机场高峰小时客流量预测
以上海虹桥机场为中心的客流流线分析报告
. . .参考学习郭周祥10224005交通运输学院2012/10/17交通港站流线设计案例分析之虹桥机场摘要：交通流线是指行人、车船、货物在一定范围内集散活动，形成一定得流动过程和流动轨迹。
流线是否畅通作为评价多种交通方式之间换乘优劣的重要指标，也直接影响着交通枢纽的运行效率。
虹桥机场交通流线可分为旅客交通流线、地面车辆交通流线、飞行区交通流线、货物交通流线、停车场交通流线。
本文主要从交通港站旅客和车辆交通流线设计的角度来研究虹桥机场的运作效率。
关键词：交通流线，枢纽，一体化，虹桥一、国外典型客运交通港站的结构分析1. 亚历山大广场交通枢纽1.1枢纽布局结构及其功能特点亚历山大广场交通枢纽有铁路、城铁、地铁、有轨电车、公共汽车、出租车等交通方式。
规划设计者巧妙地安排各种交通方式的设施位置，达到了既节省用地又便捷换乘的双重效果。
枢纽的布局结构如图1所示。
这种布局结构及其功能特点分析如下：1)利用立体空间，紧凑地、合理地安排各种车站的位置，在满足客流集散空间用量的条件下尽可能使各类车站靠近。
铁路线、城铁线平行布设，均位于高架一层；有轨电车、公共汽车、出租车位于地面；地铁线位于地下。
地下一层为商场及与地铁的换乘通道。
这种布局结构不仅可以缩短乘客走行距离与时间，而且可以减少枢纽内集散客流所需的空间用量。
图4柏林亚历山大广场枢纽布局结构图2)在高架一层中，铁路与城铁车站一体化布置，宽度约36 m。
铁路车站仅一个岛式站台，两股站线；与之平行的另一岛式站台及2股站线供城铁使用。
地面层有2条换乘通道把城铁楼梯、站台与铁路楼梯、站台连接起来，使得城铁与铁路之间的换乘距离不到50 m，既节省土地及空间资源，又实现了便捷换乘。
地面层主要用于商业、旅游等服务业的经营。
该站虽然占地不大，但每天接发及通过的列车数量很大。
在高峰时段，城铁站台停靠的S5、S7、S75、S9线列车的发车间隔分别为10、10、20、20min，高峰小时内在该站停靠的列车达到18对，每天超过250对。
基于改进Kneedle算法的机场典型高峰小时需求确定方法
基于改进Kneedle算法的机场典型高峰小时需求确定方法汪普瑞;董治;柏强【期刊名称】《交通运输工程与信息学报》【年(卷),期】2023(21)1【摘要】典型高峰小时交通量的确定在民用运输机场规划与设计中发挥着重要的作用,是机场规模与设施容量预测的基础。
目前典型高峰小时定义指标众多,不同定义指标计算出的机场典型高峰小时需求不一致。
因此,需要研究一种相对精准且统一的方法来确定不同民用运输机场典型高峰小时交通量。
为实现上述目标,结合民用运输机场交通量重复离散的数据特征,提出了基于改进Kneedle算法的拐点检测方法,应用于北京首都国际机场和昆明长水国际机场航班起降架次数据集,该方法可确定不同机场排名曲线中首个拐点位置和对应的航班起降架次,以此作为机场典型高峰小时需求,并与常用的标准繁忙率(SBR)、繁忙小时率(BHR)、年度高峰月的平均日高峰小时(ADPM)、年度两个高峰月的平均日高峰小时(ADTPM)四种典型高峰小时定义指标计算得到的高峰小时航班起降架次及排名曲线中对应位置分别进行了比较验证。
研究结果表明,同一典型高峰小时定义并不适用于不同民用运输机场,而使用改进Kneedle算法能够准确确定机场典型高峰小时交通需求,具有更广泛的适用性。
【总页数】10页(P125-134)【作者】汪普瑞;董治;柏强【作者单位】长安大学运输工程学院【正文语种】中文【中图分类】V352【相关文献】1.基于需求不确定性的机场拥挤风险预测模型与方法2.基于改进遗传算法的多产品生产企业物料需求时段确定研究3.一种基于hough改进算法的机场跑道识别方法研究4.一种基于改进遗传算法的机场登机口分配优化方法5.基于改进模拟退火算法的考虑混合充电模式和需求不确定下的电动物流车鲁棒配送问题研究因版权原因，仅展示原文概要，查看原文内容请购买。
基于航空客流腹地的杭州萧山机场高铁站客流分析
基于航空客流腹地的杭州萧山机场高铁站客流分析1 研究背景2017年3月，浙江省委省政府提出杭州萧山机场要发挥龙头引领的作用，把萧山国际机场作为加快建设开放型经济强省、提升杭州城市国际化水平的重要抓手，不断提高国际化、枢纽化、智慧化和品质化水平，打造成长三角世界级机场群核心机场、国际化一流机场，并实现与上海虹桥、浦东机场互为备降的目标。
2017年5月，由国家发改委和民航局联合批复，杭州临空经济示范区成为10个国家级临空经济区之一，杭州萧山国际机场迎来新的发展机遇。
国家发改委关于打造现代综合客运枢纽提高旅客出行质量效率的实施意见发布以来[1]，高铁线路引入航空枢纽已经成为新的发展趋势，例如上海虹桥机场、郑州新郑机场、武汉天河机场、成都双流机场、石家庄正定机场等[2-5]。
高铁引入机场枢纽能够促进萧山机场自身客源地拓展，对提升萧山机场枢纽影响力，支撑省委省政府对萧山机场发展定位，服务2022年杭州亚运会需要均具有重要意义。
杭州萧山国际机场综合交通枢纽规划实现航空、高铁、城市轨道交通、公路等多种方式在机场枢纽的快速高效顺畅衔接。
杭州萧山机场高铁站的建设对于打造萧山国际机场综合枢纽，成为长三角世界级机场群核心机场、国际化一流机场具有重要意义。
运输需求分析是建设项目前期工作的核心[6]。
准确分析杭州萧山机场高铁站客流是稳定高铁站方案与规模的重要基础[7-8]，对于项目顺利实施具有重要意义，基于此开展本文研究工作。
2 杭州萧山机场发展定位及航空客流预测2.1 发展定位长三角地区现有上海浦东国际机场、上海虹桥国际机场、杭州萧山国际机场、南京禄口国际机场等19个机场，空域资源紧张，机场发展受到一定的制约。
这个区域内相当于每万平方公里拥有0.9座机场，该地区的百姓基本上在车程1 h左右就能到达1座机场。
地区每万平方公里的机场密度为0.9个，超过美国每万平方公里0.6个的水平，已经成为国际上机场密度最大的地区之一。
根据浙江省“十三五”民用机场规划[9]，浙江省内十三五期间将形成9个机场，基本覆盖浙江省内主要城市(见表1）。
如何使用逻辑回归模型进行航空客流预测(Ⅰ)
航空客流预测是航空公司和机场管理部门的重要工作之一。
通过对未来客流量的合理预测，可以更好地安排飞机的航线和座位，提高运营效率，减少资源浪费。
逻辑回归模型是一种常用的客流预测方法，它可以通过对历史数据的分析和建模，来预测未来客流的情况。
本文将探讨如何使用逻辑回归模型进行航空客流预测。
1. 数据收集与准备在使用逻辑回归模型进行航空客流预测之前，首先需要进行数据的收集和准备工作。
