CN107067095A - 恶劣天气下航班取消数量的优化方法及装置 - Google Patents
恶劣天气下航班取消数量的优化方法及装置 Download PDFInfo
- Publication number
- CN107067095A CN107067095A CN201611220532.1A CN201611220532A CN107067095A CN 107067095 A CN107067095 A CN 107067095A CN 201611220532 A CN201611220532 A CN 201611220532A CN 107067095 A CN107067095 A CN 107067095A
- Authority
- CN
- China
- Prior art keywords
- port
- airport
- time section
- capacity
- flight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 36
- 230000010006 flight Effects 0.000 claims abstract description 33
- 238000013459 approach Methods 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 23
- 230000001419 dependent effect Effects 0.000 claims description 22
- 238000012886 linear function Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000003111 delayed effect Effects 0.000 claims description 5
- 239000012141 concentrate Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 6
- 239000000470 constituent Substances 0.000 description 5
- 238000011084 recovery Methods 0.000 description 5
- 241000894007 species Species 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种恶劣天气下航班取消数量的优化方法及装置,包括:获取航班运行的历史数据、待预测时间段内的天气信息和预先制定的航班计划;根据历史数据计算正常天气下、各不同级别的恶劣天气下各单位时间段内机场的出港容量;根据天气信息、航班计划、正常天气下、各不同级别的恶劣天气下各单位时间段内机场的出港容量,计算待预测时间段内各单位时间段内机场的出港容量;根据预设的延误时长阈值,计算待预测时间段内各单位时间段内取消航班的数量。通过预测待预测时间段内各单位时间段内取消航班的数量,使得机场管理人员据此提前安排取消航班,并通知相关乘客,从而避免提供依据大量乘客被迫滞留在机场。
Description
技术领域
本发明实施例涉及机场运行优化领域,尤其涉及一种恶劣天气下航班取消数量的优化方法及装置。
背景技术
随着民航运输业的飞速发展,由于更加快捷,搭乘飞机出行成为人们很重要的出行方式,空中交通流量迅速增长,机场的进出港容量不断增加。但是,由于天气因素对航班的正常运行有很大的影响,当在出现冰雪、雷雨、大风、雾、沙尘暴等危及飞行安全的恶劣天气时,会因天气原因导致飞机无法起飞、降落等航班无法正常运行情况。
目前,在出现恶劣天气之后,由于无法预先评估因恶劣天气将会导致取消的航班数量,机场管理人员通常会临时取消受天气影响无法正常起飞的航班。因此,受恶劣天气的影响,大规模航班被临时取消,导致已经在机场等候搭乘这些航班的大量乘客被迫滞留在机场。
发明内容
本发明实施例提供一种恶劣天气下航班取消数量的优化方法及装置,以解决目前无法预先评估因恶劣天气将会导致取消的航班数量,导致已经在机场等候搭乘这些航班的大量乘客被迫滞留在机场的问题。
本发明实施例的一个方面是提供一种恶劣天气下航班取消数量的优化方法,包括:
获取航班运行的历史数据、待预测时间段内的天气信息和预先制定的航班计划;
根据所述航班运行的历史数据,计算正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量;
根据所述待预测时间段内的天气信息、所述航班计划、所述正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,计算所述待预测时间段内各单位时间段内机场的出港容量;
根据所述航班计划、所述待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,计算待预测时间段内各单位时间段内取消航班的数量。
本发明实施例的另一个方面是提供一种恶劣天气下航班取消数量的优化装置,包括:
获取模块,用于获取航班运行的历史数据、待预测时间段内的天气信息和预先制定的航班计划;
第一处理模块,用于根据所述航班运行的历史数据,计算正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量;
第二处理模块,用于根据所述待预测时间段内的天气信息、所述航班计划、所述正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,计算所述待预测时间段内各单位时间段内机场的出港容量;
第三处理模块,用于根据所述航班计划、所述待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,计算待预测时间段内各单位时间段内取消航班的数量。
本发明实施例提供的恶劣天气下航班取消数量的优化方法及装置,通过获取航班运行的历史数据、待预测时间段内的天气信息和预先制定的航班计划,计算正常天气下、各不同级别的恶劣天气下各单位时间段内机场的出港容量,以及待预测时间段内各单位时间段内机场的出港容量;并根据所述航班计划、所述待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,计算得到待预测时间段内各单位时间段内取消航班的数量,使得机场管理人员根据预测的各单位时间段内取消航班的数量,提前安排取消航班,并通知相关乘客,从而避免提供依据大量乘客被迫滞留在机场。
附图说明
图1为本发明实施例提供的恶劣天气下航班取消数量的优化方法的流程图;
图2为本发明另一实施例提供的恶劣天气下航班取消数量的优化方法的流程图;
图3为本发明另一实施例提供的恶劣天气下航班取消数量的优化方法的流程图;
图4为本发明另一实施例提供的恶劣天气下航班取消数量的优化方法的流程图;
图5为本发明另一实施例提供的恶劣天气下航班取消数量的优化方法的流程图;
图6为本发明实施例提供的恶劣天气下航班取消数量的优化装置的结构示意图;
图7为本发明另一实施例提供的恶劣天气下航班取消数量的优化装置的结构示意图;
图8为本发明另一实施例提供的恶劣天气下航班取消数量的优化装置的结构示意图;
图9为本发明另一实施例提供的恶劣天气下航班取消数量的优化装置的结构示意图;
图10为本发明另一实施例提供的恶劣天气下航班取消数量的优化装置的结构示意图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的恶劣天气下航班取消数量的优化方法的流程示意图。本发明实施例针对目前无法预先评估因恶劣天气将会导致取消的航班数量,导致已经在机场等候搭乘这些航班的大量乘客被迫滞留在机场的问题,提供了恶劣天气下航班取消数量的优化方法。如图1所示,该方法具体步骤如下:
步骤S101、获取航班运行的历史数据、待预测时间段内的天气信息和预先制定的航班计划。
本实施例提供的方法可以应用于对于某一机场在恶劣天气下取消航班数量的进行预测。
在本实施例中,航班运行的历史数据是指在待预测的机场在过去的第一预设时间内的航班实际运行的数据。
其中,第一预设时间越长,航班运行的历史数据的数据量越大,得到的预测结果越准确。例如,第一预设时间可以是一年或两年;或者第一预设时间为自该机场最近一次对航班计划进行调整至今,使得获得的航班运行的历史数据更有参考价值,进一步使得获得的预测结果更准确。本发明实施例中的第一预设时间可以由技术人员根据实际需要进行设定,本发明实施例对此不做具体限定。
步骤S102、根据航班运行的历史数据,计算正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量。
