本发明公开了一种大型航空枢纽运行与城市交通拥堵的关联分析方法，属于交通运行情况领域。首先根据某一时间段飞机起飞输出的人数以及飞机降落输入的人数，建立排队论模型，计算队伍长度和人均等待时间，建立衡量机场内延误情况的拥堵感指数和焦虑感指数。然后计算该时间段内机场半径M千米范围内的路网中，每一路段的自由流速度和旅行时间指数，删除不合理数据后计算该时间段的旅行时间指数均值，进一步计算旅行时间指数的熵值。最后利用LSTM神经网络，预测下一时间段的旅行时间指数的均值和旅行时间指数的熵值，计算当前时间段机场的延误对周边道路的影响。本发明考虑了机场内部的拥堵情况，将机场内的拥堵情况量化，简单可行。
1.一种大型航空枢纽运行与城市交通拥堵的关联分析方法，其特征在于，具体步骤如下：步骤一、针对某一时间段的航班时间表，统计该时间段内应当到达的人数，记录该时间段内实际情况下飞机起飞输出的人数以及飞机降落输入的人数；
步骤二、根据步骤一的统计结果建立排队论模型M/Ek/1模型，计算该时间段内的队伍长度Lq和人均等待时间Wq；
步骤三、利用队伍长度Lq和人均等待时间Wq，建立衡量机场内延误情况的拥堵感指数α和焦虑感指数β；
其中 φ1，φ2，φ3和φ4为归一化系数，C为拥堵感阈值；K为焦虑感阈值；
步骤四、计算该时间段内机场半径M千米范围内的路网中，每一路段的自由流速度；
步骤五、利用各路段的自由流速度，计算该时间段内每一路段的旅行时间指数TTI；
步骤六、对各旅行时间指数TTI从小到大进行排列，并选取截断位置，删除大于截断位置的不合理数据，保留从零到截断位置的TTI数据做后续处理；
步骤七、根据步骤五计算的整个路网中各旅行时间指数，计算该时间段的旅行时间指数均值，作为评价路网拥堵情况的指数；
步骤八、根据步骤六中保留的各旅行时间指数的离散概率密度分布，计算旅行时间指数的熵值H(X)，作为评价路网复杂程度的指数；
其中P(TTIi)为TTI离散概率密度分布中第i种TTI取值对应的概率值，N为从零到截断位置的TTI等间隔划分总数；
步骤九、利用LSTM神经网络，综合考虑机场和道路指标的特征量进行时间预测分析，预测下一时间段的旅行时间指数的均值和旅行时间指数的熵值；
首先，神经网络的输入特征包括：通过连接层的机场指标的特征量和道路指标的特征量；
具体为：将每个时间段内应当到达的人数进行归一化后的值，以及拥堵感指数α和焦虑感指数β，这三个值作为机场滞留情况的指数，通过一个全连接层作为机场指标的特征量；
对于每个时间段的旅行时间指数的均值进行归一化后的值，对于每个时间段的旅行时间指数的熵值H(X)进行归一化后的值，对于划分的时间段进行归一化的值，以及当天的天气情况量化值，将这四个值作为道路拥堵情况指标，通过一个全连接层作为道路指标的特征量；
对每个时间段的旅行时间指数的均值进行归一化具体为：各个时间段历史中旅行时间指数均值的最大值为历史数据最大值，最小值为历史数据最小值，以此进行归一化处理；
对每个时间段的旅行时间指数的熵值H(X)进行归一化具体为：旅行时间指数熵的最大熵值Hmax通过如下公式获得，Hmax＝logN，最小值为历史监测数据中获得过的最小值；以此对旅行时间指数熵进行归一化；
对当天的天气情况量化具体为：将天气指数量化为7等 ，对应数值为对于划分的时间段进行归一化是指：所在时间段变化为然后，将通过全连接层的两组指标一起输入LSTM层中；
最后，将LSTM层的输出通过三个全连接层进行训练，得到下一时间段的旅行时间指数的均值以及旅行时间指数的熵值；
步骤十、利用预测的下一时间段的旅行时间指数均值以及旅行时间指数熵，计算当前时间段机场的延误对周边道路的影响；
首先，计算机场滞留对路面道路拥堵影响的指数k和道路复杂度影响指数l；
其中，m(t+1)为预测的下一时间段旅行时间指数均值，m(t)为当前时间段旅行时间指数均值；H(t+1)为下一时间段旅行时间指数熵，H(t)为当前时间段旅行时间指数熵；
然后，将k与l归一化，作为量化指标来评价机场延误对周边道路拥堵的影响；