这包括收集历史客流数据、航班信息、机场情况等相关数据，并进行数据清洗和处理。
在数据清洗过程中，需要处理缺失数据、异常值和重复数据，以保证数据的质量和准确性。
同时，还需要对数据进行特征选择和转换，以便适应逻辑回归模型的要求。
2. 模型建立与训练在数据准备工作完成后，接下来就是建立逻辑回归模型并进行训练。
逻辑回归模型是一种广义线性模型，它可以用来预测二分类或多分类问题。
在航空客流预测中，通常将客流量划分为高、中、低三个等级，然后使用逻辑回归模型来预测客流量所属的等级。
在模型建立过程中，需要将数据集分为训练集和测试集，然后使用训练集数据来训练模型，并使用测试集数据来评估模型的性能。
3. 模型评估与优化在模型训练完成后，需要对模型进行评估和优化，以确保模型的预测性能达到要求。
评估模型的常用指标包括准确率、精确率、召回率和F1值等，这些指标可以帮助我们判断模型的预测效果。
如果模型的性能不理想，可以尝试调整模型的参数或者使用特征工程的方法来优化模型。
4. 模型应用与预测经过评估和优化后，逻辑回归模型就可以用来进行航空客流预测了。
在预测过程中，需要将实时的航班信息和机场情况输入到模型中，然后模型会根据历史数据和建立的模型来预测未来客流量的情况。
预测结果可以帮助航空公司和机场管理部门做出合理的决策，提高运营效率和服务质量。
5. 模型监控与更新最后，建立好的逻辑回归模型需要进行监控和更新，以适应不断变化的客流情况。
在模型应用的过程中，需要不断收集新的数据并更新模型，以确保模型的预测性能始终保持在一个较高的水平。
基于大数据的航空公司乘客流量预测
ddpm的重参数化技巧
DDPM（Diffusion-Dequantization-Prior-Model）是一种生成模型，其中的重参数化技巧用于实现模型的训练和推断。
DDPM的核心思想是使用扩散模型（diffusion model）来建模真实数据的生成过程。
扩散模型是一种基于扩散过程的动态系统，描述了随着时间推移，数据的分布如何从简单分布（比如高斯分布）逐渐转化为复杂分布（比如真实数据的分布）。
为了训练DDPM模型，需要在数据空间和噪声空间之间建立映射关系，并且需要进行梯度反向传播。
这就需要使用到重参数化技巧。
DDPM中的重参数化技巧如下所示：
1. 首先，从一个已知的简单分布（比如高斯分布）中采样得到一个噪声样本，记为z。
这个噪声样本表示了数据空间中的一个点，可以理解为对应于数据分布中的一个样本。
2. 接下来，使用扩散模型来将噪声样本z转化为数据空间中的样本x。
具体而言，使用一个扩散方程来描述x的变化过程。
3. 为了进行梯度反向传播，需要计算生成的样本x对于噪声样本z的梯度。
然而，直接计算梯度是困难的。
为了解决这个问题，可以引入另一个变量v，将噪声样本z表示为z = μ + σ * v，其中μ表示均值，σ表示标准差。
4. 现在，可以将梯度计算推导为对v的梯度计算。
通过计算得
到梯度后，可以使用优化算法来更新参数，使得生成的样本逼近真实数据的分布。
通过这种重参数化技巧，DDPM可以实现有效的训练和推断过程，同时也减轻了计算的复杂性。
南宁吴圩国际机场空港枢纽客运交通预测研究
南宁吴圩国际机场空港枢纽客运交通预测研究作者：陈明涛张仰鹏焦晓东来源：《西部交通科技》2024年第04期摘要：文章以南宁吴圩国际机场为例，结合机场的功能定位，分析机场的辐射腹地和辐射强度，并利用分层分析的方法，从区域层面、都市层面分解得到机场对外客流分布特征。
通过出行方式划分，预测分方向各集疏运方式的客运需求，为客流集散体系的设施规模提供数据支撑。
关键词：客流预测；国际空港枢纽；南宁吴圩机场中图分类号：U169.62 文献标识码：A文章编号：1673-4874（2024）04-0197-030 引言近年来，随着“一带一路”倡议的推进，南宁加快打造面向东盟开放合作的国际化大都市［1］，南宁吴圩国际机场枢纽地位持续提升。
南崇高铁、规划南宁轨道机场线等交通线路的逐步建成，使南宁机场成为集民航、高铁、地铁及公路等功能于一体的特大型现代综合交通枢纽，机场辐射范围扩大、客流需求增加，客流的快速集散尤为重要［2］，而客流的科学预测是客流快速集散的关键。
既有的机场配套设施的主要侧重机场内部停车设施、公交衔接设施等，对机场外部衔接的公路、轨道、铁路等设施预测存在不足，无法科学地评估机场各辐射范围的集散设施规模。
本文重点针对机场外部供给侧的设施展开研究，探求南宁市吴圩国际机场综合交通枢纽对外客流的预测方法。
1 机场客流腹地分析机场的客流腹地分析主要通过机场自身的区位、区域的定位、与周边机场的竞争关系来分析，大体可划分为三级腹地，依托腹地、主要腹地和辐射腹地。
依托腹地主要与机场形成独立、融入、互动的关系，是机场客流来源的一部分，同时扮演服务机场的角色；主要腹地则是机场主要的客流辐射范围，根据国内机场相关发展经验，高铁2 h辐射圈为机场主要客流腹地；延伸腹地则是根据机场未来发展的定位，以及周边其他核心城市机场的竞争关系，确定的未来可能通过该机场进行中转的区域。
南宁吴圩国际机场定位为面向东盟的国际门户枢纽机场、广西机场集团下的第一大型机场、广西首府南宁市的窗口和城市亮点，预测远期年旅客吞吐量4 100万人次。
上海航班高峰小时容量标准
上海航班高峰小时容量标准上海作为中国最大的城市之一，其航班高峰小时容量标准是受到严格限制的。
本文将从政策背景、标准制定、标准实施以及影响与展望等方面对上海航班高峰小时容量标准进行详细阐述。
一、政策背景随着中国民航业的快速发展，航班量不断增加，航路拥堵和延误问题也日益严重。
为了提高航班运营效率，中国政府于2007年出台了《民航航班正常管理规定》，对航班正常性管理进行了规范。
此后，民航局又陆续出台了一系列相关政策，对航班计划审批、航路优化、空域管理等方面进行了全面改革，以提高航班正常率和运营效率。
二、上海高峰小时容量标准的制定根据《民航航班正常管理规定》及相关政策，上海机场高峰小时容量标准由民航局根据机场净空条件、空域规划、航路设施、气象条件、航班计划等因素进行评估和审批。
在评估过程中，需要对上海机场的各项条件进行全面分析和比较，以确定合理的航班高峰小时容量标准。
经过评估和审批，中国民用航空局批复上海浦东机场高峰小时容量标准由80架次增至92架次，居全国第一。
这一标准的制定是基于对上海机场各项条件的全面分析和比较，并考虑到未来发展的需要而做出的决策。
三、上海高峰小时容量标准的实施为了确保上海机场的高峰小时容量标准得到有效实施，民航管理部门采取了多项措施。
