机场客流量的时空分布预第一名方案

AI项目体验地址 https://loveai.tech

一、业务背景

1.1 业务理解

本次任务以广州白云机场真实的客流数据为基础，它包含每天数万离港旅客在机场留下百万级的数据记录。参赛队伍需要通过数据算法来构建客流量预测模型，具体而言是预测特定时间、特定无线AP的连接人数。

1.2 数据理解

赛题给出六张表，涵盖了四个方面的数据：无线历史连接数据、航班排班数据、地理位置信息及旅客行为信息。

1.2.1 历史连接

无线历史连接数据包含的是机场无线AP历史连接信息，格式如下：

其中flight_id是航班id，scheduled_flt_time计划起降时间，actual_flt_time是真实起降时间，bgate_id是登机口信息，arrival_departure是起飞OR降落标记（D表示起飞，A表示降落）。在预测区间上actual_flt_time字段为空，降落的飞机没有登机口信息。注意，这张表里面使用的时间是格林威治时间，而北京时间＝格林威治时间＋8小时。

航班排班确定之后，一整天的旅客登机位于哪个登机口就已经确定，借此可以推断出在某个时刻哪些登机口附近的旅客较多。

1.2.3 地理位置

地理位置涉及两张表，一张表给出每个登机口分别在什么区域，另一张表给出部分无线AP的坐标信息。

我们最终目标是“预测客流量的时空分布”，在空间方面，可以利用这些地理位置信息将航班起降与相应区域关联起来。

1.2.4 旅客行为

旅客行为设计两张表：安检表和行程表。

1.3 赛题解读

要直接解决的问题是利用机场大量数据来预测每个时间点、每个无线AP的连接人数，这一结果可以反映机场客流的时空分布。题目中为了减少噪声对建模过程的影响，取最小时间单位为10分钟，即预测每10分钟的平均值，比如11日00:00-00:09这10分钟上的均值是第一个预测目标点。

首先，我们以同一时间点、同一无线热点的历史连接数据作为基础模型；其次，以航班起飞这一事件对基础模型进行修正；再次，通过划分子模型降低维度来优化模型；最后，对11日凌晨3个小时引入近期信息进一步提升预测精度。

二、核心思路

我们的算法基于GBRT回归模型，包含多方面特征：历史特征、航班特征、位置特征与时间特征等。

2.1 特征详述

2.1.1 历史特征

通过无线AP的同一时间点历史连接数据可以大致推算出当前时刻该无线AP的连接数，这可以作为整个模型的基础。从下图可以看出，真实值一直围绕着历史均值上下浮动，而三种历史均值在不同情况下各有优势。我们计算了包括AVG、MIN、MAX、STDDEV多个指标，计算方式有同点、同时段、同区域三种，时间窗口为最近1/2/3/4/5/6/7/14/30天。

最直接的想法是用历史值来近似当前的真实值，实际数据也佐证了这一想法，左图是真实值与三种历史均值示意图，可以看出真实值一直围绕着历史均值上下浮动，而三种的历史均值在不同情况下各有优势。将三种历史均值扩展到多个时间窗口的多个聚合指标后，便形成了我们的基础模型，如右图所示。计算这些聚合指标时我们有三种不同的方式，最直接的做法同时间点、同热点的历史数据进行聚合。第二种是为了减少时间维度上的噪声，对同时段，同热点的历史数据进行了聚合，什么是同时段呢？就是该时间点上下30分钟。第三种是为了减少空间维度上的噪声，对同时间点，同组内的历史数据进行了聚合，什么是同组呢？就是组号相同的所有热点。另外，为了挖掘连接数的时序变化趋势，聚合窗口由短到长分为9种。基于时序模型的历史特征可以为预测提供一个很好的基准值，那这些波动又该如何建模呢？