其中,单位时间段为将一天的24小时划分成的等长的时间段。例如,单位时间段可以为一小时,将一天24小时划分为24各单位时间段。
在本实施例中,恶劣天气是指会影响航班正常运行的天气情况,恶劣天气的级别的划分可以根据天气预报中的规则进行划分;或者,由技术人员根据恶劣天气的种类、以及对航班运行影响的程度,对恶劣天气的级别进行划分;或者,可以不区分恶劣天气的种类,只根据恶劣天气对航班正常运行的影响程度,对恶劣天气的级别进行划分。本发明实施例对与恶劣天气等级的划分不做具体限定。
例如,对于降雪的天气的恶劣程度的划分可以为:(1)与天气预报中的划分一致,将降雪分为小雪、中雪、大雪和暴雪四个等级。其中,小雪是指下雪时水平能见距离等于或大于1000米,地面积雪深度在3厘米以下,降水量级为24小时降雪量在0.1~2.4毫米之间;中雪是指下雪时水平能见距离在500~1000米之间,地面积雪深度为3~5厘米,24小时降雪量达2.5~4.9毫米;大雪是指下雪时能见度很差,水平能见距离小于500米,地面积雪深度等于或大于5厘米,24小时降雪量达5.0~9.9毫米;暴雪是指24小时降雪量大于等于10毫米。(2)根据降雪对航班运行的影响,分为三个级别,第一级别对应于中雪级别,对航班的正常运行有轻微的影响,第二级别对应于大雪级别,对航班的正常运行有较大的影响,第三级别对应于暴雪级别,对航班的正常运行有严重的影响。
在本实施例中,可以根据在过去的第一预设时间内航班实际运行的历史数据,计算出该机场在正常天气下、每个单位时间段的出港容量;还可以计算出该机场在各不同级别的恶劣天气下、每个单位时间段的出港容量。
可选地,本实施例中还可以根据在过去的第一预设时间内航班实际运行的历史数据,计算出该机场在正常天气下、每个单位时间段的进港容量;还可以计算出该机场在各不同级别的恶劣天气下、每个单位时间段的进港容量。
在本实施例中,当第一预设时间足够长时,航班运行的历史数据中可以包括了所有不同级别的恶劣天气下的情况下航班运行的历史数据,以及正常天气的情况下航班运行的历史数据。
步骤S103、根据待预测时间段内的天气信息、航班计划、正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,计算待预测时间段内各单位时间段内机场的出港容量。
其中,待预测时间段可以为未来的一天或者两天,例如,待预测时间段为次日一整天,则通过本实施例可以预测次日各单位时间段内需要取消的出港航班数量。
在本实施例中,根据前述步骤中已经得到的待预测时间段内的天气信息、航班计划、以及正常天气下、各不同级别的恶劣天气下各单位时间段内机场的出港容量,可以通过分析各不同级别的恶劣天气对各单位时间段内机场出港容量的影响,计算得到待预测时间段内各单位时间段内机场的出港容量。
可选地,在本实施例中还可以根据前述步骤中已经得到的待预测时间段内的天气信息、航班计划、以及正常天气下、各不同级别的恶劣天气下各单位时间段内机场的进港容量,可以通过分析各不同级别的恶劣天气对各单位时间段内机场进港容量的影响,计算得到待预测时间段内各单位时间段内机场的进港容量。
步骤S104、根据航班计划、待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,计算待预测时间段内各单位时间段内取消航班的数量。
其中,预设的延误时长阈值是指允许航班延误的最长时间,如果飞机延误时间超过该预设的延误时长阈值,则可以取消该航班。
本发明实施例通过获取航班运行的历史数据、待预测时间段内的天气信息和预先制定的航班计划,计算正常天气下、各不同级别的恶劣天气下各单位时间段内机场的出港容量,以及待预测时间段内各单位时间段内机场的出港容量;并根据航班计划、待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,计算得到待预测时间段内各单位时间段内取消航班的数量,使得机场管理人员根据预测的各单位时间段内取消航班的数量,提前安排取消航班,并通知相关乘客,从而避免提供依据大量乘客被迫滞留在机场。
图2为本发明另一实施例提供的恶劣天气下航班取消数量的优化方法的流程示意图。在上述实施例的基础上,在本实施例中,如图2所示,根据航班运行的历史数据,计算正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,可以采用如下步骤实现:
步骤S201、分别将正常天气下和各不同级别的恶劣天气下的每个单位时间段作为目标时间段,根据航班运行的历史数据,获取目标时间段对应的第一样本集。
其中,目标时间段对应的第一样本集中的样本点包括第一预设时间内每天的目标时间段内机场的进港航班数量和出港航班数量。另外,当目标时间段对应于正常天气下的一单位时间段时,该目标时间段对应的第一样本集中的各样本点对应的实际天气应该为正常天气;当目标时间段对应于任一级别的恶劣天气下的一单位时间段时,该目标时间段对应的第一样本集中的各样本点对应的实际天气应该为同一级别的恶劣天气。
在本实施例中,分别获取对应于正常天气每一个单位时间段的第一样本集、对应于每个级别的恶劣天气的每个单位时间段的第一样本集,针对每个第一样本集,通过步骤S202-S203的处理,可以计算出对应于该第一样本集对应的天气情况下的目标时间段内机场的进港容量和出港容量。
可选地,在该步骤中,可以根据历史数据对应的实际天气情况,将历史数据分为正常天气下的历史数据,任一级别的恶劣天气下的历史数据;
步骤S202、根据目标时间段对应的第一样本集,建立凸优化模型。
在本实施例中,该步骤可以采用如下方式实现:
首先,以机场的进港航班数量作为x轴,以机场的出港航班数量作为y轴,建立平面直角坐标系。
用平面直角坐标系中的坐标为(x,y)的点表示目标时间段对应的第一样本集中机场的进港容量为x且机场的出港容量为y的样本点,将目标时间段对应的第一样本集中的各样本点置于平面直角坐标系中,得到散点图。
第二,根据散点图,根据公式(1)建立与目标时间段对应的机场容量包络线;
y=αm+βmx,存在m∈[1,M],使得x∈[lm-1,lm] (1)
其中,机场容量包络线用分段线性函数表示,M为分段线性函数的预设总段数,M为正整数,每一段线性函数的系数为(αm,βm),边界为[lm-1,lm],m为正整数或0,当m=1,...,M-1时,lm=m×Δl,l0=0,lM=lmax,lmax为目标时间段内机场的进港容量,αm,βm为决策变量,决策变量αm和βm是成对出现的,(αm,βm)为决策变量对。
机场容量包络线与x轴和y轴围成的区域为目标时间段对应的凸包区域。
根据公式(2)确定凸包区域的面积:
其中,机场容量是指单位时间内在机场、以及空中交通管理系统能承受的条件下航班运行的数量,其中包括了出港航班数量和进港航班数量。
在本实施例中,为保证分段函数的连续性,需满足以下条件(αm-αm+1)+lm(βm-βm+1)=0,为保证凸包区域的凸性,需满足以下条件-βm+βm+1≤0。
第三,建立凸优化模型。凸优化模型的第一目标函数为凸包区域的面积的最小值,可以表示为其中为实数域。
为保证包络线的连续性和凸包区域的凸性,求解第一目标函数需满足以下两个约束条件:
(αm-αm+1)+lm(βm-βm+1)=0
-βm+βm+1≤0。
为保证对于一个理论上的完备样本集,该包络线可以保障违反超出的概率小于预设概率值,求解第一目标函数需还需同时满足第三个约束条件:
其中,对于任意的δ∈Δ,(xδ,yδ)为该理论上的完备样本集中的样本点。
进一步的,对凸优化模型的第三个约束条件进行基于场景的近似转化。具体地,在移除K个异常样本点的前提下,可以在预设信心指数B下,获取理论上的完备样本集的最小样本需求数量N,异常样本点的个数K与最小样本需求数量N需满足以下关系:
其中,k∈[0,ò),ò为预设概率值,f取值为2m,f为决策变量对的个数。可选地,ò可以取值为0.01、0.05、或者0.1,B可以取值为1-10-7,表示组合数,也可记为
第三约束条件可以转化为:
存在m∈[1,M],使得其中,为目标时间段对应的第一样本集中的样本点,i=1,2,3…n,n为目标时间段对应的第一样本集中样本点的个数,n大于等于N。
综上,凸优化模型可以转化为:
凸优化模型的第一目标函数为凸包区域的面积的最小值,可以表示为
凸优化模型的包括以下三个约束条件:
存在m∈[1,M],使得
-βm+βm+1≤0,m=1,...,M-1;
(αm-αm+1)+lm(βm-βm+1)=0,m=1,...,M-1;
其中,为目标时间段对应的第一样本集中的样本点,i=1,2,3…n,n为目标时间段对应的第一样本集样本点的个数,为实数域。
步骤S203、求解凸优化模型,计算目标时间段内机场的进港容量和出港容量。
在本实施例中,可以用MATLAB中的凸优化求解函数包对上述步骤建立的凸优化模型进行求解,得到一组αm和βm的值,m=1,…,M。将αm和βm的值带入上述公式(1),可以确定一条最优包络线。
