CN103761585A

CN103761585A - 机场接续运输动态匹配、运力监测预警和智能调配方法

Info

Publication number: CN103761585A
Application number: CN201410038974.9A
Authority: CN
Inventors: 张可; 徐硕; 张科; 赵净洁; 刘浩; 林川; 黄建玲; 李静; 冷甦鹏; 段景山; 翟佳琪; 赵箐; 耿松麟; 毛力增; 张建强
Original assignee: BEIJING MUNICIPAL TRANSPORTATION OPERATIONS COORDINATION CENTER; University of Electronic Science and Technology of China
Current assignee: BEIJING MUNICIPAL TRANSPORTATION OPERATIONS COORDINATION CENTER; University of Electronic Science and Technology of China
Priority date: 2014-01-27
Filing date: 2014-01-27
Publication date: 2014-04-30
Anticipated expiration: 2034-01-27
Also published as: CN103761585B

Abstract

本发明公开了一种机场接续运输动态匹配、运力监测预警和智能调配方法的设计，解决的技术问题是针对现有常用流量分析和预测方法的复杂度高和实际操作性不便的问题。其主要包括：信息采集入库；根据当前实时信息进行数据分析整理更新分析表；将乘客、出租车和航班实时信息表对比分析表数据，将分析表最大程度上符合实时信息的出租车和乘客信息作为预测信息；对比乘客和出租车信息判断是否出现出租车缺口；根据出租车预测缺口值判断是否发出预警，如果是则发出预警并给出调度信息：出租车缺口数量。本发明从天气类型、航班数量及日期类型的角度去统计分析原始数据，可以有效地帮助机场调度管理人员管理和协调出租车运力，避免机场管理人员凭经验预测带来的不准确性。

Description

机场接续运输动态匹配、运力监测预警和智能调配方法

技术领域

本发明属于交通流量预测技术领域，具体涉及一种机场接续运输动态匹配、运力监测预警和智能调配方法的设计。

背景技术

目前出租车是首都机场重要的接续运输方式，其运力调配问题是影响***服务质量的重要因素，为了智能化调配出租车运力资源，维持出租车运力动态供需平衡，需要分析并预测出租车乘客和出租车的到达规律，即乘客流量和出租车流量规律。研究人员已经提出了许多流量分析和预测方法，因而如何选取合适的流量分析和预测方法，建立相应的数学模型是解决智能化调配出租车运力，维持出租车动态平衡的关键。

在现实应用中，为了实现流量分析和建立预测方法，需要对收集到的大量数据进行整理、加工、归并、分类、计算和存储等处理，产生新的数据，以便反映事物或现象本质、特征和内在联系，完成这些任务就是数据库管理***，它是位于用户和操作***之间的一层数据管理软件。数据库在建立、运用和维护时就由数据库管理***统一管理、统一控制、它使用户能够方便地定义数据和操作数据，并能够保证数据的安全性、完整性及多用户对数据的并发使用及发生故障后的数据恢复。

国内外研究者根据网络流量的特性不断发展陆续地提出了许多模型，如基于自回归或自回归滑动平均的线性预测模型和基于小波分析、神经网络、混沌理论、支持向量机方法的非线性预测模型。但最新的研究表明，实际网络中的流量具有长相关性、自相似、单分形和多分形等多种特性，以往的单一模型不能完全对网络流量的这些特征进行兼顾，故可以通过将不同的单一模型进行组合之后对流量进行预测。现有的组合预测模型大致可以归为以下几类：小波变换与神经网络结合，小波变换和处置向量机结合，小波变换和灰色模型结合。但是现有的数学模型都太复杂，没有考虑到实际应用的可操作性，实现起来有难度，机场现在实际预测方式大都按照相关工作人员的经验预测，具有很大的主观性。

发明内容

本发明所要解决的技术问题是针对现有常用流量分析和预测方法的复杂度高和实际操作性不便的问题提出了一种机场接续运输动态匹配、运力监测预警和智能调配方法。

本发明解决其技术问题采用的技术方案是：机场接续运输动态匹配、运力监测预警和智能调配方法，具体包括：

S1、信息采集入库：实时收集统计每个时间间隔里的机场出租车站台上乘客数量并输入到数据库中的REAL_SPHH中；收集出租车等待、补充和发出数量并输入到数据库中的REAL_THH中，收集到港航班数量并输入到数据库中的REAL_FLIGHTHH；

S2、根据当前实时信息，日期类型，天气类型和到港航班数量级别，查询分析表：STA_HHSPT_BY_HWF是否有对应的记录；

S3、数据分析：根据REAL_SPHH、REAL_WHH、REAL_THH和REAL_FLIGHTHHT中的实时数据更新数据库中的四张分析表：STA_HHSPT_BY_HWF、STA_AVG_HHSPT_BY_H、STA_AVG_HHSPT_W、STA_AVG_HHSPT_F；

