本發(fā)明涉及數(shù)據(jù)處理
技術(shù)領(lǐng)域：
，具體涉及一種用于分析離港值機旅客排隊的數(shù)據(jù)處理方法及裝置。
背景技術(shù)：
：目前，龐大的旅客流量導(dǎo)致國內(nèi)各機場服務(wù)資源緊張，以某樞紐機場為例，其面向旅客服務(wù)的PKI指標(旅客值機服務(wù)時間等)高達75％的不合格率，這給機場運行帶來了極大挑戰(zhàn)。巨大的客流量是造成上述問題的主要原因，因此如何通過客流預(yù)測實現(xiàn)資源優(yōu)化調(diào)度，提高機場運行效率，是解決上述問題的關(guān)鍵。旅客值機排隊長度作為航站樓內(nèi)旅客聚集以及機場運行效率的直觀反映，直接關(guān)系到過站等待時間。如果能夠得到旅客值機排隊長度的高精度預(yù)測結(jié)果，就可為值機柜臺的優(yōu)化分配策略提供依據(jù)，因此，如何準確預(yù)測旅客值機排隊長度變化就成為首要解決的關(guān)鍵問題。排隊問題的研究已經(jīng)在交通運輸領(lǐng)域展開，關(guān)于隊列長度預(yù)測方法也已經(jīng)在交通運輸領(lǐng)域開始應(yīng)用。例如，假設(shè)綠燈時車輛等間隔離開，通過離散到達過程(如泊松分布)得到了車輛排隊長度和延遲的概率母函數(shù)，并基此得到整個排隊長度和延遲分布；又如，通過在過飽和的交通狀況下建立實時分區(qū)，來檢測連續(xù)鏈接的關(guān)鍵集群，并通過在每個集群的最上游和下游的路口建立局部較小型的分散信號控制策略，從而實現(xiàn)實時的自適應(yīng)交通信號控制，改善車輛排隊倒流阻塞的問題。車輛位置和時間數(shù)據(jù)獲取方式通常在十字路口安放監(jiān)測裝置或監(jiān)測車輛，并通過移動傳感器采集路口車輛通過時間數(shù)據(jù)，首先定義了隊尾不延遲到達時間的概念，并基此估計一個周期內(nèi)最大和最小隊長，最終得到了實時隊列長度的曲線；另外，通過使用探測車輛在十字路口采集的數(shù)據(jù)，基于條件概率分布建立了用于估算預(yù)期隊長及其變化的解析公式，也能夠建立溢出隊列情況下的近似模型。但是，以上在交通運輸領(lǐng)域的研究所用數(shù)據(jù)都是來源于監(jiān)控設(shè)備實時采集，只能根據(jù)當前實時數(shù)據(jù)預(yù)測即將產(chǎn)生的排隊變化，并不能基于往期歷史數(shù)據(jù)產(chǎn)生規(guī)律性的到達率曲線，因此數(shù)據(jù)的使用具有很大局限性，且提前預(yù)估性較差。技術(shù)實現(xiàn)要素：針對現(xiàn)有技術(shù)中的缺陷，本發(fā)明提供一種用于分析離港值機旅客排隊的數(shù)據(jù)處理方法及裝置，以解決無法根據(jù)往期歷史數(shù)據(jù)預(yù)測即將產(chǎn)生的排隊的問題。一種用于分析離港值機旅客排隊的數(shù)據(jù)處理方法，包括：確定值機柜臺的值機排隊聚集速率；根據(jù)所述值機排隊聚集速率，并通過疊加運算和遞推算法確定變化時序下鄰近多航班的值機排隊長度模型；根據(jù)所述值機排隊長度模型預(yù)測所述機場柜臺的值機排隊情況；根據(jù)所述值機排隊情況對值機流程進行優(yōu)化處理。一種用于分析離港值機旅客排隊的數(shù)據(jù)處理裝置，包括：第一數(shù)據(jù)處理模塊，用于確定值機柜臺的值機排隊聚集速率；第二數(shù)據(jù)處理模塊，用于根據(jù)所述值機排隊聚集速率，并通過疊加運算和遞推算法確定變化時序下鄰近多航班的值機排隊長度模型；數(shù)據(jù)預(yù)測模塊，用于根據(jù)所述值機排隊長度模型預(yù)測所述機場柜臺的值機排隊情況；數(shù)據(jù)處理模塊，用于根據(jù)所述值機排隊情況對值機流程進行優(yōu)化處理。