首先，加强航班计划的审批和管理，确保航班计划符合容量标准。
其次，加强空域管理和航路优化，提高航班运行效率。
此外，加强机场净空条件和气象条件的监测和管理，确保航班运行的安全和正常。
四、影响与展望上海航班高峰小时容量标准的提高，将有助于提高航班运营效率，减少航班延误和拥堵现象。
同时，这也将为上海机场未来的发展提供更多的空间和机会。
未来，随着中国民航业的持续发展，上海机场的航班量还将继续增加，因此需要继续加强各项管理和措施，确保航班运行的安全和正常。
总之，上海航班高峰小时容量标准的制定和实施是中国民航业发展的重要举措之一。
通过加强政策制定、实施和管理，可以提高航班运营效率，减少航班延误和拥堵现象，为未来的发展提供更多的空间和机会。
空港综合交通枢纽客流需求预测研究—以广州白云国际机场为例
侧航空客流和陆侧迎送客流两部分。 以陆侧航空客流需求和陆侧迎送客流需
思路
求之和，即高峰小时陆侧客流为基础，通过 客流分布及方式划分可得到分方式客流需
1.1 客流构成分析
面向集疏运设施规模及供给策略的空港
求，从而为各通道、各方式的设施规模预测 提供依据。具体预测思路如图 1 所示。
枢纽客流预测，重点在于分析预测空港陆侧 客流，主要包括陆侧航空客流、陆侧迎送客
高峰小时陆侧客流总需求
追求更快、更舒适的方式，既有的公路、铁 路、长途客流也会向航空转移。
陆侧航空客流受经济直接影响产生的增
二
长预期可采用常规预测方法，即与 GDP 增
○ 一
陆侧客流分布预测
四
长相关的增长率法，机场总体规划客流预测
年
陆侧客流方式划分
机场员工方式划分
通常采用此方法。但是，由于诸多因素的影
effective supply strategies and forecast demand for passenger distributing facilities at airport terminals. To
overcome such deficiency, this paper proposes a new passenger travel demand forecasting methodology fo-
空 港
air-passenger volume; Guangzhou Baiyun International Airport
综
合
交
收稿日期：2013-12-18
通 枢
作者简介：李德芬(1981— )，女，天津人，硕士，工程师。主要研究方向：综合交通枢纽规划、道
基于组合方法的三亚机场客流量预测
基于组合方法的三亚机场客流量预测刘夏;陈磊;李苑辉;杨萍;陈明锐【摘要】准确地预测机场客流量对机场的建设和发展有着至关重要的作用.在三亚机场2005-2015年客流量数据的基础上,分别采用Holt-Winter季节模型、ARMA和线性回归模型分别对三亚机场2016-2017年的客流量进行了预测.为了减少预测误差提高预测精度,采用了组合加权的方法对数据进行了组合预测.经验证,该方法可以作为有效预测机场客流量的一种方法.【期刊名称】《计算机系统应用》【年(卷),期】2016(025)008【总页数】6页(P23-28)【关键词】机场;客流量预测;季节模型;自回归平滑模型;线性回归;组合【作者】刘夏;陈磊;李苑辉;杨萍;陈明锐【作者单位】三亚航空旅游职业学院,三亚572000;三亚航空旅游职业学院,三亚572000;三亚航空旅游职业学院,三亚572000;三亚凤凰国际机场有限公司综合管理部,三亚572000;海南大学信息科学技术学院,海口570228【正文语种】中文准确地预测机场客流量数据, 对机场运力安排、未来的发展和建设、功能的规划都有着至关重要的作用. 因此, 准确预测机场客流量就成为了机场经营管理中的一个重要课题, 是机场资源有效配置的基本根据. 预测客流量的方法很多, 据不完全统计, 世界上大约有约300种方法, 其中有150多种比较成熟, 30多种比较常用, 10多种使用比较普遍, 但根据不同的标准, 大体分为两类: 一类是线性理论和非线性理论,另一类是定性预测法和定量预测法, 但总体都包括: 时间序列模型、灰色预测模型、专家预测模型、指数平滑法、神经网络、支持向量机、趋势外推法、回归分析法等. 国内的学者开展过关于机场客流量预测的研究, 取得了相应的成果. 南京航空航天大学的演克武、朱金福提出了支持向量机的回归模型, 并与BPANN和线性回归算法这两种预测方法进行了对比, 证明支持向量机回归算法能获得最小的相对误差,是有效的一种航空客流量预测方法[1]. 西安交通大学的屈拓将灰色模型和BP神经网络相结合, 利用灰色模型对线性变化部分进行预测, 然后采用BP神经网络对非线性变化部分进行预测, 并对预测误差进行补偿, 解决了单一预测模型存在的缺陷, 提高了机场旅客吞吐量预测精度[2]. 合肥工业大学的陈荣、梁昌勇、陆文星等人提出一种季节支持向量回归(SSVR)和粒子群算法(PSO)结合模型, 实现对旅游客流量的预测, 该模型预测精度明显高于SVR-PSO、SVR-GA、BPNN、ARIMA等方法[3]. 中国民航飞行学院的黄邦菊、林俊松、郑潇雨等人建立了机场旅客吞吐量的多元线性回归预测模型, 并利用时间序列法对所得的预测值进行验证, 准确的预测出机场未来年的旅客吞吐量[4]. 中国民航大学的关静依据灰色预测和支持向量机的特点,提出了一种将两种预测方法相结合的灰色支持向量机, 结合旅客吞吐量的预测结果, 对比了灰色预测模型、支持向量机和灰色支持向量机的预测结果, 验证了灰色支持向量机的预测精度高和预测结果准确可靠[5]. 中国民航飞行学院的景崇毅提出了基于迭加趋势的航线季节客运需求分析方法, 根据航线季节客运量历史数据, 构建航线季节客运量趋势变动模型, 通过OLS方法估计直线趋势方程参数, 进一步考虑季节变化对客运需求的影响, 建立航线季节客运需求分析模型[6]. 中国民航大学的陈玉宝、曾刚采用多元线性回归模型和时间序列趋势外推模型, 对首都机场2012-2016年的客流量进行了预测, 为提高精度, 又采用了组合加权方法对预测结果进行组合预测, 提高了准确性, 减少了预测误差[7]. 沈阳工业大学的田中大、李树江、王艳红等人提出了一种基于经验模式分解和时间序列分析的网络流量预测方案, 具有更好的预测效果和精度[8]. 