一种基于时间序列的交通客流量预测方法技术

本发明专利技术涉及一种基于时间序列的交通客流量预测方法，此方法在源数据己完成抽取、重构和数据预处理后，从值机方式分布、航班分布、值机旅客人数分布、客座率、旅客出行特点等方面进行数理统计和影响因素的相关分析。基于数据分析的结果，发现时间序列中潜在的变化规律和主要的影响因子，找出能够提高预测精度的关键因素；在客流量的潜在变化规律分析过程中，发现时序变化规律呈现出高度的特征相似性；以短时段每小时的值机客流量为研究对象，在DOW特性的基础上运用分类和协整理论进行时间序列的构建和依赖性分析，提出了带有输入变量的动态回归的ARIMAX模型，来预测航站楼内短时段的值机客流量的人数情况。值机客流量的人数情况。值机客流量的人数情况。

【技术实现步骤摘要】
一种基于时间序列的交通客流量预测方法


[0001]本专利技术涉及一种制备方法，具体涉及一种提高航站楼业务运作以及资源的合理分配，精准的预估出航站楼内旅客人数的变化情况；影响因素及数据分析的基于时间序列的交通客流量预测方法。

技术介绍

[0002]在智慧机场的建造过程中，提高出行旅客的满意度作为其重点的基础工作，机场自身可以通过提高航站楼的服务水平来帮助旅客在值机、安检、候机、登机等全流程中实现切实的智能化服务，使旅客感受到导航式的方便快捷，从而提高机场自身的运营效率和行业核心竞争力。其实，机场航站楼服务水平的好坏直接影响到旅客的出行满意度，也是旅客出行满意度的重要评价标准。
[0003]在航站楼内，基于有效的短时段的离港客流量的变化趋势的预测，按需开放值机柜台和安检口的资源数量，合理配置航站楼内外服务和安保人员，降低因旅客排队或机场服务欠缺所导致的航班延误以及突发事件产生的可能性，这样才能真正地提高出行旅客的满意度和机场的运行效率，更好地增强机场自身的核心竞争力，不被行业内所淘汰。