由上述技術(shù)方案可知，本發(fā)明提供的用于分析離港值機旅客排隊的數(shù)據(jù)處理方法及裝置針對國內(nèi)非全開放式人工值機的業(yè)務(wù)場景，分析了國內(nèi)離港旅客值機排隊整個過程的聚集特性，并通過引入時序的概念對排隊做離散化研究，針對國內(nèi)離港旅客建立了鄰近多航班的值機排隊長度模型，通過該值機排隊長度模型和排隊論模型的對比實驗，利用反證法分析每個離散時序內(nèi)旅客的聚集速率特性，從而實現(xiàn)根據(jù)往期歷史數(shù)據(jù)預(yù)測即將產(chǎn)生的排隊。附圖說明為了更清楚地說明本發(fā)明具體實施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對具體實施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹。在所有附圖中，類似的元件或部分一般由類似的附圖標記標識。附圖中，各元件或部分并不一定按照實際的比例繪制。圖1示出了本發(fā)明提出的用于分析離港值機旅客排隊的數(shù)據(jù)處理方法的流程圖；圖2示出了本發(fā)明提出的A航班與鄰近航班的值機旅客聚集速率示意圖；圖3示出了本發(fā)明提出的排隊長度對比圖；圖4示出了本發(fā)明提出的Li相對于的偏離度示意圖；圖5示出了本發(fā)明提出的用于分析離港值機旅客排隊的數(shù)據(jù)處理裝置的結(jié)構(gòu)圖。具體實施方式下面將結(jié)合附圖對本發(fā)明技術(shù)方案的實施例進行詳細的描述。以下實施例僅用于更加清楚地說明本發(fā)明的技術(shù)方案，因此只是作為示例，而不能以此來限制本發(fā)明的保護范圍。需要注意的是，除非另有說明，本申請使用的技術(shù)術(shù)語或者科學(xué)術(shù)語應(yīng)當為本發(fā)明所屬領(lǐng)域技術(shù)人員所理解的通常意義。在本領(lǐng)域的現(xiàn)有技術(shù)中，在交通運輸領(lǐng)域的研究所用數(shù)據(jù)都是來源于監(jiān)控設(shè)備實時采集，只能根據(jù)當前實時數(shù)據(jù)預(yù)測即將產(chǎn)生的排隊變化，并不能基于往期歷史數(shù)據(jù)產(chǎn)生規(guī)律性的到達率曲線，因此數(shù)據(jù)的使用具有很大局限性，且提前預(yù)估性較差。而本申請的申請人在結(jié)合人類行為動力學(xué)研究中發(fā)現(xiàn)，航站樓旅客聚集規(guī)律由航班計劃離港時刻主導(dǎo)，因此可通過航站樓旅客聚集模型高精度預(yù)測到旅客達速率，使得提前預(yù)估性有很大提高。人類動力學(xué)(Thedynamicsofhumanbehaviors)是研究人類的個體和群體行為的統(tǒng)計特性以及這些統(tǒng)計特性的產(chǎn)生機制和對社會、生態(tài)、經(jīng)濟、技術(shù)等各類外部系統(tǒng)所產(chǎn)生的效應(yīng)的一門科學(xué)。人類動力學(xué)有關(guān)人類行為研究發(fā)現(xiàn)，受截止時間、個人喜好、排隊優(yōu)先權(quán)等因素的影響，人類的日常通信、瀏覽網(wǎng)站、圖書借閱等行為呈現(xiàn)非泊松統(tǒng)計特性，而服從重尾分布。而航站樓內(nèi)旅客的聚集行為在群體層面受截止時間影響服從對數(shù)正態(tài)分布特點的重尾分布，并且存在混合分布特性。進一步研究發(fā)現(xiàn)，人類行為動力學(xué)可較好刻畫旅客值機排隊的排隊聚集速率分布。因此，本申請的申請人提出一種用于分析離港值機旅客排隊的數(shù)據(jù)處理方法，結(jié)合圖1所示，包括：步驟S11，確定值機柜臺的值機排隊聚集速率。可選的，該值機排隊聚集速率包括單位時間內(nèi)在值機隊列的隊尾聚集的旅客人數(shù)，該值機排隊聚集速率與旅客在對應(yīng)值機區(qū)的聚集速率之間的關(guān)系通過以下計算式確定：λ(t)=0,t<taQa,t=taρ(t),t>ta]]>其中，λ(t)表示值機排隊聚集速率，Qa表示提前等待值機的旅客數(shù)，ρ(t)表示旅客在對應(yīng)值機區(qū)的聚集速率，t表示值機開放時段內(nèi)的時間，ta表示開始值機的時間。