华东师范大学的杜刚、刘娅楠处理了港口集装箱吞吐量月度数据中的季节性波动, 用季节时间序列模型对集装箱的吞吐量进行了季节性处理, 提高了预测精度[9].Holt-Winter将具有线性趋势、季节变动和随即波动的时间序列进行分解研究, 结合指数平滑法, 分别对长期趋势、趋势外增量和季节波动进行估计, 建立预测模型并外推预测值. ARMA 模型(Auto-Regressive and Moving Average Model)是研究时间序列的重要方法, 由自回归模型(简称AR模型)与滑动平均模型(简称MA 模型)为基础“混合”构成, 主要基于对平稳随即时间序列进行分析来建立模型, 其形式简单, 对数据进行拟合较为方便, 便于分析数据的结构和内在性质, 在最小方差的意义下进行最佳预报和控制,它是一种精确度较高的短期预测模型, 因为阶数可以依据情况调整, 也显得比较灵活, 但是所需要的历史数据量较大(一般在50个以上). 线性回归是利用数理统计中回归分析, 来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法, 运用十分广泛. 回归模型中, 一元回归是最简单且稳健的, 但描述复杂系统的行为时往往乏力, 因此基于多元回归的预测技术更为常见.传统的多元回归模型一般是线性的.由于可能存在的不显著变量以及各自变量之间的相关关系, 会导致回归的正规方程组出现严重的病态, 影响到回归方程的稳定性, 所以多元线性回归面临的一个基本问题是寻找“最优”回归方程. 神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统, 它反映了人脑功能的许多基本特征, 是一个高度复杂的非线性动力学习系统, 其逼近效果好, 计算速度快, 不需要建立数学模型, 精度高. 具有强非线性拟合能力. 但是无法表达和分析被预测系统的输入和输出间的关系, 预测人员无法参与预测过程, 收敛速度慢, 难以处理海量数据, 得到的网络容错能力差, 算法不完备[10].2.1数据的选取本文选取由三亚凤凰国际机场提供的从2005年1月到2015年10月的月度客流量共130个数据, 分别用Holt-Winters季节性预测模型, ARMA模型, 一元线性回归进行建模预测, 最后利用这三种方法进行组合预测, 得出预测效果, 对未来两年三亚机场的客流量进行预测.2.2描述性分析利用Eviews6.0软件做出三亚机场客流量的时序图, 观察客流量的变化趋势, 得到的结果如图1所示.Holt-Winter季节模型主要把长期趋势, 季节变动和随机变动的时间序列进行分解, 然后和指数平滑法进行结合, 分别对长期趋势, 季节变动进行估计, 然后建立模型, 进行样本外预测. 本文主要选用Holt-Winter季节乘法模型, 该方法适用具有长期趋势和乘法季节变化的序列. 其平滑序列的计算公式:其中表示截距, 表示斜率, 表示长期趋势, 表示乘法模型的季节因子, 表示季节周期长度(本文月度).该模型需要三个系数来给出季节因子第一年的初值, 截距和斜率的初值, 这三个系数的定义如下:其中为阻尼系数在之间, 如果, 其预测值计算公式为:其中, 为样本数据最后一年的季节因子. 利用Eviews6.0软件对上述数据进行预测得到的预测参数估计结果如表1所示.根据表1得到样本预测的结果, 得到的结果如图2所示.根据图2可得基于Holt-Winter季节乘法模型三亚机场的实际客流量也预测客流量几乎是重叠, 计算预测的平均绝对误差其计算公式:计算得到说明Holt-Winter乘法模型预测的效果比较理想.根据图1可以看出样本内的机场客流量具有明显的季节变动, 在建立ARMA模型之前需要对机场客流量Y进行季节调整, 本文选用X12季节调整方法[11], 利用Eviews6.0进行季节调整后的机场客流量的时序图如图3所示.根据图3可以得到经过季节调整之后, 机场客流量不受季节变动因素影响了, 下面对调整后的客流量序列建立ARMA模型.4.1 序列的平稳性检验采用单位根检验来检验时间序列平稳性, 选用ADF检验, 运用Eviews6.0软件对YSA进行ADF单位根检验的结果如下表2所示.根据表2可得调整后的机场客流量序列YSA原序列存在单位根, 即非平稳序列, 一阶差分之后不存在单位根即是平稳序列. 下面对YSA序列进行一阶差分之后建立ARMA模型.4.2 ARMA(p,q)模型的建立与识别4.2.1建立ARMA(p,q)模型的代数表达式4.2.2对模型中参数p和q进行识别利用Eviews 6.0得出一阶差分后YSA序列的自相关函数ACF和偏自相关函数PACF图, 对p和q进行初步的判断, 对D(YSA)建立的模型为ARMA(1,1), 其表达式为:得到下面ARMA(1.1)建模估计结果.根据表3可得在0.05的显著水平下, ARMA(1.1)的各项系数均是显著的, 且总体方程的概率P值为0.008064小于0.05的显著水平, 也是显著的. 得到具体的方程为: 利用上述建立的模型对样本数据进行预测. 得到的结果如图4所示.根据图4可得基于ARMA(1,1)三亚机场的实际客流量也预测客流量几乎是重叠, 计算得到预测的平均绝对误差说明ARMA(1,1)模型预测的效果比较理想.根据图3可以得到调整后的机场客流量几乎呈随时间呈线性增长趋势, 下面就建立客流量随时间的一元线性回归模型, 进行拟合预测. 建立的一元线性回归模型为:其中表示随机误差项, 表示为时间2005年1月为1, 后面依次类推. 利用Eviews6.0得到的估计结果如表4所示.根据表4可得在0.05的显著水平下, 回归系数均是显著的, 且总体方程F统计量的概率P值为0.0000小于0.05的显著水平, 说明总体方程是显著的. 另一方面调整后的拟合优度值, 说明上述建立的回归方程的拟合效果非常好. 得到回归方程为: 利用建立的回归方程进行预测得到的预测结果如图5所示.根据图5可得基于回归模型三亚机场的实际客流量也预测客流量几乎是重叠, 计算得到预测的平均绝对误差说明回归模型预测的效果比较理想.6 基于组合方法预测经过上述三种方法预测可以看出ARMA模型的预测误差最小, 而线性回归模型的预测误差最大, Holt-Winter季节乘法模型的预测误差介于二者之间. 且Holt-Winter季节乘法模型的预测值偏小而ARMA模型和线性回归模型的预测误差偏大. 采用一种方法可能存在偏差, 本文最后采用组合模型, 因为回归的方法预测的误差较大, 所以最后只选择Holt-Winter季节乘法模型和ARMA模型进行组合预测, 即是取其上述二个模型平均绝对误差的比值作为权重进行预测, 其中Holt-Winter 季节乘法模型的权重为0.5584, ARMA模型的权重为0.4416. 可以得到组合预测的公式:(10)表示权重.