考虑航班计划的机场短时停车需求预测

摘要

为克服现有短时停车需求模型无法直接利用于机场停车需求预测这一问题,利用停车数据、航班计划和气象信息,建立了面向机场停车场的短时停车需求预测模型。首先使用机场停车数据分析了停车场短时车辆到达与离去特性,然后考虑到航班计划对机场停车场短时停车需求的影响,将其与气象状况同时引入短时停车需求影响因素中,建立了基于Conv1 D-长短期记忆(long short-term memory,LSTM)神经网络结构的机场短时停车需求模型。以上海虹桥机场停车场为实例,Conv1 D-LSTM模型实验结果的平均绝对误差和均方根误差分别为12.057辆和14.237辆;对比多个其他模型实验结果,所构建的Conv1 D-LSTM模型预测效果更优,能有效应用于机场停车场短时停车需求预测。