申请/专利权人：宁波大学

申请日：2023-12-28

公开（公告）日：2024-04-26

公开（公告）号：CN117933612A

主分类号：G06Q10/0631

分类号：G06Q10/0631;G06Q30/0202;G06Q50/47

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明公开了一种机场出租车需求预测的方法，先分别获取出租车行程数据、网约车行程数据以及机场到港旅客数据，进而得到出租车出行量时间序列、网约车出行量时间序列以及机场到港旅客数量时间序列构成数据集，基于该数据集训练VAR模型，从而确定最优VAR模型，采用最优VAR模型进行预测，在训练VAR模型之前就充分考虑了机场网约车服务对传统出租车需求的影响，摒弃获取难度大的数据，联合建模机场出租车出行量时间序列、机场网约车出行量时间序列和机场到港旅客数量时间序列这3个变量，不仅可以确立它们之间的动态关联性，还可以捕捉多个时间序列数据之间的线性依赖性和反馈效应；优点是预测准确度高，且数据获取难度较低，易于实现。

主权项：1.一种机场出租车需求预测的方法，其特征在于包括以下步骤：步骤1：将每天从0点开始，以5分钟为一个时段进行时段划分，向交通部门获取需要预测的机场在当前预测时段前M个时段的出租车行程数据，其中，M＝m×24×12，m为大于等于30的整数，统计这M个时段的出租车行程数据中每个时段内的机场出租车出行量，再按照时段先后顺序生成机场出租车出行量时间序列；步骤2：将每天从0点开始，以5分钟为一个时段进行时段划分，向交通部门获取需要预测的机场在当前预测时段前M个时段的网约车行程数据，统计这M个时段的网约车行程数据中每个时段内的机场网约车出行量，再按照时段先后顺序生成机场网约车出行量时间序列；步骤3：将每天从0点开始，以5分钟为一个时段进行时段划分，通过航空公司的网站、需要预测的机场的信息显示屏或者各种航班跟踪应用和网站收集需要预测的机场在当前预测时段前M个时段中每个时段的到港航班时间、航班类型、飞机型号及其可用座位数和前M个时段的平均客座率，将这M个时段中第k个时段的飞机型号总数记为Nk，第k个时段的第ik种飞机型号的机场到港航班架次记为第k个时段第ik种飞机型号的可用座位数记为其中Nk是第k个时段的飞机型号总数，M个时段的平均客座率记为PLF；先按照时段先后顺序统计这M个时段的每个时段的机场到港旅客数量，再按照时段先后顺序生成机场到港旅客数量时间序列；将需要预测的机场这M个时段的第k个时段的到港旅客数量记为APk，采用公式1计算得到APk： 步骤4：采用机场出租车出行量时间序列、机场网约车出行量时间序列和机场到港旅客数量时间序列构成数据集，该数据集包括3列M行数据，其中，第1列数据对应为机场出租车出行量时间序列，第2列数据对应为机场网约车出行量时间序列，第3列数据对应为机场到港旅客数量时间序列，每行数据对应为同一时段的机场出租车出行量、机场网约车出行量和机场到港旅客数量；步骤5：使用步骤4所得数据集，对VAR模型进行训练，具体步骤为：步骤5.1：将当前数据集的每列数据分别作为一个变量，当前数据集具有三个变量，对当前数据集的每个变量分别进行平稳性检验，如果3个变量的检验结果均平稳，则认为当前数据集检验结果平稳，将当前数据集作为平稳数据集，若某个变量检验结果不平稳，则采用Johansen检验方法检验当前数据集的3个变量之间是否存在协整关系，若检验结果为存在协整关系，则当前数据集也作为平稳数据集，若检验结果不存在协整关系，则继续对当前数据集的3个变量分别进行平稳化处理，得到平稳数据集；其中平稳化处理为：对当前数据集中每个变量分别进行一次差分运算，更新当前数据集中的3个变量，然后将更新后的数据集作为当前数据集，对当前数据集的每个变量分别进行平稳性检验，判断当前数据集检验结果是否平稳，若检验结果平稳，则将当前数据集作为平稳数据集，若检验结果不平稳，则对当前数据集中每个变量分别进行一次差分运算后再进行判断，以此类推，直到当前数据集检验结果平稳；步骤5.2：统计当前平稳数据集中的行数，将其记为T，将每行作为一个向量，每个向量包含3个值，第w行表示第w个向量，第w个向量的第1个值称为向量w的机场出租车出行量值，第2个值称为向量w的机场网约车出行量值，第3个值称为向量w的机场到港旅客数量值；w＝1，2，…，T；步骤5.3：将VAR模型的滞后阶数分别设定为1至8，得到8个VAR模型，将滞后阶数为s的VAR模型称为VARs模型，s＝1，2，…，8；使用软件EViews，基于当前平稳数据