[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

本發明公開了一種機場到港旅客乘坐出租車短時需求集成預測方法，包括：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；將數據處理為綜合時間序列數據集和復合流量數據集；采用K?Means模型對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，記最終聚類數為K；基于聚類結果對綜合時間序列數據集分類，劃分訓練集和測試集；建立并訓練K個LSTM?Att模型、XGBoost模型和LightGBM模型，作為初級學習器，構建堆疊法集成預測模型，預測并評價機場到港旅客乘坐出租車短時需求。本發明基于相似性度量，有助于集成不同預測模型以提升到港旅客需求預測精度，提高機場陸側集疏運系統管理的效率。

技術領域

本發明屬于機場管理技術領域，具體涉及一種機場到港旅客乘坐出租車短時需求集成預測方法。

背景技術

隨著飛機出行方式的普及化，機場陸側出租車業務量持續增長，為緩解機場出租車資源供給與機場到港旅客運輸需求不匹配造成的矛盾，需要提高機場出租車集疏運系統運行效率，準確把握乘坐出租車的機場旅客短時流量。在大型樞紐機場，隨著進出港客流量的持續增長，其人員流動也呈現高動態、高密度可變、時間分布不均勻的特點，同時，機場由于凈空條件等限制，大多都遠離市區，一旦機場周邊交通干道產生擁堵，將會有大量旅客滯留。若能實現精度更高的機場出租車旅客短時流量預測，將有利于機場合理分配陸側資源，緩解機場陸側交通壓力，完善機場集疏運系統，實現旅客出行便捷高效的建設目標。

圍繞機場出租車客流需求預測，現有研究大多建立離散選擇模型，通過分析旅客選擇行為，結合機場到港旅客流量，進行間接預測，這類預測模型要求提供詳盡的自變量信息，包含旅客個人信息等，數據采集及建模具有一定難度。機器學習方法可以從群體角度出發，基于歷史客流數據對機場出租車旅客流量進行直接預測。對于短時流量預測，機器學習中常采用ARIMA模型、長短期記憶神經網絡LSTM等方法，不同的方法各有優缺點，但依賴單一的預測方法，往往難以準確把握客流需求的動態性、隨機性特征和周期性、季節性規律。集成預測可以直接級聯不同模型，取長補短，提高預測精度。同時，構建考慮其他乘坐方式的流量數據集，如地鐵客流數據，輔助模型預測，結合數據周期性、季節性特征，對其進行相似性度量，可以劃分相似數據集，進一步提高模型精度。在機場到港旅客乘坐出租車需求預測過程中，如何通過相似性度量和集成預測，提高短時出租車客流需求預測的精度，是精準匹配機場出租車資源供給與機場到港旅客運輸需求需要解決的重要問題之一。

發明內容

針對于上述現有技術的不足，本發明的目的在于提供一種機場到港旅客乘坐出租車短時需求集成預測方法，以解決現有的基于機器學習的機場短時出租車客流量預測技術難以準確把握客流需求的動態性、隨機性特征和周期性、季節性規律，導致模型預測精度不高的問題；本發明的方法有助于集成不同預測模型以提升到港旅客需求預測精度，提高機場陸側集疏運系統管理的效率。

為達到上述目的，本發明采用的技術方案如下：

本發明的一種機場到港旅客乘坐出租車短時需求集成預測方法，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；