智慧机场航站楼安全联检均衡分散方法仿真

温 俊，张同荣

(1.北京城市学院，北京101300；2.中国民航大学，天津300300)

1 引言

近年来，随着越来越多人选择飞机作为出行的第一选择，机场安检管理变得更加严峻。机场安检中边防、海关、检疫等多项检查统称为安全联检[1-2]。自从经过“911”事件后[3]，安全联检的重要性更是提高到前所未有的程度。但目前机场航站楼的安全联检大部分设置在同一片区域[4-5]，出现大部分旅客聚集在其中一项安检，而其它安检却没有人的现象，若能解决这一问题会大大提高机场工作效率，也可节省旅客时间。

文献[6]提出基于视频排队长度管理的航站楼安全联检均衡分散方法，该方法首先判断服务台第一个人的排队状态和服务台的排队长度，计算大部分旅客的安检时间，以均衡各个安检口长度为目标，实现安全联检均衡分散，该方法没有在旅客进行安全联检前利用预处理客流量时间序列数据的办法预测高峰期时间段内的客流量，无法确定安检工作人员人数，导致联检服务率降低。文献[7]提出基于排队模型的航站楼安全联检均衡分散方法，该方法建立联检时间服从二相阶超指数分布的排队模型，求解排队模型稳态分布，实现安全联检均衡分散，该方法未通过ARMA算法模型提前预测需要安全联检的客流量，存在长时间等待联检旅客的比例过高的问题。文献[8]提出基于旅客风险分类的航站楼安全联检均衡分散方法，该方法首先判断旅客的风险值，将旅客分为低、中、高风险旅客，并设定对应的重点安检通道和常规安检通道，构建安检模拟场景，分析旅客风险阈值和两种通道对旅客安检时长的影响，从中找出最优风险阈值，实现安全联检均衡分散。该方法没有利用阻尼最小二乘法递推算法预测出机场联检客流量，无法控制服务台的数量，存在开放服务台精准率低的问题。

为了解决上述方法中存在的问题，提出智慧机场航站楼安全联检均衡分散方法仿真。

2 预测机场单位时间内客流量

2.1 ARMA算法模型基本思想

由于ARMA模型对时间序列要求是稳定的白噪声序列，在预处理时间序列时，判定获取的时间序列是否为平稳的时间序列，即判断运算过程中时间序列有没有常值、均值和方差，若没有，需对采集到的机场单位时间内客流量数据进行指数加权移动平均的时间序列预处理，以确保模型在预测机场人数时的时间序列稳定性。利用时间序列的自相关图，判断滞后阶数，即在ACI准则中看是否有突然为0的阶数或在5%置信区内的阶数，以此判断模型阶数。采用阻尼最小二乘法精确求出ARMA精度参数，其方法对参数的提取精度高而且收敛速度快。

2.2 ARMA模型算法

2.2.1 预处理时间序列

对于采集到的机场单位时间内客流量数据的时间序列进行预处理，处理公式为

EWMA(t)=aY(t)-(1-a)EWMA(t-1)

(1)

式中，EWMA代表指数加权移动的时间序列数据处理，EWMA(t)代表单位时间内机场客流量在t时刻的预测值，Y(t)代表单位时间内机场客流量在t时刻的测量值，a代表单位时间内机场客流量的测量值权重系数，且1>a>0。

EWMA本质是吸收单位时间内机场客流量不稳定时间序列数据中的突发异常数据，从而使不平稳的时间序列变为平稳的时间序列，在使用EWMA处理时间序列平滑的过程中，由于权重系数a逐渐减少，历史机场单位时间内客流量测量值增加，时间序列的平稳性随之增加。

2.2.2 ARMA模型的阶数判定

获取平稳的时间序列后开始估计模型，由于传统统计检验方法在模型定阶时是在权重系数a为水平状态下通过自相关系数和偏自相关系数图像的拖尾和截尾现象估计出模型，这种办法估计出的模型存在主观判断，而AIC准则在传统方法的基础上考虑模型中待定参数的全部数量和模型对时间序列数据的接近程度后与相应的拟合模型进行比较最终确定出最合理的模型，因此AIC准则更适合ARMA模型的阶数判定[9]。

