《International Journal of Information Management Data Insights》：Airport level-of-service assessment using video analytics: a data-driven framework for airport queue monitoring
编辑推荐：
机场航站楼需要持续的服务水平（Level of Service, LoS）评估，然而商业计算机视觉系统仅提供运营性指标（计数、停留时间、流量），未与服务质量框架建立系统性关联。这一缺口阻碍了面向排队管理与资源分配的数据驱动决策。本研究开发了一种排队服务水平（q
机场航站楼需要持续的服务水平（Level of Service, LoS）评估，然而商业计算机视觉系统仅提供运营性指标（计数、停留时间、流量），未与服务质量框架建立系统性关联。这一缺口阻碍了面向排队管理与资源分配的数据驱动决策。本研究开发了一种排队服务水平（queue Level of Service, qLoS）指标，整合四类旅客体验维度——排队时间、路径距离、排队密度与行李动态——并通过对两轮收集的25名有效受访者面板运用层次分析法（Analytic Hierarchy Process, AHP）进行加权。计算机视觉流水线在标准俯视闭路电视（Closed-Circuit Television, CCTV）摄像机上运行，采用自定义头部检测模型（9267幅图像，约463,350个标注）、基于自定义RobustTracker的多目标跟踪，以及标柱校准的高度附加投影。时间加权密度方法将拥挤暴露在个体排队驻留时长上进行积分。针对47名旅客机场值机观测（经预设几何校准包络排除后，纳入子集n=43）的混合协议验证显示，43/47名旅客总体上单人排队时间一致性在±15%以内。在纳入子集上，相对地面真值的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）为4.20%。跨评分尺度粒度及三个真实受访者面板情景下AHP权重变动的敏感性分析，将场景平均qLoS置于过度设计/最优（Over-Design / Optimum）边界区域（4分制与6分制评分系统之间的Pearson r=0.9592）。利用现有CCTV基础设施的部署展示了机场信息管理中持续、数据驱动的服务质量监测的可行路径。
机场航站楼的服务质量评估是运营管理与信息管理领域的核心议题。大型机场航站楼每年处理数百万旅客，值机排队作为影响旅客满意度与运营效率的关键接触点，其服务水平（Level of Service, LoS）的科学评估具有重要现实意义。然而，现有研究体系存在明显的结构性断裂：一方面，商业排队监测系统（如基于立体视觉、WiFi/蓝牙感知或激光雷达的系统）虽能实现较高检测精度，但其输出的计数、停留时间、流率等运营性指标独立于服务质量评估框架而存在，未能与IATA（International Air Transport Association）LoS标准或旅客感知模型建立系统性关联；另一方面，机场服务质量研究虽已发展出多维框架与满意度模型，但受语言障碍、回溯偏差、时间覆盖缺口等局限，难以实现实时、连续的客观测量。国际航空运输协会《机场发展参考手册》（IATA, 2022）提供了基于人均空间（值机区1.2–2.6 m2/旅客）与等待时间阈值（经济舱0–12分钟可接受）的行业标准LoS分类，但Correia等（2008b）批评其缺乏旅客输入，ACRP Report 55（ACRP, 2011）亦发现拥挤感知对旅客LoS感知无显著影响，挑战了基于空间标准的根基。近期实证研究进一步凸显该缺口的紧迫性：Ran等（2024）基于196个中国机场60个月投诉数据的分析表明值机服务是影响整体服务质量最具冲击力的类别；Booranakittipinyo等（2024）对13个智慧机场25,572条推文的分析发现"等待"与"时间"是最高频词汇；Brun等（2025）为巴黎戴高乐机场安检点开发的排队优化框架依赖实时排队状态数据，而现有系统无法以LoS分类形式提供此类数据。Zhang等（2023）对123项航空运输服务质量研究的系统综述明确将技术赋能的服务维度与自动化监测列为探索不足领域。在此背景下，本研究旨在从信息管理与数据科学视角，考察视频分析这一非结构化数据分析形式如何系统性地链接至服务质量构念，提出qLoS指标框架，使机器学习与计算机视觉算法为运营决策提供可操作洞见。论文发表于《International Journal of Information Management Data Insights》。
