CN104751681A - 一种基于统计学习模型的停机位分配方法 - Google Patents

Abstract

本发明公开了一种基于统计学习模型的停机位分配方法，采用先验概率预测模型，根据某航班历史飞行情况产生起飞时间差值概率集合、飞行时间差值概率集合、落地时间差值概率集合，从而预测该航班的到站时间概率分布以及停机坪指廊空闲度，从而进行航班停机位分配。本发明一种基于统计学习模型的停机位分配方法，基于指廊分配，有利于航班只做相近停机位的调整，缩短了旅客的步行距离，同时，方便对停机位使用情况的进行整体评估；基于概率分配，可以按照航班的计划落地时间概率进行分配，提高了停机位分配的准确性，降低了因航班延误导致的停机位调整次数，同时提高了旅客的满意度；综合提高了停机位的利用率，保证停机位资源的合理分配。

Description

一种基于统计学习模型的停机位分配方法

技术领域

本发明属于智能计算技术领域，具体涉及一种基于统计学习模型的停机位分配方法。

背景技术

随着国民经济的发展和人民生活水平的提高，人们生活节奏加快、时间价值观念越来越强，越来越多旅客选择飞机出行。由于当前机场停机位、登机口等资源已经相当有限，但是随着飞机数量的快速增长，而机场规模不能无限扩大，这将造成机场停机位资源紧张，制约我国民航运输发展。停机位是机场的重要资源，是实现航班快速安全的停靠，保证航班之间的有效衔接，提高整个机场系统容量和服务效率的一个关键因素。机场停机位分配问题己经成为制约机场发展的瓶颈之一。

目前，解决机场停机位资源紧缺问题主要有两种方法：一、从硬件方面增加停机位资源，即扩建停机坪或新建机场。但是这需要投入大量的资金、人力、物力，同时需要占用大量的土地，并对周围社会环境有着极大的影响，这种改扩建需要一个长期的战略性考虑。二、从软件方面提高停机位资源的优化配置。可以在停机位资源紧张无法解决的情况下，通过科学、合理的方法对现有的停机位资源进行高效的优化分配来提高机场停机位利用率及均衡度。针对停机位分配问题，国外在这一领域已进行了大量研究，主要研究方法有：关键路径法，分支定界法，整数规划法，专家系统，启发式算法，网络流，多目标规划等。

停机位分配是整个机场地面运行组织的关键要素之一，由于机场信息系统的复杂性，国内所研制的信息系统中的停机位的分配绝大多数只达到半自动化程度，即提供各种分配方案给机场调度人员选择，然后再进行人工调整。现今，各大中型机场的停机位分配基本上还是调度人员根据个人的经验，通过简单的计算机辅助以人工排序方式进行分配，难以保证机场停机位资源的合理分配。在规模较大、而且日益繁忙的干线机场，这种方式已经成为机场运营的薄弱环节，不能适应民航业整体的健康发展。

发明内容

本发明的目的是提供一种基于统计学习模型的停机位分配方法，解决了现有由于大量航班延误导致的停机位调整次数较高、停机位利用率低的问题。

本发明所采用的技术方案是：一种基于统计学习模型的停机位分配方法，具体包括以下步骤：

步骤1，根据航班历史数据计算其他机场航班到本场的起飞时间差值概率分布Dep；

步骤2，根据航班历史数据计算其他机场航班到本场的飞行时间差值概率分布Fly；

步骤3，补全步骤1得到的Dep和步骤2得到的Fly，使之均成为全时刻表，其中Dep和Fly不含的时刻对应的概率均用0补全；利用补全后的Dep和Fly计算从某一机场到本场的航班落地时间差值概率分布Arr，选择Dep和Fly中起飞机场、落地机场相同的数据进行时间相加，概率相乘的方式进行计算，得到Arr；

步骤4，对次日航班按本场计划落地时间进行排序，依次选择Arr中起飞机场、落地机场、机型均与其航班一致的数据，进而对其的计划到站时间进行累加，预测其到站时间的概率分布表；

步骤5，将步骤4的航班到站时间的概率表分布加入各指廊的空闲机位时刻表中，相同的到站时间其概率进行累加运算，然后利用各指廊的到站时间概率计算各指廊的停机位空闲度Emp；