在构建ARMA模型前需确定模型的滞后阶数，则自相关函数和偏自相关函数为：

若{Zt}为稳定的时间序列，μ=E(Zt)是时间序列的均差，Var(Zt)=E(Zt-μ)2=δ2是时间序列的方差，时间|t-s|的函数是时间序列的协方差Cov(Zt，Zs)，故协方差为

γk=Cov(Zt，Zt+k)=Z(Zt-μ)(Zt+k-μ)

(2)

Zt与Zt+k的关系如下

=γk/γ0

(3)

自相关函数ρk需满足如下条件

ρk=φ1ρk-1+φ2ρk-2+…+φpρk-p

(4)

以及满足一阶差分方程

ρk=φ1ρk-1

(5)

2.2.3 估计ARMA精度参数

选取阻尼最小二乘法递推方程来精确求解ARMA模型，这种方法对比传统的极大似然估计法和最小二乘法更加容易求出方程最优解，因为阻尼最小二乘法不需要正态分布的残差序列，也不会出现因为设置未知数的初值而引起数据爆炸陷入死循环最终得不到最优解的情况。

阻尼最小二乘法的本质是在最小二乘法中加入可以控制参数的阻尼项，则阻尼项为

(6)

式中，J表示阻尼项，β表示遗忘因子，1≥β>0，β与遗忘效果成正比，β越大，记忆越长[10]，同理反之；μ表示阻尼因子，μ>0，它也代表联检客流量自变量增量和函数值J之间的关系，所以μ在求函数值J的极小值中起到绝对的重要性，即方程线性程度越大阻尼因子μ越小。

利用阻尼最小二乘法递推算法预测出单位时间内机场客流量[11]，这种预测算法具有更精准预测单位时间内机场客流量的优点，因为该方法在每次获取到新的客流量时间序列数据时，直接在新数据上进行运算、批改，不会和以往算法一样将新数据加入到历史数据中重新运算，导致运算时间和不确定因素增加，影响预测的精准度。

μ+φT(k)W(k)φ(k)=

(7)

由于μ+φT(k)W(k)φ(k)可逆，因此预测结果只存在唯一解。

假设

P(k)=[μ+φT(k)W(k)φ(k)]-1

(8)

则

(9)

3 基于泊松流均衡分散联检

假设预测的智慧机场航站楼中的旅客都在排队等候安全联检，令每位旅客经过航站楼安全联检的时间都是独立的[12]，计算和分析每位旅客在通过智慧机场航站楼安全联检的时间，利用泊松流理论均衡分散旅客时，旅客通过安全联检的时间都需要参数λ1，λ2，λ3的负指数分布，且时间都是相互独立。

假设在时间t时的安全联检系统是N(t)=(i，j，k)，i表示边防安检口A等待安全检查的旅客人数，j表示海关安检口B等待安全检查的旅客人数，k表示卫生防疫安检口C等待安全检查的旅客人数。同时设在t时安检口A、B、C等待安检的时间概率为

(10)

式中，N1(t)表示边防安检口A的旅客人数，N2(t)表示海关安检口B的旅客人数，N3(t)表示卫生防疫安检口C的旅客人数。

联检等待时间概率为p(i，j，k)=limt→∞p(i，j，k;t)，其中i≥0，j≥0，k≥0。因此这时的正则性条件为

(11)

从系统中选取3个拥有无限等待空间的排队系统构建目标函数

(12)

由于上述目标函数中参数为λ的泊松流单服务系统的结果和安检口等待安检的人数分布结果都是相同的，因此求解出上述目标函数即可均匀分布航站楼安全联检人数实现航站楼安全联检均衡分散。

目标函数的运算步骤为：

第一步：在目标函数中输入航班信息特性，联检人员需求特征和航班容量等参数内容。

第二步：对需要解决的旅客问题进行编码，设初始进化代数为GEN，目标函数初始未改变的代数为n，令初始进化代数GEN=0，目标函数初始未改变的代数n也为0，初始最大进化代数为GENmax，最大目标函数初始未改变的代数为nmax，同时设置目标函数初始变异及交叉概率的参数和目标函数运算过程中的参数，通过设置的参数在目标函数中生成一个初始种群作为其初始解。

第三步：计算初始种群中所有个体的适应度函数和目标函数，比较彼此相邻的两个个体的目标函数，若两个个体的目标函数相等，初始未改变的代数n=n+1，若不相等，初始未改变的代数n仍为0，且选取适应度值比较大的个体进入下一代种群。

