航站楼客流预测方法、装置、设备、介质及产品与流程
本技术涉及智能交通,特别是涉及一种航站楼客流预测方法、装置、设备、介质及产品。
背景技术:
1、在机场航站楼运营管理中,通常需要对航站楼内值机大厅、安检通道、候机区、登机口、商业区等各局部区域未来一段时间内的客流量进行预测,以支持资源配置、拥堵预警和旅客服务等管理需求。
2、相关技术中,为对机场客流进行预测,常以机场整体客流量为对象,或仅针对值机、安检等特定区域进行建模,利用历史客流量时序数据,通过统计模型、传统机器学习模型或循环神经网络等预测下一时段的客流量,难以满足航站楼多局部区域高精度的客流预测的需求。
技术实现思路
1、有鉴于此,本技术提供了一种航站楼客流预测方法、装置、设备、介质及产品,以实现高精度的航站楼各局部区域的客流预测。
2、本技术提供了如下方案:
3、第一方面,提供了一种航站楼客流预测方法,所述方法包括:
4、基于航站楼各局部区域的物理连通关系构建区域拓扑图,并生成所述区域拓扑图对应的邻接矩阵;
5、构建航站楼各局部区域的连续时序数据,所述连续时序数据包括摄像头人流计数数据及无线网络探针设备密度数据;
6、构建多个有效航班的航班事件,所述航班事件包括航班标识、计划起降时刻、起降剩余时间、计划载客量和登机进度比;
7、针对每个航班事件,基于所述起降剩余时间和所述登机进度比确定登机进度门控信号;基于所述登机进度门控信号、所述连续时序数据和所述航班事件确定门控跨模态注意力输出;
8、基于每个航班事件的门控跨模态注意力输出进行加权聚合,得到航班事件融合特征,将所述航班事件融合特征与所述连续时序数据进行拼接,得到模型输入张量;
9、将所述模型输入张量和所述区域拓扑图对应的邻接矩阵输入预先训练完成的航站楼客流预测模型,输出所述航站楼各局部区域分别对应的客流量预测值;
10、其中,所述航站楼客流预测模型基于客流量预测损失和事件对齐正则项构建的联合损失函数训练得到,所述客流量预测损失基于航站楼各局部区域分别对应的预测客流量和航站楼各局部区域分别对应的实际客流量确定,所述事件对齐正则项基于预测客流变化量和登机进度比变化量确定。
11、可选地,所述联合损失函数为:
12、;
13、;
14、;
15、其中,表示客流量预测损失,表示局部区域n在当前时刻t后第时间步的预测客流量,表示局部区域n在当前时刻t后第时间步的实际客流量,n表示局部区域总数,l表示时间步总数;表示事件对齐正则项,表示受有效航班k影响的区域集合;表示登机进度比变化量,,表示时刻下第k个有效航班的登机进度比;表示预测客流变化量,表示符号函数;β表示正则强度系数。
16、可选地,所述基于所述登机进度门控信号、所述连续时序数据和所述航班事件确定门控跨模态注意力输出,包括:
17、对所述航班事件进行向量化处理,得到向量化处理后的航班事件;
18、基于所述向量化处理后的航班事件确定所述航班事件对应的查询向量;
19、基于所述连续时序数据确定所述连续时序数据对应的键向量和所述连续时序数据对应的值向量;
20、基于所述航班事件对应的查询向量、所述连续时序数据对应的键向量和所述连续时序数据对应的值向量确定初始跨模态注意力输出;
21、基于所述登机进度门控信号和所述初始跨模态注意力输出确定门控跨模态注意力输出。
22、可选地,所述基于每个航班事件的门控跨模态注意力输出进行加权聚合,得到航班事件融合特征,包括:
23、针对所有航班事件,基于所有航班事件的计划载客量和登机进度比确定所有有效航班的剩余未过闸旅客数的总和;
24、针对任一航班事件,基于所述航班事件的计划载客量和登机进度比确定所述航班事件的剩余未过闸旅客数;基于所述航班事件的剩余未过闸旅客数和所述所有有效航班的剩余未过闸旅客数的总和确定所述航班事件的融合权重;
25、基于每个航班事件的融合权重和每个航班事件的门控跨模态注意力输出进行加权聚合,得到航班事件融合特征。
26、可选地,所述航站楼客流预测模型包括图卷积聚合层、卷积层、时空特征提取层、归一化层、残差连接单元、前馈层和全连接输出层;
27、所述将所述模型输入张量和所述区域拓扑图对应的邻接矩阵输入预先训练完成的航站楼客流预测模型,输出所述航站楼各局部区域分别对应的客流量预测值,包括:
28、对所述区域拓扑图对应的邻接矩阵进行归一化,得到归一化后的邻接矩阵;
29、将所述模型输入张量和所述归一化后的邻接矩阵输入所述图卷积聚合层,得到图卷积输出张量;
30、将所述图卷积输出张量输入所述卷积层,得到卷积层输出特征;
31、将所述卷积层输出特征输入所述时空特征提取层,得到时空隐藏特征;
32、将所述时空隐藏特征输入所述归一化层,得到归一化后的时空隐藏特征;
33、将所述模型输入张量的最后时间步的特征和所述归一化后的时空隐藏特征输入所述残差连接单元,得到残差输出特征;
