机场航站楼登机口及安检点旅客排队预测

# 机场航站楼出发口与安检点乘客排队预测
来源：https://arxiv.org/html/2606.07622
Juhwan Lee†, Seokbin Yoon†, Keumjin Lee†, Hojong Baik†, Seyeon Jung‡
kokomoty97@gmail\.com, \{sierra\.bin, keumjin\.lee, hbaik\}@kau\.ac\.kr, jessy@airport\.kr

###### 摘要

准确预测机场航站楼内的乘客排队情况对于高效的出发运营至关重要，因为它能够实现主动的拥堵管理。然而，时变的乘客需求以及多个出发设施间差异化的使用模式使得预测极具挑战性。在这项工作中，我们提出了一种乘客排队预测框架，该框架从运营数据中学习历史客流模式。所提出的模型采用基于Transformer的架构，利用出发口和安检点的历史队列长度与等待时间，以及值机岛的旅客吞吐量，来捕捉时间依赖性和设施间的关联性。学到的表示被映射到两个针对特定设施的MLP头部，用于预测出发口和安检点的队列长度和等待时间。实验结果表明，该模型能够对未来长达两小时的排队情况进行准确预测。所提出的方法为机场航站楼运营中的主动排队管理和人员重新分配提供了实用的实时决策支持。

## I. 引言

全球航空客运量预计在2026年将达到102亿人次，并预计到2045年翻倍至188亿人次（国际机场理事会 (ACI) [2026](https://arxiv.org/html/2606.07622#bib.bib2)）。与这一增长趋势一致，韩国最大的机场——仁川国际机场 (ICN) 在2025年处理了7400万乘客，超过了疫情前2019年7100万的历史记录（仁川国际机场公社 [2026](https://arxiv.org/html/2606.07622#bib.bib3)；国土交通部 [2021](https://arxiv.org/html/2606.07622#bib.bib4)），如图1所示。随着空中交通需求持续增长，机场变得越来越拥挤，导致乘客排队加长和等待时间增加，这可能会降低乘客服务水平 (LOS) (de Neufville 等 [2013](https://arxiv.org/html/2606.07622#bib.bib5)；Lee 等 [2025](https://arxiv.org/html/2606.07622#bib.bib7))。因此，有效的拥堵管理已成为一个关键的运营挑战 (Félix Patrón 等 [2021](https://arxiv.org/html/2606.07622#bib.bib6)；Ma 等 [2025](https://arxiv.org/html/2606.07622#bib.bib19))。

缓解机场拥堵的一种直接方法是扩建航站楼基础设施或增加运营资源以提高容量 (AlKheder 等 [2024](https://arxiv.org/html/2606.07622#bib.bib8))。然而，此类解决方案受限于物理约束，并且通常需要巨大的成本和较长的实施时间 (Gatersleben and Van der Weij [1999](https://arxiv.org/html/2606.07622#bib.bib20))。另一种避免容量扩建带来的财务和运营负担的方法是主动预测拥堵，通过及时的资源分配和运营准备来实现高效的机场运营 (Hopfe 等 [2024](https://arxiv.org/html/2606.07622#bib.bib9)；Oprea 等 [2024](https://arxiv.org/html/2606.07622#bib.bib10))，从而有助于缓解拥堵。

然而，在大型机场中准确预测拥堵仍然具有挑战性，因为多个值机岛和下游设施在时变的乘客需求和服务能力下同时运行 (de Bosscher 等 [2024](https://arxiv.org/html/2606.07622#bib.bib11))。此外，由于差异化的设施使用模式和时间需求波动，乘客往往不均匀地分布在各个设施之间。这些特性使得实时监控和拥堵管理变得尤为困难 (Schultz 等 [2010](https://arxiv.org/html/2606.07622#bib.bib12))。