根据确定的最优包络线,计算该最优包络线沿x轴方向的右极限值,以及沿y轴方向的上极限值,确定该右极限值为对应于当前的第一样本集的目标时间段内该机场的进港容量,该上极限值为对应于当前的第一样本集的目标时间段内机场的出港容量。
在本实施例中,可以采用现有技术中其他任意一种求解凸优化模型的方法对上述步骤建立的凸优化模型进行求解,本发明实施例对此不做具体限定。
本实施例中,上述步骤S202-S203为根据任一目标时间段对应的第一样本集,建立凸优化模型的过程。
本发明实施例通过分别获取对应于正常天气每一个单位时间段的第一样本集、对应于每个级别的恶劣天气的每个单位时间段的第一样本集,针对每个第一样本集,计算出对应于该第一样本集对应的天气情况下的目标时间段内机场的进港容量和出港容量。从而可以得到正常天气下各单位时间段内机场的进港容量和出港容量、以及各不同级别的恶劣天气下各单位时间段内机场的进港容量和出港容量。
图3为本发明另一实施例提供的恶劣天气下航班取消数量的优化方法的流程示意图。在上述实施例的基础上,在本实施例中,如图3所示,根据待预测时间段内的天气信息、航班计划、正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,计算待预测时间段内各单位时间段内机场的出港容量,具体包括以下步骤:
步骤S301、根据正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,计算各不同级别的恶劣天气下机场出港容量的降效值。
其中,某一级别的恶劣天气下机场出港容量的降效值是指与正常天气下机场出港容量相比,在该级别的恶劣天气下机场出港容量减少的数量。
在本实施例中,将各不同级别的恶劣天气的影响划分为第1影响阶段、第2影响阶段和第3影响阶段。
具体地,第1影响阶段的影响表示恶劣天气发生过程中对机场出港容量的影响。例如,可以是恶劣天气发生过程中对跑道容量产生的影响。
第2影响阶段表示恶劣天气结束后,机场运行能力还未恢复至正常状态的影响。例如,降雪停止后,机场跑道上的冰雪尚未完全清除时的影响。
第3影响阶段表示恶劣天气结束,机场运行能力已恢复至正常状态之后,遗留问题产生的影响。例如,由于恶劣天气前两阶段的影响导致的乘客滞留机场等产生的影响。
该步骤中,在对各不同级别的恶劣天气的影响划分为第1影响阶段、第2影响阶段和第3影响阶段之后,根据待预测时间段内的天气信息,计算待预测时间段内恶劣天气的级别以及恶劣天气的各不同影响阶段的时间段。
具体地,计算待预测时间段内恶劣天气的各不同影响阶段的时间段,可以采用以下方式实现:
根据待预测时间段内的天气信息,可以得到待预测时间段内恶劣天气出现的时段。获取该机场第二预设时间段内的天气历史信息,根据第二预设时间段内的天气历史信息,计算机场恢复参考时间段。机场的恢复参考时间段是指在恶劣天气下,从恶劣天气结束到机场恢复到正常状态的时间段。
其中,第二预设时间段可以有技术人员根据实际需要进行设定,本发明实施例对此不做具体限定。
机场的恢复参考时间段可以根据公式(3),计算第二预设时间段内的天气历史信息中级别为k的恶劣天气下、从恶劣天气结束到机场恢复到正常状态的时间段的均值:
其中,为第二预设时间段内的天气历史信息中级别为k的天气样本的数量,表示级别为k的恶劣天气下的天气样本q的实际恢复时间。其中每个天气样本的实际恢复时间为机场运行能力恢复时间点与恶劣天气结束时间点的差值,机场运行能力恢复时间点可以为恶劣天气结束后出港容量的第一个极大值出现时刻。
本实施例中,根据正常天气下各单位时间段内机场的进港容量和出港容量、各不同级别的恶劣天气下各单位时间段内机场的进港容量和出港容量,根据公式(4)计算得到别为k的恶劣天气的第p影响阶段的影响下机场出港容量的降效值,可以用DRD(p,k)表示。
其中,Z表示恶劣天气的总级别数,k表示恶劣天气的任一级别,p表示恶劣天气的任一影响阶段,nk表示级别为k的恶劣天气的第p影响阶段对应的第二样本集中样本点的个数,j表示第二样本集中的任意一个样本点,tj表示第二样本集中的样本点j对应的单位时间段,表示tj内正常天气下机场的出港容量,表示级别为k的恶劣天气的第p影响阶段影响下tj内机场的出港容量,k、p均为正整数。
本实施例中,级别为k的恶劣天气的第p影响阶段影响下tj内机场的出港容量,可以采用如下方法计算得到:根据任意一个样本点j对应的实际天气情况,获取样本点j对应的单位时间段tj对应的恶劣天气的影响阶段,根据级别为k的恶劣天气下tj内机场的出港容量,可以得到样本点j对应的恶劣天气影响阶段影响下的单位时间段tj内机场的出港容量。汇总所有级别为k的恶劣天气下的样本点的,可以得到级别为k的恶劣天气的各影响阶段影响下各单位时间段内机场的出港容量。进一步可以得到各级别的恶劣天气的各影响阶段影响下各单位时间段内机场的出港容量。
步骤S302、根据待预测时间段内的天气信息、航班计划、以及各不同级别的恶劣天气下机场出港容量的降效值,计算待预测时间段内各单位时间段内机场的出港容量。
具体地,该步骤可以通过以下方式实现:
将待预测时间段内每个单位时间段作为第二目标时间段,如果第二目标时间段在级别为k的恶劣天气第p影响阶段的时间段内,则第二目标时间段内机场的出港容量为d-DRD(p,k)。其中,d表示正常天气下第二目标时间段内机场的出港容量,DRD(p,k)为级别为k的恶劣天气的第p影响阶段的影响下机场出港容量的降效值。如果第二目标时间段为正常天气下,则待预测时间段内正常天气下各单位时间段内机场的出港容量和进港容量与步骤S301之前已经得到的正常天气下各单位时间段内机场的进港容量和出港容量一致,不需要再进行计算。
进一步地,本实施例中,恶劣天气的级别的划分可以根据天气预报中的规则进行划分;或者,由技术人员根据恶劣天气的种类、以及对航班运行影响的程度,对恶劣天气的级别进行划分;或者,可以不区分恶劣天气的种类,只根据恶劣天气对航班正常运行的影响程度,对恶劣天气的级别进行划分。本发明实施例对与恶劣天气等级的划分不做具体限定。
本发明实施例通过计算各不同级别的恶劣天气下机场出港容量的降效值、待预测时间段内恶劣天气的级别以及恶劣天气的各不同影响阶段的时间段,并结合待预测时间段内的天气信息和航班计划,计算得到待预测时间段内各单位时间段内机场的出港容量。
图4为本发明另一实施例提供的恶劣天气下航班取消数量的优化方法的流程示意图。在上述实施例的基础上,在本实施例中,如图4所示,根据航班计划、待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,计算待预测时间段内各单位时间段内取消航班的数量,具体包括以下步骤:
步骤S401、根据航班计划、待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,建立求第二目标函数最小值的整数线性规划模型。
该步骤中,第二目标函数为待预测时间段内的各单位时间段内各航空公司取消航班数量的加权和。
整数线性规划模型的约束条件包括以下两个约束条件:
第一约束条件为计划于待预测时间段内各单位时间段内出港的航班的延误时间不能超过预设的延误时长阈值。
第二约束条件为待预测时间段内任一单位时间段内的出港航班数量小于或者等于该单位时间段的出港容量。
具体地,第二目标函数可以表示为:
其中,nt表示待预测时间段包括的单位时间段的数量,t表示待预测时间段内的任一单位时间段,t=1,L,nt,na表示机场航班隶属的航空公司总数,s表示任一航空公司,s=1,L,na,Xt(s,q)表示s航空公司计划在t内出港实际在(t+q-1)内出港的航班数量,q∈[1,nd+1],nd表示预设的延误时长阈值,表示s航空公司计划在t内出港的航班的数量,为s航空公司在t内的预设取消比重,Xt(s,q)、nd、na、nt均为正整数;
整数线性规划模型的约束条件包括:
第一约束条件,计划于待预测时间段内各单位时间段内出港的航班的延误时间不能超过nd,表示为
第二约束条件,待预测时间段内任一单位时间段内的出港航班数量小于或者等于该单位时间段的出港容量,表示为:
其中表待预测时间段内的t单位时间段内机场的出港容量。
步骤S402、对整数线性规划模型进行求解,根据对整数线性规划模型求解的结果,得到待预测时间段内各单位时间段内延误出港的航班数量。
本实施例中,可以采用现有技术中的任意一种求解整数线性规划模型的方法实现,例如可以采用IBM公司的WebSphere ILOG CPLEX的数学优化技术,本发明实施例对此不做具体限定。
通过对整数线性规划模型的求解,得到Xt(s,q)的一组值,进一步可以得到待预测时间段内各单位时间段内延误出港的航班数量。
步骤S403、根据待预测时间段内各单位时间段内延误出港的航班数量,以及航班计划,计算得到待预测时间段内各单位时间段内取消的出港航班数量。