步骤6，对比步骤5计算得到的各指廊空闲度Emp，将航班分配到Emp最大的指廊中，在指廊中将航班的机型与停机位的大小进行匹配，如果各停机位均不受此航班机型限制则进行轮流分配。

本发明的特点还在于，

步骤1中历史数据包括航班起飞站、经停站、落地站、机型、计划起飞时间、实际起飞时间。

步骤1具体按照以下算法实施：设同一机场到本场的航班起飞时间差值有m个，则起飞时间差td对应的概率为其中Σ_td为时间差值均为td的个数，Dep为一个概率集合Dep＝{η_td,td∈[-8,287]}。

步骤2中历史数据包括航班起飞站、经停站、落地站、机型、计划起飞时间、实际起飞时间。

步骤2具体按照以下算法实施：设同一机场到本场的航班飞行时间差值有n个，则飞行时间差tf对应的概率为其中Σ_tf用来统计满足时间差值为tf的数据个数，Fly为一个概率集合Fly＝{η_tf,tf∈[-8,287]}。

步骤3具体按照以下算法实施：分别设从某一机场到本场的航班的Arr中差值有h个，则对应概率即为h个，h＝m×n，对应的时间差ta＝td_i+tf_j(i∈[0,m],j∈[0,n])，时间差的概率为 ${\mathrm{\η}}_{t{a}_h}={\mathrm{\η}}_{t{d}_i}\×{\mathrm{\η}}_{t{f}_j}(i\∈[0,m],j\∈[0,n\left]\right),$ 因为ta的集合中有相同的值，则对相同差值的概率相乘即为最终差值的概率值，去除h中相同的值则Arr中差值有h’个，Arr为一个概率集合Arr＝{η_ta,ta∈[-16,287]}。

步骤5具体按照以下算法实施：

步骤5.1，将各指廊中已分配的航班的到站时间概率表进行整合，即为一个二维矩阵A[p,q]，p代表各航班的到站时间概率，为指廊中的现有航班个数，q代表到站时间差值，q＝288+16；

步骤5.2，将此航班的到站时间概率表加入各指廊的航班到站概率矩阵中，此时矩阵变为B'[p+1,q]；

步骤5.3，将矩阵B'[p+1,q]转换为一维数组B″[q]，其中各数值为B'中对应列中所有行值的和；

步骤5.4，利用各指廊的到站时间概率计算各指廊的停机位空闲度Emp，计算公式为其中16+287为整个指廊中航班可能到站时间范围，f为整个指廊的航班数量，η为该时刻对应的到站概率。

本发明的有益效果是：本发明一种基于统计学习模型的停机位分配方法，采用先验概率预测模型，根据某航班历史飞行情况预测该航班的到站时间概率分布以及停机坪指廊空闲度，从而进行航班停机位分配，基于指廊分配，有利于航班只做相近停机位的调整，缩短了旅客的步行距离，同时，方便对停机位使用情况的进行整体评估；基于概率分配，可以按照航班的计划落地时间概率进行分配，提高了停机位分配的准确性，降低了因航班延误导致的停机位调整次数，同时提高了旅客的满意度；综合提高了停机位的利用率，保证停机位资源的合理分配。

附图说明

图1是本发明基于统计学习模型的停机位分配方法中指廊的数据结构示意图；

图2是本发明基于统计学习模型的停机位分配方法中的停机位预分配类关系示意图；

图3是本发明基于统计学习模型的停机位分配方法中的停机位预分配数据流图；

图4是本发明基于统计学习模型的停机位分配方法中的停机位预分配总体流程示意图；

图5是本发明基于统计学习模型的停机位分配方法中的指廊空闲度预测流程示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于统计学习模型的停机位分配方法，在现有停机位分配机制的基础上，采用指廊分配，同时结合航班到站时间概率预测和指廊空闲度预测的方法对航班进行停机位分配。

