�����ÿ���������Ӱ�������Ԥ�ⷽ���о�

旅客吞吐量的预测对于机场的建设和管理具有重要的意义,而目前多数预测技术都不适用于我国尚不成熟的航空市场.本文从可能影响机场旅客吞吐量的若干因素出发,采用主成分分析法提取了最关键的因素,剖析了机场旅客吞吐量的内在影响机理,并且提出了基于影响机理的预测模型.以北京首都机场的旅客吞吐量预测为例进行了应用研究,采用趋势分析法对预测结果进行了检验.结果表明,模型能够较准确地预测出机场的旅客吞吐量.     

成都双流机场旅客吞吐量的预测研究

机场旅客吞吐量是衡量一个地区发展的重要标志,也是实现机场资源有效配置的根据。因此,精确地预测机场旅客吞吐量对机场规划和建设具有重要的意义。选用2005—2017年的成都双流机场旅客吞吐量作为数据,首先,建立ARIMA模型和灰色预测模型并进行预测。然后,在此基础上运用赋权法对两种模型进行组合,形成灰色-ARIMA组合预测模型。最后,将3种模型的预测结果与实际值进行比较。结果证明,组合模型的预测平均绝对误差低于另外两种模型,具有较好的预测效果。     

基于竞争的区域机场群旅客吞吐量预测方法

随着高铁建设和机场数量的增多,民航与高铁的竞争及区域机场间的竞争日渐激烈,给机场旅客吞吐量预测带来挑战,仅考虑单一机场要素的预测方法已无法适应区域内多机场系统旅客吞吐量的预测需要.文中同时考虑民航与高铁以及机场间的双重竞争,对竞争态势下的区域多机场吞吐量预测进行研究.在探究客流分担影响机制的基础上,构建基于竞争环境下的多机场旅客吞吐量需求预测双层Nested Logit模型,提出双重竞争下机场吞吐量预测方法.确定旅客出行行为选择的显著影响因素,构造效用函数,进行问卷设计与样本数据采集,利用T ran-sCAD软件对效用函数进行参数估计和标定.以珠江三角洲机场群为依托,对提出的方法进行示例应用.结果表明:双层Nested Logit模型能较好地量化表征航空与高铁及机场间的双重竞争关系,且能同步预测包括目标机场在内的机场群内所有机场的旅客吞吐量,便于机场群的整体性规划和协作,为旅客吞吐量的准确预测提供新方向.     

考虑滞后期的机场旅客吞吐量预测

机场旅客吞吐量的影响因子通常存在滞后期,论文在选定了影响因素之后,通过随机森林重要度指数,确定各因子的滞后期;接着,以1987—2018年南京禄口国际机场的数据建立吞吐量预测的逐步回归模型;最后,对模型效果进行评价并基于建立的模型对2019年和2020年南京禄口国际机场的吞吐量进行预测。结果表明:影响因子对旅客吞吐量的影响存在1～9年不等的滞后期;通过与未考虑滞后期的模型进行对比,发现考虑滞后期的模型拟合效果更优,MAE减小显著。因此,将滞后期引入机场旅客吞吐量预测是很有必要的。     

基于面板数据的区域经济与机场规模关联性分析

区域经济与机场规模关联性分析,是机场发展规划的重要依据,采用基于面板数据的模型可以定量分析二者之间的关联性.按照旅客吞吐量将国内机场分为三类,并对数据进行协整检验分析,发现机场旅客吞吐量与GDP、旅游旅客人数、进出口额以及居民人均可支配收入具有长期的均衡关系,并根据三类机场的模型估计判别结果得出不同规模的机场与区域经济指标间的具体关联性,为机场科学合理投资建设提供了量化的参考依据.     