为开展研究，作者采用的主要关键技术方法包括：构建包含9267幅图像、约463,350个头部标注的自定义头部检测数据集，并基于YOLO11-pose预训练权重开展迁移学习；开发自定义RobustTracker多目标跟踪算法，融合感兴趣区域（Region-of-Interest, ROI）感知状态管理、颜色直方图外观特征重识别与匈牙利算法分配；提出标柱校准高度附加投影方法，以六个已知高度（0.93 m）标柱结合反距离加权（Inverse Distance Weighting, IDW）插值补偿单应性变换的共面性约束；设计时间加权密度计算方法；运用AHP对25名有效受访者（两轮收集，第一轮10名高频航空旅客，第二轮15名通过一致性比率CR≤0.10筛选的网络问卷受访者）进行权重推导；验证数据采集于巴西东南部某区域性国际机场（SBRP）值机区，利用既有俯视CCTV（4.2 m高度、1920×1080分辨率、5 FPS、约9600帧、32分钟连续录像、15 m2蛇形排队区）观测47名完成全程排队的旅客，并采用逐帧人工地面真值提取与分层混合测量协议。
研究结果如下。在验证协议与追踪性能方面，研究采用分层混合测量协议，将完全自动化无锚定层级（14名旅客，由YOLOv12s头部检测结合SimCLR-时序重识别嵌入测量）与操作员锚定辅助层级（其余33名旅客）相结合；依预设几何校准包络准则排除4名旅客（P29、P33、P41、P43），纳入子集为43名。v13流水线在全部47名旅客观测上实现95.7%的入队至出队追踪连续性（45/47），记录到两起身份切换事件（P21–P22与P38–P39边界）。在AHP权重结果方面，合并面板（n=25）得出λmax=4.0344、一致性指标（Consistency Index, CI）=0.0115、一致性比率（Consistency Ratio, CR）=0.0127，低于0.10可接受阈值；第一轮Kendall协和系数W=0.96，第二轮CR可接受子集W=0.7506，全部提交W=0.4655。排队时间以52.11%占主导权重，路径距离25.65%、排队密度13.46%、行李动态8.78%，各面板均保持该参数排序。在排队时间验证方面，混合测量与人工地面真值的Bland–Altman比较显示偏差较小且95%置信区间含零，无系统性高估或低估；全观测43/47（91.5%）在±15%以内，纳入子集40/43（93.0%），MAPE为4.20%，平均偏差?6.7秒（?3.16%；205.44秒对212.14秒），95%一致性界限为[?76.3, +62.9]秒。在时间加权密度与行李分析方面，纳入子集上四参数均跨越其测量范围：排队时间0.18–15.76分钟、路径距离6.94–19.33米、时间加权旅客密度0.13–0.77 pax/m2、时间加权行李密度0.08–0.73 bags/m2；排队时间变异系数最高（114.8%）。时间加权与总重叠计数的比较显示平均密度差异达38.4%（0.4594对0.7457 pax/m2），最大密度差异28.1%（0.7667对1.0667 pax/m2），证实总重叠计数会系统性高估拥挤暴露。行李计数均值1.00件/旅客（SD=0.65），65.1%旅客携带恰好一件行李。在集成qLoS结果方面，4分制场景平均qLoS为1.3977（中位数1.2565，标准差0.3048），6分制为1.5205（中位数1.4448，标准差0.3847）；4分制95% t置信区间[1.3039, 1.4915]完全低于1.5，6分制[1.4021, 1.6389]跨越1.5。跨尺度LoS类别一致率为32/43（74.4%），11例分歧全部为4分制下过度设计而6分制下最优，源于6分制额外的密度与行李密度分箱边界；单人排序在两尺度间保持（Spearman ρ=0.9775；Kendall τ=0.9284），Pearson r=0.9592（95% Fisher-z置信区间[0.9255, 0.9779]；p<10?23）。在敏感性分析方面，两种扰动——评分尺度粒度与三个真实受访者面板的AHP权重变动——均可将6分制场景平均类别跨越1.5边界（6分制场景均值跨度0.1352，占5.0宽量表跨度的2.70%），而4分制类别在三种权重情景下均稳定为过度设计；单人排序在所有扰动下均保持（任意配对间Spearman ρ≥0.9985）。在与商业系统及既有方法比较方面，Xovis、BlipTrack、Outsight等商业系统仅提供运营性指标，Alanazi等（2024）的机器学习方法为回溯性满意度预测，本研究则结合自动计算机视觉测量与AHP加权多参数LoS集成，填补了文献所记载的整合缺口。