利用上述二种方法的组合来对三亚机场客流量进行预测得到的结果如图6所示. 根据图6可以看出组合预测的预测值介于上述二种预测方法得到的值之间, 其预测的平均绝对误差下面给出四种方法预测的平均绝对误差. 得到结果如表5所示.图6 三种方法与组合预测的比较表5 各方法预测的平均绝对误差预测方法Holt-Winter季节模型ARMA模型回归模型组合预测模型 MAPE4.543.597.623.98根据表5可以看出, ARMA模型的预测效果最好, 其实是组合预测模型, 然后是Holt-Winter季节模型, 回归模型的预测效果相对较差. 但是四种预测方法算出的平均绝对误差均小于10, 说明四种方法总体的预测效果比较理想. 四种方法预测未来机场两年的客流量的预测值, 结果如表6所示, 折线图如图7所示.表6 未来机场客流量预测时间Holt-Winter季节模型ARMA模型回归模型组合预测模型 Nov-15169.19154.22149.13162.58 Dec-15194.19177.52171.66186.83 Jan-16227.13206.16199.36217.87 Feb-16233.57213.06206.02224.51 Mar-16201.73184.41178.32194.08 Apr-16150.00135.30130.83143.51 May-16127.29116.42112.57122.49 Jun-16108.9399.9696.65104.97 Jul-16132.54121.32117.31127.59 Aug-16137.42126.01121.83132.38 Sep-16110.54103.63100.19107.49 Oct-16138.85127.43123.20133.81 Nov-16181.07166.83161.29174.78 Dec-16207.75191.93185.56200.76 Jan-17242.89222.80215.39234.02 Feb-17249.69230.13222.48241.05 Mar-17215.57199.09192.47208.29 Apr-17160.23146.00141.14153.95 May-17135.92125.56121.38131.35 Jun-17116.28107.76104.17112.52 Jul-17141.43130.73126.38136.71 Aug-17146.59135.72131.19141.79 Sep-17117.87111.56107.84115.08 Oct-17148.01137.12132.54143.20图7 未来机场客流量预测7 结语Holt-Winter季节乘法模型的预测值相对于其他方法, 预测值偏高, ARMA模型预测值次之, 而回归模型的预测值相对于其他方法偏低, 组合预测方法介于Holt-Winter季节乘法模型和ARMA模型之间.在“一带一路”、国家海洋强国、海南国际旅游岛三大战略的前提下, 三亚作为海南省南部的重要城市, 承载着实现国家三大战略的历史使命. 三亚凤凰国际机场作为南中国重要的交通港, 客流量总体呈上升的趋势, 根据预测, 旅客吞吐量将会在两年内突破2000万人次大关. 因此, 在三大战略的背景下, 机场改、扩建迫在眉睫, 建设新机场也势在必行, 新机场的总体规划也应长远考虑, 加快项目落地和推进.参考文献1 演克武,朱金福.基于支持向量机回归算法的航空公司客流量预测研究.企业经济,2010,23:88–90.2 屈拓.组合模型在机场旅客吞吐量预测中的应用.计算机仿真,2014,29(4):108–111.3 陈荣,梁昌勇,陆文星,等.基于季节SVR-PSO的旅客客流量预测模型研究.系统工程理论与实践,2013,33(1):1–7.4 黄邦菊,林俊松,郑潇雨,等.基于多元线性回归分析的民用运输机场旅客吞吐量预测.数学的实践与认识,2013,43(4): 172–178.5 关静.基于灰色支持向量机的民航旅客吞吐量预测.大连交通大学学报,2013,34(6):41–43.6 景崇毅.基于迭加趋势的航线季节客运需求分析方法.中国民航飞行学院学报,2014,25(2):5–7,11.7 陈玉宝,曾刚.基于组合预测方法的民航旅客吞吐量预测研究.中国民航大学学报,2014,32(2):59–64.8 田中大,李树江,王艳红等.经验模式分解与时间序列分析在网络流量预测中的应用.控制与决策,2015,30(5):905–910.9 杜刚,刘娅楠.季节性变动影响下的上海港即装下吞吐量预测.华东师范大学学报(自然科学版),2015(1):234–239.10 方英国,王芬.时间序列预测方法综述.浙江树人大学学报,2006,6(2):61–65.11 陈飞,高铁梅.结构时间序列模型在季节调整方面的应用——与X-12季节调整方法比较分析.系统工程理论与实践,2007,(11):7–14.Sanya Airport Passenger Flow Forecast Based on Combination Forecast MethodLIU Xia1, CHEN Lei1, LI Yuan-Hui1, YANG Ping2, CHEN Ming-Rui31(Sanya Aviation Tourism College, Sanya 572000, China)2(Comprehensive Management Department, Sanya Phoenix International Airport Company Limited, Sanya 572000, China)3(College of Information Science & Technology, Hainan University, Haikou 570228, China)Abstract：Accurate passenger-flow forecast has always been playing the crucial role on the construction and development of the airport. This passage based on the data of passenger flow from 2005 to 2015 at Sanya Phoenix International Airport is proposed to predict the flow from 2016 to 2017 by adopting