为了解决这种运营复杂性，基于仿真的模型已在机场航站楼运营中得到广泛应用，特别是离散事件仿真 (DES) 和基于智能体的建模 (ABM)，用于复现乘客移动并评估运营场景 (AlKheder 等 [2024](https://arxiv.org/html/2606.07622#bib.bib8)；Gatersleben and Van der Weij [1999](https://arxiv.org/html/2606.07622#bib.bib20)；Oprea 等 [2024](https://arxiv.org/html/2606.07622#bib.bib10)；de Bosscher 等 [2024](https://arxiv.org/html/2606.07622#bib.bib11)；Schultz 等 [2010](https://arxiv.org/html/2606.07622#bib.bib12)；Cherednichenko 等 [2025](https://arxiv.org/html/2606.07622#bib.bib25))。然而，在实践中，这些模型通常需要大量的校准，并依赖于实践中难以可靠估计的用户定义假设，例如设施间的步行时间、乘客团体规模和可选设施选择 (Oprea 等 [2024](https://arxiv.org/html/2606.07622#bib.bib10)；Thampan 等 [2023](https://arxiv.org/html/2606.07622#bib.bib24))。因此，这些方法更适用于理解系统行为和进行事后假设情景分析，而非主动的排队拥堵预测。

参见图注
图1：仁川国际机场的乘客需求预测。疫情期间乘客量急剧下降，但此后迅速反弹。长期预测显示将持续增长，这意味着对机场基础设施和运营的压力越来越大。

作为基于仿真方法的替代方案，数据驱动模型，特别是循环神经网络 (RNN) 和长短期记忆网络 (LSTM)，最近被应用于机场客流预测，通过直接从历史数据中学习，而不是依赖于用户定义的仿真假设 (Félix Patrón 等 [2021](https://arxiv.org/html/2606.07622#bib.bib6)；Ma 等 [2025](https://arxiv.org/html/2606.07622#bib.bib19)；Hopfe 等 [2024](https://arxiv.org/html/2606.07622#bib.bib9))。然而，这些方法主要侧重于预测聚合客流，对设施层面的拥堵动态提供的洞察有限。因此，它们未能明确捕捉航站楼内设施间的交互，这限制了它们支持详细的资源分配和主动拥堵管理的能力。因此，现有方法在学习上游处理区域的吞吐量模式如何传播到下游设施造成的拥堵方面仍然存在局限性。

为了应对这些挑战，我们提出了一种预测出发过程中乘客排队的框架，重点关注两个关键的拥堵点：出发口和安检点。具体来说，所提出的框架不是预测整个航站楼的聚合客流，而是为每个出发口和安检点生成设施级别的预测。这使得能够对局部拥堵动态和差异化的设施使用模式进行显式建模，而这些是聚合预测无法捕捉的。通过利用上游值机吞吐量模式以及历史队列信息，该框架进一步被设计用于捕捉拥堵如何在航站楼设施间传播。

在这项工作中，我们利用Transformer的自注意力机制来捕捉机场乘客排队预测中的设施间交互。特别地，自注意力机制对出发口和安检点观测到的队列长度和等待时间，以及值机岛的行李托运吞吐量之间的相关性进行建模。由Transformer编码器学习到的深层表示随后被传递到两个独立的多层感知机 (MLP)，以预测未来出发口和安检点的队列动态。

本文的其余部分组织如下。第二部分介绍了本文考虑的机场航站楼环境和运营设置。第三部分介绍了所提出的基于Transformer的预测框架。第四部分描述了实验设置，包括数据集、实现细节和评估指标，并报告了定量结果及进一步分析。最后，第五部分对本文进行了总结，并讨论了未来的研究方向。

## II. 机场航站楼运营

本节描述机场航站楼出发区的运营环境和结构特征，以激励所提出的排队预测模型。机场航站楼是一个多流程系统，乘客依次通过多个处理设施，包括值机和行李处理、护照检查、安检以及边检 (de Neufville 等 [2013](https://arxiv.org/html/2606.07622#bib.bib5))。因此，特定时间的拥堵不能仅凭单个设施的需求变化来解释；相反，它是由出发过程的整体运营状况以及乘客在设施间的分布所决定的 (Gatersleben and Van der Weij [1999](https://arxiv.org/html/2606.07622#bib.bib20))。为了说明这种系统级条件在实践中如何产生，我们聚焦于韩国仁川国际机场 (ICN)，这是一个运营复杂且时变的大型枢纽机场。

