[论文解读] Passenger Flow Predictions at Sydney International Airport: A Data-Driven Queuing Approach

Harold Nikoue, Aude Marzuoli+3 more|arXiv (Cornell University)|Aug 20, 2015

Transportation Planning and OptimizationSocial Sciences参考文献 7被引用 16

一句话总结

本文提出一种数据驱动的排队模型，利用航班时刻表、历史移民通关时间戳和人员配置数据，预测悉尼国际机场入境检查口的乘客流量与延误情况。通过整合乘客步行时间的混合模型及基于拥堵的人员配置策略，该模型能准确模拟队列长度与等待时间，验证结果显示在关键日期与真实数据高度一致，但因通关柜台可用性数据存在空白而出现低估现象。

ABSTRACT

Time spent in processing zones at an airport are an important part of the passenger's airport experience. It undercuts the time spent in the rest of the airport, and therefore the revenue that could be generated from shopping and dining. It can also result in passengers missing flights and connections, which has significant operational repercussions. Inadequate staffing levels are often to blame for large congestion at an airport. In this paper, we present a stochastic simulation that estimates the operational uncertainty in passenger processing at immigration. Congestion and delays are estimated on arrivals and departures based on scheduled flight departures and arrivals. We demonstrate the use of cellular tracking data in refining the model, and an approach to controlling congestion by adjusting staffing levels.

研究动机与目标

• 利用真实运营数据，对悉尼国际机场入境检查口的乘客到达模式与延误情况进行建模。
• 应对全天候乘客需求与人员配置水平的波动，特别是在高峰时段的挑战。
• 开发一个整合航班时刻表、乘客数量与服务速率的仿真框架，以预测队列动态。
• 基于DWELL与DIMIA数据集提取的实际等待时间与队列长度，对模型进行验证。
• 通过基于预测拥堵的主动人员配置调整，提升机场运营效率。

提出的方法

• 利用航班信息显示系统（FIDS）数据，获取到达与出发航班的计划与预计到达时间。
• 整合澳大利亚移民与多元文化及原住民事务部（DIMIA）的历史乘客时间戳数据，估算每个入境柜台的服务速率。
• 应用混合模型对乘客步行时间进行泛化处理，消除对特定登机口位置的依赖。
• 实施基于拥堵的人员配置策略，根据队列长度阈值决定是否开启或关闭服务人员，以维持队列水平稳定。
• 通过结合航班载客率分布、到达模式与动态人员配置决策，模拟每日乘客流量。
• 使用12个模拟日（包括2012年7月25日、7月26日与12月11日）的实际等待时间与队列长度数据，对预测结果进行验证，数据来源为DWELL系统。

实验结果

研究问题

• RQ1 数据驱动的排队模型在多大程度上能准确预测悉尼机场入境检查口的乘客等待时间与队列长度？
• RQ2 人员配置水平与航班延误的差异在多大程度上影响乘客拥堵与服务时间？
• RQ3 FIDS与DIMIA数据的整合在多大程度上提升了乘客流量仿真的真实感与准确性？
• RQ4 数据空白（特别是柜台可用性记录）对模型性能与预测可靠性有何影响？
• RQ5 在现实世界波动条件下，基于拥堵的人员配置策略是否能有效控制队列长度并减少等待时间？

主要发现

• 在2012年12月11日，模型与实际等待时间高度一致，但早晨略有低估，下午略有高估。
• 在2012年7月25日，模型准确捕捉到因航班延误导致的下午延迟峰值，但因错误的柜台数量假设，导致在约15:00时高估了延迟。
• 队列长度预测总体与观察到的趋势一致，但在7月26日高估了队列规模，可能源于柜台可用性数据不准确。
• 当服务速率超过需求时，仿真未能预测到队列形成，表明模型在模拟空闲时段存在局限性。
• 从DWELL系统提取的实际等待时间可能为下限值，因部分日期在13:30至14:00之间存在数据缺失，影响了模型验证。
• 模型性能显著受人工记录柜台可用性不一致的影响，凸显了真实世界实施中数据质量的关键挑战。