基于时刻表信息的机场安检口每小时吞吐量时间融合预测

# 基于航班时刻信息的机场安检口每小时吞吐量时序融合预测
Source: https://arxiv.org/html/2608.02950
\\captionstyle\\normalcaptionwidth

\\TRBauthor

Yinxiao ZhangSchool of Aviation and Transportation Technology, Purdue Universityzhan3110@purdue\.edu\[West Lafayette, Indiana, 47907\]\[https://orcid\.org/0009\-0007\-6653\-5891\]\\TRBauthorSen Wang, Ph\.D\.\*Department of Geography, The Ohio State Universitywang\.18872@osu\.edu\[Columbus, Ohio, 43210\]\[https://orcid\.org/0000\-0001\-9891\-0325\]\\TRBauthorYi Gao, Ph\.D\.College of Aeronautics and Engineering, Kent State Universityygaoaero@kent\.edu\[Kent, Ohio, 44240\]\[https://orcid\.org/0000\-0002\-5996\-3288\]

\\AuthorHeaders

Zhang, Wang, and Gao

## 摘要

**目标：** 安检口的排班决策不仅取决于筛查多少名乘客，还取决于安检负荷何时出现。然而，航班时刻表标记的是起飞时间，而乘客更早到达安检口。我们开发并评估了一个框架，将已知航班时刻转换为时间对齐的信号，用于预测每小时安检口吞吐量。

**方法：** 使用2023–2024年美国运输安全管理局（TSA）每小时吞吐量数据和Cirium Diio公司提供的哈茨菲尔德-杰克逊亚特兰大国际机场航班时刻表，我们按时间顺序训练和验证模型，并保留2024年7月至12月作为测试集。通过截断泊松提前时间核函数，将国内和国际座位容量分布到起飞前的各个小时。时序融合Transformer将这些到达强度信号与历史吞吐量、航班计划活动以及日历和季节变量进行融合。直接六小时预测和递归24–96小时预测与使用相同输入、五种随机种子的循环神经网络和长短期记忆模型进行了基准对比。

**发现：** 对于直接六小时预测，所提出模型的加权平均绝对百分比误差为9.33%，而循环神经网络为12.16%，长短期记忆模型为11.37%，并且在第75和第90吞吐量百分位数以上取得了最低误差。在六小时递归更新的情况下，该指标在24–96小时预测范围内保持在10.60%至11.04%之间，没有出现单调的总体误差增长；然而，更长的预测范围对应的有效预测起点较少。

**创新点：** 该框架没有将计划起飞视为同期需求，而是将其转换为预测发布时可用的时间分布式安检负荷信号。这种从航班时刻到安检口的表示形式将起飞前提前时间结构编码到可解释的多步预测中，无需个体乘客与航班的匹配。

**实际应用：** 这些预测可为提前排班、通道开放决策和多日安检口规划提供参考。应将其与当地容量、人员、队列和等待时间信息结合使用，因为观测到的吞吐量反映的是实际处理情况，而非无约束的乘客到达情况。

## 引言

机场安检是机场航站楼运营中的关键瓶颈，因为它决定了乘客进入航站楼隔离区的方式，并直接影响乘客处理、排队形成、人员配备需求和服务可靠性。在美国，美国运输安全管理局（TSA）国内航空运营部门负责近440个联邦化机场的安检工作，每天筛查超过两百万名乘客[PerformanceGov2026]。在此规模下，即使短暂的需求与容量失衡也可能导致长队、安检通道利用不足或超负荷运行，以及乘客体验下降。由于安检能力是通过离散的运营决策（如开放通道和指派运输安全官）来调整的，因此准确的需求预测对于管理工作绩效至关重要[hanumantha2020demand]。

乘客量预测的实用性不仅取决于预测精度，还取决于预测是否与安检口决策的时间尺度一致。每日乘客总量可能描述了机场活动的总体水平，但对于管理小时内/日内的安检压力提供的指导有限。在安检口，拥堵是由随时间变化的乘客流入与可用安检能力之间的相互作用产生的，这一关系与常用于分析服务系统和机场运营的排队理论一致[hu2023passenger,jacquillat2015integrated]。因此，人员配备水平、通道开放决策和队列管理行动必须在队列累积之前预判需求波动。这就产生了一个既涉及时间又涉及运营的预测问题：必须以足够精细的分辨率估计乘客需求，以支持日内安检口管理和主动资源分配。