其中,单位时间段内延误出港的航班数量,也即是该单位时间段内在允许的延误时长阈值内,可以出港的航班数量。
根据预测时间段内各单位时间段内出港的航班数量和航班计划,可以计算得到待预测时间段内各单位时间段内取消的出港航班数量。
具体地,该步骤可以通过计算任一单位时间段内,航班计划中计划出港的航班数量与延误出港的航班数量的差值,得到该单位时间段内取消的出港航班数量。
例如,在次日的9:00-10:00这一单位时间段内,航班计划中计划出港的航班数量为10,如果计算得到该单位时间段内延误出港的航班数量为7,那么该单位时间段内取消的出港航班数量为10-7=3。
本发明实施例通过根据航班计划、待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,建立求第二目标函数最小值的整数线性规划模型,对整数线性规划模型进行求解,根据对整数线性规划模型求解的结果,得到待预测时间段内各单位时间段内延误出港的航班数量,结合预先指定的航班计划,计算得到待预测时间段内各单位时间段内取消的出港航班数量,使得机场管理人员根据预测的各单位时间段内取消航班的数量,提前安排取消航班,并通知相关乘客,从而避免提供依据大量乘客被迫滞留在机场。
图5为本发明另一实施例提供的恶劣天气下航班取消数量的优化方法的流程图。在上述实施例基础上,根据航班计划、待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,计算待预测时间段内各单位时间段内取消航班的数量之后,如图5所示,该方法还包括以下步骤:
步骤S501、根据航班运行的历史数据和航班计划,计算机场的出港航班数量、进港航班数量的第一线性相关系数和第二线性相关系数。
在实际应用中,由于进港航班和出港航班共用机场内的停机位、跑道、滑行道、以及机组人员等资源,且这些资源的数量是有限的,当机场处于进出港航班同时运行模式,机场的进港航班数量和出港航班数量两者之间是相互影响、相互制约。通常为了更好的利用机场和航空公司的资源,航班计划是根据进出港配对原则进行制定的。
本实施例中,用公式(5)表示机场的出港航班数量、进港航班数量的相关关系:
Ca-Cp=a1(Cd-Cp)+a2 (5)
其中,Ca表示单位时间段内取消的进港航班的数量,Cd表示单位时间段内取消的出港航班的数量,Cp表示单位时间段内取消的航班对的数量,a1是第一线性相关系数,a2是第二线性相关系数。
另外,单位时间段内取消的航班对的数量可以由技术人员根据该单位时间段内取消的出港航班数量以及取消的航班对在取消的出港航班中所占的比例计算得到,或者由技术人员根据实际需要进行设定,本发明实施例对此不做具体限定。
根据航班运行的历史数据,获取第三样本集,第三样本集中的样本点对应于航班运行的历史数据中一天的一个单位时间段的一组取消的进港航班数量和取消的出港航班数量值。对于航班运行的历史数据中任意一天的任意一个单位时间段,在第三样本集中均存在唯一的一个样本点与之对应。
根据第三样本集中的每个样本点对应的取消的进港航班数量和取消的出港航班数量值,以及航班计划中与该样本点对应的单位时间段内取消的航班对的数量,采用线性回归方法,计算得到第一线性相关系数和第二线性相关系数。
本实施例中,采用的线性回归方法可以为现有技术中的任意一种线性回归方法,本发明实施例对此不做具体限定。
步骤S502、根据第一线性相关系数和第二线性相关系数和航班计划,建立机场取消出港航班数量和取消进港航班数量的线性相关方程。
根据上述步骤S501中得到的第一线性相关系数和第二线性相关系数,以及出港取消航班中航班对的个数,建立机场取消出港航班数量和取消进港航班数量的线性相关方程,该线性相关方程可以表示为:Carr-Cpair=a1(Cdep-Cpair)+a2,其中,a1是第一线性相关系数,a2是第二线性相关系数,Cpair为单位时间段内取消的出港航班中航班对的个数,Cdep为单位时间段内取消的出港航班的数量,Carr为单位时间段内取消的进港航班的数量。
本实施例中,单位时间段内出港取消航班中航班对的个数可以根据技术人员预设的取消的出港航班中航班对所占的比例和取消的出港航班数量计算得到。
步骤S503、根据机场取消出港航班数量和取消进港航班数量的线性相关方程,以及待预测时间段内各单位时间段内取消的出港航班数量,计算待预测时间段内各单位时间段内取消的进港航班数量。
根据步骤S502中得到的机场取消出港航班数量和取消进港航班数量的线性相关方程,分别将待预测时间段内每个各单位时间段作为待测时间段,将待时间段内取消的出港航班数量、待时间段内出港取消航班中航班对的个数、第一线性相关系数、以及第二线性相关系数带入上述线性相关方程,可以得到该待测时间段内取消的进港航班数量。
本发明实施例通过建立机场取消出港航班数量和取消进港航班数量的线性相关方程,根据得到的待预测时间段内各单位时间段内取消的出港航班数量,可以计算得到待预测时间段内各单位时间段内取消的进港航班数量。
图6为本发明实施例提供的恶劣天气下航班取消数量的优化装置的结构示意图。本发明实施例提供的恶劣天气下航班取消数量的优化装置可以执行恶劣天气下航班取消数量的优化方法实施例提供的处理流程,如图6所示,该装置包括:获取模块601、第一处理模块602、第二处理模块603和第三处理模块604。
其中,获取模块601用于获取航班运行的历史数据、待预测时间段内的天气信息和预先制定的航班计划。
第一处理模块602用于根据航班运行的历史数据,计算正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量。
第二处理模块603用于根据待预测时间段内的天气信息、航班计划、正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,计算待预测时间段内各单位时间段内机场的出港容量。
第三处理模块604用于根据航班计划、待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,计算待预测时间段内各单位时间段内取消航班的数量。
本发明实施例提供的装置可以具体用于执行上述图1所提供的方法实施例,具体功能此处不再赘述。
本发明实施例通过获取航班运行的历史数据、待预测时间段内的天气信息和预先制定的航班计划,计算正常天气下、各不同级别的恶劣天气下各单位时间段内机场的出港容量,以及待预测时间段内各单位时间段内机场的出港容量;并根据航班计划、待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,计算得到待预测时间段内各单位时间段内取消航班的数量,使得机场管理人员根据预测的各单位时间段内取消航班的数量,提前安排取消航班,并通知相关乘客,从而避免提供依据大量乘客被迫滞留在机场。
图7为本发明另一实施例提供的恶劣天气下航班取消数量的优化装置的结构示意图。在上述实施例基础上,如图7所示,第一处理模块602,包括:获取单元6021、第一模型建立单元6022和第一模型求解单元6023。
其中,获取单元6021用于分别将正常天气下和各不同级别的恶劣天气下的每个单位时间段作为目标时间段,根据航班运行的历史数据,获取目标时间段对应的第一样本集;其中,目标时间段对应的第一样本集中的样本点包括第一预设时间内每天的目标时间段内机场的进港航班数量和出港航班数量。
第一模型建立单元6022用于根据目标时间段对应的第一样本集,建立凸优化模型。
第一模型求解单元6023用于求解凸优化模型,计算目标时间段内机场的进港容量和出港容量。
第一模型建立单元6022具体用于:
以机场的进港航班数量作为x轴,以机场的出港航班数量作为y轴,建立平面直角坐标系;
用平面直角坐标系中的坐标为(x,y)的点表示目标时间段对应的第一样本集中机场的进港容量为x且机场的出港容量为y的样本点,将目标时间段对应的第一样本集中的各样本点置于平面直角坐标系中,得到散点图;
根据散点图,根据公式(1)建立与目标时间段对应的机场容量包络线;
y=αm+βmx,存在m∈[1,M],使得x∈[lm-1,lm] (1)
其中,机场容量包络线用分段线性函数表示,M为分段线性函数的预设总段数,M为正整数,每一段线性函数的系数为(αm,βm),边界为[lm-1,lm],m为正整数或0,当m=1,...,M-1时,lm=m×Δl,l0=0,lM=lmax,lmax为目标时间段内机场的进港容量;
机场容量包络线与x轴和y轴围成的区域为目标时间段对应的凸包区域;
根据公式(2)确定凸包区域的面积;
建立凸优化模型,凸优化模型的第一目标函数为凸包区域的面积的最小值,凸优化模型包括以下三个约束条件:
存在m∈[1,M],使得
-βm+βm+1≤0,m=1,...,M-1;
(αm-αm+1)+lm(βm-βm+1)=0,m=1,...,M-1;
其中,为目标时间段对应的第一样本集中的样本点,i=1,2,3…n,n为目标时间段对应的第一样本集中样本点的个数。