步驟S12，根據(jù)值機排隊聚集速率，并通過疊加運算和遞推算法確定變化時序下鄰近多航班的值機排隊長度模型?？蛇x的，變化時序下鄰近多航班的值機排隊長度模型通過以下計算式確定：Li=L0+Σi=1i(λi-Nμi),1≤i≤is]]>其中，Li表示值機排隊長度，L0表示初始值機排隊長度，λi表示第i個時序下的值機排隊聚集速率，i表示自然數(shù)，N表示值機柜臺的數(shù)量，μi表示每個值機柜臺的平均服務(wù)速率。在一可選實施例中，第i個時序內(nèi)的值機排隊聚集速率通過以下計算式確定：λi=Σjλij]]>ρij＝Qj(i)-Qj(i-1),1≤i≤is其中，λi表示第i個時序內(nèi)的值機排隊聚集速率，λij表示第i個時序內(nèi)j航班旅客在對應(yīng)值機區(qū)的值機排隊聚集速率，ρ1j表示第1個時序內(nèi)j航班旅客在對應(yīng)值機區(qū)的聚集速率，ρij表示第i個時序內(nèi)j航班旅客在對應(yīng)值機區(qū)的聚集速率，Qj表示航班在第i時序的抽樣時刻已經(jīng)抵達值機區(qū)的旅客數(shù)量。在一可選實施例中，單值機柜臺平均服務(wù)速率通過以下計算式確定：μi=λiN,Li-1+λi<Nμmaxμmax,Li-1+λi≥Nμmax]]>其中，Li-1表示第i-1時序的排隊長度，N表示開放的值機柜臺的數(shù)量，μmax表示每個時序的間隔內(nèi)平均單個值機柜臺的最大服務(wù)速率。步驟S13，根據(jù)值機排隊長度模型預(yù)測機場柜臺的值機排隊情況。其中，根據(jù)值機排隊長度模型，可在任意時刻預(yù)測任意機場柜臺的值機排隊情況。例如，某一時刻機場柜臺的值機排隊情況已經(jīng)超過閾值，而在下一時刻該機場柜臺的值機排隊情況又小于閾值，則能夠說明排隊情況的變化。步驟S14，根據(jù)值機排隊情況對值機流程進行優(yōu)化處理。其中，根據(jù)值機排隊情況可對值機流程進行相應(yīng)的優(yōu)化處理。例如，某一時刻機場柜臺的值機排隊情況已經(jīng)超過閾值，說明此時刻的機場柜臺處理能力已經(jīng)無法滿足值機要求，應(yīng)當增加開放的值機柜臺數(shù)量；在若干個時刻后，機場柜臺的值機排隊情況變?yōu)樾∮陂撝?，說明此時刻的機場柜臺處理能力已經(jīng)超過值機要求，應(yīng)當減少開放的值機柜臺數(shù)量。采用本實施例提出的用于分析離港值機旅客排隊的數(shù)據(jù)處理方法，針對國內(nèi)非全開放式人工值機的業(yè)務(wù)場景，分析了國內(nèi)離港旅客值機排隊整個過程的聚集特性，并通過引入時序的概念對排隊做離散化研究，針對國內(nèi)離港旅客建立了鄰近多航班的值機排隊長度模型，通過該值機排隊長度模型和排隊論模型的對比實驗，利用反證法分析每個離散時序內(nèi)旅客的聚集速率特性，從而實現(xiàn)根據(jù)往期歷史數(shù)據(jù)預(yù)測即將產(chǎn)生的排隊。下面通過具體的實施例對本發(fā)明提出的用于分析離港值機旅客排隊的數(shù)據(jù)處理方法進行詳細說明。由于旅客的值機排隊聚集規(guī)律并不等同于旅客在對應(yīng)值機區(qū)的聚集規(guī)律，因此本步驟分析了單航班旅客在對應(yīng)值機區(qū)的聚集規(guī)律，然后通過建立了旅客值機排隊聚集速率與在對應(yīng)值機區(qū)聚集速率的關(guān)系，得到了單航班值機排隊聚集速率的特性。首先，確定單航班旅客在值機區(qū)的聚集規(guī)律。抵達航站樓的旅客有如下特性：是否需要人工值機是隨機的以及需值機的旅客會優(yōu)先去值機。由以上兩個特性可知，單航班旅客在航站樓的聚集規(guī)律與在對應(yīng)值機區(qū)域的聚集規(guī)律相同。