鐘翔，朱彩云，韓旭

(天津?yàn)I海國(guó)際機(jī)場(chǎng)，天津 300300)

0 引 言

隨著民航運(yùn)輸需求的逐漸增大，機(jī)場(chǎng)所面臨的壓力也在增大，對(duì)機(jī)場(chǎng)旅客服務(wù)提出了更高的要求，而機(jī)場(chǎng)航站樓是提供旅客服務(wù)的重要場(chǎng)所，只有不斷優(yōu)化航站樓旅客離港服務(wù)流程才能不斷提升旅客服務(wù)，提高旅客滿意度。安檢是機(jī)場(chǎng)航站樓離港服務(wù)流程中的重要一環(huán)，采用科學(xué)的手段，對(duì)機(jī)場(chǎng)安檢旅客流量趨勢(shì)做出正確的分析，從而對(duì)機(jī)場(chǎng)安檢服務(wù)資源進(jìn)行合理的配置及調(diào)度，不但能夠降低機(jī)場(chǎng)航站樓的運(yùn)營(yíng)成本，提高運(yùn)行效益，還能夠減少旅客滯留時(shí)間，為旅客帶來更舒適的出行體驗(yàn)，提升機(jī)場(chǎng)的服務(wù)水平。

目前，關(guān)于機(jī)場(chǎng)客流量預(yù)測(cè)已有一些研究。例如，黃艷紅等[1]針對(duì)機(jī)場(chǎng)安檢口優(yōu)化問題，以美國(guó)芝加哥奧黑爾國(guó)際機(jī)場(chǎng)為例，基于泊松分布理論對(duì)機(jī)場(chǎng)安檢口旅客流量進(jìn)行分析，運(yùn)用隨機(jī)Petri網(wǎng)、同構(gòu)理論和連續(xù)時(shí)間的馬爾科夫鏈構(gòu)建出機(jī)場(chǎng)安檢流程模型來增加安檢口旅客流量，減少旅客等待時(shí)間，提高機(jī)場(chǎng)安檢效率；南娟等[2]在中小機(jī)場(chǎng)吞吐量預(yù)測(cè)方法中首次引入了巢式Logit模型(NL)，并以無錫機(jī)場(chǎng)旅客吞吐量為例進(jìn)行預(yù)測(cè)；劉夏等[3]在三亞機(jī)場(chǎng)2005～2015年旅客流量數(shù)據(jù)的基礎(chǔ)上，分別采用Holt-Winter季節(jié)模型、ARMA和線性回歸模型對(duì)三亞機(jī)場(chǎng)2016～2017年的旅客流量進(jìn)行了預(yù)測(cè)，并運(yùn)用組合加權(quán)的方法對(duì)數(shù)據(jù)進(jìn)行了組合預(yù)測(cè)；黃黎慧等[4]以蛇口-香港機(jī)場(chǎng)航線為例，分析航線運(yùn)量需求不平衡的特點(diǎn)，提出季節(jié)-灰色組合預(yù)測(cè)模型，以實(shí)例計(jì)算證明所提出模型的可行性。

針對(duì)機(jī)場(chǎng)旅客流量呈現(xiàn)出的非線性、隨機(jī)性等復(fù)雜特征，國(guó)內(nèi)外研究人員將BP神經(jīng)網(wǎng)絡(luò)方法應(yīng)用到機(jī)場(chǎng)旅客吞吐量的預(yù)測(cè)系統(tǒng)中，試驗(yàn)了神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度，對(duì)比傳統(tǒng)預(yù)測(cè)方法，確定神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果更為出色[5-11]。廖成等[12]針對(duì)成都雙流國(guó)際機(jī)場(chǎng)的特點(diǎn)選擇參數(shù)，采用BP神經(jīng)網(wǎng)絡(luò)方法進(jìn)行客流量預(yù)測(cè)，結(jié)果表明該方法具有良好的預(yù)測(cè)精度；張青青等[13]同樣使用BP神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)場(chǎng)旅客吞吐量進(jìn)行預(yù)測(cè)研究，進(jìn)一步證明神經(jīng)網(wǎng)絡(luò)在非線性系統(tǒng)預(yù)測(cè)方面具有強(qiáng)大的函數(shù)逼近能力。