本发明实施例提供的装置可以具体用于执行上述图2所提供的方法实施例,具体功能此处不再赘述。
本发明实施例通过分别获取对应于正常天气每一个单位时间段的第一样本集、对应于每个级别的恶劣天气的每个单位时间段的第一样本集,针对每个第一样本集,计算出对应于该第一样本集对应的天气情况下的目标时间段内机场的进港容量和出港容量。从而可以得到正常天气下各单位时间段内机场的进港容量和出港容量、以及各不同级别的恶劣天气下各单位时间段内机场的进港容量和出港容量。
图8为本发明另一实施例提供的恶劣天气下航班取消数量的优化装置的结构示意图。在上述实施例基础上,如图8所示,第二处理模块603包括:第一计算单元6031和第二计算单元6032。
其中,第一计算单元6031用于根据正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,计算各不同级别的恶劣天气下机场出港容量的降效值。
具体地,第一计算单元6031具体用于:
将各不同级别的恶劣天气的影响划分为第1影响阶段、第2影响阶段和第3影响阶段;
根据公式(4)计算得到DRD(p,k),DRD(p,k)表示级别为k的恶劣天气的第p影响阶段的影响下机场出港容量的降效值,
其中,Z表示恶劣天气的总级别数,k表示恶劣天气的任一级别,p表示恶劣天气的任一影响阶段,nk表示级别为k的恶劣天气的第p影响阶段对应的第二样本集中样本点的个数,j表示第二样本集中的任意一个样本点,tj表示第二样本集中的样本点j对应的单位时间段,表示tj内正常天气下机场的出港容量,表示级别为k的恶劣天气的第p影响阶段影响下tj内机场的出港容量,k、p均为正整数。
第二计算单元6032用于根据待预测时间段内的天气信息、航班计划、以及各不同级别的恶劣天气下机场出港容量的降效值,计算待预测时间段内各单位时间段内机场的出港容量。
具体地,第二计算单元6032具体用于:
将待预测时间段内每个单位时间段作为第二目标时间段,如果第二目标时间段在级别为k的恶劣天气第p影响阶段的时间段内,则第二目标时间段内机场的出港容量为d-DRD(p,k);
其中,d表示正常天气下第二目标时间段内机场的出港容量,DRD(p,k)为级别为k的恶劣天气的第p影响阶段的影响下机场出港容量的降效值。
本发明实施例提供的装置可以具体用于执行上述图3所提供的方法实施例,具体功能此处不再赘述。
本发明实施例通过计算各不同级别的恶劣天气下机场出港容量的降效值、待预测时间段内恶劣天气的级别以及恶劣天气的各不同影响阶段的时间段,并结合待预测时间段内的天气信息和航班计划,计算得到待预测时间段内各单位时间段内机场的出港容量。
图9为本发明另一实施例提供的恶劣天气下航班取消数量的优化装置的结构示意图。在上述实施例基础上,如图9所示,第三处理模块604包括:第二模型建立单元6041、第二模型求解单元6042和第三计算单元6043。
其中,第二模型建立单元6041用于根据航班计划、待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,建立求第二目标函数最小值的整数线性规划模型。
第二目标函数为待预测时间段内的各单位时间段内各航空公司取消航班数量的加权和。
整数线性规划模型的约束条件包括:第一约束条件和第二约束条件;
第一约束条件为计划于待预测时间段内各单位时间段内出港的航班的延误时间不能超过预设的延误时长阈值。
第二约束条件为待预测时间段内任一单位时间段内的出港航班数量小于或者等于该单位时间段的出港容量。
第二模型求解单元6042用于对整数线性规划模型进行求解,根据对整数线性规划模型求解的结果,得到待预测时间段内各单位时间段内延误出港的航班数量。
第三计算单元6043用于根据待预测时间段内各单位时间段内延误出港的航班数量,以及航班计划,计算得到待预测时间段内各单位时间段内取消的出港航班数量。
本发明实施例提供的装置可以具体用于执行上述图4所提供的方法实施例,具体功能此处不再赘述。
本发明实施例通过根据航班计划、待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,建立求第二目标函数最小值的整数线性规划模型,对整数线性规划模型进行求解,根据对整数线性规划模型求解的结果,得到待预测时间段内各单位时间段内延误出港的航班数量,结合预先指定的航班计划,计算得到待预测时间段内各单位时间段内取消的出港航班数量,使得机场管理人员根据预测的各单位时间段内取消航班的数量,提前安排取消航班,并通知相关乘客,从而避免提供依据大量乘客被迫滞留在机场。
图10为本发明另一实施例提供的恶劣天气下航班取消数量的优化装置的结构示意图。在上述实施例基础上,如图10所示,该装置还包括:第四处理模块605。
第四处理模块605用于:根据航班运行的历史数据和航班计划,计算机场的出港航班数量、进港航班数量的第一线性相关系数和第二线性相关系数。
根据第一线性相关系数和第二线性相关系数和航班计划,建立机场取消出港航班数量和取消进港航班数量的线性相关方程。
根据机场取消出港航班数量和取消进港航班数量的线性相关方程,以及待预测时间段内各单位时间段内取消的出港航班数量,计算待预测时间段内各单位时间段内取消的进港航班数量。
本发明实施例提供的装置可以具体用于执行上述图5所提供的方法实施例,具体功能此处不再赘述。
本发明实施例通过建立机场取消出港航班数量和取消进港航班数量的线性相关方程,根据得到的待预测时间段内各单位时间段内取消的出港航班数量,可以计算得到待预测时间段内各单位时间段内取消的进港航班数量。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (16)
1.一种恶劣天气下航班取消数量的优化方法,其特征在于,包括:
获取航班运行的历史数据、待预测时间段内的天气信息和预先制定的航班计划;
根据所述航班运行的历史数据,计算正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量;
根据所述待预测时间段内的天气信息、所述航班计划、所述正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,计算所述待预测时间段内各单位时间段内机场的出港容量;
根据所述航班计划、所述待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,计算待预测时间段内各单位时间段内取消航班的数量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述航班运行的历史数据,计算正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,包括:
分别将正常天气下和各不同级别的恶劣天气下的每个单位时间段作为目标时间段,根据所述航班运行的历史数据,获取所述目标时间段对应的第一样本集;其中,所述目标时间段对应的第一样本集中的样本点包括第一预设时间内每天的所述目标时间段内机场的进港航班数量和出港航班数量;
根据所述目标时间段对应的第一样本集,建立凸优化模型;
求解所述凸优化模型,计算所述目标时间段内机场的出港容量。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标时间段对应的第一样本集,建立凸优化模型,具体包括:
以机场的进港航班数量作为x轴,以机场的出港航班数量作为y轴,建立平面直角坐标系;
用所述平面直角坐标系中的坐标为(x,y)的点表示所述目标时间段对应的第一样本集中机场的进港容量为x且机场的出港容量为y的样本点,将所述目标时间段对应的第一样本集中的各样本点置于所述平面直角坐标系中,得到散点图;
根据所述散点图,根据公式(1)建立与所述目标时间段对应的机场容量包络线;
y=αm+βmx,存在m∈[1,M],使得x∈[lm-1,lm] (1)
其中,所述机场容量包络线用分段线性函数表示,M为所述分段线性函数的预设总段数,M为正整数,每一段线性函数的系数为(αm,βm),边界为[lm-1,lm],m为正整数或0,当m=1,...,M-1时,lm=m×Δl,l0=0,lM=lmax,lmax为所述目标时间段内机场的进港容量;
所述机场容量包络线与所述x轴和y轴围成的区域为所述目标时间段对应的凸包区域;
根据公式(2)确定凸包区域的面积;
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&beta;</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Delta;</mi>
<mi>l</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>&alpha;</mi>