申請人通過結(jié)合人類行為動力學(xué)對航站樓旅客的聚集過程進行了研究，發(fā)現(xiàn)單航班旅客在航站樓的聚集規(guī)律服從對數(shù)正態(tài)分布特點的重尾分布，因此單航班旅客在對應(yīng)值機區(qū)的聚集規(guī)律也可按對數(shù)正態(tài)分布特點的重尾分布考慮。其次，確定單航班旅客的值機排隊聚集規(guī)律。旅客到達值機區(qū)并不一定直接排進隊中，而是等到開始值機以后才會迅速排入隊中，且此時已經(jīng)有相當比例的旅客在提前等待值機。申請人提出定義1：單位時間內(nèi)在值機隊列的隊尾聚集的旅客人數(shù)定義為值機排隊聚集速率(TheDistributionofqueuingaggregationrate)。設(shè)某航班人工值機旅客在對應(yīng)值機區(qū)的聚集速率為ρ(t)，值機排隊聚集速率為λ(t)，值機開放時段內(nèi)的時間為t，開始值機的時間為ta，提前等待值機的旅客數(shù)為Qa，在非全開放的值機方式以及蛇形隊排隊方式下，通過以上旅客值機排隊的特點可得到λ(t)與ρ(t)的如下關(guān)系：λ(t)=0,t<taQa,t=taρ(t),t>ta---(1)]]>t＝ta時開始值機，提前聚集的等待值機的旅客會迅速排入隊中，使得排隊聚集速率發(fā)生突變，突變量為Qa，如同泄洪，將值機排隊中的這一特點稱為“泄洪效應(yīng)”(Flood-dischargeEffect)。t>ta時，有λ(t)＝ρ(t)，結(jié)合人類行為動力學(xué)的分析，可知值機開始(突變點)以后的排隊聚集速率λ(t)也服從對數(shù)正態(tài)分布特點的重尾分布規(guī)律。因此，在非全開放的值機方式以及蛇形隊排隊方式下，就單航班旅客值機排隊的整個聚集過程而言，在值機剛開始時會有“泄洪效應(yīng)”發(fā)生，之后服從對數(shù)正態(tài)分布特點的重尾分布規(guī)律。實際場景中，多個臨近航班總的聚集過程是對以上排隊聚集過程的疊加。根據(jù)以上值機排隊聚集速率λ(t)的特性，已知開始值機以后的旅客排隊到達規(guī)律服從對數(shù)正態(tài)分布，假設(shè)每個值機柜臺服務(wù)能力相同，直接從排隊形成原理入手，先引入時序的概念，然后通過疊加運算和遞推算法得到變化時序下鄰近多航班的值機排隊長度模型(Check-inQueueLengthModelofMultipleAdjacentFlights，MAF-CQLM)。首先，確定旅客聚集速率的離散化。以某個參考航班整個開放值機的時段為基準，研究這段時間內(nèi)與該航班值機時間有交叉的臨近航班，這些航班的旅客在值機時排在同一條蛇形隊中。一般截止值機的時間為航班預(yù)計離港時刻前30min，假設(shè)值機持續(xù)時間為兩小時。受旅客到達不連續(xù)的限制，無法得到時間上連續(xù)的排隊長度，首先需要對旅客聚集速率做離散化處理，因此我們引入時序的概念。申請人提出定義2：設(shè)t是某航班值機開放期間內(nèi)的時刻，ta和ts分別為該航班開始值機的時間和截止值機的時間。將ta到ts的時段平均分為若干個長度為tp(min)的小時段，tp取值范圍是1min≤tp≤10min，定義每個小時段稱為時序段，簡稱時序(Timeseries)。用i表示時序號，i的表達式為：i=t-tatp,ta+tp≤t≤ts---(2)]]>t的取值應(yīng)保證使i為整數(shù)。為了能夠盡可能反映隊列長度變化的實時性，tp不宜取值過大，且也不宜取值過小，因此本實施例可選tp取值范圍在1min到10min之間。引入時序的定義以后，可以對聚集速率做離散化處理。下面給出在時序概念下的聚集速率的定義。申請人提出定義3：設(shè)γ是某個航班的值機旅客在時間為tp的單個時序內(nèi)聚集的人數(shù)，定義γ為該航班的聚集速率(Aggregationrate)。聚集速率包括值機區(qū)聚集速率和值機排隊聚集速率。