然而，上述研究主要針對(duì)機(jī)場(chǎng)中長(zhǎng)期客流量預(yù)測(cè)，而中長(zhǎng)期客流量預(yù)測(cè)模型不能適用于機(jī)場(chǎng)安檢服務(wù)資源的動(dòng)態(tài)分配及調(diào)度。為此，本文對(duì)單位時(shí)間段(以30 min為單位時(shí)間段)的機(jī)場(chǎng)安檢旅客流量預(yù)測(cè)進(jìn)行研究，以天津機(jī)場(chǎng)實(shí)際數(shù)據(jù)為例，通過ETL工具[14]對(duì)天津機(jī)場(chǎng)源數(shù)據(jù)進(jìn)行預(yù)處理、轉(zhuǎn)換、挖掘抽取及分析，建立基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)安檢旅客流量預(yù)測(cè)模型，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行驗(yàn)證，以期為機(jī)場(chǎng)安檢服務(wù)資源的智能分配及調(diào)度提供科學(xué)依據(jù)。

1 機(jī)場(chǎng)安檢旅客流量的影響因素

本文選取天津機(jī)場(chǎng)2016年6月～2017年5月集成系統(tǒng)中的航班數(shù)據(jù)、旅客安檢信息系統(tǒng)中旅客數(shù)據(jù)及天津空管局提供的機(jī)場(chǎng)場(chǎng)區(qū)各時(shí)段的歷史氣象數(shù)據(jù)為研究對(duì)象，利用ETL工具進(jìn)行數(shù)據(jù)預(yù)處理，統(tǒng)計(jì)單位時(shí)段(以30 min為單位時(shí)間)航班數(shù)量、安檢旅客流量、值機(jī)旅客流量等信息，從時(shí)間段、天氣情況、航班數(shù)量、值機(jī)旅客流量等角度對(duì)機(jī)場(chǎng)安檢旅客流量的影響因素進(jìn)行探索分析。

1.1 時(shí)間段對(duì)機(jī)場(chǎng)安檢旅客流量的影響

選取2017年3月1日～5日這五天各時(shí)段安檢旅客的數(shù)據(jù)記錄，按時(shí)段對(duì)安檢旅客數(shù)據(jù)進(jìn)行對(duì)比分析，如圖1所示(橫坐標(biāo)表示時(shí)間段(單位時(shí)間段為30 min)，13表示6：00至6：30，以此類推，43表示22：00至22：30)，可以看出：機(jī)場(chǎng)每時(shí)段安檢旅客數(shù)量差異很大，有高峰時(shí)段及低谷時(shí)段，在高峰時(shí)段需要相應(yīng)的增加安檢通道的開放數(shù)量及相應(yīng)的安檢服務(wù)人員，避免旅客安檢等待時(shí)間過長(zhǎng)，但是如果低谷時(shí)段仍開放相同的安檢通道及配備相應(yīng)的安檢服務(wù)人員，則會(huì)造成設(shè)備及人力資源的浪費(fèi)，因此需要對(duì)單位時(shí)段的安檢旅客流量進(jìn)行準(zhǔn)確的預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果實(shí)時(shí)對(duì)安檢設(shè)備及人力資源進(jìn)行分配及調(diào)度。

圖1 2017年3月1～5日安檢旅客流量變化趨勢(shì)Fig.1 Change trend of security-check passenger flow during March 1～5, 2017

1.2 場(chǎng)區(qū)可視距離對(duì)安檢旅客流量的影響

天津空管局所提供的2016年6月～2017年5月的天津機(jī)場(chǎng)場(chǎng)區(qū)數(shù)據(jù)，主要包括天氣數(shù)據(jù)(晴天、小雨、陣雨、大雨、霾、霧、輕霧等)、可視距離及溫度等，天氣的好壞直接影響著可視距離。2017年1月1日天津機(jī)場(chǎng)場(chǎng)區(qū)可視距離一直在500 m以下；直至1月2日上午10點(diǎn)半以后才上升到1 000 m以上；1月3日，出現(xiàn)可視距離較低的時(shí)段為航班接近結(jié)束的晚上；1月4日上午可視距離低，下午好轉(zhuǎn)；1月5日天氣晴朗，可視距離均保持在1 000 m以上。通過對(duì)2017年1月1日～5日單位時(shí)段安檢旅客數(shù)據(jù)進(jìn)行分析，得知可視距離將影響機(jī)場(chǎng)航班的班次，進(jìn)而影響安檢旅客流量，如圖2所示。

