机场出租车司机等待决策优化方案研究

石镜琨 顾东晨 陈锋 姚小小 郑钰泓

摘要：出租车司机将乘客送往机场后将面临前往蓄车池排队等候乘客的选择。首先使用多属性模型对数据进行无量纲处理，然后计算权重计算矩阵，通过优化BP神经网络创建用于多属性决策的基于矩阵的仿真模型。通过50000次BP神经分析，可得结论，当蓄车池中的车辆数量与观察到的航班数之比接近6.623时，目标值接近0。

关键词：多属性决策;模型优化;BP神经网络;无量纲化

中图分类号：U492.433 文献标识码：A 文章编号：1007-9416（2020）05-0073-01

1问题的提出

随着时代飞速发展，世界各地联络日益密切，机场的地位越来越重要，乘客下飞机后要前往市区或周边目的地，出租车成为了旅客集散的主要交通工具之一。出租车送客到车站后有两种选择：

（1）出租车前往到达区排队等候载客，返回市区。

（2）出租车返回市区载客。

在某个时间段内抵达航班数量和蓄车池是司机可知信息。根据实际情况，建立模型研究下列问题：

1）分析研究影响出租车司机决策的相关因素，选择司机决策的必要模型，并提出选择策略。

2）收集机场及其城市的相关信息，为司机提供合理选择。

2模型的建立求解

本文以上海虹桥机场为例，收集相关各类数据进行处理。通过多属性决策模型对数据进行无量纲化处理并建立矩阵计算权重，然后通过优化BP神经网络建立一个数据基于多属性决策中矩阵的仿真模型，从而确定司机决策方案。

2.1虹桥机场平均车流量高峰期的研究分析

根據上海交通网提供数据可知，每日有两次高峰：一次在午问，交通总量占全天总出行量20.6%;二次高峰在傍晚，交通总量占全天出行量18.9%。

2.2分析影响机场出租车司机决策的相关因素

影响机场出租车决策的因素有平均排队时间蓄车池中车辆数、某时段航班数量、旅客上车服务时间。排队时间是指从出租车抵达蓄车池，位列排车队伍末尾，到车辆旅客开始登车为止的时长。

2.3基于多属性决策模型算法的数据无量纲化处理

多属性决策模型主要组成有两种：

（1）获取决策信息：决策信息是指属性权重和属性值;

（2）通过一定方式进行决策信息集结，进行排序和择优处理。

2.4基于BP神经网络决策模型的建立

2.4.1模型建立

BP神经网络如图1，输入层是接受外界输入信息，并传入隐层神经元。中间隐层神经元负责运用一系列算法处理信息，最终将信息传递给输出层。设神经元网络有n个输入神经元，m个输出神经元，p个隐层神经元。

2.4.2BP神径元网络模型的改进

（1）数据的选取与处理。通过研究上海强生出租车公司一天内出租车坐标位置、空载状态和时间。筛选经纬度坐标位于[121.333905，31.20811]至[121.346817，31.23347]的出租车，记录其空载状态、数量和时间。通过强生出租车公司停留虹桥机场的出租车数量推断蓄车池出租车总数。