<mi>m</mi>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>l</mi>
<mi>m</mi>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<msub>
<mi>&beta;</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
<mo>&rsqb;</mo>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>M</mi>
<mi>&Delta;</mi>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>M</mi>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>l</mi>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>l</mi>
<mi>M</mi>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<msub>
<mi>&beta;</mi>
<mi>M</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
建立凸优化模型,所述凸优化模型的第一目标函数为所述凸包区域的面积的最小值,所述凸优化模型包括以下三个约束条件:
存在m∈[1,M],使得
-βm+βm+1≤0,m=1,...,M-1;
(αm-αm+1)+lm(βm-βm+1)=0,m=1,...,M-1;
其中,为所述第一样本集中的样本点,i=1,2,3…n,n为所述第一样本集中样本点的个数。
4.根据权利要求1所述的方法,其特征在于,所述根据所述待预测时间段内的天气信息、所述航班计划、所述正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,计算所述待预测时间段内各单位时间段内机场的出港容量,包括:
根据所述正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,计算各不同级别的恶劣天气下机场出港容量的降效值;
根据所述待预测时间段内的天气信息、所述航班计划、以及所述各不同级别的恶劣天气下机场出港容量的降效值,计算所述待预测时间段内各单位时间段内机场的出港容量。
5.根据权利要求4所述的方法,其特征在于,所述根据所述正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,计算各不同级别的恶劣天气下机场出港容量的降效值,具体包括:
将各不同级别的恶劣天气的影响划分为第1影响阶段、第2影响阶段和第3影响阶段;
根据公式(4)计算得到DRD(p,k),DRD(p,k)表示级别为k的恶劣天气的第p影响阶段的影响下机场出港容量的降效值,
其中,Z表示恶劣天气的总级别数,k表示恶劣天气的任一级别,p表示恶劣天气的任一影响阶段,nk表示级别为k的恶劣天气的第p影响阶段对应的所述第二样本集中样本点的个数,j表示第二样本集中的任意一个样本点,tj表示所述第二样本集中的样本点j对应的单位时间段,表示tj内正常天气下机场的出港容量,表示级别为k的恶劣天气的第p影响阶段影响下tj内机场的出港容量,k、p均为正整数。
6.根据权利要求5所述的方法,其特征在于,所述根据所述待预测时间段内的天气信息、所述航班计划、以及所述各不同级别的恶劣天气下机场出港容量的降效值,计算所述待预测时间段内各单位时间段内机场的出港容量,包括:
将所述待预测时间段内每个单位时间段作为第二目标时间段,如果所述第二目标时间段在级别为k的恶劣天气第p影响阶段的时间段内,则第二目标时间段内机场的出港容量为d-DRD(p,k);
其中,d表示正常天气下所述第二目标时间段内机场的出港容量,DRD(p,k)为级别为k的恶劣天气的第p影响阶段的影响下机场出港容量的降效值。
7.根据权利要求1所述的方法,其特征在于,所述根据所述航班计划、所述待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,计算待预测时间段内各单位时间段内取消航班的数量,包括:
根据所述航班计划、所述待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,建立求第二目标函数最小值的整数线性规划模型;
所述第二目标函数为所述待预测时间段内的各单位时间段内各航空公司取消航班数量的加权和;
所述整数线性规划模型的约束条件包括:第一约束条件和第二约束条件;
所述第一约束条件为计划于所述待预测时间段内各单位时间段内出港的航班的延误时间不能超过所述预设的延误时长阈值;
第二约束条件为所述待预测时间段内任一单位时间段内的出港航班数量小于或者等于该单位时间段的出港容量;
对所述整数线性规划模型进行求解,根据对所述整数线性规划模型求解的结果,得到所述待预测时间段内各单位时间段内延误出港的航班数量;
根据所述待预测时间段内各单位时间段内延误出港的航班数量,以及所述航班计划,计算得到所述待预测时间段内各单位时间段内取消的出港航班数量。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述根据所述航班计划、所述待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,计算待预测时间段内各单位时间段内取消航班的数量之后,还包括:
根据所述航班运行的历史数据和所述航班计划,计算机场的出港航班数量、进港航班数量的第一线性相关系数和第二线性相关系数;
根据所述第一线性相关系数和第二线性相关系数和所述航班计划,建立机场取消出港航班数量和取消进港航班数量的线性相关方程;
根据所述机场取消出港航班数量和取消进港航班数量的线性相关方程,以及所述待预测时间段内各单位时间段内取消的出港航班数量,计算所述待预测时间段内各单位时间段内取消的进港航班数量。
9.一种恶劣天气下航班取消数量的优化装置,其特征在于,包括:
获取模块,用于获取航班运行的历史数据、待预测时间段内的天气信息和预先制定的航班计划;
第一处理模块,用于根据所述航班运行的历史数据,计算正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量;
第二处理模块,用于根据所述待预测时间段内的天气信息、所述航班计划、所述正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,计算所述待预测时间段内各单位时间段内机场的出港容量;
第三处理模块,用于根据所述航班计划、所述待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,计算待预测时间段内各单位时间段内取消航班的数量。
10.根据权利要求9所述的装置,其特征在于,所述第一处理模块,包括:
获取单元,用于分别将正常天气下和各不同级别的恶劣天气下的每个单位时间段作为目标时间段,根据所述航班运行的历史数据,获取所述目标时间段对应的第一样本集;其中,所述目标时间段对应的第一样本集中的样本点包括第一预设时间内每天的所述目标时间段内机场的进港航班数量和出港航班数量;
第一模型建立单元,用于根据所述目标时间段对应的第一样本集,建立凸优化模型;
第一模型求解单元,用于求解所述凸优化模型,计算所述目标时间段内机场的进港容量和出港容量。
11.根据权利要求10所述的装置,其特征在于,所述第一模型建立单元具体用于:
以机场的进港航班数量作为x轴,以机场的出港航班数量作为y轴,建立平面直角坐标系;
用所述平面直角坐标系中的坐标为(x,y)的点表示所述目标时间段对应的第一样本集中机场的进港容量为x且机场的出港容量为y的样本点,将所述目标时间段对应的第一样本集中的各样本点置于所述平面直角坐标系中,得到散点图;
根据所述散点图,根据公式(1)建立与所述目标时间段对应的机场容量包络线;
y=αm+βmx,存在m∈[1,M],使得x∈[lm-1,lm] (1)
其中,所述机场容量包络线用分段线性函数表示,M为所述分段线性函数的预设总段数,M为正整数,每一段线性函数的系数为(αm,βm),边界为[lm-1,lm],m为正整数或0,当m=1,...,M-1时,lm=m×Δl,l0=0,lM=lmax,lmax为所述目标时间段内机场的进港容量;
所述机场容量包络线与所述x轴和y轴围成的区域为所述目标时间段对应的凸包区域;
根据公式(2)确定凸包区域的面积;
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&beta;</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&Delta;</mi>