AVG、MIN、MAX与STDDEV分别用于衡量均值、下限、上限与变化剧烈程度。最直接的方式是对同时间点、同无线AP历史数据进行聚合。为了减少时空噪声的影响，我们还考虑了同时段（该点上下30分钟内）、同无线AP的历史数据与同时间点、同区域（无线AP组号相同）内无线AP的历史连接数据。为了涵盖连接数的时序变化趋势，聚合窗口由短到长分为9种。

我们首先来看一下整个乘机流程，经验和数据均表明，值机、安检、候机与行李区人流密集，而航班的起降会极大地影响这些区域的客流分布。

2.1.2 航班特征

虽然基于时序分析的历史特征可以为预测提供一个很好的基准值，但很多波动无法刻画。这些波动往往是由航班起飞、到达这些事件引起的，需要通过航班特征来刻画。从下图可以看出，旅客一般提前1.5个小时左右进行安检，然后进入候机区等待，所以我们统计了所有登机口该时间点后10/30/60/90/120/180/240分钟内起飞航班数量，分为多个时间窗口是由于有的旅客在10分钟内起飞，有的旅客在1个小时内起飞；另外，航班经常晚点10-30分钟，所以我们统计了所有登机口该时间点前10/30/60分钟内起飞航班的数量，分为多个时间窗口是由于有的旅客晚点10分钟，有的旅客晚点半个小时。注意，我们对那些共享飞机的航班进行了合并处理。

假如一个航班预计在这个时间点起飞，从左上图可以看到旅客一般提前1个半小时左右进行安检，然后进入候机区等待，所以我们统计了预测时间点后多个时间窗口上的起飞航班数量，这些指标可以很好地刻画有多少旅客10分钟内就要起飞，又有多少旅客一个小时内才会起飞；另一方面，航班经常会晚点10-30分钟，所以同上我们统计了预测时间点前多个窗口上的起飞航班数量。然而线上GBRT模型最多允许800维特征，因此我们初期模型起飞特征时间窗口会少一些。现实生活中，为了提升资源的利用率，经常多个航班共享一架飞机。在这里，我们对共享同一飞机的航班进行了合并处理。

达航班对于接机区、中转区与取行李区的人流分布有着影响较大。因为到达航班没有区分具体的登机口，我们统计的是该时间点前后10/30/60/90分钟内到达航班的总数量，在此我们也对那些共享飞机的航班进行了合并处理。

2.1.3 时间特征

时间信息可以帮助我们区分特殊的时间段，比如夜间和节假日等，包含了天内分钟偏移、星期与节假日等信息。

天内分钟偏移是天内分钟的索引值，直观地讲是该时间点是天内第几个10分钟，比如00:00-00:09的天内分钟偏移为0，因为它是天内第1个10分钟。它可以帮助我们区分天内不同时段：夜间和白天的客流分布很可能是不同的。

星期与节假日信息可以帮助我们区分特殊的日期。星期方面直接将星期几作为特征，而节假日方面我们把每天分为五种情况进行标注：0表示工作日，1表示最后一个工作日，2表示假期第一天，3表示假期中，4表示假期最后一天。

2.1.4 位置特征

位置特征可以帮助我们区分特殊的区域，包含无线AP所在的区域、楼层与其坐标值、所在组的编号等信息。通过这些信息，算法可以为不同区域分别考虑：有的区域连接数一直很多，有的区域连接数变化剧烈。

2.2 模型建立

我们最初的模型是用单个回归模型预测所有区域，但这样做会导致输入的维度非常高。实际可以用于训练的数据却十分有限，所以会产生过拟合现象。为了减少过拟合，需要向模型中合理地引入先验知识。