用ρij和λij分別代表第i時序內(nèi)j航班旅客在值機區(qū)域的聚集速率和值機排隊聚集速率，則二者在時序定義下有如下一般關(guān)系：其中，l0j表示j航班開始值機前已經(jīng)到達的旅客數(shù)量(突變量)，假設(shè)這些旅客會在第一個時序內(nèi)迅速排進隊中，即“泄洪效應(yīng)”(Flood-dischargeEffect)對應(yīng)于i＝1的時序；is為截止值機的時間ts對應(yīng)的時序號。若某參考航班有多個鄰近航班，那么對該參考航班的值機時段進行時序劃分，并以此時序為基準，給出以下單個時序內(nèi)的混合排隊聚集速率的定義。申請人提出定義4：設(shè)λ為單個時序內(nèi)總的值機排隊聚集速率，即λ等于該時序內(nèi)涉及的所有航班的旅客排隊聚集速率的疊加，稱λ為混合排隊聚集速率(Mixedqueuingaggregationrate)。若用λi表示第i個時序內(nèi)的混合排隊聚集速率，λi有如下表達式：λi=Σjλij---(4)]]>其中，j為參考航班值機時段內(nèi)涉及的航班，包括參考航班在內(nèi)，按照值機開始的先后順序排列有j＝1，2，3，……。其次，確定值機排隊長度模型。引入時序概念以后，將整個值機排隊的過程做離散化研究，根據(jù)值機排隊聚集速率λ(t)的特性，可以得到計算值機排隊長度的模型。經(jīng)離散化處理后的鄰近多航班旅客值機排隊長度是按照時序變化的，下一時序的排隊長度是在當前時序排隊長度基礎(chǔ)上發(fā)生改變，即排隊長度變化具有無后效性。如果已知開始值機時候的初始排隊長度，那么利用排隊長度變化的無后效性可以計算整個值機時段內(nèi)排隊長度的變化情況。假設(shè)在第i時序內(nèi)每個值機柜臺對旅客的平均服務(wù)速率為μi，值機柜臺數(shù)為N，初始排隊長度為L0，那么第i時序采樣時刻的值機旅客排隊長度Li的表達式為：Li=L0+Σi=1i(λi-Nμi),1≤i≤is---(5)]]>這樣鄰近多航班離港旅客值機排隊長度模型(MAF-CQLM)可通過以下簡式表示：Li＝Li-1+ΔLi,1≤i≤is(6)且有ΔLi＝λi-Nμi(7)其中λi由上述的定義3確定，即：λi=Σjλij]]>通過式(6)可以得到以下性質(zhì)：性質(zhì)1：MAF-CQLM模型具有馬爾科夫性(Markovproperty)。證明包括：設(shè)值機開放的時段為T，每個Li對應(yīng)一個狀態(tài)xi，狀態(tài)空間為S＝{X(t),t∈T}。由式(6)可知，對于有在條件X(ti)＝xi，xi∈S，i＝1,2,…,i-1下，狀態(tài)xi僅是xi-1的函數(shù)關(guān)系式，那么狀態(tài)xi對于過去狀態(tài)的條件概率分布僅是xi-1的函數(shù)，即有P(xi＝x|x1,x2...,xi-1)＝P(xi＝x|xi-1)因此MAF-CQLM模型具有馬爾科夫性。通過MAF-CQLM模型的形式可以發(fā)現(xiàn)，其本質(zhì)上是累計曲線法的數(shù)學(xué)表達式。MAF-CQLM模型使用時不受泊松分布聚集規(guī)律的限制，理論上有更好的適應(yīng)性(Suitability)。適應(yīng)性(Suitability)在離散時序中的定義如下:申請人提出定義5：以每個時序間隔為單位時間，將計算每個時序的排隊長度的能力定義為適應(yīng)性(Suitability)。若設(shè)p為能夠計算出排隊長度的時序所占的比例，那么p越大代表適應(yīng)性(Suitability)越好，反之越差。最后，確定MAF-CQLM模型變量。若要比較準確地預(yù)測排隊長度的變化情況，需要選取可高精度預(yù)測的旅客聚集速率模型。作者前期已經(jīng)建立的TD-SFAPM模型預(yù)測精度高達80％以上，較一般同類模型有更高的預(yù)測精度，因此本實施例選用TD-SFAPM模型計算旅客值機排隊的聚集速率λi，并對TD-SFAPM模型作如下變形：Q(t0-t)＝S*p(t0-t)(8)t0表示航班預(yù)計起飛時間，t表示值機開放時段內(nèi)的時間，S表示該航班經(jīng)濟艙旅客需要辦理人工值機的總?cè)藬?shù)。