S4、根据乘客、出租车和航班实时信息表和分析表STA_HHSPT_BY_HWF里的数据计算出出租车缺口数量；

S5、如果在S4中，分析表STA_HHSPT_BY_HWF里没有匹配的信息，则根据乘客、出租车和航班实时信息表分别分析表STA_HHSPT_BY_H、STA_HHSPT_BY_W、STA_HHSPT_BY_F里相应条件的出租车和乘客信息，并将最小数量的出租车和最大数量的乘客座位预测信息，并计算出出租车缺口数量；

S6、根据出租车缺口值判断是否发出预警，如果是则发出预警并给出调度信息：出租车缺口数量；否则返回S1。

本发明的有益效果：为了解决常用流量分析和预测方法的复杂度高和实际操作性不便的问题，由于算法要使用大量历史数据，并基于对历史数据的分析对乘客流量和出租车流量作出预测，而这些历史数据是杂乱无章且具有分散性，所以本发明使用数据库对历史数据做统计分析，发现其中的规律。考虑到乘客流量和出租车流量在相同环境下具有一定程度的可重现性，所以本发明从天气类型、航班数量及日期类型的角度去统计分析原始数据。用实时条件对比数据库相关条件，将相同条件下的历史数据作为预测值，可以有效地帮助机场调度管理人员管理和协调出租车运力，避免机场管理人员凭经验预测带来的不准确性。

附图说明

图1为本发明实施例的机场接续运输动态匹配、运力监测预警和智能调配方法的流程框图；

图2为本发明实施例的机场接续运输动态匹配、运力监测预警和智能调配方法中S2所述的四张实时信息数据表

图3为本发明实施例的机场接续运输动态匹配、运力监测预警和智能调配方法的数据采集和录入模块；

图4为本发明实施例的机场接续运输动态匹配、运力监测预警和智能调配方法的日期分类模块结构；

图5为本发明实施例的机场接续运输动态匹配、运力监测预警和智能调配方法的数据更新模块。

具体实施方式

下面结合附图和具体的实施例对本发明作进一步的阐述。

如图1所示为本发明实施例的机场接续运输动态匹配、运力监测预警和智能调配方法的流程框图，其具体包括，

S1、创建数据库并设计出实时信息和数据分析数据表。根据算法，需要设计四张实时信息数据表和四张分析数据表。数据表名和列名如表1所示，其中实时信息数据表是用来存储实时收集的信息，即实时天气、实时日期类型、实时乘坐出租车的乘客和出租车信息；通过一定规则，也就是后面的数据更新，整合分析所有实时信息数据表中的数据得到相关结果，将这些相关结果存储在分析数据表中。

表1：数据表

其中：HH表示：half hour，指预测时间间隔，当然预测时间间隔可以为不同的值；DTTM：表示datetime，指日期精确秒，如2013080121∶39∶00，而TIME，只表示时间，也精确到秒，如：21∶39∶00。但是每条记录的DTTM或者TIME的间隔都与预测时间间隔一样，本发明是30分钟。乘客信息是指每个时间间隔乘坐出租车的乘客数量；出租车信息是指每个时间间隔里待运、补充和发出出租车数量。

S2、数据采集：将实时收集到信息(当前时间间隔的天气情况、日期类型、航班数量级别、乘客数量(NP)和出租车数量(NT))分别录入到相应的四张实时信息数据表中，同时更新四张分析数据表。

表2：天气类型分类

在飞机起飞、降落和空中飞行的各个阶段都会受到气象条件的影响，风、气温、气压都是影响飞行的重要气象要素。地面风会直接影响飞机的操纵，高空风会影响飞机在航线上的飞行速度和加油量。气温高低，可改变发动机的推力、影响空速表、起落滑跑距离等等。气温高于标准大气温度时，会增加飞机起飞滑跑距离和上升爬高时间，降低飞机载重量。气压会影响飞机的飞行高度。由于各地气压经常变化，往往造成气压高度表指示的误差。此外，雷暴、低云、低能见度、低空风切变、大气湍流、空中急流、颠簸、结冰等天气现象都直接威胁飞行安全。因此本发明将天气分成4类，如表2所示。在数据表REAL_WHH(实时天气)中的WEATHER值为相应的类别：1、2、3、4。

在不同的日期里，乘客流和出租车流有着不同的特征。最明显的区别就是节假日、周末和其他日期的乘客和出租车流有明显的区别，因为人们一般会更多的选择在节假日和周末出行。为了更加精确地体现不同日期类型里的流量特征，本发明将日期分为14种类型，如表3所示。但是按照如下分类，国家法定节假日有两个属性，另外一个属性是星期，这个时候该日期属性为节假日。因此，实时日期分类模块的内部结构如图2。