34、将所述残差输出特征输入所述前馈层,得到前馈层输出特征;
35、将所述前馈层输出特征输入所述全连接输出层,得到所述航站楼各局部区域分别对应的客流量预测值。
36、可选地,所述将所述模型输入张量和所述归一化后的邻接矩阵输入所述图卷积聚合层,得到图卷积输出张量,包括:
37、对于任一时间步,基于所述模型输入张量中所有局部区域在所述时间步的特征矩阵和所述归一化后的邻接矩阵确定区域聚合特征,所述区域聚合特征能够反映物理相邻区域对当前局部区域的客流影响;
38、获取所述图卷积聚合层的可学习权重矩阵和偏置向量,基于所述区域聚合特征、所述可学习权重矩阵和所述偏置向量确定线性变换后的区域聚合特征;
39、将所述线性变换后的区域聚合特征输入预设激活函数中,得到图卷积输出张量。
40、第二方面,提供了一种航站楼客流预测模型的训练方法,所述方法包括:
41、基于航站楼各局部区域的物理连通关系构建区域拓扑图样本,并生成所述区域拓扑图样本对应的邻接矩阵;
42、构建航站楼各局部区域的连续时序数据样本,所述连续时序数据样本包括摄像头人流计数数据样本及无线网络探针设备密度数据样本;
43、构建多个有效航班的航班事件样本,所述航班事件样本包括航班标识样本、计划起降时刻样本、起降剩余时间样本、计划载客量样本和登机进度比样本;
44、针对每个航班事件样本,基于所述起降剩余时间样本和所述登机进度比样本确定登机进度门控信号样本;基于所述登机进度门控信号样本、所述连续时序数据样本和所述航班事件样本确定门控跨模态注意力输出样本;
45、基于每个航班事件样本的门控跨模态注意力输出样本进行加权聚合,得到航班事件融合特征样本,将所述航班事件融合特征样本与所述连续时序数据样本进行拼接,得到模型输入张量样本;
46、将所述模型输入张量样本和所述区域拓扑图对应的邻接矩阵样本输入待训练的航站楼客流预测模型,输出所述航站楼各局部区域分别对应的预测客流量;
47、基于所述航站楼各局部区域分别对应的预测客流量和航站楼各局部区域分别对应的实际客流量确定客流量预测损失;基于所述登机进度比样本确定登机进度比变化量,基于所述航站楼各局部区域分别对应的预测客流量确定预测客流变化量;基于所述预测客流变化量和所述登机进度比变化量确定事件对齐正则项;基于所述客流量预测损失和所述事件对齐正则项确定模型训练损失;
48、基于所述模型训练损失对所述待训练的航站楼客流预测模型进行参数更新,直至满足训练停止条件,得到训练完成的航站楼客流预测模型。
49、第三方面,提供了一种航站楼客流预测装置,所述装置包括:
50、邻接矩阵生成单元,被配置为基于航站楼各局部区域的物理连通关系构建区域拓扑图,并生成所述区域拓扑图对应的邻接矩阵;
51、连续时序数据构建单元,被配置为构建航站楼各局部区域的连续时序数据,所述连续时序数据包括摄像头人流计数数据及无线网络探针设备密度数据;
52、航班事件构建单元,被配置为构建多个有效航班的航班事件,所述航班事件包括航班标识、计划起降时刻、起降剩余时间、计划载客量和登机进度比;
53、门控跨模态注意力输出确定单元,被配置为针对每个航班事件,基于所述起降剩余时间和所述登机进度比确定登机进度门控信号;基于所述登机进度门控信号、所述连续时序数据和所述航班事件确定门控跨模态注意力输出;
54、特征拼接单元,被配置为基于每个航班事件的门控跨模态注意力输出进行加权聚合,得到航班事件融合特征,将所述航班事件融合特征与所述连续时序数据进行拼接,得到模型输入张量;
55、模型预测客流单元,被配置为将所述模型输入张量和所述区域拓扑图对应的邻接矩阵输入预先训练完成的航站楼客流预测模型,输出所述航站楼各局部区域分别对应的客流量预测值;
56、其中,所述航站楼客流预测模型基于客流量预测损失和事件对齐正则项构建的联合损失函数训练得到,所述客流量预测损失基于航站楼各局部区域分别对应的预测客流量和航站楼各局部区域分别对应的实际客流量确定,所述事件对齐正则项基于预测客流变化量和登机进度比变化量确定。
57、第四方面,提供了一种航站楼客流预测模型的训练装置,所述装置包括:
58、邻接矩阵样本生成单元,被配置为基于航站楼各局部区域的物理连通关系构建区域拓扑图样本,并生成所述区域拓扑图样本对应的邻接矩阵;
59、连续时序数据样本构建单元,被配置为构建航站楼各局部区域的连续时序数据样本,所述连续时序数据样本包括摄像头人流计数数据样本及无线网络探针设备密度数据样本;
60、航班事件样本构建单元,被配置为构建多个有效航班的航班事件样本,所述航班事件样本包括航班标识样本、计划起降时刻样本、起降剩余时间样本、计划载客量样本和登机进度比样本;
61、门控跨模态注意力输出样本确定单元,被配置为针对每个航班事件样本,基于所述起降剩余时间样本和所述登机进度比样本确定登机进度门控信号样本;基于所述登机进度门控信号样本、所述连续时序数据样本和所述航班事件样本确定门控跨模态注意力输出样本;
62、样本特征拼接单元,被配置为基于每个航班事件样本的门控跨模态注意力输出样本进行加权聚合,得到航班事件融合特征样本,将所述航班事件融合特征样本与所述连续时序数据样本进行拼接,得到模型输入张量样本;
63、预测客流量输出单元,被配置为将所述模型输入张量样本和所述区域拓扑图对应的邻接矩阵样本输入待训练的航站楼客流预测模型,输出所述航站楼各局部区域分别对应的预测客流量;
64、模型训练损失确定单元,被配置为基于所述航站楼各局部区域分别对应的预测客流量和航站楼各局部区域分别对应的实际客流量确定客流量预测损失;基于所述登机进度比样本确定登机进度比变化量,基于所述航站楼各局部区域分别对应的预测客流量确定预测客流变化量;基于所述预测客流变化量和所述登机进度比变化量确定事件对齐正则项;基于所述客流量预测损失和所述事件对齐正则项确定模型训练损失;
65、客流预测模型训练单元,被配置为基于所述模型训练损失对所述待训练的航站楼客流预测模型进行参数更新,直至满足训练停止条件,得到训练完成的航站楼客流预测模型。
66、第五方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面中任一项所述的方法的步骤。
67、第六方面,提供了一种电子设备,包括:
68、一个或多个处理器;以及
69、与所述一个或多个处理器关联的存储器,所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时,执行上述第一方面中任一项所述的方法的步骤。
70、第七方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面中任一项所述的方法的步骤。
71、根据本技术提供的具体实施例,本技术公开了以下技术效果:
72、1)本技术通过构建反映各局部区域之间物理连通关系的区域拓扑图和邻接矩阵,使模型在空间维度上能够对相邻区域的客流状态进行聚合,从而刻画局部区域之间的旅客传导关系;通过构建包含计划起降时刻、起降剩余时间、计划载客量和登机进度比的航班事件,并利用登机进度门控信号对航班事件和连续时序数据进行门控跨模态注意力计算,主动驱动模型关注与航班旅客集散相关的时序片段,提前感知未来客流波峰;通过输出航站楼各局部区域分别对应的客流量预测值,直接满足局部区域的精细化管理需求,同时避免了现有技术仅面向整体机场或仅针对值机、安检区域导致参考性差和通用性不足的问题,提高了机场航站楼各局部区域客流预测的时间与空间分辨率,实现高精度的航站楼各局部区域的客流预测;此外,事件对齐正则项用于针对航班事件发生时段,约束预测结果的变化方向与旅客集散物理规律相符,从而提升模型客流预测的准确性和可靠性。
73、2)本技术通过将登机进度比和起降剩余时间拼接后经sigmoid函数输出门控值,使登机进度门控信号在登机进度比趋近于1时趋近于最大值,从而能够自动表征该航班旅客集散事件即将完成,进而动态调节该航班事件在后续注意力融合中的贡献强度,避免了固定权重无法反映航班旅客集散实际进度的问题,提升了事件门控的物理一致性和融合精度。
74、3)本技术通过以航班事件作为查询、以连续时序数据作为键和值进行门控跨模态注意力计算,使模型能够从连续时序数据中自动聚焦与当前航班事件相关的时空片段,而不是将航班事件和时序数据进行简单拼接,从而增强了多源信息在特征层面的交互和表达能力,为后续时空预测模型提供了更有针对性的融合特征。
75、4)本技术通过采用计划载客量与剩余未过闸旅客比例的乘积作为权重,使大部分旅客已过闸的航班对当前时刻预测的权重自动降低,并将注意力集中于尚未完成客流释放的航班,从而避免已完成集散的航班事件对当前融合特征产生冗余干扰,提高了航班事件融合特征与当前及未来客流压力的相关性,有利于后续模型更准确地感知即将到来的客流变化。
76、5)本技术通过图卷积聚合层利用归一化邻接矩阵对每个时间步的区域特征进行邻域加权,使任一区域的预测能够同时感知其自身和物理相邻区域的状态,捕捉值机、安检、候机、登机等区域之间的客流传导关系;通过卷积层和时空特征提取层保留时空结构并捕捉长时依赖;通过归一化层和残差连接单元稳定训练并缓解长序列训练的梯度消失;通过前馈层和全连接输出层将时空特征映射为各区域未来多个时间步的预测值,从而实现了对航站楼局部区域客流的时空联合建模,提高了长程预测精度和模型训练稳定性。
77、当然,实施本技术的任一产品并不一定需要同时达到以上所述的所有优点。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com