一种基于多源数据的旅客中转时间预测模型生成方法与流程

摘要: 本发明涉及机场运维,尤其涉及一种基于多源数据的旅客中转时间预测模型生成方法。背景技术:1、在全球航空运输网络化程度不断加深的当下,中转枢纽已成为衔接航线网络、提...
一种基于多源数据的旅客中转时间预测模型生成方法与流程

本发明涉及机场运维,尤其涉及一种基于多源数据的旅客中转时间预测模型生成方法。

背景技术:

1、在全球航空运输网络化程度不断加深的当下,中转枢纽已成为衔接航线网络、提升运输效率的核心节点。国际航空运输协会(iata)数据显示,2024年全球中转旅客占比已达37%,枢纽机场的中转服务质量直接关系到旅客出行体验与航空企业竞争力。

2、当前枢纽中转系统面临诸多挑战。跨航站楼中转涉及120余个关键节点的协同运作,旅客动线受航班延误、设施拥堵等20余种因素动态影响;多源数据分散存储于航司系统、机场运营平台等异构载体,数据孤岛导致特征挖掘不充分;传统预测方法多聚焦单一环节,忽略了“到港-中转-离港”全流程的时空关联性,在复杂场景下预测误差常超过15分钟,难以满足精细化运营需求。同时,传统的中转时间预测方法主要基于经验和简单统计模型,存在预测精度低、适应性差、动态预测能力弱、对耦合关系预测能力不强以及受数据噪声与时空不一致等问题的干扰,已无法适配建设智能化机场的战略部署以及机场旅客吞吐量持续增长的现状。

3、因此,亟需提出一种基于多源数据的旅客中转时间预测模型生成方法。

技术实现思路

1、本发明的目的是提供一种基于多源数据的旅客中转时间预测模型生成方法,具有的提高中转效率的优点。

2、为实现上述目的,本发明提供一种基于多源数据的旅客中转时间预测模型生成方法,所述方法用于对旅客全流程中转时间的分析,为调动进行辅助;所述方法包括:步骤s1,原始数据采集与预处理,获得融合特征向量;步骤s2,将融合特征向量分别输入空间注意力图卷积模块和时间注意力门控循环单元模块,获取空间关联特征和时间特征;步骤s3,自适应调整空间关联特征和时间特征的输出权重,通过动态权重融合层融合得到中转时间预测值;步骤s4,根据中转时间预测值与旅客实际中转时间的差异对模型进行优化,获得优化后的中转时间预测模型。

3、优选地,所述步骤s1包括:步骤s11,采集原始数据,并对其进行清洗处理,获得清洗后数据;步骤s12,采用改进的标准分数标准化算法对清洗后数据进行无量纲标准化处理;按照不同类型特征分别计算其均值和标准差,并采用“特征值减去均值后除以标准差”的方式将数值特征转换至统一尺度;步骤s13,采用合成少数类过采样技术与自适应合成采样算法组成的混合算法对无量纲标准化处理后数据进行增广;步骤s14,对数据集内的所有特征进行类型区分,划分为数值型特征与类别型特征;对类别型特征采用嵌入编码方式完成特征数字化转换;同时针对时序特征,采用滑动窗口法构建时序序列样本,设定滑动窗口大小为15分钟,生成适配时空建模的融合特征向量。

4、优选地,所述步骤s11中,原始数据包括:航班数据、航站楼设施数据、旅客属性数据以及环境数据;其中,所述航班数据包括到港准点率、航班间隔、航企类型;所述航站楼设施数据包括安检通道数量、摆渡车频次、标识密度;所述旅客属性数据包括年龄结构、行李状态、中转次数;所述环境数据包括天气等级、航班延误预警信息。

5、优选地,清洗处理为构建“清洗-标准化-增广”三级预处理流程中的清洗流程,针对不同类型原始数据采用差异化清洗方式;采用如下手段进行:采用基于随机森林的迭代填充法修复航班运行数据的缺失值;和采用相邻时段插值法补充设施数据的缺失值;和采用改进的3σ准则结合民航中转领域知识开展异常值剔除,限定安检时间合理区间为5-30分钟,剔除异常样本,完成原始数据的纠错与完善。

6、优选地,所述步骤s2中,空间注意力图卷积模块以航站楼、安检区、摆渡点和登机口等设施为图节点,以设施之间的通行连接关系为图边,通过注意力权重聚合相邻节点信息,获得反映旅客中转路径及设施影响程度的空间关联特征。

7、优选地,所述步骤s2中,时间注意力gru模块按照时间顺序输入连续窗口内的航班状态、旅客流量及设施运行状态,通过更新门、重置门和时间注意力权重筛选重要历史信息,获得反映中转流程动态变化的时间特征。

8、优选地,所述步骤s2包括:步骤s21,融合特征向量输入空间注意力图卷积模块,以融合特征及中转设施节点连接关系为输入,构建中转场景图结构,并自适应计算航站楼、安检区、摆渡点和登机口等节点间的注意力权重,得到反映旅客中转路径及设施影响程度的空间关联特征;步骤s22,融合特征向量输入时间注意力gru模块,将连续时间窗口内的航班状态、旅客流量和设施运行状态作为输入,通过门控网络动态调整各时刻历史状态的贡献度,得到能够反映中转流程动态变化的时间特征。

9、优选地,所述步骤s4包括:步骤s41,以融合特征向量为训练输入、旅客实际中转时间为监督标签,根据预测值与实际值计算huber损失,并通过反向传播及adam优化器同步更新空间注意力图卷积模块、时间注意力gru模块和动态权重融合层的参数;步骤s42,将验证集输入训练后的模型,计算mae、rmse和r²,根据验证集误差调整空间特征与时间特征的融合权重,并保留验证误差较小时对应的模型参数,获得优化后的中转时间预测模型。

10、优选地,所述步骤s41中,初始学习率为0.001,huber损失参数δ为5.0,并采用余弦退火、dropout及l2正则化控制模型收敛和过拟合。

11、综上所述,与现有技术相比,本发明提供的一种基于多源数据的旅客中转时间预测模型生成方法,具有如下优点:

12、第一,本发明提出的一种基于多源数据的旅客中转时间预测模型生成方法,采用了涵盖多维度的多源数据体系,实现数据的有效融合,提高多源数据语义对齐融合准确率≥95%;实现对旅客全流程中转时间的动态精准预测,使中转时间预测平均绝对误差≤10分钟,在国内转国内场景下进一步降低mae,提升预测精度。

13、第二,本发明提出的一种基于多源数据的旅客中转时间预测模型生成方法,有助于实现预测系统在真实场景中的覆盖率≥90%,适用于大多数旅客;并且实现机场运营效率提升,使中转旅客平均等待时间减少15%-20%,中转航班衔接成功率(旅客按时登机率)提升≥10%。

1.一种基于多源数据的旅客中转时间预测模型生成方法,其特征在于,所述方法用于生成对旅客全流程中转时间的分析的中转时间预测模型,为调动进行辅助;

2.根据权利要求1所述的一种基于多源数据的旅客中转时间预测模型生成方法,其特征在于,所述步骤s1包括:

3.根据权利要求2所述的一种基于多源数据的旅客中转时间预测模型生成方法,其特征在于,所述步骤s11中,原始数据包括:航班数据、航站楼设施数据、旅客属性数据以及环境数据;

4.根据权利要求3所述的一种基于多源数据的旅客中转时间预测模型生成方法,其特征在于,清洗处理为构建“清洗-标准化-增广”三级预处理流程中的清洗流程,针对不同类型原始数据采用差异化清洗方式;采用如下手段进行:采用基于随机森林的迭代填充法修复航班运行数据的缺失值;和采用相邻时段插值法补充设施数据的缺失值;和采用改进的3σ准则结合民航中转领域知识开展异常值剔除,限定安检时间合理区间为5-30分钟,剔除异常样本,完成原始数据的纠错与完善。

5.根据权利要求4所述的一种基于多源数据的旅客中转时间预测模型生成方法,其特征在于,

6.根据权利要求5所述的一种基于多源数据的旅客中转时间预测模型生成方法,其特征在于,

7.根据权利要求6所述的一种基于多源数据的旅客中转时间预测模型生成方法,其特征在于,所述步骤s2包括:

8.根据权利要求7所述的一种基于多源数据的旅客中转时间预测模型生成方法,其特征在于,所述步骤s4包括:

9.根据权利要求8所述的一种基于多源数据的旅客中转时间预测模型生成方法,其特征在于,