(1)基于指廊的分配原则

指廊，是一组相邻停机位的集合，既包括靠廊桥的一组停机位，也包括一组相邻的远机位。同一指廊内的停机位相邻、登机口相邻。

将一个指廊作为一个整体进行分配，增加了航班时刻偏离预定计划时的调整余地，有利于航班尽可能按预定计划进入停机位，或者只做相近的调整。

(2)基于先验概率的分配原则

由于航班的实际落地时间总是与计划有一定的偏离，此偏离值按一定的概率分布，因此基于概率对各指廊中停机位占用情况进行评估并分配。

起飞时间差值概率：某航班实际起飞时间与计划起飞时间之间的时间偏差及其概率；

飞行时间差值概率：某航班实际飞行时间与计划飞行时间之间的时间偏差及其概率；

落地时间差值概率：某航班实际落地时间与计划落地时间之间的时间偏差及其概率。

(3)基本数据结构：机场停机位总体—>若干指廊—>每个指廊包括若干个停机位，其示意图如附图1所示。

采用“面向对象”的思想，利用其继承的特征，将多个不同的时间概率表从父类总体时间概率表中派生，增加了设计的灵活性、结构性以及代码的可复用性。父类及派生类之间的具体关系说明如下，类关系图如附图2所示。

父类：RateList(时间概率类)，定义了时间差值和概率两个基本属性。

派生类1：DEP_TimeRate(起飞时间差值概率类)，在继承的基础上重新定义了航班的起飞机场、落地机场、机型三个属性；

派生类2：FLY_TimeRate(飞行时间差值概率)，在继承的基础上重新定义了航班的起飞机场、落地机场、飞行时间、机型四个属性；

派生类3：ARR_TimeRate(落地时间差值概率)，在继承的基础上重新定义了航班的起飞机场、落地机场、机型三个属性；

派生类4：ARR_SJRate(实际到站时间概率)，在继承的基础上重新定义了航班的起飞机场、落地机场、机型、到站标识四个属性，保存具体航班实际到站时间及其概率；

派生类5：EMP_TimeRate(指廊空闲时间概率)，在继承的基础上重新定义了指廊名称、停机位个数、停机位名称三个属性，保存指廊中所有航班的到站时间及其概率。

本发明中有关定义：

时刻：从北京时间0:00到晚上0:00，以5分钟为一个间隔，共24*60/5＝288个时刻。即0到24点则对应[0-287]中某时刻，计算时间以0点为基准，求其分钟数后对5整除。

时刻表：在有效时间内以5分钟为间隔的一个表。

全时刻表：从北京时间0:00到晚上0:00，共24*60/5＝288行，每行对应一个时刻，每行的值为一个数。

部分时刻表：相对于全时刻表，属于其一个子集，即部分时刻表中的行数在[0,288]之间。

本发明一种基于统计学习模型的停机位分配方法，具体包括以下步骤：

步骤1，计算起飞时间差值概率分布表Dep

利用某机场进、离港航班的历史数据，包括航班起飞站、经停站(本场)、落地站、机型、计划起飞时间、实际起飞时间，对数据进行分析，从而得到从某机场到本场航班Dep；

设同一机场到本场的航班起飞时间差值有m个，则起飞时间差td对应的概率为其中Σ_td为时间差值均为td的个数，Dep为一个概率集合Dep＝{η_td,td∈[-8,287]}；

步骤2，计算飞行时间差值概率分布表Fly

利用某机场进、离港航班的历史数据，包括航班起飞站、经停站(本场)、落地站、机型、计划飞行时间、实际飞行时间，对数据进行分析，从而得到从某机场到本场航班Fly；

设同一机场到本场的航班飞行时间差值有n个，则飞行时间差tf对应的概率为其中Σ_tf用来统计满足时间差值为tf的数据个数，Fly为一个概率集合Fly＝{η_tf,tf∈[-8,287]}；

步骤3，计算落地时间差值概率分布表Arr

补全上述计算得到的Dep和Fly，使之均成为全时刻表，其中Dep和Fly不含的时刻对应的概率均用0补全；选择补全后的Dep和Fly中起飞机场、落地机场相同的数据进行时间相加，概率相乘的方式进行计算，得到Arr，

分别设从某一机场到本场的航班的Arr中差值有h个，则对应概率即为h个，h＝m×n，对应的时间差ta＝td_i+tf_j(i∈[0,m],j∈[0,n])，时间差的概率为 ${\mathrm{\η}}_{t{a}_h}={\mathrm{\η}}_{t{d}_i}\×{\mathrm{\η}}_{t{f}_j}(i\∈[0,m],j\∈[0,n\left]\right).$ 因为ta的集合中有相同的值，则对相同差值的概率相乘即为最终差值的概率值，去除h中相同的值则Arr中差值有h’个。Arr为一个概率集合Arr＝{η_ta,ta∈[-16,287]}；