第四步：利用轮盘赌的方法选择种群，当n>nmax，即可升高变异及交叉的概率，若n≤nmax，则根据初始设置的变异及交叉概率实施变异及交叉处理。假如在运算过程中出现最优解，立即将最优解中的新种群作为新一代种群。

第五步：判断种群的进化代数是否为最后一代。假如GEN=GENmax，将运算步骤转到第六步；假如GEN=GEN+1，则将运算步骤转到第三步。

第六步：结束遗传操作，输出目标函数结果。

所求解到的目标函数结果即均衡分布安全联检客流量。

4 实验与分析

为了验证智慧机场航站楼安全联检均衡分散方法的整体有效性，需要在Matlab平台中对所提方法进行测试。分别采用智慧机场航站楼安全联检均衡分散方法(方法一)、基于视频排队长度管理的航站楼安全联检均衡分散方法(方法二)和基于排队模型的航站楼安全联检均衡分散方法(方法三)进行测试，通过不同方法对安全联检服务率进行测试，服务率为单位时间内所联检的人数与需要联检人数的比值，服务率越高说明方法越有效，测试结果如图1所示。

图1 不同方法的联检服务率

由图1中的数据可知，在航班高峰期旅客数量会急剧增加，在有限的服务台和安检口会导致联检服务率降低，利用其它两种方法在高峰期对旅客进行安全联检时人数越多服务率越低，而方法一在对旅客进行安全联检前利用预处理客流量时间序列数据的办法预测高峰期时间段内的客流量，因此可以提前增加安检人员，以此提高联检服务率。

为了进一步验证所提方法是真实有效的，利用等待联检时间内旅客数量比例来确定三种方法中的最优方法，如图2所示。

图2 不同方法等待时间内联检的人数比例

分析图2可知，在相同旅客数量下，利用方法一联检的旅客等待时间不超过400秒占80%，其它两种方法的旅客等待时间超过800秒占70%，尤其是方法三的等待联检时间超过1000秒占80%，方法一能够将等待联检的时间大部分控制在400秒内是因为它通过ARMA算法模型提前预测需要安全联检的客流量，从而将旅客需要安检的内容独立出来再平均分散到各个安检口，减少出现安检口旅客过多或过少的现象，就可以降低长时间等待联检旅客的比例。

为了证明方法一是安全联检均衡分散的最好方法，通过比较三种方法在同样环境下控制服务台开放数量的精准率证明方法一的优劣，其结果如图3所示。

图3 不同方法控制开放服务台精准率

分析图3可知，方法一控制开放服务台精准率在多次迭代中均高于方法二和方法三的开放精准度，因为方法一联合阻尼最小二乘法递推算法预测出机场联检客流量，有效控制服务台的开放数量，从而提高开放服务台精准率，证明了方法一是最优办法，而其它两种方法由于没有预测客流量，只能根据航班数量决定服务台的开放数量，导致出现服务台过多或过少的问题。

5 结束语

如今越来越多人将飞机作为出行的第一选择，但也由于乘坐飞机的人员越来越多，飞行中存在的危险因素也就越多，其中安检就显得尤为重要，但目前安检口都集中在航站楼区域，导致大部分人都集中在一个区域，将旅客均衡分散安检是目前急需解决的一大问题。目前机场安全联检均衡分散的方法存在联检服务率低，开放服务台精准率低和长时间等待联检旅客比例过高的问题。提出智慧机场航站楼安全联检均衡分散方法。该方法构建ARMA算法模型预测单位时间内旅客客流量，将随机采集的时间序列客流量数据进行平稳化处理，即将时间序列进行指数加权移动平均处理，获取平稳的时间序列后判断模型阶数，采用AIC准则在传统方法的基础上综合待定参数的全部数量，比较相应的拟合模型最后确定出合理模型，最终利用阻尼最小二乘法递推方程来精确求解ARMA模型，即可预测出单位时间内的客流量，将预测旅客的数量进行均衡分散，使所有旅客通过安检口的时间都是独立的，计算和分析每位旅客在通过智慧机场航站楼安全联检的时间，建立目标函数进行求解，实现机场安全联检均衡分散。解决了联检服务率低，开放服务台精准率低和长时间等待联检旅客比例过高的问题。均衡分散安全联检的办法打破了传统航站楼的桎梏，给未来机场的规划带来了更多种可能。