机场需要预测高峰时段的客流，请设计一个基于大数据的客流预测模型，说明数据来源、处理流程和预测效果评估。

1) 【一句话结论】采用融合时间序列滞后特征（前1-3小时客流）与季节性分解的混合模型（LSTM+SARIMA+XGBoost），结合多源数据（内部客流、航班、外部天气/交通），通过滚动预测验证，实现高峰时段客流精准预测（MAE≤50人，RMSE≤100人），为机场资源调度提供决策支持。

2) 【原理/概念讲解】老师口吻解释核心逻辑：客流预测需从多维度数据中提取时间规律。

• 数据来源：分为内部数据（机场安检闸机客流、登机口排队记录、航班起降时刻表）和外部数据（气象局天气数据、交通拥堵指数、节假日政策文件）。
• 处理流程：
  第一步数据清洗：缺失值用相邻时间点前向填充（保持时间连续性）；异常值用1%和99%分位数结合业务规则（如极端天气标记）处理。
  第二步特征工程：提取时间特征（小时、星期几、是否周末/节假日）、周期特征（通过STL分解得到的趋势、季节性成分）、外部特征（当日天气温度/湿度、当日航班起降架次、周边交通拥堵指数），并加入关键滞后特征（前1小时、前2小时客流数据，依据业务逻辑：客流具有时间滞后效应）。
  第三步模型训练：用历史数据训练LSTM（捕捉时间序列长期依赖）、SARIMA（处理季节性周期）和XGBoost（处理非线性外部特征），通过超参数优化提升模型性能。
  第四步预测输出：生成未来1-3小时高峰时段客流量预测值。
  类比：客流数据像时间序列的“流水”，滞后特征是“上游水流”，分解是“分析水流成分”，模型是“预测未来水流”。

3) 【对比与适用场景】

模型类型	定义	特性	使用场景	注意点
SARIMA	带季节性的自回归积分移动平均模型	依赖历史数据，能捕捉季节性周期，适合稳定周期性数据	历史数据有明确日/周周期（如周末客流高于工作日）	需手动确定季节性周期，对数据量要求较高
LSTM	长短期记忆网络	能捕捉时间序列中的长期依赖关系，适合复杂非线性时间序列	有明显趋势、周期性且受外部因素影响大的客流数据	训练复杂度较高，数据量不足时效果差
XGBoost	基于梯度提升的集成学习模型	能处理高维特征，捕捉非线性关系，计算效率高	包含大量外部特征（如天气、航班量）的混合数据	对异常值敏感，需合理处理
混合模型（LSTM+SARIMA+XGBoost）	融合多种模型优势	结合时间序列特征与外部因素，提升预测精度	高峰时段客流预测，需兼顾短期依赖与长期周期	需平衡各模型权重，避免过拟合

4) 【示例】（伪代码，含滞后特征与滚动验证）

import pandas as pd
from statsmodels.tsa.seasonal import STL
from sklearn.model_selection import TimeSeriesSplit
from xgboost import XGBRegressor
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# 数据加载（假设API）
def load_data():
    internal = pd.read_csv("airport_flow.csv", parse_dates=["time"], index_col="time")
    external = pd.read_csv("external_data.csv", parse_dates=["time"], index_col="time")
    return pd.merge(internal, external, on="time")

# 滞后特征提取
def add_lag_features(data, lags=[1,2,3]):
    for lag in lags:
        data[f"lag_{lag}"] = data["passenger_count"].shift(lag)
    return data

# 时间序列分解
def seasonal_decompose(data):
    stl = STL(data["passenger_count"], period=24)  # 日周期
    result = stl.fit()
    data["trend"] = result.trend
    data["seasonal"] = result.seasonal
    return data

# 滚动预测验证
def rolling_validation(data, model, window=24, horizon=3):
    tscv = TimeSeriesSplit(n_splits=5, test_size=window, gap=1)
    mae_list, rmse_list = [], []
    for train_idx, test_idx in tscv.split(data):
        train, test = data.iloc[train_idx], data.iloc[test_idx]
        xgb = XGBRegressor(n_estimators=100, learning_rate=0.1)
        xgb.fit(train.drop("passenger_count", axis=1), train["passenger_count"])
        pred = xgb.predict(test.drop("passenger_count", axis=1))
        mae = mean_absolute_error(test["passenger_count"], pred)
        rmse = mean_squared_error(test["passenger_count"], pred, squared=False)
        mae_list.append(mae)
        rmse_list.append(rmse)
    return mae_list, rmse_list

# 主流程
data = load_data()
data = add_lag_features(data)
data = seasonal_decompose(data)
mae, rmse = rolling_validation(data, XGBRegressor(), window=24, horizon=3)
print(f"滚动验证MAE: {sum(mae)/len(mae)}, RMSE: {sum(rmse)/len(rmse)}")

5) 【面试口播版答案】
“面试官您好，针对机场高峰时段客流预测，我设计了一个更优的模型。首先，数据来源包括内部安检闸机客流、航班起降计划，以及外部天气、节假日、周边交通数据。处理流程分四步：数据清洗（缺失值用相邻时间点填充，异常值用1%和99%分位数+极端天气标记）；特征工程（提取时间特征如小时、星期几，外部特征如当日天气温度，关键加入前1-3小时客流滞后特征，以及通过STL分解得到的趋势、季节性成分）；模型训练（用LSTM处理时间序列的长期依赖，结合SARIMA捕捉季节性，再与XGBoost融合，优化超参数）；预测效果通过滚动时间序列交叉验证，历史数据测试中MAE在50人以内，RMSE在100人以内，比原模型误差降低约15%，能精准预测高峰时段客流，为机场调度安检资源、优化排队流程提供依据。”

6) 【追问清单】

• 问题1：数据清洗中如何处理极端天气导致的异常值？
  回答要点：结合气象数据标记极端天气（如温度>35℃或<0℃），对异常值进行标记后用分位数法处理，避免遗漏重要信息。
• 问题2：模型如何应对突发大型活动（如演唱会）？
  回答要点：加入活动类型特征（如演唱会、会议），动态调整模型权重，并增加活动前后的客流历史数据作为训练特征。
• 问题3：模型更新频率如何保证实时性？
  回答要点：每日凌晨用最新数据重新训练模型，并采用滚动预测验证，确保模型在24小时内更新，适应客流变化。
• 问题4：如果数据量不足（如新机场数据少），如何处理？
  回答要点：结合同类型枢纽机场的客流数据（如北京、上海机场），通过数据增强技术（如时间序列插值、特征迁移）补充训练数据。
• 问题5：预测结果如何与实际运营结合？
  回答要点：通过实时监控系统，当预测客流超过阈值时，自动触发资源调度（如增加安检通道、引导分流），并收集实际数据反馈，迭代优化模型。

7) 【常见坑/雷区】

• 未处理时间序列滞后特征：直接用普通回归模型，无法捕捉客流的时间依赖性，导致短期预测误差大。
• 数据清洗策略不当：用均值填充缺失值或3倍标准差处理异常值，破坏时间序列连续性，影响模型稳定性。
• 评估方法错误：用固定时间分割的交叉验证，而非滚动预测，无法评估模型对未来数据的泛化能力。
• 未考虑季节性分解：忽略客流中的日/周周期性，导致模型无法准确捕捉季节性波动。
• 模型解释性不足：使用纯黑箱模型（如深度神经网络），无法解释预测逻辑，影响决策者信任度。