选取两者历史最大值为最大值，历史最小值为最小值，进行归一化：所得数值越接近于1，说明机场延误对周边道路的影响越大。
2.如权利要求1所述的一种大型航空枢纽运行与城市交通拥堵的关联分析方法，其特征在于，所述的步骤一中，时间段的划分为：将一天24小时划分为48个时间段，即每半个小时为一个时间段；
记录飞机起飞输出人数的方法为：在每个时间段内，记录每个时刻起飞的航班数目计算其可运输的人员总数m，并且记录其与下一时刻起飞的航班的时间间隔t，记录t/m；对每个时间段内所有的t/m计算均值和方差。
3.如权利要求1所述的一种大型航空枢纽运行与城市交通拥堵的关联分析方法，其特征在于，步骤四所述的自由流速度为道路完全畅通情况下车辆的行驶速度。
4.如权利要求1所述的一种大型航空枢纽运行与城市交通拥堵的关联分析方法，其特征在于，步骤五所述的旅行时间指数为车辆以当前速度行驶与自由流速度行驶同样距离所用时间的比值。
5.如权利要求1所述的一种大型航空枢纽运行与城市交通拥堵的关联分析方法，其特征在于，步骤六所述的截断位置从按旅行时间指数的99％分位数选取。
一种大型航空枢纽运行与城市交通拥堵的关联分析方法
技术领域
[0001] 本发明涉及排队论，交通运行情况评价，深度学习以及交通流量预测等技术，具体的说是一种大型航空枢纽运行与城市交通拥堵的关联分析方法。
背景技术
[0002] 现代交通已经由单一的路面交通转化为多元多维度的交通体系，包括路面，地下，空中和海洋等。路面交通不但会受到来自路面的影响，同样也会受到交通体系中别的交通方式的协同影响。但是，现有的预测交通运行状态的分析还是只着眼于路面交通的互相影响；面对现代的多元交通体系，缺少大型交通枢纽运行效率降低对周边道路的影响的分析方法。
发明内容
[0003] 为了解决现有的交通分析中未考虑其他交通方式影响的问题。本发明提出了一种大型航空枢纽运行与城市交通拥堵的关联分析方法，将通过排队论得到的机场延误情况作为一个主要因素引入对交通流量预测中，从而评价机场延误对周边路面交通的影响。
[0004] 具体步骤如下：
[0005] 步骤一、针对某一时间段的航班时间表，统计该时间段内应当到达的人数，记录该时间段内实际情况下飞机起飞输出的人数以及飞机降落输入的人数。
[0006] 时间段的划分为：将一天24小时划分为48个时间段，即每半个小时为一个时间段。
[0007] 记录飞机起飞输出人数的方法为：在每个时间段内，记录每个时刻起飞的航班数目计算其可运输的人员总数m，并且记录其与下一时刻起飞的航班的时间间隔t，记录t/m。对每个时间段内所有的t/m计算均值和方差。
[0008] 步骤二、根据步骤一的统计结果建立排队论模型M/Ek/1模型，计算该时间段内的队伍长度Lq和人均等待时间Wq。
[0009] 公式为：
[0010]
[0011]
[0012] 其中 k为Ek的阶数，λ为需求率，μ为服务率。
[0013] 步骤三、利用队伍长度Lq和人均等待时间Wq，建立衡量机场内延误情况的拥堵感指数α和焦虑感指数β；
[0014] 拥堵感指数：α＝φ1ln(Lq-C)+φ2
[0015] 焦虑感指数：β＝φ3ln(Wq-K)+φ4
[0016] 其中 φ1，φ2，φ3和φ4为归一化系数，C为拥堵感阈值；K为焦虑感阈值；
[0017] 步骤四、计算该时间段内机场半径M千米范围内的路网中，每一路段的自由流速度；
[0018] 自由流速度为道路完全畅通情况下车辆的行驶速度。
[0019] 步骤五、利用各路段的自由流速度，计算该时间段内每一路段的旅行时间指数TTI；
[0020] 旅行时间指数为车辆以当前速度行驶与自由流速度行驶同样距离所用时间的比值。
[0021] 步骤六、对各旅行时间指数TTI从小到大进行排列，并选取截断位置，删除大于截断位置的不合理数据，保留从零到截断位置的TTI数据做后续处理。
[0022] 截断位置从按旅行时间指数的99％分位数选取。