表3：日期分类

由于航班数量较大，如果按照每个航班数量一个类别就会造成类别太多，故将航班数量分成若干类别，如区分粒度为5的分类：0～5架次航班为级别A，6～10为级别B，……，如表4所示。当然区分粒度可以调整为其他合适的值。

表4：航班数量级别分类

S3、数据更新。根据实时数据表的数据更新分析数据表。如图3和图4所示。

S4、预测乘客和出租车流量。根据当前信息(日期类型，天气类型，航班数量级别，当前时间)查询条件，查询分析表STA_AVG_HHSPT_BY_HWF是否有相关记录。

4.1若有，则读取出相应记录的数据AVG_SP、AVG_TAXI_WAIT、AVG_TAXI_OUT、VG_TAXI_ADD作为预测时间段内的乘客数

等待出租车数

发出出租车数

及补充出租车数

4.2若无，根据当前信息(日期类型，天气类型，航班数量级别，当前时间)为查询条件，分别查询STA_AVG_HHSPT_BY_F、STA_AVG_HHSPT_BY_H、STA_AVG_HHSPT_BY_W数据表中的记录，将三张分析表中的AVG_SP最大值、AVG_TAXI_WAIT最小值、AVG_TAXI_OUT最小值、AVG_TAXI_ADD最小值作为预测时间段内的乘客数

等待出租车数

发出出租车数

及补充出租车数

S5、根据当前时刻的乘客数和出租车数以及当前时间段内的预测乘客数、等待出租车数，发出出租车数及补充出租车数，计算出出租车缺口值。

G = (N_{T} + {\overset{&OverBar;}{N}}_{TA}) - (N_{P} + {\overset{&OverBar;}{N}}_{P}) / μ

其中：μ是一个常值，指平均每辆出租车运载人数。

S6、判断出租车缺口值G是否超出预警阀值λ，若超出给出预警，并给出调度指令-需要(G-λ)辆出租车。

Claims

1.一种机场接续运输动态匹配、运力监测预警和智能调配方法，其特征在于，具体包括：

S1.信息采集入库，将实时数据录入实时数据表。

S2.数据分析，用实时数据去更新分析数据表。

S3.数据匹配，根据当前实时信息去历史数据库中查询匹配数据。

S4.计算出出租车缺口数量。

S5.判断预警，发出调度指令。

2.根据权利要求1所述的机场接续运输动态匹配、运力监测预警和智能调配方法，其特征在于，步骤1的实时数据录入库的具体操作位：实时收集统计每个时间间隔里的机场出租车站台上乘客数量并输入到数据库中的REAL_SPHH；收集出租车等待、补充和发出数量并输入到数据库中的REAL_THH，收集到港航班数量并输入到数据库中的REAL_FLIGHTHH。

3.根据权利要求1所述的机场接续运输动态匹配、运力监测预警和智能调配方法，其特征在于，步骤2的数据分析具体操作过程为：根据REAL_SPHH、REAL_WHH、REAL_THH和REAL_FLIGHTHHT中的实时数据更新数据库中的四张分析表：STA_HHSPT_BY_HWF、STA_AVG_HHSPT_BY_H、STA_AVG_HHSPT_W、STA_AVG_HHSPT_F。

4.根据权利要求1所述的机场接续运输动态匹配、运力监测预警和智能调配方法，其特征在于，步骤3的数据匹配具体步骤如下：根据实时日期类型(H)，天气类型(W)和到港航班数量级别(F)，查询分析表STA_HHSPT_BY_HWF是否有对应的记录。若该表里没有匹配的信息，则根据乘客、出租车和航班实时信息表分别查询分析表STA_HHSPT_BY_H、STA_HHSPT_BY_W、STA_HHSPT_BY_F里相应条件的出租车和乘客信息，并将最小数量的出租车和最大数量的乘客座位预测信息，并计算出出租车缺口数量。

5.根据权利要求1所述的机场接续运输动态匹配、运力监测预警和智能调配方法，其特征在于，步骤4中的计算出租车缺口的公式为：

Taxi_Left(t+1)＝(ν_{T_in}(t+1)+ν_{T_wait}(t))-(v_{P_in}(t+1)+v_{P_wait}(t))／α

其中：v_{P_wait}(t)表示当前时刻等待的乘客人数，v_{T_in}(t+1)表示一下时刻到站出租车的预测值，v_{P_in}(t+1)表示一下时刻到到站乘客的预测值，v_{T_wait}(t)表示当前时刻等待的出租车数量；α表示每辆出租车的平均服务人数。

6.根据权利要求1所述的机场接续运输动态匹配、运力监测预警和智能调配方法，其特征在于，步骤5中判断预警，发布调度指令的具体步骤为：设出租车缺口预警阀值为λ，当(Wanted_Taxi(t)＞λ)时，给出预警，并发出调度指令：需要(Wanted_Taxi(t)-λ)辆出租车。