数据竞赛思路分享：机场客流量的时空分布预测解读.docVIP

数据竞赛思路分享：机场客流量的时空分布预测 1. 问题描述 机场拥有巨大的旅客吞吐量，与巨大的人员流动相对应的则是巨大的服务压力。安防、安检、突发事件应急、值机、行李追踪等机场服务都希望能够预测未来的旅客吞吐量，并据此提前调配人力物力，更好的为旅客服务。本次大赛以广州白云机场真实的客流数据为基础，每天数万离港旅客在机场留下百万级的数据记录。希望参赛队伍通过数据算法来构建客流量预测模型。 2. 数据概览 提供的数据： 3.1初赛数据描述 初赛提供了2016-10-09至2016-09-25的数据 3.2初赛问题描述 选手需要预测未来三小时（9月25日15:00:00到18:00）的时间窗口里，机场内每个WIFI AP点每10分钟内的平均设备连接数量 3.3初赛解决方案 简要概括：均值加趋势 数据预处理： 提供的表格中时间数据都是精确到秒，而所提交的结果要求是每10分钟的平均情况，所以我们首先需要将数据按照每十分钟的间隔汇总起来（详细代码见Github） 此处提供两种方案: 以airport_gz_wifi_ap表为例截取time_stamp的部分字符串，然后按照截取的time_stamp和wifi_ap_tag进行aggregate t = t0[:15] # 例如将t0 = 2016-09-10-18-55-04截取为t = 2016-09-10-18-5 将数据按照时间排序，然后抽出每十分钟的数据进行处理后整合，这个方式可能会比较麻烦，但是这个方式有他的优势，我们只需调整一个参数，便能让数据按照任意的时间间隔进行统计，便于以后复用函数 此处附加Python处理时间格式的一些函数 我们可以直接使用pandas中的参数解析时间数据 # Normal df =pd.read_csv(path, parse_dates=[column name]) # Special dateparse = lambdax: pd.datetime.strptime(x, %Y-%m-%d %H:%M:%S) df =pd.read_csv(path, parse_dates=[column name], date_parser=dateparse) 当然也可以自己写函数处理 import pandas as pd def ReturnTimeElement(Date): return [int(t) for t in Date.split(-)] def TransToTime(TimeElement): return pd.datetime(*(TimeElement)) def GetTime(Date): TimeElement = ReturnTimeElement(Date) Time = TransToTime(TimeElement) return Time T = 2016-10-19-9-47-00 GetTime(T) datetime.datetime(2016, 10, 19, 9, 47) 处理后可以得到如下数据,命名为WIFITAPTag_Mean_All 问题分析： 对于这个预测问题有以下关键两点： 机场每天的排班表基本稳定，用户在机场内的行走模式也基本稳定 时间序列具有一定程度的连续性，下午三点至六点的情况会一定程度延续此前几小时的情况 基于以上两点想法，就得到了两个基本模型：均值模型和时间序列模型 比赛初期只提供了前三个表格，所以开始就注重分析了这几个表格，例如从WIFIAPTag中可以提取出大概的位置信息和楼层信息，分组统计不同区域的WIFIAP是否有接近的模式，同时也可从安检和出发表格中寻找一定的关联等等。 但是经过分析发现，airport_gz_security_check及airport_gz_departure的数据虽然和airport_gz_wifi_ap的数据有一定的关联，但是其本身存在较大的随机因素，用随机预测随机存在太大的变数，不如只使用airport_gz_wifi_ap中的数据进行更稳定的预测(当然肯定也有队伍能很好得从airport_gz_security_check及airport_gz_departure中提出很很棒的特征)。后期提供的几个表格由于数据质量问题，经分析后发现贡献不是特别大，故也没有进一步利用。 因而之后要说的均值模型和时间序列模型都基于WIFITAPTag_Mean_All表格的数据，并且是以WIFIAP为对象， 每一个分开预测。 数据探索： 接下来让我们对数据有一个大概的了解 def GetTimeS