Q和p是t的函數(shù)，其中Q代表距離航班起飛時間t0-t的時刻已到達的經(jīng)濟艙人工值機旅客數(shù)；p代表距離航班起飛時間t0-t的時刻已到達人工值機區(qū)的旅客比例，且有：p(t0-t)=12-12erf[ln(t0-t)-αβ2]---(9)]]>其中參數(shù)α和β由離港航班時刻t_0唯一決定，有:α=43.68t04-95.04t03+71.64t02-21.29t0-0.7403]]>β=2.44t03-4.738t02+3.179t0-0.383]]>設(shè)taj為j航班開始值機的時間，通過TD-SFAPM模型可以計算taj時候已經(jīng)等待值機的j航班旅客數(shù)(突變量)，即l0j。l0j的表達式如下：l0j＝Qj(t0-taj)(10)其中Qj表示j航班的TD-SFAPM模型。j航班的值機旅客在第i時序內(nèi)的排隊到達速率可以通過以下式子計算：ρij＝Qj(i)-Qj(i-1),1≤i≤is(11)其中Qj(i)表示j航班在第i時序的抽樣時刻已經(jīng)抵達值機區(qū)的旅客數(shù)，有Qj(i)＝Qj(t0-tij)且Qj(0)＝l0j。通過式(11)可計算式(3)中j航班旅客的值機排隊聚集速率λij，進而通過定義4求解總的排隊聚集速率λi。另外，μi是隨著旅客到達速率以及柜臺開放數(shù)量變化而變化的，因此首先需要得到繁忙狀態(tài)下平均每個值機柜臺的最大服務(wù)速率，然后通過第i時序的服務(wù)繁忙程度確定μi。依據(jù)陸迅等統(tǒng)計研究，綜合考慮值機旅客攜帶行李的數(shù)量，假設(shè)每個值機柜臺對旅客的服務(wù)能力相當，可計算出平均服務(wù)每位旅客的時間約為52秒。考慮到離隊到值機柜臺的行走時間不可忽略，可取離隊到服務(wù)完成的整個過程平均時間為58秒。通過計算可得到每個時序的tp間隔內(nèi)平均單個值機柜臺的最大服務(wù)速率μmax，有：μmax=60*tp58---(12)]]>申請人提出定義6：設(shè)第i-1時序的排隊長度為Li-1，第i時序內(nèi)總的排隊聚集速率為λi，開放值機柜臺數(shù)量為N，若Li-1+λi≥Nμmax，則稱第i時序繁忙(busy)；若Li-1+λi<Nμmax，則稱第i時序為不繁忙(notbusy)。通過值機柜臺的繁忙度(繁忙或不繁忙)確定μi，有：μi=λiN,Li-1+λi<Nμmaxμmax,Li-1+λi≥Nμmax---(13)]]>通過以上對MAF-CQLM模型中的變量λi和變量μi的確定可實現(xiàn)模型的計算。依據(jù)國內(nèi)某航空公司某日的航班數(shù)據(jù)，隨機選取一個航班作為參考航班，假設(shè)該參考航班為A航班，如圖2所示，其值機開放時段為15:35到17:35，對該值機時段做時序劃分，任意取一個滿足定義1條件的tp值，此處取tp＝6min。從A航班的臨近航班中隨機選取4個航班，并與A航班按照值機開始的先后順序依次排列為B1航班、C1航班、A航班、B2航班、C2航班，依次對應(yīng)j＝1,2,3,4,5，如圖2所示，計劃起飛時間記為t0j，開始值機的時刻記為taj，截止值機的時刻記為tsj。表1中給出了以上5個航班的參數(shù)值，其中用Sj表示j航班的人工值機總?cè)藬?shù)。表1表2為時間歸一化處理后的各航班參數(shù)。表2本實施例利用MAF-CQLM模型與常用的多服務(wù)窗等待制排隊模型M/M/n(簡稱M/M/n排隊模型)分別對以上數(shù)據(jù)進行值機排隊長度的計算，并利用反證法對各離散時序內(nèi)的聚集規(guī)律分析。設(shè)置對比實驗時，兩個模型使用相同的到達速率和服務(wù)速率。