TSA安检口预测的核心挑战之一是，航班时刻表虽然能提供未来安检需求的信息，但无法与乘客进入安检过程的时刻在时间上对齐。计划起飞时间表示乘客何时离开机场系统，而安检口需求是在此之前产生的，因为乘客到达后需要完成安检前活动，并在登机前通过安检。从安检口到达至航班起飞之间的提前时间可能因航班类型、旅客特征、机场布局、航空公司指引以及对处理时间不确定性的感知而有所不同。因此，一次计划起飞会在之前的时间区间内产生一个分布式的安检需求模式，而不仅仅是在其起飞时刻。这种时间位移促使我们需要一种基于航班时刻的表示方法，将未来航班活动从起飞时间信息转换为预期的起飞前安检负荷曲线。

已有研究为该问题提供了重要基础。乘客需求预测研究探索了统计、仿真、机器学习和深度学习方法，用于在不同时间尺度上估算航空旅行量[alsayed2026air,ruiz2020simulation,ghandeharioun2023exploring,kanavos2021deep]。关于机场航站楼和安检口运营的相关研究也表明，航班时刻表、乘客到达分布和历史客流模式可以支持航站楼流量预测、安检口需求估计和劳动力分配决策[lin2023prediction,viana2024explainable,alodhaibi2019impact]。在这些文献的基础上，本研究进一步将基于航班时刻的到达逻辑与多步预测相结合，共同使用历史吞吐量模式、已知的未来航班时刻信息和时间协变量。这种整合至关重要，因为安检口预测不仅要捕捉安检需求的预期量级，还要捕捉该乘客到达模式可能出现的时段。

为了将这种整合付诸实践，我们开发了一个基于航班时刻信息的每小时TSA安检口吞吐量预测框架。在可用数据的基础上，我们使用观测到的每小时TSA吞吐量作为已实现的安检负荷指标，而无法直接观测的安检前到达过程则通过航班时刻派生协变量来表示。使用截断泊松提前时间核函数，将计划起飞转换为起飞前到达强度特征。然后，这些特征与历史TSA吞吐量、航班时刻指标、日历变量和季节时间特征一起被整合到时序融合Transformer框架中，该框架支持具有历史观测、已知未来输入和时变协变量的可解释多步预测[lim2021temporal]。这一表述在运营上至关重要，因为目标不仅是估计安检需求的规模，还要将该需求分配到正确的时段。即使规划窗口内的乘客总量预测得相当准确，如果在不同时段间错置需求，也可能削弱预测对安检口规划的实用性。

本研究为机场运营做出三项贡献。第一，它将每小时TSA吞吐量预测定义为安检口安检负荷管理问题，而非一般的乘客量预测任务。第二，它开发了一种基于航班时刻的到达强度表示，解决了计划起飞与安检口需求之间的时间不匹配。第三，它将这些特征整合到一个基于注意力的多步转换框架中，并在直接预测、滚动预测、更长预测范围和高吞吐量预测设置下评估性能。总之，这些贡献推进了一种将已知未来航班时刻、历史吞吐量模式和具有运营意义的安检口需求预测联系起来的方法。

本文其余部分组织如下。第2节回顾并综合相关文献。第3节介绍研究范围、分析框架以及用于构建变量的数据。第4节展示实证结果。第5节讨论研究结果的意义，承认研究的局限性，并指出未来研究方向。第6节给出结论性意见并总结研究的主要贡献。

## 文献综述

### 客流预测

机场乘客预测传统上用于支持机场、航线、区域或国家层面的规划决策。该领域的大部分文献使用计量经济学、统计学、时间序列或机器学习方法估计乘客量[tsui2014forecasting,kanavos2021deep,alsayed2026air]。这些研究为航空旅行需求建模提供了重要的方法论基础，但其预测目标通常比本研究所关注的运营问题更为宽泛。对于安检口管理而言，核心关注点不仅是有多少乘客将出行，还包括乘客何时进入安检流程。