圖2 2017年1月1～5日天津機(jī)場(chǎng)安檢旅客流量變化趨勢(shì)Fig.2 Change trend of security-check passenger flow in Tianjin airport during January 1～5, 2017

民航規(guī)定，有盲降設(shè)備(利用飛機(jī)儀表著陸)的大中型飛機(jī)，飛行員起飛最低可視距離為500 m。2017年1月1日，可視距離低于500 m的持續(xù)時(shí)間過長(zhǎng)導(dǎo)致大面積航班取消，當(dāng)天的航站樓安檢旅客流量持續(xù)偏低；1月2日可視距離好轉(zhuǎn)，安檢旅客流量相對(duì)保持在一個(gè)較高的水平；1月3日，出現(xiàn)可視距離較低的時(shí)段為航班接近結(jié)束的晚上，因此，1月3日可視距離對(duì)機(jī)場(chǎng)安檢旅客流量的影響不大；1月4日，可視距離低于500 m的持續(xù)時(shí)間較短，對(duì)安檢旅客流量的影響時(shí)段只在可視距離低于500 m期間，恢復(fù)可飛距離后安檢旅客流量逐漸恢復(fù)正常；1月5日天氣晴朗，可視距離對(duì)機(jī)場(chǎng)安檢旅客流量無影響。因此，可視距離長(zhǎng)時(shí)間低于最低可飛距離時(shí)，將影響機(jī)場(chǎng)航班的班次數(shù)量，進(jìn)而影響單位時(shí)段內(nèi)的安檢旅客流量。

1.3 航班數(shù)量對(duì)安檢旅客流量的影響

通過歷史數(shù)據(jù)統(tǒng)計(jì)分析得知旅客在航站樓隔離區(qū)里面停留時(shí)間為60～120 min，而停留2 h以上的很少。故本文研究當(dāng)前安檢時(shí)刻后續(xù)30、60、90、120 min的航班數(shù)量與安檢客流量的變化，如圖3所示。

(a) 30 min

(b) 60 min

(c) 90 min

(d) 120 min圖3 后續(xù)航班數(shù)量與安檢旅客流量變化趨勢(shì)Fig.3 Change trend of follow-up flight quantity and security-check passenger flow

從圖3可以看出：?jiǎn)挝粫r(shí)段內(nèi)安檢旅客流量的變化趨勢(shì)與后續(xù)30 min內(nèi)的離港航班數(shù)量變化趨勢(shì)不同，但與后續(xù)60、90、120 min的離港航班數(shù)量變化趨勢(shì)較一致，說明安檢旅客流量受到后續(xù)一段時(shí)間內(nèi)離港航班數(shù)量的影響，不同的航班數(shù)量導(dǎo)致安檢旅客流量的不同。

1.4 值機(jī)旅客流量對(duì)安檢旅客流量的影響

選取當(dāng)前單位時(shí)段前30、前60 min值機(jī)旅客流量，分別分析與安檢旅客流量的關(guān)系，如圖4所示。

(a) 前30 min

(b) 前60 min圖4 前序值機(jī)旅客數(shù)量與安檢旅客數(shù)量變化趨勢(shì)Fig.4 Change trend of preceding check in passenger quantity and security-check passenger quantity

從圖4可以看出：安檢旅客流量與前30 min值機(jī)旅客流量基本一致，而與前60 min值機(jī)旅客流量差異很大，但變化趨勢(shì)相一致，其原因是大部分旅客在值機(jī)過后直接選擇安檢，不在隔離區(qū)外滯留。

通過上述分析可知，影響當(dāng)前單位時(shí)段安檢旅客流量的因素包括：時(shí)間段，能見度，后續(xù)30、60、90、120 min的離港航班數(shù)量，前30 min的值機(jī)旅客數(shù)量。因此，本文將選取這7個(gè)指標(biāo)作為建立機(jī)場(chǎng)安檢旅客流量預(yù)測(cè)模型的指標(biāo)。

2 機(jī)場(chǎng)安檢旅客流量預(yù)測(cè)模型研究

2.1 BP神經(jīng)網(wǎng)絡(luò)及其實(shí)現(xiàn)原理

誤差反向傳播BP(Back-propagation)模型是目前應(yīng)用最廣泛的一類人工神經(jīng)網(wǎng)絡(luò)模型，該模型具有很好的函數(shù)逼近能力，通過對(duì)訓(xùn)練樣本的學(xué)習(xí)，能夠很好地反映被研究對(duì)象的輸入和輸出之間復(fù)雜的非線性關(guān)系。

BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖5所示，其模型拓?fù)浣Y(jié)構(gòu)包括輸入層(input)、隱含層(hidden layer)和輸出層(output layer)三層結(jié)構(gòu)。

圖5 BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)圖Fig.5 Basic structure chart about BP neural network

其中，輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間隱含層各神經(jīng)元；中間隱含層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間隱含層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；輸出層向外界輸出信息處理結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)算法包括正向傳播和反向傳播兩個(gè)過程，即計(jì)算誤差輸出時(shí)按從輸入到輸出的方向進(jìn)行，而調(diào)整權(quán)值和閾值則從輸出到輸入的方向進(jìn)行。在正向傳播過程中，輸入信息從輸入層經(jīng)隱含層單元處理后，傳至輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。當(dāng)實(shí)際輸出與期望輸出不符時(shí)，則轉(zhuǎn)入誤差的反向傳播過程。誤差反傳是將誤差通過輸出層沿連接路徑返回，按誤差梯度下降的方式修正各層權(quán)值，向隱含層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，通過調(diào)整各層神經(jīng)元之間的連接權(quán)值，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差信號(hào)減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止[15]。

2.2 基于BP神經(jīng)網(wǎng)絡(luò)算法的機(jī)場(chǎng)安檢旅客流量預(yù)測(cè)模型實(shí)現(xiàn)

在機(jī)場(chǎng)安檢旅客流量預(yù)測(cè)中應(yīng)用BP神經(jīng)網(wǎng)絡(luò)方法主要分為三個(gè)步驟：確定網(wǎng)絡(luò)結(jié)構(gòu)、數(shù)據(jù)預(yù)處理、網(wǎng)絡(luò)的訓(xùn)練及預(yù)測(cè)。

(1) 建立三層BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。根據(jù)機(jī)場(chǎng)安檢旅客流量的影響因素分析，選取時(shí)間段，能見度，后續(xù)30、60、90、120 min的離港航班數(shù)量以及前30 min的值機(jī)旅客數(shù)量為BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的輸入，輸出為當(dāng)前單位時(shí)段的安檢旅客流量。隱含層的節(jié)點(diǎn)個(gè)數(shù)初始值設(shè)定為6，根據(jù)平均絕對(duì)誤差的計(jì)算結(jié)果調(diào)整節(jié)點(diǎn)個(gè)數(shù)。

(2) 數(shù)據(jù)選取及數(shù)據(jù)預(yù)處理。利用ETL工具對(duì)機(jī)場(chǎng)源數(shù)據(jù)依次進(jìn)行如下處理：

①數(shù)據(jù)抽?。簭暮桨嗉上到y(tǒng)數(shù)據(jù)庫(kù)、安檢信息系統(tǒng)及機(jī)場(chǎng)場(chǎng)區(qū)氣象數(shù)據(jù)庫(kù)等多個(gè)數(shù)據(jù)庫(kù)中抽取航班數(shù)量、安檢旅客數(shù)量、值機(jī)旅客數(shù)量及天氣因素等數(shù)據(jù)，需要對(duì)多源數(shù)據(jù)進(jìn)行數(shù)據(jù)統(tǒng)一化。本文采用Microsoft SQL Sever 2012標(biāo)準(zhǔn)規(guī)范定義元數(shù)據(jù)來進(jìn)行數(shù)據(jù)統(tǒng)一化。

②數(shù)據(jù)清洗：在數(shù)據(jù)處理的過程中，數(shù)據(jù)清洗相對(duì)繁瑣，占用的時(shí)間也較長(zhǎng)，并且需要根據(jù)數(shù)據(jù)的實(shí)際情況找到共性規(guī)律，反復(fù)調(diào)整ETL程序，添加條件判斷過濾錯(cuò)誤或缺失信息。例如身份證和護(hù)照信息需要分開判斷處理，將不同類型身份信息的旅客分類裝入樣本數(shù)據(jù)庫(kù)中。