M/M/n排隊模型需假設(shè)值機旅客在每個滿足λ<Nμ的關(guān)系的時序內(nèi)都以泊松流到達，且各服務(wù)柜臺服務(wù)時間服從負指數(shù)分布，而MAF-CQLM模型無此前提假設(shè)，通過對比兩模型的計算結(jié)果的差異性，可確定此假設(shè)的正確性。值機柜臺開放的數(shù)量N和初始排隊長度l0會影響到排隊長度的變化，實驗中假定N＝3，l0＝0，并通過式(12)計算出單個值機柜臺平均最大服務(wù)速率μmax為6.2人/(6min)，這樣可以得到從時序1到時序20所對應(yīng)的各個抽樣時刻的排隊長度，實驗結(jié)果如表3所示。表3表3中Li和分別表示MAF-CQLM模型計算的隊長(取整以后)以及M/M/n排隊模型計算的平均隊長(取整以后)，λi表示預(yù)測的第i時序總排隊聚集速率，μi表示第i時序單柜臺平均服務(wù)速率。通過表3中兩個模型計算結(jié)果，可以發(fā)現(xiàn)二者的計算結(jié)果差異比較明顯。首先，MAF-CQLM模型計算結(jié)果比較完整，而M/M/n排隊模型計算結(jié)果不完整。這是因為M/M/n模型不能計算非穩(wěn)態(tài)的時序，即λi>Nμi的時序。而MAF-CQLM模型使用時不受泊松分布聚集規(guī)律的限制，可用于穩(wěn)態(tài)時序和非穩(wěn)態(tài)時序的計算，因此計算結(jié)果的完整度(Integrity)好。由上述定義5可知，計算結(jié)果的完整度(Integrity)可以反應(yīng)出模型適應(yīng)性(Suitability)的好壞。分別用pMAF和pMMn表示MAF-CQLM模型和M/M/n排隊模型的完整度，因為MAF-CQLM模型可以計算每個時序的排隊長度，所以理論上pMAF＝100％；而M/M/n排隊模型只能在滿足穩(wěn)定條件的時序計算排隊長度，因此理論上pMMn≤100％。本次實驗中可用于M/M/n排隊模型計算的時序有13個，有pMMn＝65％<pMAF＝100％，所以MAF-CQLM模型具有更好的適應(yīng)性(Suitability)。其次，在滿足λi>Nμi條件的穩(wěn)態(tài)時序內(nèi)的計算結(jié)果也相差較大，圖3中給出了MAF-CQLM模型和M/M/n模型計算的排隊長度隨時序變化的圖像，以及他們的誤差絕對值，即的值。由圖3可以看到，穩(wěn)定時序內(nèi)兩模型的計算結(jié)果最大時相差26人。如果用ω表示相對于Li的偏離度(Deviation)，可得到圖4。由圖4可以看出，13個穩(wěn)定時序中有10個時序偏離度超過了40％，占比達77％，甚至在第2、3時序偏離度超過100％。通過以上完整度(Integrity)和偏離度(Deviation)的指標對比，證明各時序內(nèi)旅客值機排隊的聚集規(guī)律λi服從泊松分布的假設(shè)不正確。進一步分析，由于旅客在值機區(qū)的聚集速率ρ受航班離港時刻的影響，那么由λi和ρi的關(guān)系式(3)可知，λi也受航班離港時刻影響。此外，λi還會受到“泄洪效應(yīng)”(Flood-dischargeEffect)的影響，在剛開始值機的時序會發(fā)生突變，因此，旅客值機排隊的聚集規(guī)律在離散時序內(nèi)受航班離港時刻和值機開始的時間影響，呈非泊松分布的特點。從MAF-CQLM模型計算結(jié)果看，A航班、B2航班和C2航班開始值機的時序(第1時序、7時序和15時序)內(nèi)排隊長度都發(fā)生了排隊人數(shù)突然增大的現(xiàn)象，這正是由“泄洪效應(yīng)”(Flood-dischargeEffect)造成的。另外可以看到，在開放3個值機柜臺的時候，最大的排隊人數(shù)將達到53人，且出現(xiàn)在第15時序內(nèi)，即16:30到16:35之間。