技术实现思路

[0004]针对上述问题，本专利技术的主要目的在于提供一种提高航站楼业务运作以及资源的合理分配，精准的预估出航站楼内旅客人数的变化情况；影响因素及数据分析的基于时间序列的交通客流量预测方法。
[0005]本专利技术是通过下述技术方案来解决上述技术问题的：一种基于时间序列的交通客流量预测方法，所述基于时间序列的交通客流量预测方法包括如下步骤：
[0006]步骤一：对航班数据、值机数据、行李信息、旅客基础信息等源数据进行数据抽取与重构的基础上，从值机方式分布、航班分布、值机旅客人数分布、客座率、旅客出行特点、航班延误进行数理统计，挖掘出影响客流量变化的原因；
[0007]步骤二：在预测模型建立过程中依据不同的值机方式进行数据分类分别进行客流量预测；同时，接下来的分析将按照不同的值机方式作为基础进行分类统计；在一个航班计划表内很难寻到到明显的DOW特性，需要对航班DOW(Day of Week函数，星期几)特性进行更仔细的数据分析；
[0008]步骤三：首先，按照星期，将一周内每天的航班数以每六十分钟为一时段求每时段内的平均航班数量，其中x轴为时间，Y轴为各时段内的航班数；
[0009]注：航班数量为离港时间处在相应时间段内的航班数量；
[0010]然后，依旧按照星期将一周内每天的航班数以每六十分钟为一时段求每时段内的航班数量的汇总，所得到的数据加上实验分析航班离港时间、飞行频次、是否工作日发现影响值机客流量的因素；
[0011]步骤四：ARIMA模型是由博克思和詹金斯这两位学者提出的有关于时间序列的预
测方法，被称为box
‑
jenkins模型。其基本思想是：将预测对象的数据序列用数学模型来近似描述出来，并且对其进行参数识别；最后，被确定下来的模型就可以从时间序列的过去值及现在值来进行未来值的预测。
[0012]步骤二的具体过程为：
[0013]1)、由于选择不同值机方式的人数相差较大以及每种值机方式的办理时间不同，所以，在预测模型建立过程中要依据不同的值机方式进行数据分类分别进行客流量预测；同时，接下来的分析将按照不同的值机方式作为基础进行分类统计；
[0014]2)、在一个航班计划表内很难寻到到明显的DOW特性，需要对航班DOW特性进行更仔细的数据分析；接下来，基于机场内每个航空公司有固定的值机区域，以选择人工柜台值机为例，值机区域可以分为值机岛F、值机岛G以及值机岛H；按照星期和不同的值机岛进行数据分类，分别统计在一周内每个值机岛每天的航班数量变化，以每六十分钟为一时段来统计每时段内的航班数量。
[0015]在本专利技术的具体实施例子中，步骤四的具体过程为：ARIMA模型以原序列的平稳性和回归过程中的不同作为分类标准，包括MA过程、AR过程、ARMA过程、ARIMA过程；ARIMA(p，d，q)的被称为差分自回归移动平均模型，含有自回归AR，自回归项p，移动平均MA，移动平均项数q，以及差分次数d。
[0016]在本专利技术的具体实施例子中，建立ARIMA(p，d，q)的模型首先需要将时间序列从非平稳状态转化为平稳状态，然后仅对因变量的滞后值、随机误差项的现值和滞后值进行回归，最终得到预测模型：
[0017][0018]其中L是滞后算子，d∈Z；d＞0。
[0019]在本专利技术的具体实施例子中，某些时间序列中，有时会存在明显的周期性或者季节性的变化，这类序列称为季节性序列；
[0020]建立季节性或周期性时间序SARIMA模型，即ARIMA(p，d，q)
×
(P，D，Q)s；其中，P，Q，p，q表示季节自回归，季节性的移动平均算子的最大滞后阶数、非季节自回归、非季节性的移动平均算子的最大滞后阶数，d，D分别表示非季节性的差分次数以及季节性的差分次数，s表示时序的变化周期；
[0021]首先，变化周期s是指时间间隔为s的时序值之间具有相同的变化规律；为使数据更加具有代表性，需要利用季节差分的方法来消除其周期性变化；差分算子的普遍定义是Δ
s
＝1
‑
L
s
；假设用Y
t
表示季节性的时间序列，那么一次季节差分则可以表示为：
[0022]Δ
s
Y
t
＝(1
‑
L
s
)Y
t
＝Y
t
‑
Y
t
‑
s
[0023]当时间序列为非平稳状态时，需要对变化周期s进行D次季节差分，这样才能完成平稳序列的转化；D不会大于1，P和Q不会大于3；
[0024]接下来，在u
t
是平稳的、非自相关的基础上，建立基于s周期的SARIMA模型：如果u
t
为非平稳状态且存在ARMA成分时u
t
可以表示为：即其中v
t
代表的是白噪声过程；