[0023] 步骤七、根据步骤五计算的整个路网中各旅行时间指数，计算该时间段的旅行时间指数均值，作为评价路网拥堵情况的指数。
[0024] 步骤八、根据步骤六中保留的各旅行时间指数的离散概率密度分布，计算旅行时间指数的熵值H(X)，作为评价路网复杂程度的指数。
[0025] 公式如下：
[0026]
[0027] 其中P(TTIi)为TTI离散概率密度分布中第i种TTI取值对应的概率值，N为从零到截断位置的TTI等间隔划分总数。
[0028] 步骤九、利用LSTM神经网络，综合考虑机场和道路指标的特征量进行时间预测分析，预测下一时间段的旅行时间指数的均值和旅行时间指数的熵值。
[0029] 首先，神经网络的输入特征包括：通过连接层的机场指标的特征量和道路指标的特征量；
[0030] 具体为：将每个时间段内应当到达的人数进行归一化后的值，以及拥堵感指数α和焦虑感指数β，这三个值作为机场滞留情况的指数，通过一个全连接层作为机场指标的特征量；
[0031] 对于每个时间段的旅行时间指数的均值进行归一化后的值，对于每个时间段的旅行时间指数的熵值H(X)进行归一化后的值，对于划分的时间段进行归一化的值，以及当天的天气情况量化值，将这四个值作为道路拥堵情况指标，通过一个全连接层作为道路指标的特征量。
[0032] 对每个时间段的旅行时间指数的均值进行归一化具体为：各个时间段历史中旅行时间指数均值的最大值为历史数据最大值，最小值为历史数据最小值，以此进行归一化处理。
[0033] 对每个时间段的旅行时间指数的熵值H(X)进行归一化具体为：旅行时间指数熵的最大熵值Hmax通过如下公式获得，Hmax＝logN，最小值为历史监测数据中获得过的最小值；以此对旅行时间指数熵进行归一化。
[0034] 对当天的天气情况量化具体为：将天气指数量化为7等，对应数值为[0035] 对于划分的时间段进行归一化是指：所在时间段变化为
[0036] 然后，将通过全连接层的两组指标一起输入LSTM层中；
[0037] 最后，将LSTM层的输出通过三个全连接层进行训练，得到下一时间段的旅行时间指数的均值以及旅行时间指数的熵值。
[0038] 步骤十、利用预测的下一时间段的旅行时间指数均值以及旅行时间指数熵，计算当前时间段机场的延误对周边道路的影响；
[0039] 首先，计算机场滞留对路面道路拥堵影响的指数k和道路复杂度影响指数l；
[0040] 道路拥堵影响指数计算公式如下：
[0041] 道路复杂度影响指数计算公式如下：
[0042] 其中，m(t+1)为预测的下一时间段旅行时间指数均值，m(t)为当前时间段旅行时间指数均值。H(t+1)为下一时间段旅行时间指数熵，H(t)为当前时间段旅行时间指数熵。
[0043] 然后，将k与l归一化，作为量化指标来评价机场延误对周边道路拥堵的影响。
[0044] 选取两者历史最大值为最大值，历史最小值为最小值，进行归一化：所得数值越接近于1，说明机场延误对周边道路的影响越大。
[0045] 与现有技术相比，本发明的有益效果在于：
[0046] (1)一种大型航空枢纽运行与城市交通拥堵的关联分析方法，构建的对机场周边短期的交通拥堵情况的预测，不仅仅使用之前的交通拥堵指数，还考虑了机场内部的拥堵情况。
[0047] (2)一种大型航空枢纽运行与城市交通拥堵的关联分析方法，是一种对机场内部的滞留情况进行了评价的方法，并给出机场内拥堵情况的评价指数，即拥堵感指数和焦虑感指数。通过这两个指数，将机场内的拥堵情况量化，引入对机场周边道路拥堵的影响中。
[0048] (3)一种大型航空枢纽运行与城市交通拥堵的关联分析方法，用于评价机场滞留对周边道路产生影响，简单可行。
附图说明
[0049] 图1为本发明一种大型航空枢纽运行与城市交通拥堵的关联分析方法的流程图；
[0050] 图2为本发明构建的LSTM神经网络。
具体实施方式
[0051] 下面将结合附图对本发明作进一步的详细说明。