③數(shù)據(jù)轉(zhuǎn)換：進(jìn)行機(jī)場(chǎng)安檢旅客流量預(yù)測(cè)是基于單位時(shí)段的，而機(jī)場(chǎng)安檢信息系統(tǒng)中原始存儲(chǔ)安檢旅客數(shù)據(jù)是基于每名旅客的，因此，要進(jìn)行數(shù)據(jù)粒度的轉(zhuǎn)換。另外需要構(gòu)建新的字段滿足預(yù)測(cè)分析需求，例如統(tǒng)計(jì)單位時(shí)段的安檢旅客數(shù)量、值機(jī)旅客數(shù)量、航班數(shù)量及該時(shí)段的氣象數(shù)據(jù)。

④數(shù)據(jù)裝載：由于航班數(shù)據(jù)、旅客數(shù)據(jù)及天氣數(shù)據(jù)等數(shù)據(jù)源分別來自不同的機(jī)場(chǎng)業(yè)務(wù)數(shù)據(jù)庫(kù)，在轉(zhuǎn)換后需要將多個(gè)輸入，包括安檢旅客數(shù)據(jù)、值機(jī)旅客數(shù)據(jù)、航班數(shù)據(jù)及氣象數(shù)據(jù)合并為一個(gè)輸出，建立機(jī)場(chǎng)安檢旅客流量預(yù)測(cè)樣本數(shù)據(jù)庫(kù)。

另外，為了消除數(shù)據(jù)指標(biāo)之間的量綱影響，需要對(duì)樣本數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行歸一化處理，以解決數(shù)據(jù)指標(biāo)之間的可比性。采用min-max標(biāo)準(zhǔn)化的方法把數(shù)據(jù)指標(biāo)A的值a映射到[0，1]區(qū)間的值a′，計(jì)算公式為

(1)

式中：maxA和minA分別為屬性A的最大值和最小值。

(3) 訓(xùn)練網(wǎng)絡(luò)并利用網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，根據(jù)誤差大小不斷調(diào)整網(wǎng)絡(luò)參數(shù)。本文利用建立的樣本數(shù)據(jù)庫(kù)，對(duì)天津機(jī)場(chǎng)2017年5月每日的單位時(shí)段安檢旅客流量進(jìn)行預(yù)測(cè)，基于文章篇幅限制，僅將5月24日～5月30日一周的預(yù)測(cè)結(jié)果進(jìn)行展示描述。利用此模型，5月24日～30日預(yù)測(cè)結(jié)果的平均絕對(duì)誤差如表1所示。

表1 2017年5月24日～30日預(yù)測(cè)結(jié)果的平均絕對(duì)誤差Table 1 Mean absolute error of predictions during May 24～30, 2017

從表1可以看出：采用BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)機(jī)場(chǎng)安檢旅客流量的平均絕對(duì)誤差約為8%～10%，預(yù)測(cè)精度高達(dá)90%以上。

2017年5月24日～30日這一周的各單位時(shí)段安檢旅客流量的預(yù)測(cè)值與真實(shí)值的對(duì)比曲線如圖6所示，橫坐標(biāo)23表示5月23日，以此類推。

圖6 一周內(nèi)(2017年5月24日～30日)天津機(jī)場(chǎng)安檢旅客流量預(yù)測(cè)值與真實(shí)值對(duì)比圖Fig.6 The comparison chart about predictions and true value of security-check passenger flow in Tianjin airport during May 24～30, 2017

從圖6可以看出：采用BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)機(jī)場(chǎng)安檢旅客流量，預(yù)測(cè)結(jié)果與真實(shí)值曲線擬合很好，預(yù)測(cè)精度較高，表明BP神經(jīng)網(wǎng)絡(luò)是機(jī)場(chǎng)安檢旅客流量預(yù)測(cè)的可行方法。

3 基于BP神經(jīng)網(wǎng)絡(luò)機(jī)場(chǎng)安檢旅客流量預(yù)測(cè)模型應(yīng)用

采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)場(chǎng)安檢旅客流量的準(zhǔn)確預(yù)測(cè)，可以幫助機(jī)場(chǎng)決策者對(duì)機(jī)場(chǎng)安檢客流量趨勢(shì)作出正確分析，動(dòng)態(tài)分配安檢資源(工作人員、安檢通道、安檢設(shè)備)，以達(dá)到高峰時(shí)段滿足運(yùn)行需求、低谷時(shí)期容量不浪費(fèi)，提高旅客對(duì)安檢服務(wù)的滿意度，提升機(jī)場(chǎng)服務(wù)質(zhì)量。

