基于深层时空图卷积网络的短时到港客流时空分布预测

中国民航大学学报 ›› 2024, Vol. 42 ›› Issue (2): 44-50.

基于深层时空图卷积网络的短时到港客流时空分布预测

中国民航大学 a. 电子信息与自动化学院； b. 航空工程学院，天津 300300

收稿日期:2021-12-28 修回日期:2022-01-20 出版日期:2024-12-19 发布日期:2026-08-03
基金资助:
国家重点研发计划项目（2018YFB1601200）

Spatio-temporal distribution prediction of short-term arriving passenger flow based on deep spatio-temporal graph convolutional network

a. College of Electronic Information and Automation; b. College of Aeronautical Engineering , CAUC, Tianjin 300300, China

Received:2021-12-28 Revised:2022-01-20 Online:2024-12-19 Published:2026-08-03

摘要/Abstract

摘要： 针对空港综合交通枢纽各区域短时到港客流感知能力较弱的问题，提出一种基于深层时空图卷积网络的预测方法。以空港综合交通枢纽的空间连通特点和到港旅客的行为规律为依据，构建深层图卷积网络提取临近时间段内到港客流量分布的空间特征，并运用门控循环单元提取空间特征序列的时间依赖性，同时利用当前与历史航班信息对预测结果进行修正，实现对目标时间段内各区域内到港客流的预测。基于国内某大型空港综合交通枢纽内到港客流的历史数据展开验证，结果表明，与代表性的预测模型（历史均值模型、自回归差分滑动平均模型、支持向量机回归模型、长短时记忆神经网络、门控循环单元模型、时间图卷积网络）相比，该方法在测试集上的均方根误差和平均绝对值误差均取得最小值，相较于预测精度第二的时间图卷积网络，预测时间范围为 5、15、30 min 时，均方根误差分别降低了 4.19%、7.15%、7.79%，平均绝对值误差分别降低了 9.72%、5.05%、8.89%，说明该方法能够更真实地反映不同区域不同时间段内的客流变化趋势，有助于合理地进行空港综合交通枢纽的运力资源配置。

关键词: 航空运输, 短时客流预测, 深层图卷积网络, 航班信息修正, 深度学习, 空港综合交通枢纽

Key words: air transportation, short-term passenger flow prediction, deep graph convolutional network, flight information correction, deep learning, airport comprehensive transportation hub

中图分类号:

F562

张红颖 a, 贾驰 a, 李彪 b. 基于深层时空图卷积网络的短时到港客流时空分布预测[J]. 中国民航大学学报, 2024, 42(2): 44-50.

ZHANG Hongying a , JIA Chi a , LI Biaob. Spatio-temporal distribution prediction of short-term arriving passenger flow based on deep spatio-temporal graph convolutional network[J]. Journal of Civil Aviation University of China, 2024, 42(2): 44-50.

[1]	齐麟, 金天昱. 不同垂直起降场布局下双起降坪容量研究[J]. 中国民航大学学报, 2026, 44(3): 67-73.
[2]	李艳伟a, 周全b. 京津冀航空运输与区域产业升级关联分析[J]. 中国民航大学学报, 2026, 44(3): 92-96.
[3]	王霞 a, 原洪玉 b, 李宗威 b. 多维多层视角下中国世界级机场群同质化度量 [J]. 中国民航大学学报, 2026, 44(2): 41-47.
[4]	李楠, 吴龙添, 郝锦彪, 许瑞 . 基于机器学习的大型机场离港滑行时间预测[J]. 中国民航大学学报, 2026, 44(1): 17-24.
[5]	张勰, 张钧, 刘宏志, 赵嶷飞. 基于融合编码转移网络的空中交通流量波动演化研究 [J]. 中国民航大学学报, 2025, 43(2): 19-30.
[6]	李国栋 a, 刘慧婕 b, 梅玥 a, . 多层次视角下中国航空运输业与民营经济耦合协调度评价 [J]. 中国民航大学学报, 2025, 43(2): 89-96.
[7]	谢春生, 杭宇, 赵向领. 紧急情况下航班备降模型研究 [J]. 中国民航大学学报, 2024, 42(6): 34-38.
[8]	王飞, 韩翔宇. 基于二次分解集成的机场流量短期预测 [J]. 中国民航大学学报, 2024, 42(6): 52-60.
[9]	杜皓月, 杨文东. 考虑联盟衔接的国际航班离场时刻优化研究[J]. 中国民航大学学报, 2024, 42(4): 84-90.
[10]	杨宏宇 1a, 1b , 张建伟 1b , 胡泽 1a , 成翔 1c, 2 , 张良 3. Web 应用攻击检测方法综述[J]. 中国民航大学学报, 2024, 42(2): 13-22.
[11]	赵向领, 左蕾, 李云飞, 徐吉辉. 民用航空运输载重配平问题研究综述[J]. 中国民航大学学报, 2024, 42(1): 1-9.
[12]	丁新伟, 秦倩, 阚犇, 刘骐畅, 贾驰. 基于图卷积神经网络的航站楼旅客流时空分布预测[J]. 中国民航大学学报, 2023, 41(6): 31-36.
[13]	陈飞, 刘鹏, 凌若鸿, 廉冠, 李彪. 机场航站楼安检资源运行策略优化[J]. 中国民航大学学报, 2023, 41(6): 37-43.
[14]	周茂袁, 伍小双. 基于深度学习的异常检测模型综述 [J]. 中国民航大学学报, 2023, 41(4): 1-7.
[15]	王飞. 空中交通流时间序列平稳性和非线性检验[J]. 中国民航大学学报, 2021, 39(2): 1-6.