上述的三个概率表均为基础静态数据，可作为具体机场航班运行的资料，供停机位分配使用。停机位分配的数据流图如附图3所示，其总体分配流程如附图4所示。

步骤4，预测具体分配航班的到站时间概率分布表

对次日航班按本场计划落地时间进行排序，依次选择Arr中起飞机场、落地机场、机型均与其航班一致的数据，进而对其的计划到站时间进行累加，预测其到站时间的概率分布表；

利用此航班的计划落地时间加上Arr中满足条件的数据的时间差值，即起飞站相同的某条数据，从而得到此航班的实际到站时间概率分布表；

步骤5，预测各指廊空闲度Emp

将步骤4的航班到站时间的概率分布表加入各指廊的空闲机位时刻表中，相同的到站时间其概率进行累加运算，然后利用各指廊的到站时间概率计算各指廊的停机位空闲度Emp，如图5所示，具体按照以下算法实施：

步骤5.1，将各指廊中已分配的航班的到站时间概率表进行整合，即为一个二维矩阵A[p,q]，p代表各航班的到站时间概率，为指廊中的现有航班个数，q代表到站时间差值，q＝288+16；

步骤5.2，将此航班的到站时间概率表加入各指廊的航班到站概率矩阵中，此时矩阵变为B'[p+1,q]；

步骤5.3，将矩阵B'[p+1,q]转换为一维数组B″[q]，其中各数值为B'中对应列中所有行值的和；

步骤5.4，利用各指廊的到站时间概率计算各指廊的停机位空闲度Emp，计算公式为其中16+287为整个指廊中航班可能到站时间范围，f为整个指廊的航班数量，η为该时刻对应的到站概率；

步骤6，分配停机位

对比步骤5得到的各指廊空闲度Emp，将航班分配到Emp最大的指廊中，在指廊中将航班的机型与停机位的大小进行匹配，如果各停机位均不受此航班机型限制则进行轮流分配。

以上步骤1，2，3为分配前准备工作，其中为保证Dep，Fly，Arr数据的准确性，可在一段时间内利用历史数据进行分析、更新，为停机位分配提供更准确的参考数据；步骤4，5，6则按照航班排序结果进行循环分配。

本发明的有益效果是：基于指廊分配原则，将一个指廊作为一个整体进行分配，增加了航班时刻偏离预定计划时的调整余地，有利于航班尽可能按预定计划进入停机位，或者只做相近的调整，缩短了旅客的步行距离，同时，方便对停机位使用情况的进行整体评估；基于概率分配，可以按照航班的计划落地时间概率进行分配，提高了停机位分配的准确性，降低了因航班延误导致的停机位调整次数，同时提高了旅客的满意度。利用上述基于航班有关时间概率预测的方法进行停机位分配，降低了由于延误等原因导致的调整次数，提高了停机位分配的准确性和停机位的利用率，保证了停机位资源的合理分配。根据某机场的历史数据分析其现阶段的停机位调整度大致处于28.76％，利用本发明中的方法分配其调整度明显降低，大致处于12.57％。

实施例

假设某机场有4个停机位，分别为1、2、3、4，将其划分为2个指廊I和II，其中I中包括1、2停机位，II中包括3、4停机位。

对其历史航班飞行数据进行分析，可以得到所有从其他机场到本机场的航班起飞时间差值概率，即上述DEP，本例中以西安-兰州航段为例简单进行阐述。从历史数据中分析出西安-兰州航段的数值如下：

DEP＝{18.8％，7.2％，33.9％，15.2％，3.9％，2.4％，2.3％，4.8％，11.5％，td＝[-1，7]}；

FLY＝{2.9％，3.3％，26.2％，49.4％，9.3％，5.5％，3.4％，tf＝[-4，2]}。补全DEP，FLY两个概率表，使之成为全时刻表。

将两个全时刻表的DEP，FLY其时间相加、概率相乘，得到ARR。

$\mathrm{ARR}=\left\{\begin{array}{cc}0& \mathrm{ta}=[-16,-6]\\ 0.54\%,0.83\%,6.08\%,12.74\%,14.45\%,22.67\%,13.31\%,6.38\%,4.63\%,3.73\%,5.71\%,6.34\%,1.41\%,0.79\%,0.39\%& \mathrm{ta}=[-\mathrm{5,9}]\\ 0& \mathrm{ta}=\left[\mathrm{10,287}\right]\end{array}\right.$