3.1 安檢通道開放數(shù)量的動(dòng)態(tài)分配

設(shè)單位時(shí)段(30 min)的安檢旅客流量預(yù)測(cè)值為Q，單個(gè)安檢通道的服務(wù)速率為μ，則該時(shí)段所需安檢通道開放數(shù)量N的計(jì)算公式為

(2)

假設(shè)每條安檢通道的服務(wù)速率μ相同，μ取單個(gè)安檢通道半小時(shí)內(nèi)平均安檢旅客數(shù)量。

根據(jù)天津機(jī)場(chǎng)2016年6月～2017年5月一年安檢通道數(shù)量與旅客安檢速率數(shù)據(jù)，可以分析出對(duì)應(yīng)的關(guān)系，如表2所示。

表2 天津機(jī)場(chǎng)安檢通道開放個(gè)數(shù)與旅客通過安檢速率關(guān)系表Table 2 Correlation chart about opened security-check channel quantity and go through the safety check for passengers in Tianjin airport

從表2可以看出：每個(gè)通道每半個(gè)小時(shí)最多安檢人數(shù)為160人，由于每個(gè)通道每半個(gè)小時(shí)最少安檢人數(shù)極值差別很大，導(dǎo)致每半個(gè)小時(shí)平均安檢人數(shù)過低，而一般情況下只需要考慮非空閑時(shí)期旅客通過安檢的速率，因此本文μ取值為高峰時(shí)段半小時(shí)內(nèi)平均安檢旅客數(shù)量。結(jié)合圖1分析可知，安檢旅客最高峰一般在早6點(diǎn)至7點(diǎn)半之間，這一時(shí)段9個(gè)通道全部開放的概率為96.43%，通過計(jì)算得知，高峰時(shí)刻九個(gè)通道全部開放的情況下，每個(gè)通道半小時(shí)內(nèi)的平均安檢旅客數(shù)量為95人。對(duì)于天津機(jī)場(chǎng)，單位時(shí)段安檢通道開放數(shù)量N=Q/95，其中Q為該時(shí)段安檢旅客流量的預(yù)測(cè)值。

3.2 安檢人員模擬派工

根據(jù)《民用航空安全檢查人員定額定員》規(guī)定，旅客安檢通道勞動(dòng)定額為180人/通道小時(shí)的勞動(dòng)定員。旅客安全檢查通道崗位基本定員如表3所示。

表3 旅客安全檢查通道崗位基本定員Table 3 Basic staff members for passenger security-check channel post

目前天津機(jī)場(chǎng)每個(gè)通道配置人數(shù)即按標(biāo)準(zhǔn)(表3)進(jìn)行配置，根據(jù)天津機(jī)場(chǎng)旅客服務(wù)標(biāo)準(zhǔn)，旅客安檢最長(zhǎng)等待時(shí)間為12 min，而天津機(jī)場(chǎng)單通道安檢非空閑時(shí)段平均安檢速率為95人/半小時(shí)，因此根據(jù)最長(zhǎng)等待時(shí)間可計(jì)算出每條安檢通道外最多等待旅客人數(shù)為38人。通過旅客安檢流量的實(shí)時(shí)預(yù)測(cè)來決定開通的安檢通道數(shù)量，進(jìn)而可以最大化地設(shè)置安檢工作人員待崗時(shí)間，同時(shí)根據(jù)現(xiàn)場(chǎng)安檢外等待旅客數(shù)量隨時(shí)加開通道，加派安檢人員，以減少旅客安檢外的等待時(shí)間，提升機(jī)場(chǎng)服務(wù)質(zhì)量。

4 結(jié)束語(yǔ)

本文采用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)機(jī)場(chǎng)安檢旅客流量進(jìn)行了預(yù)測(cè)，從預(yù)測(cè)結(jié)果來看，采用BP神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)結(jié)果比較理想，預(yù)測(cè)精度高達(dá)90%以上。在基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)場(chǎng)安檢旅客流量預(yù)測(cè)模型基礎(chǔ)上，動(dòng)態(tài)分配機(jī)場(chǎng)安檢通道、安檢工作人員等資源，從而實(shí)現(xiàn)安檢服務(wù)資源的合理利用，可有效提升機(jī)場(chǎng)服務(wù)質(zhì)量。