机场旅客吞吐量预测的组合方法研究

为提高机场旅客吞吐量预测的准确性,在综合计量经济法和时间序列预测方法各自优点的基础上,采用组合预测方法,使用多元线性回归模型确定组合预测方法的权重.以北京首都国际机场1994～2004年的旅客吞吐量为例,组合预测方法的平均拟合误差为3.36%.结果表明:组合方法总体上具有较高的预测精度和稳定性,既优于传统的计量经济法,也优于时间序列预测方法.     

基于航空OD客流的重力模型逆向算法

为了由航空OD（起讫点）客流数据及航线距离数据估计机场旅客吞吐量,结合哈密顿图简化算法机理,推导了简化代数算法．以我国15个主要机场之间航空0D客流数据为例,标定了模型参数,并利用两种逆向代数算法预测机场旅客吞吐量,结果吻合良好．与标准代数算法相比,简化代数算法需要的数据少,尤其适合于缺乏完整数据的大规模OD矩阵分析．     

基于K-means的航空旅客空间行为模式研究

航站楼内旅客空间行为模式研究,对航站楼满足不同属性旅客需求、提升服务水平至关重要。研究采用K-means聚类算法,对南京禄口国际机场T2航站楼国内出发旅客的空间选择行为进行大致细分。将国内出发旅客的行为路径聚类为5种空间行为模式,并分析了旅客性别、年龄、收入等基本属性在这5种空间行为模式上的不同分布,说明机场航站楼商业设施对女性旅客的吸引力更强;中青年旅客容易在非职能区域发生停留行为进而引发消费活动;未在机场乘过机的旅客对航站楼各类商业设施有强烈的兴趣;收入水平与旅客对机场非职能区域的选择概率之间呈正相关关系。研究通过分析航空旅客空间行为模式差异,对南京禄口国际机场提升机场管理水平和空间布局优化都有一定的实用价值。     

基于逆向重力模型的枢纽机场旅客吞吐量估计方法

为了利用航空OD客流数据精确估计机场旅客吞吐量,描述了全连通线性航线网络和枢纽辐射航线网络,根据枢纽机场之间的OD客流矩阵,建立了逆向重力模型标准代数算法和基于哈密顿图原理的简化代数算法,分析了在不同距离修正指数下,算法的拟合与估计精度。分析结果表明:简化代数算法与模型标准代数算法最优吞吐量回归直线的可决系数都为0.84,斜率分别为0.91和0.87,比较接近。可见算法的拟合效果优良,估计精度高,且简化代数算法需要的数据少,尤其适合大规模OD矩阵分析。     

随机GHP模型中机场容量混合聚类算法

为了有效利用机场容量资源,克服现有随机GHP模型中容量预测存在的人为误差,研究了机场容量混合聚类算法.将每天的容量按照30 min间隔划分为多个区间,每个区间对应着1个容量值,这样每天的容量就作为1个容量样本.采集国内某机场半年的容量样本,采用k-means和SOM神经网络的混合聚类算法,确定机场典型容量样本,计算相应...     

机场旅客吞吐量主要影响因素

针对机场旅客吞吐量预测中重要指标难以选取的问题,采用主成分分析法,对国内四个主要机场旅客吞吐量的影响因素进行分析,提取了最主要的影响因素。研究表明,影响不同机场旅客吞吐量因素的重要性排名有所不同,但最主要的影响因素却相似,包括城市GDP、总人口数、社会消费品零售总额等。这些影响指标的提取,将为构建机场旅客吞吐量预测模型提供重要参考。     

机场群运行方式下的航班时刻与频率优化模型

针对枢纽机场的拥堵问题,提出了机场群航班时刻与频率优化策略.应用运输需求管理理论,以旅客最小出行损失时间为目标函数,以旅客流失率与航空公司客座率为约束条件,建立了基于机场群运行方式的航班时刻与频率优化模型.根据机场群内5个机场的地面交通时间与枢纽机场的航班数量与平均延误的关系,将机场群内各个机场的旅客需求进行分类,采用k-means聚类算法,计算了航班时刻与频率、旅客出行损失时间、机型与数量分配方式.计算结果表明:在机场群运行方式下,旅客需求分为7类,满足全部旅客需求的航班数量为11个,旅客出行损失时间为123 403 min;在独立运行方式下,旅客需求分为8类,满足全部旅客需求的航班数量为13个,旅客出行损失时间为165343 min;在机场群运行方式下,采用遗传算法求得的满足全部旅客需求的航班数量为11个,旅客出行损失时间为126119 min.     