[0052] 本发明公开了一种大型航空枢纽运行与城市交通拥堵的关联分析方法，包括如下步骤：1) 利用基础航空时刻表计算出到达机场人数，飞机起飞人数，飞机降落人数，构建排队论模型。 2)通过排队论模型得到的队长与等待时间来衡量机场的拥挤程度。3)检测机场周边道路的自由流车速，计算每条道路的旅行时间指数。4)对旅行时间指数进行排列，选取截断位置，并且计算旅行时间指数均值。5)计算旅行时间指数离散概率密度，求旅行时间指数熵。6) 对所需要的各个指标进行归一化处理。7)利用LSTM神经网络综合考虑已有的机场和道路的特征进行时间预测分析，训练完成后，当发生航班延误情况，计算网络所需特征指数，预测下一时刻的旅行时间均值和旅行时间熵；8)构建评价标准来量化的表述机场的延误对道路拥堵情况的影响。
[0053] 如图1所示，具体步骤如下：
[0054] 步骤一、针对某一时间段的航班时间表，统计该时间段内应当到达的人数，记录该时间段内实际情况下飞机起飞输出的人数以及飞机降落输入的人数。
[0055] 时间段的划分为：机场的延误情况和道路延误情况以一天为周期的变化；为了保证实时性，将一天24小时划分为48个时间段，即每半个小时为一个时间段，记为[h1,…,h47,h48]。进行统计分析。
[0056] 通过航班时间表计算出某一时间段内应当到达的人数记为λ(t)；
[0057] 记录飞机起飞输出人数的方法为：在每个时间段内，记录每个时刻起飞的航班数目计算其可运输的人员总数m，并且记录其与下一时刻起飞的航班的时间间隔t，记录t/m。对每个时间段内所有的t/m计算均值和方差，即E(EK(t))和Var(Ek(t))。
[0058] 飞机降落输入的人数，记录改时间段内降落的总人数记为g(t)。
[0059] 步骤二、根据步骤一的统计结果建立排队论模型M/Ek/1模型，计算该时间段内的队伍长度Lq和人均等待时间Wq。
[0060] 建立排队论模型所使用的数据为过安检人数和飞机起飞人数；
[0061] 使用M/EK/1的排队论模型。则在hi区间中，需求率为：λ(t)＝x(t)/0.5人/小时[0062] 服务率为：对于k阶Erlang分布，其分布密度为
[0063] 故其均值和方差为：
[0064] 所以有
[0065] 计算公式为：
[0066]
[0067]
[0068] 其中 k为Ek的阶数，λ为需求率，μ为服务率。
[0069] 步骤三、利用队伍长度Lq和人均等待时间Wq，建立衡量机场内延误情况的拥堵感指数α和焦虑感指数β；
[0070] 拥堵感指数：α＝φ1ln(Lq-C)+φ2
[0071] 焦虑感指数：β＝φ3ln(Wq-K)+φ4
[0072] 其中 φ1，φ2，φ3和φ4为归一化系数，C为拥堵感阈值；K为焦虑感阈值；
[0073] 步骤四、计算该时间段内机场半径M千米范围内的路网中，每一路段的自由流速度；
[0074] 自由流速度为交通量较小道路完全畅通情况下车辆的行驶速度。
[0075] 步骤五、利用各路段的自由流速度，计算该时段内每一路段的旅行时间指数TTI；
[0076] 旅行时间指数为车辆以当前速度行驶与自由流速度行驶同样距离所用时间的比值。
[0077] 旅行时间指数的计算公式为：
[0078] 步骤六、对各旅行时间指数TTI从小到大进行排列，并选取截断位置，删除大于截断位置的不合理数据，保留从零到截断位置的TTI数据做后续处理。
[0079] 截断位置从按旅行时间指数的99％分位数选取。
[0080] 步骤七、根据步骤五计算的整个路网中各旅行时间指数，计算该时间段的均值，作为评价路网拥堵情况的指数。
[0081] 步骤八、根据步骤六中保留的各旅行时间指数的离散概率密度分布，计算旅行时间指数的熵值H(X)，作为评价路网复杂程度的指数。
[0082] 公式如下：
[0083]
[0084] 其中P(TTIi)为TTI离散概率密度分布中第i种TTI取值对应的概率值，N为从零到截断位置的TTI等间隔划分总数。
[0085] 步骤九、利用LSTM神经网络，综合考虑机场和道路指标的特征量进行时间预测分析，预测下一时间段的旅行时间指数的均值和旅行时间指数的熵值。