假设某一西安-兰州的航班MU2955，机型是A320，计划起飞时间为10:25，计划飞行时间64分钟，以此得到计划到站时间为11:29，即对应自定义时刻中的138时刻。根据ARR计算此航班的实际到站时间概率，即：

$\left\{\begin{array}{cc}0& t=[-16,132]\\ 0.54\%,0.83\%,6.08\%,12.74\%,14.45\%,22.67\%,13.31\%,6.38\%,4.63\%,3.73\%,5.71\%,6.34\%,1.41\%,0.79\%,0.39\%& t=\left[\mathrm{133,147}\right]\\ 0& t=\left[\mathrm{14,287}\right]\end{array}\right.$

上述公式中t为此航班实际到站时间。

设分配该航班停机位时I指廊中已分配的所有航班的到站时间概率矩阵为A₁[p,q]，p＝2,q＝288+16。

本例从A₁，A₂中截取t＝[131，150]之间的部分进行说明。A₁如下：

$\left[\begin{array}{c}\left|\begin{array}{cccccccccccccccccccc}10.42\%& 7.24\%& 4.24\%& 2.78\%& 0.05\%& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0.35\%& 0.23\%& 0.09\%& 0.07\%& 0.06\%& 0.04\%& 0.01\%& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\end{array}\right.\end{array}\right]$

II指廊中已分配的所有航班的到站时间概率矩阵为A₂[p,q]，p＝2,q＝288+16。A₂如下：

$\left[\begin{array}{c}\left|\begin{array}{cccccccccccccccccccc}3.92\%& 3.88\%& 2.09\%& 1.42\%& 0.03\%& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0.15\%& 0.02\%& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\end{array}\right.\end{array}\right]$

扩充A₁、A₂矩阵，将MU2955航班的实际到站概率分布加入其中，使之成为B₁'[p,q]，p＝2,q＝288+16。B₁'如下：

$\left[\begin{array}{cccccccccccccccccccc}10.42\%& 7.24\%& 4.21\%& 2.78\%& 0.05\%& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0.35\%& 0.23\%& 0.09\%& 0.06\%& 0.04\%& 0.01\%& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0.54\%& 0.83\%& 6.08\%& 12.74\%& 14.45\%& 22.67\%& 13.31\%& 6.38\%& 4.63\%& 3.73\%& 5.71\%& 6.34\%& 1.41\%& 0.79\%& 0.39\%& 0& 0& 0\end{array}\right]$

同理B₂'如下：

$\left[\begin{array}{cccccccccccccccccccc}3.92\%& 3.88\%& 2.09\%& 1.42\%& 0.03\%& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0.15\%& 0.02\%& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0& 0\\ 0& 0& 0.54\%& 0.83\%& 6.08\%& 12.74\%& 14.45\%& 22.67\%& 13.31\%& 6.38\%& 4.63\%& 3.73\%& 5.71\%& 6.34\%& 1.41\%& 0.79\%& 0.39\%& 0& 0& 0\end{array}\right]$

将B₁'，B₂'各自进行整合，即将相同时间的概率进行累加。即得到矩阵B₁″，B₂″。同理B₁″和B₂″中仅对t＝[131，150]之间的数据进行说明。以下分别为B₁″和B₂″。

[10.77％ 7.47％ 4.84％ 3.68％ 6.19％ 12.78％ 14.46％ 22.67％ 13.31％ 6.38％ 4.63％ 3.73％ 5.71％ 6.34％ 1.41％ 0.79％ 0.39％ 0 0 0]

[4.07％ 3.9％ 2.63％ 2.25％ 6.11％ 12.74％ 14.45％ 22.67％ 13.31％ 6.38％ 4.63％ 3.73％ 5.71％ 6.34％ 1.41％ 0.79％ 0.39％ 0 0 0]

B₁″，B₂″矩阵中值的时间区间为[131，150]，计算Emp时将采用整个指廊中航班到站时间区间[-16，287]的数据进行计算。其计算公式为得到Emp₁＝58.27％，Emp₂＝63.81％。