集分别计算得到VAR1模型到VAR8模型的信息准则结果表，表有8行5列数据，每一列从左到右分别表示LikelihoodRatioLR准则、FiniteSampleSizePredictorEliminationFPE检验准则、AkaikeInformationCriterionAIC准则、SchwartzCriterionSC准则、Hannan-QuinncriterionHQ准则，每一行从上到下分别表示VAR1到VAR8；先确定信息准则结果表的每一列中的最小值，然后确定每一行中最小值的数量，将第s行中最小值的数量作为VARs模型的优先度，从而得到VAR1模型到VAR8模型的优先度；根据VAR1模型到VAR8模型的优先度确定其优先级，其中，优先度越大，优先级越高，若两个或者两个以上VAR模型的优先度相同，则按照“AIC准则SC准则LR准则HQ准则FPE检验准则”的优先度顺序确定其优先级；在确定VAR1模型到VAR8模型的优先级后，选择VAR1模型到VAR8模型中优先级最高的作为当前VAR模型；步骤5.4：获取当前VAR模型的滞后阶数，将其记为p，p大于等于1且小于等于8，当前VAR模型为VARp模型，根据p确定VARp模型的数学表达式如下式2所示：其中，t＝p+1,p+2,…,T，TRt表示向量t的机场出租车出行量值，RHRt表示向量t的机场网约车出行量值，APt表示向量t的机场到港旅客数量值，TRt-1,…,TRt-p表示向量t-1至t-p的机场出租车出行量值，RHRt-1,…,RHRt-p表示向量t-1至t-p的机场网约车出行量值，APt-1,…,APt-p表示向量t-1至t-p的机场到港旅客数量值，A1,…,Ap为3×3的系数矩阵，分别表示滞后阶数为1到p的自回归系数矩阵，表示3个截距项，表示向量t的3个非自相关残差项；步骤5.5：采用Yt表示分别采用Yt-1…Yt-p表示采用c表示采用εt表示将公式2进行转化，得到公式3为：Yt＝c+A1Yt-1+…+ApYt-p+εt3步骤5.6：使用最小二乘法，通过最小化残差平方和来确定参数，具体为：步骤5.6.1：令Z＝Yt，B＝[1Yt-1…Yt-p]，E＝εt，对公式3进行转换，得到公式4：Z＝BA+E4步骤5.6.2：基于公式4构建最小二乘法估计的目标函数RSSA：RSSA＝ETE＝Z-BATZ-BA＝ZTZ-2ATBTZ+ATBTBA5步骤5.6.3：对目标函数RSSA求关于参数A的一阶导数，并令导数为0，得到A： 步骤5.6.4：将公式6得到的代入公式3中，得到确定系数的VARp的数学表达式，称之为当前VARp模型；步骤5.7：利用AR特征多项式的根对当前VARp模型进行稳定性检验，若检验结果稳定，则当前VARp模型是最优模型VARp*；若检验结果不稳定，则将当前平稳数据集作为当前数据集，按照步骤5.1的方法对当前数据集进行一次差分运算，得到更新后的数据集，然后将当前得到的更新后的数据集再次作为当前平稳数据集，重复步骤5.2～5.6，再次得到当前VARp模型，然后再次利用AR特征多项式的根对当前得到的VARp模型进行稳定性检验，若检验结果稳定，则确定当前得到的VARp模型为最优模型VARp*，若检验结果不稳定，按照当前得到的VAR1模型到VAR8模型的优先级顺序，选择比当前VAR模型低一个优先级的VAR模型，重复步骤5.4～5.6，得到新的VARp模型，利用AR特征多项式的根对新的VARp模型进行检测，若检验结果稳定，则新的VARp模型是最优模型VARp*，若检验结果不稳定，则继续选择比当前VAR模型低一个优先级的VAR模型，重复上述过程，若所有模型全部选择完毕仍然检验结果不稳定，则对当前平稳数据集中每个变量再次分别进行一次差分运算，得到更新后的平稳数据集，将当前得到的更新后的平稳数据集作为当前平稳数据集，重复步骤5.2～5.7，重复上述过程，直至确定最优模型VARp*，最优模型VARp*如式7所示： 其中，表示预测值，p*为最优模型VARp*对应的滞后阶数；步骤6：采用步骤5最后得到的平稳数据集中第T+1-p*个向量至第T个向量作为至Yt-1对应代入公式7，求解得到预测值步骤7：判断T是否等于M，若T＝M，则的第1个值即为当前预测时段的机场出租车需求量，否则，基于至Yt-1的第1个值，对的第1个值进行M-T次反差分运算，此时得到的值为当前预测时段的机场出租车需求量。

全文数据：

权利要求：

百度查询： 宁波大学 一种机场出租车需求预测的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD