CN113222271A - 综合交通运输体系下的中小机场选址布局方法 - Google Patents
综合交通运输体系下的中小机场选址布局方法 Download PDFInfo
- Publication number
- CN113222271A CN113222271A CN202110570223.1A CN202110570223A CN113222271A CN 113222271 A CN113222271 A CN 113222271A CN 202110570223 A CN202110570223 A CN 202110570223A CN 113222271 A CN113222271 A CN 113222271A
- Authority
- CN
- China
- Prior art keywords
- airport
- index
- model
- passenger flow
- traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000013178 mathematical model Methods 0.000 claims abstract description 14
- 238000007621 cluster analysis Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000011161 development Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012847 principal component analysis method Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种综合交通运输体系下的中小机场选址布局方法,包括:界定多机场***区域边界后建立交通关联度模型,对多机场***区域进行交通区划分;建立客流量指标体系,对其进行约简,然后构建神经网络模型,预测各交通区的对外出行总量;引入前景理论借用贝叶斯网络对传统离散选择模型修正获取民航出行分担率;基于多机场***区域的机场为交通运输网络的节点构建节点重要度指标体系;引入模糊数学和聚类分析后再经过筛选得到机场场址的备选方案集,基于备选方案集和民航出行客流量建立机场布局数学模型得到机场最优选址。该方法基于多机场***中机场之间竞争与协调和民航同其他交通方式之间的竞争与协调,实现中小机场的选址和布局。
Description
技术领域
本发明属于交通运输与机场选址交叉技术领域,具体涉及一种综合交通运输体系下的中小机场选址布局方法。
背景技术
机场选址和布局作为机场建设的前期工作,是机场规划建设的重要环节,涉及多方面因素,是一个综合性很强的多目标优化决策问题。随着多机场***区域内机场数量的增加,呈现多个机场与高速公路、高速铁路共同承担区域对外运输,区域内的多个机场之间和民航与其他交通方式之间的竞争愈演愈烈。
目前国内对机场选址问题研究大体可以分成四类,分别为:研究机场选址的理念;从具体的某个新建机场出发,作实证研究;建立机场选址模型;依托地理信息***、计算机技术做信息化研究。这些方法的特点是集中在单一机场选址上,较少考虑同一区域多个机场之间的布局,忽略了机场之间的竞争与协调,未形成***的机场选址和布局理论体系,且多从机场自身角度出发考虑机场的选址问题,较少考虑民航与其他交通方式之间存在的相互竞争对机场选址和布局的影响。同时,机场选址涉及到地理位置、地形地貌等多方面复杂因素,决策上多采用多属性决策方法对新机场的选址方案进行评价,该方法以定性为主定量不足,决策结果不够客观。对旅客的需求重视程度不够,导致机场建成后客流量不足。
国外对机场选址和布局的研究主要体现在,当区域内存在多个机场时,旅客在出行过程中如何进行选择的问题,且由于机场数量多,大部分为长距离出行,因此其研究重点在出发地机场的选择行为方面,对多机场***中机场的布局研究较少。
综上所述,传统的机场选址多从单一的新建机场入手,对整个多机场***区域的其他机场和其他交通方式考虑不足,对旅客的出行需求重视程度不够,较少考虑多机场区域各机场之间、民航与其他交通方式之间存在的竞争与协调,导致机场布局不合理,最终造成机场运量不足,运营困难。
发明内容
本发明的目的之一在于提供一种综合交通运输体系下的中小机场选址布局方法,该方法可用于中小机场的选址与布局规划。
为实现上述目的,本发明的技术方案为:一种综合交通运输体系下的中小机场选址布局方法,包括以下步骤:在界定多机场***区域边界的基础上,建立交通关联度模型,基于空间统计分析对多机场***区域进行交通区划分;
建立影响客流量的客流量指标体系,结合粗糙集和主成分分析法约简指标体系,然后构建神经网络模型,预测各交通区的对外出行总量;
引入前景理论借用贝叶斯网络对传统离散选择模型进行修正获取民航出行分担率;
基于所述多机场***区域的机场为交通运输网络的节点,构建节点重要度指标体系;
引入模糊数学和聚类分析确定机场场址的初选方案集。
进一步地,所述客流量指标体系包括多机场***区域人口指标、社会经济发展指标、综合交通发展指标。
进一步地,所述建立影响客流量的客流量指标体系,结合粗糙集和主成分分析法客流量约简指标体系,然后构建神经网络模型,预测各交通区的对外出行总量的步骤具体包括:
建立客流量指标体系,结合粗糙集和主成分分析法约简所述客流量指标体系;
构建神经网络模型,引入随机森林算法对神经网络模型进行训练;
引入区间数和灰色预测模型对客流指标体系分别预测,将预测值作为训练后的神经网络模型输入,输出为对外出行总量。
进一步地,所述引入前景理论借用贝叶斯网络对传统离散选择模型进行修正获取民航出行分担率的步骤具体包括:
构建传统离散选择模型,将其输出作为条件分布;
引入前景理论模型,将输出作为先验分布;
使用贝叶斯网络以前景理论模型的输出对传统离散选择模型输出进行修正;
得到民航出行分担率。
进一步地,所述节点重要度指标体系包括:地理位置指标、地形指标、地貌指标、气象指标、地面交通指标、供电指标、供气指标、通信指标、道路指标、供油指标。
进一步地,所述引入模糊数学和聚类分析确定机场场址的初选方案集的步骤具体包括:
对所述节点重要度指标体系中指标进行归一化,使用粗糙集方法对所述节点重要度指标体系进行降维约简,然后通过信息熵获取各个指标的权重;
引入模糊数学和聚类分析确定机场场址的初选方案集。
进一步地,还包括步骤:
获取所述初选方案集后,使用多目标优化和离散数学对所述初选方案集进行筛选,得到备选方案集;
基于所述备选方案集与所述民航对外出行总量建立以旅客综合出行成本最低为目标函数的机场布局数学模型;
对所述机场布局数学模型求解得到最优方案。
进一步地,所述机场布局数学模型为非线性整数随机规划模型。
进一步地,采用三阶段算法对所述机场布局数学模型求解。
进一步地,通过以下方式对所述机场布局数学模型求解:
采用枚举法将非线性规划问题转换成多个线性整数随机规划子问题;
采用蒙特卡罗方法将随机规划子问题转化为整数规划问题;
基于遗传算法对整数规划问题进行求解;
多次抽样后得到解集,最后采用统计分析和随机抽样的方法确定最优解。
与现有技术相比,本发明具有如下优点:
本发明在综合运输体系下,以各种交通方式协调发展为前提,充分考虑多机场***中机场之间的竞争,民航与其他交通方式之间的竞争,在分析机场选址和布局的影响因素后,以旅客的出行需求为主体,解决中小机场的选址和布局问题;同时采用***分析的理论和方法,引入旅客出行行为理论,建立成套的机场选址和布局规划理论体系,弥补现行机场选址布局理论的不足。本发明可为机场建设的规划、选址、布局提供理论支持和技术手段。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明中为多机场***区域建立交通区划分流程框图;
图2为本发明中获取对外出行总量流程框图;
图3为本发明中获取民航出行分担率流程框图;
图4为本发明中获取机场场址的备选方案集流程框图;
图5为本发明中选取最优机场场址方案流程框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
所举实施例是为了更好地对本发明进行说明,但并不是本发明的内容仅局限于所举实施例。所以熟悉本领域的技术人员根据上述发明内容对实施方案进行非本质的改进和调整,仍属于本发明的保护范围。
本实施例中提供一种综合交通运输体系下的中小机场选址布局方法,包括以下步骤:
S1:在界定多机场***区域边界的基础上,建立交通关联度模型,基于空间统计分析对多机场***区域进行交通区划分;
本步骤中,首先确定多机场***区域的范围,对多机场***的边界范围进行界定,确定一种将旅客的时间转化为价值的方法,解决时间和票价量纲的不同而无法建模的问题,按照交通运输的特点对同一区域进行交通区细分,为分析旅客出行需求奠定基础;
其具体过程流程图可参考图1,具体地,采用***工程的理论和方法,对多机场***的组成要素、各要素之间的联系、各元素之间的阶层结构进行综合分析,对多机场***的边界范围进行界定;从旅客的出行行为入手,分析旅客在出行过程中,存在多种交通方式时,不同交通方式之间的时间价值;采用空间统计分析为基础,提出交通关联度的概念,采用空间聚类分析模型,对空间关联矩阵、交通关联度等参数进行建模,建立交通区划分方法。
S2:建立影响客流量的客流量指标体系,结合粗糙集和主成分分析法约简客流量指标体系,然后构建神经网络模型,预测各交通区的对外出行总量;
本步骤中,建立影响客流量的指标体系,结合粗糙集和主成分分析法约简指标体系,然后构建神经网络模型,引入区间数和灰色预测模型确定各个指标的预测值后,代入神经网络模型预测各交通区的对外出行总量;具体地:
对外出行总量是指出发地或目的地其中之一在多机场***外的旅客需求量,这部分出行量需要借住对外出行交通方式,对外出行交通方式多为长途汽车运输、铁路和民航;在对多机场***区域进行交通区划分的基础上,需要对每个交通区的对外出行总量进行预测,该量对民航所能分担的出行量进行控制,避免从机场自身出发进行出行量预测带来的预测量偏大,导致决策失误的情况发生;
本实施例中,计算对外出行总量的过程可参考图2,在人口经济等基础统计数据上,结合社会经济发展预测,人口发展预测;立足于人均出行次数预测,人均出行距离预测,再结合区域发展规划等因素,确定多机场***范围内的对外出行总量,具体过程为:首先建立影响客流量的客流量指标体系,客流量指标体系包括多机场***区域人口指标、社会经济发展指标、综合交通发展指标、其他影响因素;然后结合粗糙集和主成分分析法约简客流量指标体系,在此基础上构建神经网络模型,引入随机森林算法对网络进行训练,提高模型精度;然后对客流大小影响因素分别预测,该预测过程中可以以机场选择规划的年份为单位,当然也可以是其他,将预测值作为训练后的神经网络输入,输出即为区域对外出行总量,如对规划年度的客流大小影响因素分别预测,输出为规划年区域对外出行总量;