近年来，机场客流研究已更接近这一运营视角。[hopfe2024short]比较了传统时间序列模型与神经网络方法在美国主要机场的短期安检口客流预测中的表现，表明循环神经网络可以改善预测性能，尤其是在包含外生变量时。[guo2022forecasting]开发了一个机器学习框架，用于实时概率预测机场中转客流，包括到达边检和安检区域的客流。[viana2024explainable]提出了一个可解释模型，用于预测辛辛那提/北肯塔基国际机场的安检口到达乘客数，强调短期预测对TSA官员排班和资源规划的重要性。

另一相关研究流将客流预测直接与安检口资源配置联系起来。[hanumantha2020demand]将需求预测与动态劳动力分配相结合以改善机场安检运营，而[brun2025schedule]则利用预测客流优化安检口开放时刻表和人员配置。这些研究表明，当安检口预测能够支持人员配备、通道开放和服务可靠性决策时，它们就具有实际价值。然而，它们也暗示了一个更具体的预测挑战：为了支持这些决策，预测需求必须被分配到正确的运营时段。这就提出了如何将未来航班时刻表转换为安检口到达时间的问题。

### 从航班时刻到安检口到达强度

航班时刻表是机场客流预测中已知未来信息的关键来源。计划起飞为出港活动提供了提前信息，包括起飞时间、航班频率、飞机尺寸以及乘客生成事件的时间集中度。然而，起飞时间并不等于安检口到达时间。离港乘客通常提前到达，完成值机或行李托运等安检前活动，并在起飞前的一段时间内进入安检。这个过程的时间安排因乘客类型、航空公司、旅行目的、行李状况、机场布局以及感知的处理不确定性而异。

关于乘客到达模式的研究为建模这种时间位移提供了基础。[alodhaibi2019impact]表明到达模式会影响出港机场流程，包括值机、安检和边检。[postorino2019airport]使用提前到达函数对机场乘客到达进行建模，强调到达时间应相对于计划起飞时间来表示。[lin2023prediction]表明航班安排可以预测乘客在航站楼各区域的分布，但乘客高峰在值机、安检和出发区域出现的时间不同。这些研究表明，航班时刻表只有在转换为乘客在航站楼内移动的时间之后才具有信息价值。出现分布（show-up profile）文献将这种从航班时刻到到达的联系明确化。出现分布描述乘客在计划服务事件之前到达的概率分布。[bernstein2026frontiers]展示了如何将这些分布与已知航班时刻表相结合，生成聚合的乘客到达预测。这一思想与机场安检尤为相关，因为详细的乘客-航班匹配数据或个人级别的到达记录往往不可获得。在这种情况下，必须从可观测的运营数据中推断到达行为，并通过基于航班时刻的到达分布来表示。

这启发了本研究所使用的基于航班时刻的到达强度特征。观测到的TSA吞吐量衡量了已实现的安检负荷，但无法识别个别乘客的航班特定到达行为。简单的每小时离港计数可能捕捉到广泛的总体活动水平，但由于乘客在起飞前接受安检，这种计数可能会错置需求。一种更合适的表示方式是将每架计划起飞的影响分散到之前的时间区间。因此，本研究利用截断泊松提前时间核函数将计划起飞转换为起飞前到达强度特征。

### 多步预测

TSA吞吐量预测是一个具有异构输入的多步时间序列问题。历史吞吐量捕捉了循环出现的安检负荷模式，包括一天内的高峰时段、工作日变化、季节性以及机场特有的运营节奏。航班时刻表提供了已知的未来信息，而基于航班时刻的到达强度特征则将时刻表转换为预期的安检负荷时间。日历和季节时间特征提供了额外的时间结构。因此，合适的模型必须结合历史观测、已知的未来协变量和跨多个预测范围的时变预测变量。

深度学习方法在交通预测中越来越常用，因为它们能够表示多个预测变量之间的非线性时间关系[polson2017deep,choi2021artificial,nguyen2018deep]。在机场客流预测中，神经网络模型已显示出对短期预测的潜力，尤其是在包含外生变量时[hopfe2024short,mon]。