本發(fā)明的具體實施方式還提出了一種用于分析離港值機旅客排隊的數(shù)據(jù)處理裝置，如圖5所示，包括：第一數(shù)據(jù)處理模塊101，用于確定值機柜臺的值機排隊聚集速率；第二數(shù)據(jù)處理模塊102，用于根據(jù)所述值機排隊聚集速率，并通過疊加運算和遞推算法確定變化時序下鄰近多航班的值機排隊長度模型；數(shù)據(jù)預(yù)測模塊103，用于根據(jù)所述值機排隊長度模型預(yù)測所述機場柜臺的值機排隊情況；數(shù)據(jù)處理模塊104，用于根據(jù)所述值機排隊情況對值機流程進行優(yōu)化處理。可選的，第一數(shù)據(jù)處理模塊101具體用于：通過以下計算式確定所述值機排隊聚集速率與旅客在對應(yīng)值機區(qū)的聚集速率之間的關(guān)系，其中所述值機排隊聚集速率包括單位時間內(nèi)在值機隊列的隊尾聚集的旅客人數(shù)：λ(t)=0,t<taQa,t=taρ(t),t>ta]]>其中，λ(t)表示值機排隊聚集速率，Qa表示提前等待值機的旅客數(shù)，ρ(t)表示旅客在對應(yīng)值機區(qū)的聚集速率，t表示值機開放時段內(nèi)的時間，ta表示開始值機的時間?？蛇x的，第二數(shù)據(jù)處理模塊102具體用于：通過以下計算式確定所述變化時序下鄰近多航班的值機排隊長度模型：Li=L0+Σi=1i(λi-Nμi),1≤i≤is]]>其中，Li表示值機排隊長度，L0表示初始值機排隊長度，λi表示第i個時序下的值機排隊聚集速率，i表示自然數(shù)，N表示值機柜臺的數(shù)量，μi表示每個值機柜臺的平均服務(wù)速率。在一可選實施例中，第二數(shù)據(jù)處理模塊102還具體用于：通過以下計算式確定所述第i個時序內(nèi)的值機排隊聚集速率：λi=Σjλij]]>ρij＝Qj(i)-Qj(i-1),1≤i≤is其中，λi表示第i個時序內(nèi)的值機排隊聚集速率，λij表示第i個時序內(nèi)j航班旅客在對應(yīng)值機區(qū)的值機排隊聚集速率，ρ1j表示第1個時序內(nèi)j航班旅客在對應(yīng)值機區(qū)的聚集速率，ρij表示第i個時序內(nèi)j航班旅客在對應(yīng)值機區(qū)的聚集速率，Qj表示航班在第i時序的抽樣時刻已經(jīng)抵達值機區(qū)的旅客數(shù)量。在一可選實施例中，第二數(shù)據(jù)處理模塊102還具體用于：通過以下計算式確定所述單值機柜臺平均服務(wù)速率：μi=λiN,Li-1+λi<Nμmaxμmax,Li-1+λi≥Nμmax]]>其中，Li-1表示第i-1時序的排隊長度，N表示開放的值機柜臺的數(shù)量，μmax表示每個時序的間隔內(nèi)平均單個值機柜臺的最大服務(wù)速率。采用本實施例提出的用于分析離港值機旅客排隊的數(shù)據(jù)處理裝置，針對國內(nèi)非全開放式人工值機的業(yè)務(wù)場景，分析了國內(nèi)離港旅客值機排隊整個過程的聚集特性，并通過引入時序的概念對排隊做離散化研究，針對國內(nèi)離港旅客建立了鄰近多航班的值機排隊長度模型，通過該值機排隊長度模型和排隊論模型的對比實驗，利用反證法分析每個離散時序內(nèi)旅客的聚集速率特性，從而實現(xiàn)根據(jù)往期歷史數(shù)據(jù)預(yù)測即將產(chǎn)生的排隊。最后應(yīng)說明的是：以上各實施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述各實施例對本發(fā)明進行了詳細的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當理解：其依然可以對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分或者全部技術(shù)特征進行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實施例技術(shù)方案的范圍，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求和說明書的范圍當中。當前第1頁1 2 3