优选地,由于影响因素预测值具有一定的不确定性,本实施例中引入不确定性理论对其进行研究,提高预测的可信度;
S3:基于前景理论借用贝叶斯网络对传统离散选择模型进行修正获取民航出行分担率;
多机场***区域对外出行采用的交通方式多样,可以是铁路,公路和航空运输等,民航能在整个区域对外出行中争取到多少的市场份额,取决于民航在整个对外出行交通方式中的竞争优势,优势越大,分担率越大。因此确定民航出行分担率,是确定民航对外出行总量的基础;本步骤中则对分担率进行建模分析,其具体流程图可参考图3,在采用消费者行为理论对个人出行行为涉及到的出行方式选择属性、出行决策规则、决策者可用信息等进行分析的基础上,首先构建传统离散选择模型,然后引入前景理论借用贝叶斯网络对传统离散选择模型进行修正提高模型准确度,最后获得民航的分担率。
S4:构建节点重要度指标体系,确定指标体系的量化方法;
本步骤中,考虑到多机场***区域的机场为交通运输网络的节点,机场选址和布局问题是一个多要素的复杂问题,深入挖掘机场选址和布局的影响因素是机场选址和布局规划的先决条件。因此,本步骤中构建节点重要度指标体系。具体地,本步骤中,从地理位置、地形、地貌、工程地质、水文地质状况、净空条件、气象条件、地面交通条件、地上和地下原有各种设施情况、供电、供水、供气、通信、道路、排水等公用设施情况、供油条件等方方面面入手,对机场布局的影响因素进行分析,建立相应的指标体系;引入复杂网络理论和交通区位论,确定运输网络节点(各个城市附近)中,航空运输的重要度,构建网络节点中航空运输重要度指标体系,确定指标体系的量化方法。
S5:引入模糊数学和聚类分析确定机场场址的初选方案集,经过筛选后形成备选方案集;
本步骤结合机场的影响因素确定机场选址和布局的初选方案,其具体步骤可参考图4,具体地,对步骤S4中的指标体系各指标进行归一化后,引入粗糙集方法对指标体系进行降维约简,使用信息熵确定各个指标的权重,再引入模糊数学理论和聚类分析理论从决策论和多元统计分析主观和客观相结合的角度,确定机场场址的初选方案集。
进一步地,在获得初选方案集后,可以对方案进行筛选,排除一些明显不合理的方案,形成备选方案集,本步骤中通过引入多目标优化理论和离散数学理论通过选优法、逻辑和法,满意值法对初选方案进行筛选,形成备选方案集。
S6:选取最优方案。
本步骤中,基于步骤S5中得到的备选方案集和S2、S3中的民航对外出行总量,结合旅客的出行行为特性,建立机场布局优化的数学模型,选取最优方案,即机场建在何地合理,以及一个多机场***区域建立多少个机场最为合适,其过程可参考图5。具体地,在获得备选方案和区域各交通区对外出行总量的基础上,建立以旅客综合出行成本最低为目标函数的机场布局数学模型,由于各交通区民航出行量具有一定的不确定性,机场布局数学模型为非线性整数随机规划模型;然后设计三阶段算法对模型进行求解:采用枚举法将非线性规划问题转换成多个线性整数随机规划子问题,然后采用蒙特卡罗方法将随机规划子问题转化为整数规划问题,再采用遗传算法对整数规划模型进行求解;在经过多次抽样后得到解集,最后采用统计分析和随机抽样的方法确定最优解。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (10)
1.一种综合交通运输体系下的中小机场选址布局方法,其特征在于,包括以下步骤:
在界定多机场***区域边界的基础上,建立交通关联度模型,基于空间统计分析对多机场***区域进行交通区划分;
建立影响客流量的客流量指标体系,结合粗糙集和主成分分析法约简指标体系,然后构建神经网络模型,预测各交通区的对外出行总量;
引入前景理论借用贝叶斯网络对传统离散选择模型进行修正获取民航出行分担率;
基于所述多机场***区域的机场为交通运输网络的节点,构建节点重要度指标体系;引入模糊数学和聚类分析确定机场场址的初选方案集。
2.根据权利要求1所述的方法,其特征在于,所述客流量指标体系包括多机场***区域人口指标、社会经济发展指标、综合交通发展指标。
3.根据权利要求1所述的方法,其特征在于,所述建立影响客流量的客流量指标体系,结合粗糙集和主成分分析法约简客流量指标体系,然后构建神经网络模型,预测各交通区的对外出行总量的步骤具体包括:
建立客流量指标体系,结合粗糙集和主成分分析法约简所述客流量指标体系;
构建神经网络模型,引入随机森林算法对神经网络模型进行训练;
引入区间数和灰色预测模型对客流指标体系分别预测,将预测值作为训练后的神经网络模型输入,输出为对外出行总量。
4.根据权利要求1所述的方法,其特征在于,所述引入前景理论借用贝叶斯网络对传统离散选择模型进行修正获取民航出行分担率的步骤具体包括:
构建传统离散选择模型,将其输出作为条件分布;
引入前景理论模型,将输出作为先验分布;
使用贝叶斯网络以前景理论模型的输出对传统离散选择模型输出进行修正;
得到民航出行分担率。
5.根据权利要求1所述的方法,其特征在于,所述节点重要度指标体系包括:地理位置指标、地形指标、地貌指标、气象指标、地面交通指标、供电指标、供气指标、通信指标、道路指标、供油指标。
6.根据权利要求1所述的方法,其特征在于,所述引入模糊数学和聚类分析确定机场场址的初选方案集的步骤具体包括:
对所述节点重要度指标体系中指标进行归一化,使用粗糙集方法对所述节点重要度指标体系进行降维约简,然后通过信息熵获取各个指标的权重;
引入模糊数学和聚类分析确定机场场址的初选方案集。
7.根据权利要求1-6任一项所述的方法,其特征在在于,还包括步骤:
获取所述初选方案集后,使用多目标优化和离散数学对所述初选方案集进行筛选,得到备选方案集;
基于所述备选方案集与所述民航对外出行总量建立以旅客综合出行成本最低为目标函数的机场布局数学模型;
对所述机场布局数学模型求解得到最优方案。
8.根据权利要求7所述的方法,其特征在在于,所述机场布局数学模型为非线性整数随机规划模型。
9.根据权利要求7所述的方法,其特征在在于,采用三阶段算法对所述机场布局数学模型求解。
10.根据权利要求8所述的方法,其特征在在于,通过以下方式对所述机场布局数学模型求解:
采用枚举法将非线性规划问题转换成多个线性整数随机规划子问题;
采用蒙特卡罗方法将随机规划子问题转化为整数规划问题;
基于遗传算法对整数规划问题进行求解;
多次抽样后得到解集,最后采用统计分析和随机抽样的方法确定最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570223.1A CN113222271B (zh) | 2021-05-25 | 2021-05-25 | 综合交通运输体系下的中小机场选址布局方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110570223.1A CN113222271B (zh) | 2021-05-25 | 2021-05-25 | 综合交通运输体系下的中小机场选址布局方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222271A true CN113222271A (zh) | 2021-08-06 |
CN113222271B CN113222271B (zh) | 2022-06-17 |
Family
ID=77098207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110570223.1A Active CN113222271B (zh) | 2021-05-25 | 2021-05-25 | 综合交通运输体系下的中小机场选址布局方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222271B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114724414A (zh) * | 2022-03-14 | 2022-07-08 | 中国科学院地理科学与资源研究所 | 城市空中交通分担率的确定方法、装置、电子设备及介质 |
CN114880819A (zh) * | 2022-03-26 | 2022-08-09 | 云南省设计院集团有限公司 | 基于城镇节点重要度与交通区位线研究的空间优化方法 |
CN115860486A (zh) * | 2023-02-22 | 2023-03-28 | 中国民用航空总局第二研究所 | 机场运行重要程度的确定方法、装置、电子设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU77463U1 (ru) * | 2008-04-16 | 2008-10-20 | ОАО "АЭРОФЛОТ-Российские авиалинии" | Автоматизированная система оперативного контроля объемов авиаперевозок по точкам продаж |
CN102194019A (zh) * | 2010-03-15 | 2011-09-21 | 中国城市规划设计研究院 | 高铁综合交通枢纽交通设施布局的确定方法 |
CN106295875A (zh) * | 2016-08-08 | 2017-01-04 | 高建平 | 一种开放式服务区选址分布方法 |
CN106570595A (zh) * | 2016-11-10 | 2017-04-19 | 深圳市数字城市工程研究中心 | 一种基于空间大数据的地铁站点选址方法及*** |
EP3385844A1 (en) * | 2017-04-09 | 2018-10-10 | INTEL Corporation | Neural network scheduling mechanism |
CN108681796A (zh) * | 2018-06-01 | 2018-10-19 | 郑州大学 | 基于POI数据与Dijkstra算法的城市对外公路客运枢纽选址方法 |
CN109214577A (zh) * | 2018-09-18 | 2019-01-15 | 交通运输部科学研究院 | 一种综合运输通道客运分担率预测方法 |
CN109961085A (zh) * | 2019-01-05 | 2019-07-02 | 苏咸宁 | 基于贝叶斯估计的航班延误预测模型的建立方法及装置 |
CN110990789A (zh) * | 2019-12-02 | 2020-04-10 | 中国民航工程咨询有限公司 | 一种货运机场的规划选址方法及*** |