我们观察到可以将白云机场分为四个区域：登机区域 （W1、W2、W3、E1、E2、E3）、T区域、WC区域与EC区域。对于候机区域的无线AP点，只需要考虑与之距离最近6个登机口的起飞航班特征；对于T区域，只需要考虑W、E这两个大区域的总起飞航班特征及T区域内AP组号；对于WC区域，只需要考虑W1、W2、W3这三个登机区域的总起飞航班特征及WC区域内AP组号；对于EC区域，只需要考虑E1、E2、E3这三个登机区域的总起飞航班特征及EC区域内AP组号。另外，将B901-B909的航班起飞特征放在WC区域，因为这9个登机口位于WC区域的一楼。将单个回归模型分为四个子模型后——从单个回归模型预测所有区域到为不同区域分别建模，输入的维度大幅度降低。

另外，对于时间类特征，如星期、天内分钟偏移等，我们将其看作1维整数，而不使用one-hot高维编码，这一技巧进一步降低了输入维度。与线性回归等参数回归模型不同，GBRT是基于空间划分的回归模型，对于诸如星期这类有序变量，它可以根据训练数据将其合理地划分为多个区间，比如可以将星期划分为[星期一, 星期四]、[星期五, 星期日]两个区间。

最后，对于11日凌晨的3个小时（00:00-02:59），通过为它们引入10日夜晚的近期信息，比如10日最后一个时间点的连接数及安检信息等，可以进一步优化预测结果。也就是说，预测短期内客流分布可以做得更准确。

首先来看起飞特征，左边是白云机场的平面图，整个机场可以分为四个区域。对于每个区域，并不是所有登机口的起飞特征都有用。对于候机区域的无线AP点，只需要考虑与之距离最近的登机口起飞信息；对于T区域，只需要考虑W、E两个大区域的总体起飞信息；对于WC区域，只需要考虑W1到W3三个登机区域的总体起飞信息，以及B901到B909这九个登机口的起飞信息，这里值得注意的是实际上B901到B909这九个登记口在WC区的一楼；对于EC区域，只需要考虑E1到E3三个登机区域的总体起飞信息。

其次，对于时间类特征，如星期、天内分钟偏移等，它们是有序变量，而GBRT与线性回归不同，它是基于空间划分的回归模型，可以根据训练数据进行合理的区间划分，所以我们把这些有序变量看作1维整数，而不使用one-hot高维编码。再次，组号也需要one-hot编码，维度较高，分区域后每个子模型只需要考虑本区域内的组编号就可以了，这样组号编码维度从原来的100多维降到20维左右。最后，加上上面所说的起飞特征维度优化，模型输入的维度得到大幅降低。

上面是我们算法的主体部分，最后还有一个小优化。从左图可以看出，无线AP一段时间内的连接数实际上相对稳定，所以短期内的预测可以做到更准确。比如，预测11号前三个小时，10号最后一个小时的真实连接和安检信息我们是知道的，可以利用这些信息来提升预测的准确性。

我们算法的基础是基于历史连接的时序模型，加入事件驱动后成绩得到大幅度的提升，虽然我们当时优势明显，但并没有松懈，又通过降低维度以及引入近期信息的方式进一步优化算法。我们的算法可以统一自动化地学习模式规律，没有任何人工设定的规则，所以它具有很好的可扩展性以及更低的维护成本。

三、 经验总结

本次比赛收获良多，经验总结如下：

第一，工欲善其事，必先利其器。用合适的工具做合适的事情，比如利用文档管理算法设计及模型迭代，利用Python自动生成SQL代码，利用PAI命令执行训练及预测等。

第二，莫要画地为牢。思路要开阔，不能过于局限，比如只局限于使用历史连接数据，或只局限于使用单一模型等。

第三，三个臭皮匠胜过诸葛亮。团队合作好于单枪匹马，团队合作不但可以在有限的时间内尝试更多思路，还能互相找出对方的思维误区。

第四，逆水行舟，不进则退。无论当前成绩如何，都要不断地优化模型，否则迟早会被人超越。虽然，我们团队前期优势明显，如果就此懈怠，没有继续优化模型，很难保持第一到比赛结束。

第五，格局决定输，细节决定赢。不同梯队是由于算法整体架构不同，同一梯队内排名是由于细节关注程度不同。