Holt-Winter seasonal model, ARMA model and liner regression model. In order to promote the forecasting accuracy, the portfolio weight method is used to forecast the result and reduce the error. According to the verification, this measure is one of the effective ways to predict the passenger flow.Key words：airport; passenger flow; holt-winter; ARMA; liner regression; combination①基金项目：2014年三亚市院地合作科技项目(2014YD52)收稿时间：2015-12-02;收到修改稿时间:2016-01-14[doi：10.15888/ki.csa.005268]经过上述三种方法预测可以看出ARMA模型的预测误差最小, 而线性回归模型的预测误差最大, Holt-Winter季节乘法模型的预测误差介于二者之间. 且Holt-Winter季节乘法模型的预测值偏小而ARMA模型和线性回归模型的预测误差偏大. 采用一种方法可能存在偏差, 本文最后采用组合模型, 因为回归的方法预测的误差较大, 所以最后只选择Holt-Winter季节乘法模型和ARMA模型进行组合预测, 即是取其上述二个模型平均绝对误差的比值作为权重进行预测, 其中Holt-Winter 季节乘法模型的权重为0.5584, ARMA模型的权重为0.4416. 可以得到组合预测的公式:利用上述二种方法的组合来对三亚机场客流量进行预测得到的结果如图6所示. 根据图6可以看出组合预测的预测值介于上述二种预测方法得到的值之间, 其预测的平均绝对误差下面给出四种方法预测的平均绝对误差. 得到结果如表5所示.根据表5可以看出, ARMA模型的预测效果最好, 其实是组合预测模型, 然后是Holt-Winter季节模型, 回归模型的预测效果相对较差. 但是四种预测方法算出的平均绝对误差均小于10, 说明四种方法总体的预测效果比较理想. 四种方法预测未来机场两年的客流量的预测值, 结果如表6所示, 折线图如图7所示.Holt-Winter季节乘法模型的预测值相对于其他方法, 预测值偏高, ARMA模型预测值次之, 而回归模型的预测值相对于其他方法偏低, 组合预测方法介于Holt-Winter季节乘法模型和ARMA模型之间.在“一带一路”、国家海洋强国、海南国际旅游岛三大战略的前提下, 三亚作为海南省南部的重要城市, 承载着实现国家三大战略的历史使命. 三亚凤凰国际机场作为南中国重要的交通港, 客流量总体呈上升的趋势, 根据预测, 旅客吞吐量将会在两年内突破2000万人次大关. 因此, 在三大战略的背景下, 机场改、扩建迫在眉睫, 建设新机场也势在必行, 新机场的总体规划也应长远考虑, 加快项目落地和推进.1 演克武,朱金福.基于支持向量机回归算法的航空公司客流量预测研究.企业经济,2010,23:88–90.2 屈拓.组合模型在机场旅客吞吐量预测中的应用.计算机仿真,2014,29(4):108–111.3 陈荣,梁昌勇,陆文星,等.基于季节SVR-PSO的旅客客流量预测模型研究.系统工程理论与实践,2013,33(1):1–7.4 黄邦菊,林俊松,郑潇雨,等.基于多元线性回归分析的民用运输机场旅客吞吐量预测.数学的实践与认识,2013,43(4): 172–178.5 关静.基于灰色支持向量机的民航旅客吞吐量预测.大连交通大学学报,2013,34(6):41–43.6 景崇毅.基于迭加趋势的航线季节客运需求分析方法.中国民航飞行学院学报,2014,25(2):5–7,11.7 陈玉宝,曾刚.基于组合预测方法的民航旅客吞吐量预测研究.中国民航大学学报,2014,32(2):59–64.8 田中大,李树江,王艳红等.经验模式分解与时间序列分析在网络流量预测中的应用.控制与决策,2015,30(5):905–910.9 杜刚,刘娅楠.季节性变动影响下的上海港即装下吞吐量预测.华东师范大学学报(自然科学版),2015(1):234–239.10 方英国,王芬.时间序列预测方法综述.浙江树人大学学报,2006,6(2):61–65.11 陈飞,高铁梅.结构时间序列模型在季节调整方面的应用——与X-12季节调整方法比较分析.系统工程理论与实践,2007,(11):7–14.。
机场线功能定位及主要技术标准
140km/h √ √ √
16处
28处
37处
机场线曲线统计
100km/h限速曲线7处，占曲线数量的18%，占线路长度的22.64%。 120km/h限速曲线8处，占曲线数量的17% ，累计占线路长度的24.7% 。 140km/h限速曲线12处，占曲线数量的30%， 累计占线路长度的45.83%，限速曲线较多。 从全线曲线条件分析，适宜120km/h。
/机场线主要技术标准---最高运营速度
2.5 速度目标
牵引计算模拟
快慢车运营模式牵引计算模拟
根据不同速度目标值的牵引计算（km/h
100
120
140
快车运营时间 机场-东站(47.5km) 38分钟
34分钟
33分钟
全线： 速度目标120km/h的车比100km/h旅行时间减少4分，满足时间目标需求； 速度目标140km/h的车比120km/h旅行时间减少1分，满足时间目标需求。 结论：120km/h的车与100km/h的车相比旅行时间优势明显，而140的车与120km/h相比略显优势。
<1.5km
1
1.5-3km
7
3-4.0km
2
大于4.0km
3
8% 54% 15% 23%
距离比
2% 36% 14% 48%
市区段
是否能发挥速度优势
100km/h
120km/h
140km/h
√
√
√
√
√
√
/机场线主要技术标准---最高运营速度
2.5 速度目标
最高速度标准研究
线路条件
速度标准（km/h）
远期 35.43 47.15 0.75 6.64 五象火车站-新良路 398.80 11.26 4.59 12.96% 1.08 1.51 那黄大道-玉洞大道 52.11 11.35 3.72 10.51% 0.92 1.23 玉洞大道-那黄大道 42.08 11.30
机场客流预测与排队管理系统设计