讨论部分指出，qLoS框架将非结构化视频数据转化为与行业标准对齐的结构化服务质量指标，直接回应了Zhang等（2023）所识别的技术赋能服务维度探索不足问题。跨尺度类别一致率74.4%表明两评分尺度对多数旅客产生相同LoS类别，而分歧具有信息价值而非噪声，均为同一类型且源于6分制更细尺度上额外的密度与行李密度分箱边界。敏感性分析显示场景平均分类处于过度设计/最优边界区域，该边界区域敏感性被报告为框架在类别阈值附近的固有属性，而非尺度不变稳健性的证据；AHP权重推导与Kriswardhana等（2025）证实的AHP在交通决策中产生可辩护优先级结构的结论一致。时间加权密度方法纠正了传统方法的根本测量偏差，总重叠计数高估持续拥挤并会对短暂共处的旅客触发不必要干预，该纠正与ACRP Report 55（ACRP, 2011）关于适当测量下拥挤感知对LoS感知影响有限的发现相符，并可为Anagnostopoulou等（2024）的优化人群管理策略与Nayeem等（2025）的系统动力学模型提供实时数据层。系统运行于既有CCTV基础设施，无需额外传感器安装，代码可产出多达59项指标（23项单人指标与36项聚合统计），为实时监测与历史模式分析提供粒度，其qLoS时间序列与派生指标构成适合集成至机场信息管理系统的紧凑表示，可支撑情景评估、服务退化预警与柜台分配或人员配置优化，并为Brun等（2025）的排队优化模型提供实时数据输入，实现动态而非基于预测的资源分配。研究亦指出若干局限：验证仅在单一区域性国际机场、单一蛇形队列、单柜台运营下进行，纳入子集路径距离6.94–19.33米、排队时间0.18–15.76分钟，跨机场分类、航站楼布局、旅客人口特征与文化背景的推广需进一步验证；假定旅客身高1.65米引入与实际身高偏差成比例的系统误差，不同平均身高人群及儿童、轮椅使用者需方法适配；系统要求俯视摄像机定位与涉及参考网格和标柱的校准程序，可能需针对不同航站楼建筑修改；AHP权重来自未针对SBRP旅客群体作人口分层的两轮受访者面板（n=25有效），可能需针对不同运营情境与文化期望调整；视频分析在公共场所部署涉及隐私合规要求。研究结论部分译文如下：本研究开发了一种利用视频分析与多准则决策进行机场值机区数据驱动服务质量评估的框架。四项贡献弥合了计算机视觉测量与服务质量框架之间的整合缺口：qLoS指标整合通过两轮受访者面板（n=25有效，CR=0.0127）AHP技术加权的四个参数，产出可映射至IATA服务水平类别的评分；自定义头部检测数据集（9267幅图像，约463,350个标注）赋能高遮挡排队环境下的跟踪；标柱校准高度附加投影解决了标准单应性对 elevated points 的共面性约束；时间加权密度计算显示相较传统总重叠计数在平均拥挤暴露上的可测量降低。对全部47名旅客观测（14名由完全自动化无锚定层级测量，33名由操作员锚定层级测量；纳入子集n=43）的混合协议验证显示，纳入子集40/43的排队时间一致性在±15%以内（MAPE 4.20%），跨尺度LoS类别一致率为32/43（74.4%）。敏感性分析将场景平均qLoS置于过度设计/最优边界区域（4分制与6分制之间Pearson r=0.9592），该边界区域行为被报告为框架在类别阈值附近的固有属性。系统运行于既有CCTV基础设施，无需专用传感器即可实现实际部署。上述结果源自单一机场、单一值机柜台与有限的32分钟观测期，因此推广部署主张需下述多机场、多柜台验证。未来研究可沿四个方向扩展框架：第一，融合航班时刻的排队预测模型，纳入离港时刻表、历史客流量与季节模式以在qLoS退化发生前加以预判；第二，基于qLoS预测的资源分配优化，开发在维持目标LoS阈值同时最小化运营成本的柜台分配与人员配置算法；第三，多机场部署验证，考察跨不同航站楼布局、机场分类（区域、国内枢纽、国际枢纽）及影响旅客期望的文化背景的泛化性；第四，方法学扩展，包括更大覆盖范围的多摄像机部署、超出观测运营范围的高密度情景验证，以及第6节所识别的标柱校准投影的专门逐点几何验证。这些扩展将实现主动而非被动的排队管理。