[0025]最后，把上述公式代入，得到季节时间序列模型即(p，d，q)
×
(P，D，Q)
S
阶乘季节性
模型：
[0026]应对Y
t
检验平稳性：
[0027]第一，基于响应序列和输入序列来建立回归模型：
[0028]Y
t
＝β0+β1X
1t
+
…
+β
k
X
kt
+ε
t
[0029]其中，β0，β1…
β
k
表示最小二乘估值，ε
t
对回归残差序列；
[0030]第二，对回归残差序列ε
t
引进行平稳性检验；然后，进行回归模型的残差序列的判定；假设(Y
t
)和(X
1t
)...(X本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间序列的交通客流量预测方法，其特征在于：所述基于时间序列的交通客流量预测方法包括如下步骤：步骤一：对航班数据、值机数据、行李信息、旅客基础信息等源数据进行数据抽取与重构的基础上，从值机方式分布、航班分布、值机旅客人数分布、客座率、旅客出行特点、航班延误进行数理统计，挖掘出影响客流量变化的原因；步骤二：在预测模型建立过程中依据不同的值机方式进行数据分类分别进行客流量预测；同时，接下来的分析将按照不同的值机方式作为基础进行分类统计；在一个航班计划表内很难寻到到明显的DOW特性，需要对航班DOW特性进行更仔细的数据分析；步骤三：首先，按照星期，将一周内每天的航班数以每六十分钟为一时段求每时段内的平均航班数量，其中x轴为时间，Y轴为各时段内的航班数；然后，依旧按照星期将一周内每天的航班数以每六十分钟为一时段求每时段内的航班数量的汇总，所得到的数据加上实验分析航班离港时间、飞行频次、是否工作日发现影响值机客流量的因素；步骤四：ARIMA模型是由博克思和詹金斯这两位学者提出的有关于时间序列的预测方法，被称为box
‑
jenkins模型。2.根据权利要求1所述的基于时间序列的交通客流量预测方法，其特征在于：步骤二的具体过程为：1)、由于选择不同值机方式的人数相差较大以及每种值机方式的办理时间不同，所以，在预测模型建立过程中要依据不同的值机方式进行数据分类分别进行客流量预测；同时，接下来的分析将按照不同的值机方式作为基础进行分类统计；2)、在一个航班计划表内很难寻到到明显的DOW特性，需要对航班DOW特性进行更仔细的数据分析；接下来，基于机场内每个航空公司有固定的值机区域，以选择人工柜台值机为例，值机区域可以分为值机岛F、值机岛G以及值机岛H；按照星期和不同的值机岛进行数据分类，分别统计在一周内每个值机岛每天的航班数量变化，以每六十分钟为一时段来统计每时段内的航班数量。3.根据权利要求1所述的基于时间序列的交通客流量预测方法，其特征在于：步骤四的具体过程为：ARIMA模型以原序列的平稳性和回归过程中的不同作为分类标准，包括MA过程、AR过程、ARMA过程、ARIMA过程；ARIMA(p,d,q)的被称为差分自回归移动平均模型，含有自回归AR，自回归项p，移动平均MA，移动平均项数q，以及差分次数d。4.根据权利要求3所述的基于时间序列的交通客流量预测方法，其特征在于：建立ARIMA(p,d,q)的模型首先需要将时间序列从非平稳状态转化为平稳状态，然后仅对因变量的滞后值、随机误差项的现值和滞后值进行回归，最终得到预测模型:其中L是滞后算子，d∈Z；d＞0。5.根据权利要求4所述的基于时间序列的交通客流量预测方法，其特征在于：某些时间序列中，有时会存在明显的周期性或者季节性的变化，这类序列称为季节性序列；建立季节性或周期性时间序SARIMA模型，即ARIMA(p,d,q)
×
(P，D，Q)s；其中，P,Q,p,q
表示季节自回归,季节性的移动平均算子的最大滞后阶数、非季节自回归、非季节性的移动平均算子的最大滞后阶数，d,D分别表示非季节性的差分次数以及季节性的差分次数,s表示时序的变化周期；首先，变化周期s是指时间间隔为s的时序值之间具有相同的变化规律；为使数据更加具有代表性，需要利用季节差分的方法来消除周期性变化；差分算子的普遍定义是Δ
s
＝1
‑
L
s
；假设用Y
t
表示季节性的时间序列，那么一次季节差分则可以表示为：Δ
s
Y
t
＝(1
‑
L
s
)Y
t
＝Y
t
‑
Y
t
‑
s
当时间序列为非平稳状态时，需要对变化周期s进行D次季节差分，这样才能...

【专利技术属性】
技术研发人员：杨涌文，董子文，李苑勋，张丽婷，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：