[0086] 首先，设计LSTM神经网络对机场周边的交通情况进行时间序列分析训练；神经网络的模型如图2所示：输入特征包括：通过连接层的机场指标的特征量和道路指标的特征量；
[0087] 具体为：
[0088] 第一部分为机场相关特征量：将每个时间段内应当到达的人数进行归一化后的值，以及拥堵感指数α和焦虑感指数β，这三个值作为机场滞留情况的指数，通过一个全连接层作为机场指标的特征量；
[0089] 第二部分为道路相关特征量：对于各个时间段的旅行时间指数的均值进行归一化后的值，对于每个时间段的旅行时间指数的熵值H(X)进行归一化后的值，对于划分的时间段进行归一化的值，以及当天的天气情况量化值，将这四个值作为道路拥堵情况指标，通过一个全连接层作为道路指标的特征量。
[0090] 对每个时间段的旅行时间指数的均值进行归一化具体为：
[0091] 各个时间段历史中记作TTImean＝mean(TTIi)并且对均值进行归一化：旅行时间指数均值的最大值为已有数据最大值max(TTImean)，均值的最小值为已有数据的最小值min(TTImean)。归一化公式为
[0092] 对每个时间段的旅行时间指数的熵值H(X)进行归一化具体为：
[0093] 旅行时间指数熵的最大熵值Hmax通过如下公式获得，上界由詹森不等式可得 E(logY)＜log(E(Y))，得到：
[0094]
[0095] 旅行时间熵的下界规定为现有数据的旅行时间熵的最小值min(H(X))；即最小值为历史监测数据中获得过的最小值；以此对旅行时间指数熵归一化公式为：
[0096] 对当天的天气情况量化具体为：将天气指数量化为7等，对应数值为[0097] 对于划分的时间段进行归一化是指：所在时间段变化为
[0098] 然后，将通过全连接层的两组特征量指标一起输入LSTM层中进行时间序列分析；
[0099] 最后，将LSTM层的输出通过三个全连接层进行训练，得到下一时间段的旅行时间指数的均值以及旅行时间指数的熵值。
[0100] 具体为：LSTM网络全名为长短期记忆网络，每个LSTM元胞中都存在记忆单元和遗忘单元，能够在运算中挖掘并运用隐藏的马尔可夫性。而交通数据有着马尔可夫的特性，适合运用LSTM网络进行训练。
[0101] 将[t-n,...,t-1,t]时间段的机场和道路指标的特征量作为输入，将t+1时间段的平均旅行时间指数以及旅行时间指数熵作为label。
[0102] 利用以往的机场预定航班表，实际航班表以及机场周边道路的流量数据训练神经网络，神经网络通过反向传播利用历史数据进行有监督学习，多次迭代运算后得到能够准确预测下一时间段的网络权重表，从而建立机场指标的特征量和道路指标的特征量与label之间的联系。训练完成后，实时检测数据计算出机场指标的特征量和道路指标的特征量，通过网络的运算后即可预测出下一时间段的平均旅行时间指数以及旅行时间指数熵；进而说明此时刻机场的延误对周边道路的影响。
[0103] 步骤十、利用预测的下一时间段的旅行时间指数均值以及旅行时间指数熵，计算当前时间段机场的延误对周边道路的影响；
[0104] 首先，计算机场滞留对路面道路拥堵影响的指数k和道路复杂度影响指数l；
[0105] 道路拥堵影响指数计算公式如下：
[0106] 道路复杂度影响指数计算公式如下：
[0107] 其中，m(t+1)为预测的下一时间段旅行时间指数均值，m(t)为当前时间段旅行时间指数均值。H(t+1)为下一时间段旅行时间指数熵，H(t)为当前时间段旅行时间指数熵。
[0108] 然后，将k与l归一化，作为量化指标来评价机场延误对周边道路拥堵的影响。
[0109] 选取两者历史最大值为最大值，历史最小值为最小值，进行归一化：所得数值越接近于1，说明机场延误对周边道路的影响越大。
[0110] 以上实施例仅为本发明的实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。
