随着我国民航业的飞速发展,各大枢纽机场旅客吞吐量急剧增加,机场内部人员、设备等资源调配与安防、突发情况应对等压力凸显。与此同时,在数字化时代,各机场业务数据库储存了大量旅客行为数据,如何充分利用海量数据对机场内短时离港旅客流量的时空分析预测,以大数据驱动提升机场服务、预测和应变应急能力在大数据时代显得尤为重要。本文利用广州白云机场真实的客流数据,在对原始数据进行有效预处理的基础上,对机场离港旅客短时流量时空分布进行了研究,旨在发现机场内短时旅客流量的分布特征。基于此从客流规律、旅客定位、行为规律三个角度就机场离港旅客流量进行了分析预测,最终基于大数据的视角得到了机场离港旅客短时流量时空分布的预测模型,以期为机场实施大数据驱动管理提供一定的参考依据。研究发现:第一,无特殊情况下,周末和工作日搭乘航班的旅客人数差异较小,但周末航班晚点情况较普遍,导致机场旅客滞留较长时间,机场内候机区域的旅客流量比工作日高;退票旅客均集中为E1、E2两个区域起飞的航班,且该区域的旅客流量较小,没有得到充分的利用;此外,离港旅客值机完成至安检平均需要30分钟,旅客提前值机、安检的时间间隔分布呈现厚尾特征。第二,分析预测机场离港客流实证结果说明:每个工作日的旅客流量分布基本一致,采用均值模型预测效果较好;机场内WIFI连接设备数量与旅客流量呈现中等相关性、弱相关性,无强相关性;旅客提前安检的时间间隔分布还具有混合分布的特征,其后半段服从幂律分布,整体服从对数正态分布,基于旅客提前安检对数正态分布的预测方法效果略差。最终选择均值模型作为预测方法,为机场内大数据驱动精准管理提供了量化分析依据,同时验证了“奥卡姆剃刀定律”,为大数据背景下模型简单化提供了重要参考。本文创新之处在于从大数据视角分析机场短时(10分钟)客流量时空分布问题,同时验证了无线网络(WIFI)连接人数进与不同区域内机场离港旅客流量无强相关关系。不足之处在于受限于数据的可得性,只分析了正常情况下的时空分布,对于天气异常等情况下的分布规律有待今后进一步研究。