鉴于Emp₁<Emp₂，所以选择指廊II进行分配。在指廊II中，3、4机位已有航班与MU2955的到站时间不冲突，但由于4号停机位较小，不合适A320的机型停放，而且停机位3中前航班的离港时间与此航班的进港时间不冲突，所以将其分配到停机位3中。

Claims (7)

1.一种基于统计学习模型的停机位分配方法，其特征在于，具体包括以下步骤：

步骤1，根据航班历史数据计算其他机场航班到本场的起飞时间差值概率分布Dep；

步骤2，根据航班历史数据计算其他机场航班到本场的飞行时间差值概率分布Fly；

步骤3，补全步骤1得到的Dep和步骤2得到的Fly，使之均成为全时刻表，其中Dep和Fly不含的时刻对应的概率均用0补全；利用补全后的Dep和Fly计算从某一机场到本场的航班落地时间差值概率分布Arr，选择Dep和Fly中起飞机场、落地机场相同的数据进行时间相加，概率相乘的方式进行计算，得到Arr；

步骤4，对次日航班按本场计划落地时间进行排序，依次选择Arr中起飞机场、落地机场、机型均与其航班一致的数据，进而对其的计划到站时间进行累加，预测其到站时间的概率分布表；

步骤5，将步骤4的航班到站时间的概率表分布加入各指廊的空闲机位时刻表中，相同的到站时间其概率进行累加运算，然后利用各指廊的到站时间概率计算各指廊的停机位空闲度Emp；

步骤6，对比步骤5计算得到的各指廊空闲度Emp，将航班分配到Emp最大的指廊中，在指廊中将航班的机型与停机位的大小进行匹配，如果各停机位均不受此航班机型限制则进行轮流分配。

2.如权利要求1所述的一种基于统计学习模型的停机位分配方法，其特征在于，所述步骤1中历史数据包括航班起飞站、经停站、落地站、机型、计划起飞时间、实际起飞时间。

3.如权利要求1或2所述的一种基于统计学习模型的停机位分配方法，其特征在于，所述步骤1具体按照以下算法实施：设同一机场到本场的航班起飞时间差值有m个，则起飞时间差td对应的概率为其中Σ_td为时间差值均为td的个数，Dep为一个概率集合Dep＝{η_td,td∈[-8,287]}。

4.如权利要求1所述的一种基于统计学习模型的停机位分配方法，其特征在于，所述步骤2中历史数据包括航班起飞站、经停站、落地站、机型、计划起飞时间、实际起飞时间。

5.如权利要求1或4所述的一种基于统计学习模型的停机位分配方法，其特征在于，所述步骤2具体按照以下算法实施：设同一机场到本场的航班飞行时间差值有n个，则飞行时间差tf对应的概率为其中Σ_tf用来统计满足时间差值为tf的数据个数，Fly为一个概率集合Fly＝{η_tf,tf∈[-8,287]}。

6.如权利要求1所述的一种基于统计学习模型的停机位分配方法，其特征在于，所述步骤3具体按照以下算法实施：分别设从某一机场到本场的航班的Arr中差值有h个，则对应概率即为h个，h＝m×n，对应的时间差ta＝td_i+tf_j(i∈[0,m],j∈[0,n])，时间差的概率为因为ta的集合中有相同的值，则对相同差值的概率相乘即为最终差值的概率值，去除h中相同的值则Arr中差值有h’个，Arr为一个概率集合Arr＝{η_ta,ta∈[-16,287]}。

7.如权利要求1所述的一种基于统计学习模型的停机位分配方法，其特征在于，所述步骤5具体按照以下算法实施：

步骤5.1，将各指廊中已分配的航班的到站时间概率表进行整合，即为一个二维矩阵A[p,q]，p代表各航班的到站时间概率，为指廊中的现有航班个数，q代表到站时间差值，q＝288+16；

步骤5.2，将此航班的到站时间概率表加入各指廊的航班到站概率矩阵中，此时矩阵变为B'[p+1,q]；

步骤5.3，将矩阵B'[p+1,q]转换为一维数组B″[q]，其中各数值为B'中对应列中所有行值的和；

步骤5.4，利用各指廊的到站时间概率计算各指廊的停机位空闲度Emp，计算公式为其中16+287为整个指廊中航班可能到站时间范围，f为整个指廊的航班数量，η为该时刻对应的到站概率。