[发明专利]一种机场到港旅客乘坐出租车短时需求集成预测方法

说明书

本发明公开了一种机场到港旅客乘坐出租车短时需求集成预测方法，包括：采集机场到港旅客乘坐出租车订单数据、机场到港航班数据、机场到港旅客乘坐地铁闸门数据、机场天气报文数据；将数据处理为综合时间序列数据集和复合流量数据集；采用K‑Means模型对复合流量数据集进行无监督聚类，基于复合流量相似性距离进行相似性度量，记最终聚类数为K；基于聚类结果对综合时间序列数据集分类，划分训练集和测试集；建立并训练K个LSTM‑Att模型、XGBoost模型和LightGBM模型，作为初级学习器，构建堆叠法集成预测模型，预测并评价机场到港旅客乘坐出租车短时需求。本发明基于相似性度量，有助于集成不同预测模型以提升到港旅客需求预测精度，提高机场陆侧集疏运系统管理的效率。

技术领域

本发明属于机场管理技术领域，具体涉及一种机场到港旅客乘坐出租车短时需求集成预测方法。

背景技术

随着飞机出行方式的普及化，机场陆侧出租车业务量持续增长，为缓解机场出租车资源供给与机场到港旅客运输需求不匹配造成的矛盾，需要提高机场出租车集疏运系统运行效率，准确把握乘坐出租车的机场旅客短时流量。在大型枢纽机场，随着进出港客流量的持续增长，其人员流动也呈现高动态、高密度可变、时间分布不均匀的特点，同时，机场由于净空条件等限制，大多都远离市区，一旦机场周边交通干道产生拥堵，将会有大量旅客滞留。若能实现精度更高的机场出租车旅客短时流量预测，将有利于机场合理分配陆侧资源，缓解机场陆侧交通压力，完善机场集疏运系统，实现旅客出行便捷高效的建设目标。

围绕机场出租车客流需求预测，现有研究大多建立离散选择模型，通过分析旅客选择行为，结合机场到港旅客流量，进行间接预测，这类预测模型要求提供详尽的自变量信息，包含旅客个人信息等，数据采集及建模具有一定难度。机器学习方法可以从群体角度出发，基于历史客流数据对机场出租车旅客流量进行直接预测。对于短时流量预测，机器学习中常采用ARIMA模型、长短期记忆神经网络LSTM等方法，不同的方法各有优缺点，但依赖单一的预测方法，往往难以准确把握客流需求的动态性、随机性特征和周期性、季节性规律。集成预测可以直接级联不同模型，取长补短，提高预测精度。同时，构建考虑其他乘坐方式的流量数据集，如地铁客流数据，辅助模型预测，结合数据周期性、季节性特征，对其进行相似性度量，可以划分相似数据集，进一步提高模型精度。在机场到港旅客乘坐出租车需求预测过程中，如何通过相似性度量和集成预测，提高短时出租车客流需求预测的精度，是精准匹配机场出租车资源供给与机场到港旅客运输需求需要解决的重要问题之一。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种机场到港旅客乘坐出租车短时需求集成预测方法，以解决现有的基于机器学习的机场短时出租车客流量预测技术难以准确把握客流需求的动态性、随机性特征和周期性、季节性规律，导致模型预测精度不高的问题；本发明的方法有助于集成不同预测模型以提升到港旅客需求预测精度，提高机场陆侧集疏运系统管理的效率。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种机场到港旅客乘坐出租车短时需求集成预测方法，步骤如下：

(1)采集机场到港旅客乘坐出租车订单数据、机场到港航班数据、机场到港旅客乘坐地铁闸门数据、机场天气报文数据；

(2)将上述步骤(1)中采集到的数据分别处理为机场到港旅客乘坐出租车流量时间序列数据、机场到港旅客下机流量时间序列数据集、机场到港旅客乘坐地铁流量时间序列数据和天气时间序列数据，结合时间特征生成综合时间序列数据集；将得到的机场到港旅客乘坐出租车流量时间序列数据、机场到港旅客下机流量时间序列数据集、机场到港旅客乘坐地铁流量时间序列数据构建为复合流量数据集；

(3)采用K-Means模型对步骤(2)中的复合流量数据集进行无监督聚类，基于复合流量相似性距离进行相似性度量，计算不同类别数下的轮廓系数，选取轮廓系数最大的类别数作为无监督聚类算法的K值，得到K个聚类结果；