机场客流预测与排队管理系统设计随着全球旅游业的迅猛发展和人们对旅行的日益增长的需求，机场客流量不断增加，给机场的管理和运营带来了巨大挑战。
为了提高机场的运营效率和旅客体验，机场客流预测与排队管理系统设计成为了不可或缺的一部分。
一、机场客流预测系统设计机场客流预测系统的设计是基于过去的数据和当前的旅行趋势，通过分析和预测未来的客流量，以便机场能够做出合理的规划和决策。
以下是关键要素和步骤：1. 数据收集与整理：通过机场的监控和数据记录系统，收集各个时段的客流数据，包括旅客到达、出发和转机的数量。
同时，还可以考虑其他外部数据，如航班时刻表、天气情况等。
整理和存储数据以便进行后续分析。
2. 数据分析与模型建立：利用数据挖掘和机器学习等技术，分析过去的客流数据，找出规律和趋势。
根据这些规律和趋势，建立预测模型，可以使用时间序列分析、回归分析等方法。
3. 预测和优化：根据建立的模型，预测未来的客流量，并进行模拟和优化。
可以针对特定时间段、航班类型、旅客类型等进行不同的预测和优化，以实现最佳的资源分配和排队管理。
4. 预警和决策支持：根据预测结果，设置预警机制，及时提醒机场管理人员客流量可能出现的高峰期或突发情况。
同时，建立决策支持系统，根据历史数据和模拟结果，为机场管理人员提供决策建议和排队资源的优化方案。
二、机场排队管理系统设计机场排队管理系统是通过合理的排队策略和技术手段，优化旅客的排队体验，提高机场的服务质量和效率。
以下是关键要素和步骤：1. 排队策略设计：根据机场的实际情况和客流预测的结果，设计合理的排队策略，包括分时段、分航班、分服务点等，以最大程度地减少排队时间和等待时间。
2. 技术手段应用：利用现代科技手段，如自助办理、自动核验、自动导航等，减少人工服务的依赖，提高服务效率。
同时，可以利用人脸识别、身份验证等技术，简化安全检查和登机手续的流程，提升整个排队系统的效率和安全性。
3. 数据监控与实时调整：借助监控摄像头和传感器等技术手段，对排队队伍进行实时监测，收集数据并分析。
机场规模预测中高峰特征值的定量分析
机场规模预测中高峰特征值的定量分析摘要：对机场高峰小时的定义进行了系统的阐述，并选取适用于我国在机场高峰小时特征值预测时的概念，运用两种方法并分别举例对高峰小时特征值进行定量分析，为以后预测时对机场规模参数的确定提供参考。
引言为适应机场设计高峰小时负荷的要求，机场硬件设施的设计均以高峰小时量为依据，如高峰小时旅客吞吐量、高峰小时飞机起降架次。
在机场实际运行中，制定了许多与设计高峰小时相关的规定，所有这些规定具有一个共同特点，既均指定了一个交通量等级并且在目标年中只有一少部分时间（30%或40%）超过这一水平。
这样做的目的是既保证机场具有足够的能力来满足期望服务水平下全年的运输要求，又不会出现仅仅为了满足很少极端高峰的特殊情况，致使硬件设施规划设计能力过大的情况。
由此可以看出，高峰小时指标的确定是确定机场各功能设施规模的依据，一直以来，在机场规模预测的过程中高峰小时量的确定主要通过经验来确定。
1、高峰小时的定义许多机场的规划设计都是围绕设计高峰日（DPD），特别是设计高峰小时（DPH）来进行，设计高峰小时也被称为典型高峰小时，或简称设计高峰小时或高峰小时。
关于设计高峰小时的定义有多种不同的定义，目前世界各国通用的说法包括以下七个方面：1、年度的第20、30或第40个最繁忙的小时；2、年度高峰月的平均日高峰小时；3、年度两个高峰月的日平均高峰小时；4、年度每百最繁忙日的第95天的高峰小时，粗略的统计，相当于年度第18个最繁忙日的高峰小时；5、年度第7或者第15个最繁忙日的高峰小时；6、高峰月平均周第2个最繁忙日的高峰小时；7、5%繁忙小时，例如挑选一个小时，该年比这一小时都繁忙的小时旅客处理量之和为年旅客运量的5%。
各国机场设计人员所推荐使用的高峰小时定义有所差异。
在英国，设计者一般使用第一条作为设计高峰小时的标准，特别是年度的第30个最繁忙小时，相应的运输量水平被称为繁忙程度的标准，该方法来源于土木工程实践中，也被用于确定公路的设计容量的标准。
第二章 机场航空业务量预测
容量 安全 飞机噪声 道面状况 进出机场交通 财政状况
机场规划的目的、要求、内容和过程
机场规划的目的
机场规划是规划人员对某个机场为适应未来航空 运输需求而做的发展设想，目的是为了在规划过 程以及内容方面提出指导方针，供机场当局制定 短期和长期的发展政策和策略，向上级部门或者 其它单位寻求财政资助，争取当地政府和人民的 兴趣和支持。 机场规划类型
机场总体规划
对为飞行和非飞行使用的整个机场地区以及机场邻 近土地使用的方案，使其满足航空要求，并与环境、 公共事业发展及其它形式的交通方式谐调。 机场各项设施的发展规模 机场毗邻土地的使用 机场（建设、使用）对环境的影响 地面交通的方式、规模 经济可行性 财政可行性 各项设施的实施计划
机场规划的目的、要求、内容和过程
机场规划的总体要求
机场总体规划应与城市总体规划相协调。
机场总体规划应统一规划，分期建设，满足近期和远期发展的要求； 机场总体规划目标年，近期为10年，远期为30年。
机场总体规划在满足机场安全正常运行，提高服务水平的前提下， 遵循以功能分区为主，行政区划为辅的原则；功能分区及设施系统 应当布局合理，容量平衡，满足航空业务量的发展需要。 机场总体规划应符合国家及民航行业的有关标准及规范的要求。
美国的机场系统规划与管理
国家机场综合系统规划（NPIAS） 1 、机场分类: A.国家机场系统规划对美国机场分类为： a、商业服务机场：航空运输机场、通 勤机场 b、通用航空机场：美国的机场系统规划与管理
国家综合机场系统规划（NPIAS）
商业服务机场: 指由商业航空公司或包机公司承运的 年登机旅客超过2500人的机场。 通用航空机场: 指年登机旅客少于2500人的机场。 国家机场系统规划确认了780个商业服务机场（其 中635个航空运输机场和145个通勤机场），以及 2423个通用航空机场
机场规划设计说明书
机场规划设计说明书姓名：班级：学号：指导老师：（一）机场业务量预测计算在进行机场规划和设计时，首先要对机场未来客运量，邮货运量等航空业务量做出预测，然后根据预测结果确定机场所需各项设施，它们的规模和等级，合理的分期建设。
机场航空业务量的预测方法有很多种，比如专家判断法、类比法、趋势外推法、计量经济法、市场分析法等等。
鉴于目前所掌握的数据，采用趋势外推法比较合理。
趋势外推法用于短期预测，比较适合本次课程设计。
以下采用趋势外推法中的回归分析法。