基于粗糙集聚类算法的铁路通道客运市场细分

对铁路通道内客运市场的细分,是研究铁路通道客流分担、客运产品设计的基础. 根据宝鸡-兰州铁路通道旅客出行方式选择调查数据,结合粗糙集理论,首先,构建了铁路通道旅客出行方式选择决策表,对条件属性进行属性约简,并计算各属性的权重;其次,考虑到避免传统聚类算法的“维数陷阱”,提出了基于粗糙属性重要度的K-means聚类算法,并在UCI数据集上进行仿真实验;最后,运用该算法对调查数据样本进行聚类.结果表明：将铁路通道客运市场细分为6类时,具有最好的聚类效果;经统计分析发现,不同子市场的旅客出行行为有明显的偏好.     

基于两次聚类的PWARX驾驶行为辨识模型

针对传统基于聚类的PWARX模型依赖先验知识和子空间划分精度不高的问题,提出一种基于两次聚类的PWARX辨识模型改进算法,并将其应用于驾驶行为建模。首先通过近邻传播算法在样本空间上进行聚类,在所得类簇上用线性模型进行拟合,并通过K-means算法在线性模型的参数空间上进行聚类,以获得PWA子模型的区域划分,最后在各个子空间上对PWA子模型进行求解。该算法合理利用了近邻传播算法和K-means算法的特点,通过在样本和参数空间上的两次聚类获得了良好的子模型区域分割效果。并对10名驾驶员的驾驶行为的建模实验结果表明,所提算法的模型辨识的平均准确率达到了91.5%。     

基于改进灰色马尔可夫的港口货物吞吐量预测研究

为了提高港口货物吞吐量的预测精度,以宁波舟山港为例对灰色马尔可夫组合预测模型进行了优化研究。首先,用中国统计年鉴中宁波舟山港货物吞吐量的历年数据建立灰色GM(1,1)模型;其次,对模拟误差值用一阶马尔可夫链进行修正并确定误差的转移状态,建立复合灰色马尔可夫预测模型;最后,用粒子群算法对该复合模型进行迭代寻优并优化改进,使模型能够根据实际情况对每个灰区间分别进行分析计算,并实时动态更新其区间参数;最终,提高改进后的模型误差精度。结果表明,用粒子群算法改进的灰色马尔可夫模型误差均值下降了37%,预测值与实际值的拟合度更高,预测结果更符合实际情况。     

基于RBM-GASA-BPNN 的潜在高价值旅客预测

针对用BP神经网络(Back Propagation Neural Network, BPNN)进行潜在高价值旅客预测时出现的特征表达能力弱、稳定性差、易陷入局部极值的不足,提出一种新颖的基于 RBM-GASA-BPNN的潜在高价值旅客预测方法.该方法首先通过聚类算法划分旅客类别,设置类别标签;然后利用受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)提取旅客行为特征并确定最优BPNN 初始权值和偏置的寻优范围,又利用遗传模拟退火算法(Genetic Algorithm-Simulate Anneal, GASA)对BPNN参数进行精调,确定了最优的BPNN初始权值和偏置;最后,利用优化后的BPNN对旅客进行分类预测.实验结果表明,本文提出的方法克服了基于BPNN的分类预测方法的缺陷,具有更高的分类预测准确率和潜在高价值旅客预测能力.     

基于RBM-GASA-BPNN的潜在 高价值旅客预测

针对用BP神经网络(Back Propagation Neural Network, BPNN)进行潜在高价值旅客预测时出现的特征表达能力弱、稳定性差、易陷入局部极值的不足,提出一种新颖的基于 RBM-GASA-BPNN的潜在高价值旅客预测方法.该方法首先通过聚类算法划分旅客类别,设置类别标签;然后利用受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)提取旅客行为特征并确定最优BPNN 初始权值和偏置的寻优范围,又利用遗传模拟退火算法(Genetic Algorithm-Simulate Anneal, GASA)对BPNN参数进行精调,确定了最优的BPNN初始权值和偏置;最后,利用优化后的BPNN对旅客进行分类预测.实验结果表明,本文提出的方法克服了基于BPNN的分类预测方法的缺陷,具有更高的分类预测准确率和潜在高价值旅客预测能力.     

轨道交通站点聚类及其对客流预测的影响分析

城市轨道交通站点受多层面因素交互作用而反映出异质性，为实现站点精细化分类，本文统筹考虑地铁刷卡数据、兴趣点数据和地铁网络数据，提取客流、土地利用和网络性质等特征，其中，客流层面考虑工作日、周末和节假日等不同日期类型下客流状态，土地利用层面考虑站点辐射区用地强度和均衡性，网络层面考虑节点自身特性和影响能力。构建基于主成分分析与K-means++算法的聚类模型，综合聚类评价指标确定簇数，辨析不同类型站点多维度特性，结合站区土地利用和站点网络特征探讨对出行活动的影响，并设计簇内联合预测和整体联合预测策略，采用3种多元时序预测方法探究站点聚类对预测性能的影响。研究结果表明：考虑全部客流特征时，划分为10簇，考虑工作日进站客流特征时，划分为5簇，充分挖掘客流时变特征能够获得更加精细化的聚类结果；各簇站点客流分布特征与其土地利用及网络特征间存在一定的反馈关系；相比于整体联合预测，通过聚类联合相关性强的站点进行预测，以间接捕获空间相关性的方式能有效提升预测性能，各模型均方根误差平均降低9.04%，平均绝对误差平均降低4.94%。研究结果为站点精细化管理和站区设施建设规划提供依据。     

基于Adaboost的改进Elman神经网络港口吞吐量预测方法

为提高港口吞吐量的预测精度,建立基于Adaboost算法改进的Elman神经网络预测模型,进行吞吐量的预测.首先对Elman神经网络进行多次训练和迭代,然后将每个Elman神经网络作为弱预测器,基于Adaboost算法将多个弱预测器加权组合,形成Elman-Adaboost强预测器模型.经过Adaboost算法优化的强预测器对误差较大的数据样本有更强的识别能力,可以实现对数据的动态增强学习.以宁波-舟山港2011-2017年的港口吞吐量数据为样本进行仿真,分别使用BP神经网络、Elman神经网络、BP-Adaboost神经网络以及Elman-Adaboost神经网络进行预测,比较四种模型的预测精度.研究结果表明:Elman-Adaboost强预测器模型用于港口吞吐量的预测,预测结果的相对误差最大值1.91％,最小值0.06％,可以将预测误差控制在2％以下,数据拟合效果更好预测精度更高,可以作为港口吞吐量预测的一种方法.     

基于聚类分析的铁路出行旅客类别划分

对铁路出行旅客进行类别划分,是简化旅客乘车选择问题研究的重要策略.根 据成都-武汉段既有线与新线的旅客调查数据,以旅客的各类主体、出行特性作为属性 变量,运用分层聚类法中的凝聚法进行变量聚类,将具有较大相关性的变量--时间价 值与月收入、出行目的与费用来源合并.然后根据简化的旅客属性变量指标集,运用近邻 传播算法对旅客进行样本聚类,并引用CH、Hart 及IGP 等聚类有效性指标确定最佳聚类 数.指标值表明,将铁路出行旅客划分为6 个类别时,具有最好的聚类效果.调查数据中旅 客乘车选择结果亦显示,不同类别的旅客对客运产品的选择有着明显的偏好.