CN112115571A (zh) * | 2020-09-22 | 2020-12-22 | 南京航空航天大学 | 基于绿色航空模型的中枢辐射式航线网络优化设计方法 |
-
2021
- 2021-05-25 CN CN202110570223.1A patent/CN113222271B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU77463U1 (ru) * | 2008-04-16 | 2008-10-20 | ОАО "АЭРОФЛОТ-Российские авиалинии" | Автоматизированная система оперативного контроля объемов авиаперевозок по точкам продаж |
CN102194019A (zh) * | 2010-03-15 | 2011-09-21 | 中国城市规划设计研究院 | 高铁综合交通枢纽交通设施布局的确定方法 |
CN106295875A (zh) * | 2016-08-08 | 2017-01-04 | 高建平 | 一种开放式服务区选址分布方法 |
CN106570595A (zh) * | 2016-11-10 | 2017-04-19 | 深圳市数字城市工程研究中心 | 一种基于空间大数据的地铁站点选址方法及*** |
EP3385844A1 (en) * | 2017-04-09 | 2018-10-10 | INTEL Corporation | Neural network scheduling mechanism |
CN108681796A (zh) * | 2018-06-01 | 2018-10-19 | 郑州大学 | 基于POI数据与Dijkstra算法的城市对外公路客运枢纽选址方法 |
CN109214577A (zh) * | 2018-09-18 | 2019-01-15 | 交通运输部科学研究院 | 一种综合运输通道客运分担率预测方法 |
CN109961085A (zh) * | 2019-01-05 | 2019-07-02 | 苏咸宁 | 基于贝叶斯估计的航班延误预测模型的建立方法及装置 |
CN110990789A (zh) * | 2019-12-02 | 2020-04-10 | 中国民航工程咨询有限公司 | 一种货运机场的规划选址方法及*** |
CN112115571A (zh) * | 2020-09-22 | 2020-12-22 | 南京航空航天大学 | 基于绿色航空模型的中枢辐射式航线网络优化设计方法 |
Non-Patent Citations (3)
Title |
---|
ATHANASIOS BALLIS: "Airport site selection based on multicriteria analysis: the case study of the island of samothraki", 《OPERATIONAL RESEARCH》 * |
廖勇 等: "基于随机规划的机场选址模型研究", 《科学技术与工程》 * |
张娜: "基于快速聚类分析的航空分担率模型在新建机场客运量预测中的应用", 《交通与计算机》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114724414A (zh) * | 2022-03-14 | 2022-07-08 | 中国科学院地理科学与资源研究所 | 城市空中交通分担率的确定方法、装置、电子设备及介质 |
CN114724414B (zh) * | 2022-03-14 | 2023-06-09 | 中国科学院地理科学与资源研究所 | 城市空中交通分担率的确定方法、装置、电子设备及介质 |
CN114880819A (zh) * | 2022-03-26 | 2022-08-09 | 云南省设计院集团有限公司 | 基于城镇节点重要度与交通区位线研究的空间优化方法 |
CN115860486A (zh) * | 2023-02-22 | 2023-03-28 | 中国民用航空总局第二研究所 | 机场运行重要程度的确定方法、装置、电子设备及介质 |
CN115860486B (zh) * | 2023-02-22 | 2023-05-30 | 中国民用航空总局第二研究所 | 机场运行重要程度的确定方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113222271B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113222271B (zh) | 综合交通运输体系下的中小机场选址布局方法 | |
Bai et al. | A bi-objective model for location planning of electric vehicle charging stations with GPS trajectory data | |
Lai et al. | Concurrent optimization of rail transit alignments and station locations | |
CN111275965B (zh) | 一种基于互联网大数据的实时交通仿真分析***与方法 | |
Omidvar et al. | Sustainable vehicle routing: Strategies for congestion management and refueling scheduling | |
CN104809112A (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
Geurs et al. | Accessibility benefi ts of integrated land use and public transport policy plans in the Netherlands | |
Aditjandra et al. | Developing a Multi‐Dimensional Poly‐Parametric Typology for City Logistics | |
Colorni et al. | Decision support systems for environmental impact assessment of transport infrastructures | |
Kamel et al. | A modelling platform for optimizing time-dependent transit fares in large-scale multimodal networks | |
CN111612223A (zh) | 基于土地和交通多源数据的人口就业分布预测方法及装置 | |
Song et al. | Envisioning Beijing 2020 through sketches of urban scenarios | |
Lin et al. | Passenger flow scale prediction of urban rail transit stations based on multilayer perceptron (mlp) | |
Lai | Optimization of station locations and track alignments for rail transit lines | |
Jiang et al. | Large-scale public charging demand prediction with a scenario-and activity-based approach | |
Yang et al. | GIS‐Based Analysis of Railway’s Origin/Destination Path‐Selecting Behavior | |
Mirzahossein et al. | Land-Use Modification Based on Transit-Oriented Development Adjacent to Historical Context (Case Study: Qazvin City) | |
Tavana et al. | A fuzzy multi-objective optimization model for sustainable location planning using volumetric fuzzy sets | |
Azzioui et al. | Determining Optimal Wind Energy Farms Locations Based on MCDM and GIS: a Case Study from Morocco | |
Hamadneh et al. | The Influence of Spent Time at Park-and-Ride Facility on the Travel Behavior of Workers and Shoppers | |
Mohamed et al. | Estimating the Effect of Newly Proposed Transportation Planning Development for Congested Urban Areas in Greater Cairo Case Study: El Fardous Axis, New Cairo. | |
CN115271260B (zh) | 一种公铁联运运量预测方法、装置、设备及可读存储介质 | |
Mumayiz et al. | Forecasting air passenger demand in multi-airport regions | |
Hsu et al. | Household-mode choice and residential-rent distribution in a metropolitan area with surface road and rail transit networks | |
Olenkowicz-Trempała et al. | Mobility in Transportation Surveys |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |