(6)、步驟(7)中的第g個模型作為初級學習器，g∈[1,K]，學習不同模型的權重，得到K個訓練后的堆疊法集成預測模型；

(9)基于集成預測模型對K個測試集進行預測。

2.根據權利要求1所述的機場到港旅客乘坐出租車短時需求集成預測方法，其特征在于，所述步驟(1)中機場到港航班數據包括：機場到港航班機型數據、機場各時間段到港航班架次數據、機場到港航班客座率數據。

3.根據權利要求2所述的機場到港旅客乘坐出租車短時需求集成預測方法，其特征在于，所述步驟(2)的具體過程如下：

(21)生成機場到港旅客乘坐出租車流量時間序列數據；

對步驟(1)中的機場到港旅客乘坐出租車訂單數據進行噪點過濾和時間歸屬處理，得到機場到港旅客乘坐出租車流量時間序列數據；

(22)生成機場到港旅客下機流量時間序列數據集；

對步驟(1)中的機場到港航班機型數據、機場各時間段到港航班架次數據、機場到港航班客座率數據進行處理，求得機場到港旅客下機數量，求解公式為：

式中，f表示機場到港旅客下機數量，N_i表示第i種機型到港航班數量，S_i表示第i種機型的可用座位數，PLF表示客座率，I表示機型總數；對得到的機場到港旅客下機數量進行時間歸屬、數據平移處理，求得機場到港旅客下機流量時間序列數據和機場到港旅客前1小時下機流量時間序列數據，兩者組合，得到機場到港旅客下機流量時間序列數據集；

(23)生成機場到港旅客乘坐地鐵流量時間序列數據；

對步驟(1)中的機場到港旅客乘坐地鐵閘門數據進行數據切分和時間歸屬處理，得到機場到港旅客乘坐地鐵流量時間序列數據；

(24)生成天氣時間序列數據；

對步驟(1)中的天氣報文數據進行數據切分和時間歸屬處理，得到天氣時間序列數據；

(25)生成綜合時間序列數據集；

將步驟(21)、步驟(22)、步驟(23)、步驟(24)中生成的數據結合包含月份、日期、星期的時間特征，得到包括機場到港旅客乘坐出租車流量、機場到港旅客下機流量、機場到港旅客乘坐地鐵流量、天氣和時間特征的綜合時間序列數據集；

(26)生成復合流量數據集；

將步驟(21)中得到的機場到港旅客乘坐出租車流量時間序列數據、步驟(22)中得到的機場到港旅客下機流量時間序列數據集、步驟(23)中得到的機場到港旅客乘坐地鐵流量時間序列數據構建為復合流量數據集。