参见图注
图2：仁川国际机场第一航站楼布局。该航站楼设有多个值机岛，连接至出发口和安检点等下游处理设施。这种空间配置说明了出发过程中乘客流如何在设施间传播。

在ICN，航站楼的特点是设施布局和运营结构复杂。本研究聚焦于第一航站楼，包括13个值机岛（A至N，排除I），每个岛屿分配给特定的航空公司，以及六个出发口（1-6）和六个安检点（1-6），如图2所示。由于这些设施的运营时间取决于航班时刻表以及航空公司和机场政策，乘客需求可能会在特定时期集中在特定设施上。更重要的是，航站楼内的客流表现出强烈的设施间依赖性。值机岛的使用模式会影响乘客向下游出发口的分布，而出发口的使用模式进一步影响乘客在安检点的分布。因此，拥堵可能不仅源于整体乘客需求，还源于乘客在设施间的空间分布、这些设施间的相互依赖性以及每个设施的可处理能力 (de Neufville 等 [2013](https://arxiv.org/html/2606.07622#bib.bib5))。

因此，不考虑设施间相关性的未来乘客排队动态预测是不够的。一个可靠的预测模型应同时考虑时变的航站楼运营和跨设施的异质性客流模式 (Anagnostopoulou 等 [2024](https://arxiv.org/html/2606.07622#bib.bib23))。特别地，多个值机岛使用模式的变化会引起下游设施（即出发口和安检点）的时变流入模式，而这些下游设施的历史队列状态也为未来拥堵提供了重要信息。受此运营设置启发，我们旨在通过对机场航站楼复杂顺序流程中的设施间关系进行建模，来预测未来出发口和安检点的队列长度和等待时间。此类预测可以支持更有效的人员分配和航站楼运营中的主动拥堵缓解。

参见图注
图3：所提出的机场乘客排队预测架构概览。来自出发口、安检点和值机岛的历史观测首先被嵌入到按设施划分的token中，同时包含一个可学习的全局token。然后，包括星期几和小时在内的时态上下文特征被整合到token表示中。生成的输入序列由堆叠的Transformer编码器层处理，这些层由设施自注意力、层归一化和前馈网络块组成，以捕捉设施间依赖关系。对于预测，最终的全局token与设施token的平均池化和最大池化表示进行拼接，得到的特征被传递到两个特定于设施的MLP头部，用于预测出发口和安检点的队列长度和等待时间。

## III. 方法论

我们首先阐述乘客排队预测问题，简要回顾Transformer的自注意力机制，然后介绍我们用于出发口和安检点乘客排队预测的神经网络架构。所提出架构的概述如图3所示。

### III-A 问题形式化

在机场乘客排队预测中，输入序列通过组合来自出发口、安检点和值机岛的历史观测数据构建。给定过去T个时间步的观测，在每个时间步t，我们将排队相关特征和上游客流信息连接成一个统一的表示 x_t = [x_t^{DG/SC}, x_t^{CI}]，其中 x_t^{DG/SC} ∈ R^{2F} 包含所有服务设施的队列长度和等待时间，F = M + N 表示出发口和安检点的总数，x_t^{CI} ∈ R^C 表示 C 个值机岛的旅客吞吐量。最终的输入序列定义为 X = {x_1, ..., x_T} ∈ R^{T × (2F+C)}。预测目标是在接下来的 S 个时间步内，分别预测出发口和安检点未来的队列长度和等待时间：Y_DG ∈ R^{S × (2M)} 和 Y_SC ∈ R^{S × (2N)}。我们训练一个由可学习参数 θ 参数化的预测器 f_θ，以建模历史观测 X 和未来目标之间的关系：

Ŷ_DG, Ŷ_SC = f_θ(X)  (1)

该模型通过求解以下优化问题进行训练：

θ* = arg min_θ L(Y_DG, Ŷ_DG) + L(Y_SC, Ŷ_SC)  (2)

其中 L(·,·) 表示衡量地面真实目标与预测值之间差异的损失函数。