<mi>l</mi>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>&alpha;</mi>
<mi>m</mi>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>l</mi>
<mi>m</mi>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<msub>
<mi>&beta;</mi>
<mi>m</mi>
</msub>
<mo>)</mo>
<mo>&rsqb;</mo>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>l</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>M</mi>
<mi>&Delta;</mi>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>&alpha;</mi>
<mi>M</mi>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mi>l</mi>
<mrow>
<mi>M</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>l</mi>
<mi>M</mi>
</msub>
</mrow>
<mn>2</mn>
</mfrac>
<msub>
<mi>&beta;</mi>
<mi>M</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
建立凸优化模型,所述凸优化模型的第一目标函数为所述凸包区域的面积的最小值,所述凸优化模型包括以下三个约束条件:
存在m∈[1,M],使得
-βm+βm+1≤0,m=1,...,M-1;
(αm-αm+1)+lm(βm-βm+1)=0,m=1,...,M-1;
其中,为所述第一样本集中的样本点,i=1,2,3…n,n为所述第一样本集中样本点的个数。
12.根据权利要求9所述的装置,其特征在于,所述第二处理模块,包括:
第一计算单元,用于根据所述正常天气下各单位时间段内机场的出港容量、各不同级别的恶劣天气下各单位时间段内机场的出港容量,计算各不同级别的恶劣天气下机场出港容量的降效值;
第二计算单元,用于根据所述待预测时间段内的天气信息、所述航班计划、以及所述各不同级别的恶劣天气下机场出港容量的降效值,计算所述待预测时间段内各单位时间段内机场的出港容量。
13.根据权利要求12所述的装置,其特征在于,所述第一计算单元具体用于:
将各不同级别的恶劣天气的影响划分为第1影响阶段、第2影响阶段和第3影响阶段;
根据公式(4)计算得到DRD(p,k),DRD(p,k)表示级别为k的恶劣天气的第p影响阶段的影响下机场出港容量的降效值,
其中,Z表示恶劣天气的总级别数,k表示恶劣天气的任一级别,p表示恶劣天气的任一影响阶段,nk表示级别为k的恶劣天气的第p影响阶段对应的所述第二样本集中样本点的个数,j表示第二样本集中的任意一个样本点,tj表示所述第二样本集中的样本点j对应的单位时间段,表示tj内正常天气下机场的出港容量,表示级别为k的恶劣天气的第p影响阶段影响下tj内机场的出港容量,k、p均为正整数。
14.根据权利要求13所述的装置,其特征在于,所述第二计算单元具体用于:
将所述待预测时间段内每个单位时间段作为第二目标时间段,如果所述第二目标时间段在级别为k的恶劣天气第p影响阶段的时间段内,则第二目标时间段内机场的出港容量为d-DRD(p,k);
其中,d表示正常天气下所述第二目标时间段内机场的出港容量,DRD(p,k)为级别为k的恶劣天气的第p影响阶段的影响下机场出港容量的降效值。
15.根据权利要求9所述的装置,其特征在于,所述第三处理模块,包括:
第二模型建立单元,用于根据所述航班计划、所述待预测时间段内各单位时间段内机场的出港容量、以及预设的延误时长阈值,建立求第二目标函数最小值的整数线性规划模型;
所述第二目标函数为所述待预测时间段内的各单位时间段内各航空公司取消航班数量的加权和;
所述整数线性规划模型的约束条件包括:第一约束条件和第二约束条件;
所述第一约束条件为计划于所述待预测时间段内各单位时间段内出港的航班的延误时间不能超过所述预设的延误时长阈值;
第二约束条件为所述待预测时间段内任一单位时间段内的出港航班数量小于或者等于该单位时间段的出港容量;
第二模型求解单元,用于对所述整数线性规划模型进行求解,根据对所述整数线性规划模型求解的结果,得到所述待预测时间段内各单位时间段内延误出港的航班数量;
第三计算单元,用于根据所述待预测时间段内各单位时间段内延误出港的航班数量,以及所述航班计划,计算得到所述待预测时间段内各单位时间段内取消的出港航班数量。
16.根据权利要求9-15任一项所述的装置,其特征在于,还包括:
第四处理模块,用于根据所述航班运行的历史数据和所述航班计划,计算机场的出港航班数量、进港航班数量的第一线性相关系数和第二线性相关系数;
根据所述第一线性相关系数和第二线性相关系数和所述航班计划,建立机场取消出港航班数量和取消进港航班数量的线性相关方程;
根据所述机场取消出港航班数量和取消进港航班数量的线性相关方程,以及所述待预测时间段内各单位时间段内取消的出港航班数量,计算所述待预测时间段内各单位时间段内取消的进港航班数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611220532.1A CN107067095A (zh) | 2016-12-26 | 2016-12-26 | 恶劣天气下航班取消数量的优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611220532.1A CN107067095A (zh) | 2016-12-26 | 2016-12-26 | 恶劣天气下航班取消数量的优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107067095A true CN107067095A (zh) | 2017-08-18 |
Family
ID=59623178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611220532.1A Pending CN107067095A (zh) | 2016-12-26 | 2016-12-26 | 恶劣天气下航班取消数量的优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107067095A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363333A (zh) * | 2019-06-21 | 2019-10-22 | 南京航空航天大学 | 一种基于渐进梯度回归树的天气影响下空中通行能力的预测方法 |
CN112308286A (zh) * | 2020-09-16 | 2021-02-02 | 北京中兵数字科技集团有限公司 | 航班计划调整方法、装置及计算机可读存储介质 |
CN112488657A (zh) * | 2020-12-08 | 2021-03-12 | 中国航空结算有限责任公司 | 一种飞行信息处理方法、装置及设备 |
CN112836977A (zh) * | 2021-02-07 | 2021-05-25 | 携程旅游网络技术(上海)有限公司 | 航班调整的方法、系统、设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050071206A1 (en) * | 2003-04-30 | 2005-03-31 | The Boeing Company | System, method and computer program product for schedule recovery |
CN103218681A (zh) * | 2013-03-19 | 2013-07-24 | 天津市市政工程设计研究院 | 航空枢纽应急管控方法 |
-
2016
- 2016-12-26 CN CN201611220532.1A patent/CN107067095A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050071206A1 (en) * | 2003-04-30 | 2005-03-31 | The Boeing Company | System, method and computer program product for schedule recovery |
CN103218681A (zh) * | 2013-03-19 | 2013-07-24 | 天津市市政工程设计研究院 | 航空枢纽应急管控方法 |
Non-Patent Citations (2)
Title |
---|
KAIQUAN CAI等: "A scenario-based optimization approach to robust estimation of airport capacity", 《2015 IEEE 18TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS - (ITSC 2015)》 * |
XUE MAO等: "A decision support method for flight cancellations in adverse weather: An airport perspective", 《2015 IEEE/AIAA 34TH DIGITAL AVIONICS SYSTEMS CONFERENCE (DASC)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363333A (zh) * | 2019-06-21 | 2019-10-22 | 南京航空航天大学 | 一种基于渐进梯度回归树的天气影响下空中通行能力的预测方法 |
CN112308286A (zh) * | 2020-09-16 | 2021-02-02 | 北京中兵数字科技集团有限公司 | 航班计划调整方法、装置及计算机可读存储介质 |
CN112308286B (zh) * | 2020-09-16 | 2021-12-14 | 北京中兵数字科技集团有限公司 | 航班计划调整方法、装置及计算机可读存储介质 |
CN112488657A (zh) * | 2020-12-08 | 2021-03-12 | 中国航空结算有限责任公司 | 一种飞行信息处理方法、装置及设备 |
CN112488657B (zh) * | 2020-12-08 | 2023-07-28 | 中国航空结算有限责任公司 | 一种飞行信息处理方法、装置及设备 |
CN112836977A (zh) * | 2021-02-07 | 2021-05-25 | 携程旅游网络技术(上海)有限公司 | 航班调整的方法、系统、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Aircraft re-routing optimization and performance assessment under uncertainty | |
Bubalo et al. | Airport capacity and demand calculations by simulation—the case of Berlin-Brandenburg International Airport | |
CN104751681B (zh) | 一种基于统计学习模型的停机位分配方法 | |
CN107067095A (zh) | 恶劣天气下航班取消数量的优化方法及装置 | |
CN110570693B (zh) | 一种基于可靠性的航班运行时间预测方法 | |
US20160210868A1 (en) | Integrated departure and arrival management for airport runways | |
Badrinath et al. | Impact of off-block time uncertainty on the control of airport surface operations | |
CN102243816A (zh) | 一种机场空域最大纵向飞行冲突风险计算方法 | |
Jun et al. | Towards a greener Extended-Arrival Manager in air traffic control: A heuristic approach for dynamic speed control using machine-learned delay prediction model | |
Guclu et al. | Analysis of aircraft ground traffic flow and gate utilisation using a hybrid dynamic gate and taxiway assignment algorithm | |
CN104882029B (zh) | 基于4d轨迹估算的实时监视告警方法 | |
Serhan et al. | Minimizing airline and passenger delay cost in airport surface and terminal airspace operations | |
Chen et al. | Estimating airspace resource capacity for advanced air mobility operations | |
Zhao et al. | Evaluating ground–air network vulnerabilities in an integrated terminal maneuvering area using co-evolutionary computational red teaming | |
Baspinar et al. | Large scale data-driven delay distribution models of european air traffic flow network | |
Itoh et al. | Macroscopic Analysis to Identify Stage Boundaries in Multi-Stage Arrival Management | |
Li et al. | A fuel savings and benefit analysis of reducing separation standards in the oceanic airspace managed by the New York Air Route Traffic Control Center | |
Weber et al. | Improving air traffic management during thunderstorms | |
Shao et al. | Air transportation delay propagation analysis with uncertainty in coloured–timed Petri nets | |
Sekine et al. | Rule Design for Interpretable En Route Arrival Management via Runway-Flow and Inter-Aircraft Control | |
Lang et al. | A phased approach to increase airport capacity through safe reduction of existing wake turbulence constraints | |
Delcaire | Dealing with airport congestion: Development of tactical tools for the departure flows from a large airport | |
Heidt et al. | From uncertainty to robustness and system's resilience in ATM: a case-study | |
Diana | Predicting arrival delays: An application of spatial analysis | |
Fayadh et al. | Insights of models for air traffic management system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |
|
RJ01 | Rejection of invention patent application after publication |