Prophet-LSTM组合模型在运输航空征候预测中的应用

为准确预测中国运输航空征候万时率,提出了一种将时间序列模型和神经网络模型组合的预测方法。首先,利用2008年1月—2020年12月的运输航空征候万时率数据建立Prophet模型,使用RStudio软件进行模型拟合,获取运输航空征候万时率的线性部分;其次,利用长短期记忆网络(Long Short-Term Memory,LSTM)建模,获取运输航空征候万时率的非线性部分;最后,利用方差倒数法建立Prophet-LSTM组合模型,使用建立的组合模型对2021年1—12月运输航空征候万时率进行预测,将预测结果与实际值进行对比验证。结果表明,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别为0.0973、16.1285%、0.1287。相较于已有的自回归移动平均(Auto Regression Integrated Moving Average,ARIMA)+反向传播神经网络(Back Propagation Neural Network,BPNN)组合模型和GM(1,1)+ARIMA+LSTM组合模型,Prophet-LSTM组合模型的EMA、EMAP、ERMS分别减小了0.0259、10.4874百分点、0.0143和0.0128、2.0599百分点、0.0086,验证了Prophet-LSTM组合模型的预测精度更高,性能更优良。

结伴行为对航站楼出发厅旅客疏散的影响

为探究结伴行为对旅客疏散的影响,提出了一种基于AnyLogic的系统仿真框架,分别建立了航站楼出发厅物理环境模型、旅客初始分布仿真模型、旅客应急疏散仿真模型。以某机场为例,模拟了航站楼旅客正常离港与应急疏散流程;根据客流高峰时期航站楼旅客在各出口的疏散状况与疏散时间,分析了不同结伴比例对旅客疏散效率的影响。结果表明:疏散出口无拥挤现象时,旅客结伴比例为20%与40%时,相较于无结伴行为,旅客疏散时间并无显著增加,旅客结伴比例为60%时,疏散时间显著增加;疏散出口发生拥挤现象时,结伴比例为60%时相较于无结伴行为的旅客疏散时间更短;模型优化后的疏散时间显著降低。研究结果对组织航站楼内结伴旅客疏散具有一定的指导意义。