1.客运量先尝试直线模型bx a +=y 年份 x y （万人） xy 2x2y2009 -2 750 -1500 4 562500 2010 -1 780 -780 1 608400 2012 1 850 850 1 722500 2013 2 950 1900 4 902500 2014 31100 3300 9 1210000 n=5∑=3x44303770194005900为简化计算，取2011年的x =0（这样x 的代数和较小）209.847319537703443019)(a 2222=-⨯⨯-⨯=--=∑∑∑∑∑∑x x n xy x y x 651.6431954430337705)(b 222=-⨯⨯-⨯=--=∑∑∑∑∑x x n y x xy n 客运量每年增加64.651万人 计算相关系数γ的值[][]9426.0)443040059005)(3195(4430337705)()(222222=-⨯-⨯⨯-⨯=---=∑∑∑∑∑∑∑y y n x xn yx xy n γ再尝试指数曲线模型x ab y =,两边取对数,令'log y y =、'log a a =、'log b b =，代入得x b a y '''+=年份 x y （万人） y ’(logy) xy ’ 2x2)'y （2009 -2 750 2.87506 -5.75012 4 8.26597 2010 -1 780 2.89209 -2.89209 1 8.36418 2012 1 850 2.92942 2.92942 1 8.58150 2013 2 950 2.97772 5.95544 4 8.86682 20143 1100 3.04139 9.124179 9.25005 5=n∑=3x443014.71568 9.366821943.3285392438.2319536682.9371568.1419)('''2222=-⨯⨯-⨯=--=∑∑∑∑∑∑x x n xy x y x a 212.84092438.2log 'log 11===--a a03125.0319571568.14336682.95)('''222=-⨯⨯-⨯=--=∑∑∑∑∑x x n y x xy n b075.103125.0log 'log 11===--b b客运量每年增加%5.7075.01==-b 计算相关系数γ的值[][]9583.0)71568.1432853.435)(3195(71568.14336682.95)'()'()(''222222=-⨯-⨯⨯-⨯=---=∑∑∑∑∑∑∑y y n x xn y x xy n γ比用直线模型得出的9426.0=γ大，这说明用指数曲线模型计算较精确。
基于机器学习的航空客运量预测模型研究
基于机器学习的航空客运量预测模型研究航空客运量预测一直以来都是航空运输领域的一个重要问题。
随着航空业的发展和客运量的增长，航空公司需要准确地预测航班的客运量，以便进行航班安排、资源分配和票价制定。
在这样的背景下，基于机器学习的航空客运量预测模型应运而生。
机器学习作为一种人工智能技术，能够从数据中学习并自动调整模型以实现预测目标。
因此，基于机器学习的航空客运量预测模型能够利用过去的航空客运数据，自动分析特征和模式，并在此基础上预测未来的客运量。
首先，建立一个可靠的航空客运量数据集非常重要。
这个数据集应该包括大量的航空公司的客运量数据，包括航班时间、航班路线、航班类型、航班航空器、航空公司等特征数据。
此外，还需要考虑到一些外部因素，如经济指标、节假日和天气等因素的影响。
通过收集并整理这些数据，就可以构建一个完整的航空客运量数据集。
接下来，需要对数据进行预处理和特征工程。
预处理过程包括数据清洗、数据变换和数据归一化等步骤。
数据清洗是为了去除异常值和缺失值，确保数据的准确性。
数据变换可以将非数值型特征转换为数值型特征，以便机器学习算法能够处理。
数据归一化可以将不同特征的数据缩放到相同的范围，避免某些特征对预测结果的影响过大。
特征工程的目的是根据领域知识和特征的相关性进行特征选择和数据转换，以提高模型的准确性和预测能力。
然后，选择合适的机器学习算法来构建航空客运量预测模型。
常用的机器学习算法包括回归算法、决策树算法、支持向量机算法和神经网络算法等。
根据数据集的特征和问题的要求，可以选择最合适的算法进行建模。
同时，为了进一步提高模型的性能，可以使用交叉验证和网格搜索等技术来优化模型的参数。
在模型构建完成后，需要对模型进行评估和验证。
评估指标可以使用均方根误差（RMSE）、平均绝对百分误差（MAPE）和决定系数（R^2）等。
通过与实际客运量进行对比，可以评估模型的准确性和可靠性。
如果模型表现不佳，可以对数据集进行进一步的调整和特征工程，甚至尝试其他机器学习算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
延安机场高峰小时客流量预测
延安位于机场东二十里铺，距市中心7公里。
机场按照军用二级、民航4C级标准建设，计划修建一条长2800米、宽45米的跑道，一条平行的滑行道，满足B737、A320系列飞机全载使用要求。
作为延安革命老区重要的交通门户和对外开放窗口，延安机场为推动地方社会经济发展发挥了不可替代的作用。
目前延安机场开通有延安—西安（每周执行21个航班）、延安—北京（每周执行7个航班）、延安—西安—广州（每周3班）、延安—上海四条航线，每周执行定期航班31个，62个班次。
其每天航班时刻如下表：
从上表可以看出，延安机场的航班量极少，时刻资源十分丰富。
经过统计得到延安机场每小时的航班信息如下表：
其航班的时刻分布如下图：
从图中可以看到：9:00-10:00、10:00-11:00两个时间段航班量最大，均为2个航班。
然而9:00-10:00时间段使用ERJ190执行飞行任务，ERJ190的座位级为100座级；10:00-11:00时间段使用E145执行飞行任务，E145的座位级为50座级。
因此延安机场的高峰小时客流出现在9:00-10:00中，其高峰小时客流量为：
高峰小时客流量高峰小时航班量航班座位数航班客座率
=**
下面我们就解决航班客座率的问题：
由2010年全国机场生产统计公报，可知延安机场2010年的旅客吞吐量为120121人次，也就说延安机场每天的旅客吞吐量为329人。
而延安机场每天可提供的座位数为：2*100+2*50+4*60=540（人）。
那么延安机场平均航班客座率为：329/540=0.61，即平均航班客座率为0.61。
所以延安机场的高峰小时流量=2*100*0.61=122（人）。