[发明专利]基于典型日识别的机场旅客量预测方法

摘要

本发明提供一种基于典型日识别的机场旅客量预测方法，包括以下步骤：采集机场航班历史日运行数据集合P，对于每个所述历史日运行数据，提取历史日时间特征向量和历史日航班特征向量；量化特征数据集相似度，得到最优权重因子；建立典型日识别模型，预测分时段旅客量。本发明提供的基于典型日识别的机场旅客量预测方法具有以下优点：本发明实现了机场旅客量的分时段准确有效的预测，从而有效提高机场运行压力预警能力。

主权项

1.一种基于典型日识别的机场旅客量预测方法，其特征在于，包括以下步骤：步骤1，采集机场航班历史日运行数据集合P，将所述机场航班历史日运行数据集合P划分为历史日样本数据集合P1和历史日测试数据；步骤2，所述历史日运行数据集合P由多个历史日运行数据组成；对于每个所述历史日运行数据，提取历史日时间特征向量和历史日航班特征向量；所述历史日时间特征向量表示为：＜DATEi,fea_month,fea_day,fea_week,fea_holiday＞其中，DATEi代表日期为i；fea_month代表日期为i的月信息；fea_day代表日期为i的日信息；fea_week代表日期为i的星期信息；fea_holiday代表日期为i的节假日信息；所述历史日航班特征向量表示为：其中：DATE_i代表日期为i；分别代表日期为i的第1个时段,…,第n个时段的计划航班起飞量；n代表日期为i的时段总数量；代表日期为i的全天航班起飞量总数；对所述历史日航班特征向量进行归一化；归一化公式如下：其中：Di,j为归一化后的日期为i的第j个时段的起飞量趋势，DAi,j为日期为i的第j个时段的计划航班起飞量；步骤3，量化特征数据集相似度，得到最优权重因子；本步骤具体包括：步骤301，赋予时间特征权重因子ω1初始值，以及赋予航班特征权重因子ω2初始值；步骤302，依次计算历史日测试数据与历史日样本数据集合P1中每一个历史日样本数据的总体相似度，选择总体相似度最高的历史日样本数据，假设总体相似度最高的历史日样本数据所对应的历史日为历史日r3；历史日测试数据所对应的历史日为历史日r2；则历史日r3和历史日r2互为典型日：其中，假设历史日样本数据集合P1中任意一个历史日样本数据所对应的历史日为历史日r₁，则采用以下方法计算历史日r₁和历史日r₂的总体相似度步骤3021：计算历史日r₁和历史日r₂的时间特征相似度其中，M₁为历史日r₁和历史日r₂之间不相同的时间特征的数量，M₂为历史日r₁和历史日r₂之间相同的时间特征的数量；当为0时，表示历史日r₁和历史日r₂的时间特征高度相似；当为1时，表示历史日r₁和历史日r₂的时间特征完全不相似；步骤3022：计算未归一化的历史日r₁和历史日r₂的航班分布特征相似度其中：代表历史日r₁的第j个时段的起飞量趋势；代表历史日r₂的第j个时段的起飞量趋势；步骤3023：在中选择最大值记为max(ΔD)；步骤3024：采用下式对进行归一化，得到其中，当为0时，表示历史日r₁和历史日r₂的航班分布特征高度相似，即出港航班计划相似；当为1时，表示历史日r₁和历史日r₂的航班分布特征完全不相似；步骤3025：计算历史日r₁和历史日r₂的总体相似度其中，当为0时，表示历史日r₁和历史日r₂高度相似，即认为这两个历史日互为典型日；当为1时，表示历史日r₁和历史日r₂完全不相似；步骤303，计算总偏差DIF；在计算得到历史日r2的典型日为历史日r3后，历史日r2为本次迭代的待预测日，以其典型日即历史日r3在每个时段的实际旅客量作为历史日r2在对应时段的预测旅客量基准值，以历史日r3在各个时段的最大实际旅客量作为历史日r2的预测上界值，以历史日r3在各个时段的最小实际旅客量作为历史日r2的预测下界值；1)采用下式计算待预测日即历史日r2每时段实际旅客量与预测旅客量基准值的平均偏差DIF1：其中：n是历史日r2的时段总数量，xj是待预测日即历史日r2在第j时段实际旅客量，αj是历史日r2在第j时段的预测旅客量基准值；2)采用下式计算待预测日即历史日r2每时段实际旅客量超出预测边界的平均偏差DIF2：其中：βj是历史日r2在第j时段的预测边界值，即当xj大于对应时段的预测上界值时，βj表示预测上界，而当xj小于对应时段的预测下界时，βj表示预测下界；包络是指由预测上界值和预测下界值围成的包络线；3)采用下式计算待预测日即历史日r2实际旅客量与预测旅客量的总偏差DIF：DIF＝DIF1+DIF2；步骤3.4，不断调整时间特征权重因子ω1和航班特征权重因子ω2的赋值，按步骤3.2‑步骤3.4的方法计算总偏差DIF，选择使得总偏差DIF最小的权重因子组合，作为最优权重因子；步骤4，建立典型日识别模型，预测分时段旅客量，包括以下步骤：步骤4.1，将未来某日作为待预测日，将待预测日记为待预测日r4；步骤4.2，将所有历史日运行数据作为历史样本数据，提取出待预测日r4的时间特征向量和航班特征向量，与历史样本数据进行匹配计算，分别得到待预测日r4与各个历史样本数据的总体相似度；然后对总体相似度进行排序，选择总体相似度最高的前m个样本作为相似典型日集合；将总体相似度最高的样本作为典型日；步骤4.2，将典型日的不同时段实际值机旅客量作为待预测日r4在对应时段的预测基准值；将相似典型日集合中每个时间段的实际旅客量最小值作为待预测日r4在对应时段的预测值上界；将相似典型日集合中每个时间段的实际旅客量最大值作为待预测日r4在对应时段的预测值下界；由此得到待预测日r4在每个时间段的旅客量预测基准值、预测值上界和预测值下界。