CN107704949A - 基于历史数据驱动的航班进离场调度优化方法及系统 - Google Patents
基于历史数据驱动的航班进离场调度优化方法及系统 Download PDFInfo
- Publication number
- CN107704949A CN107704949A CN201710814969.6A CN201710814969A CN107704949A CN 107704949 A CN107704949 A CN 107704949A CN 201710814969 A CN201710814969 A CN 201710814969A CN 107704949 A CN107704949 A CN 107704949A
- Authority
- CN
- China
- Prior art keywords
- flight
- theatre
- scheduling
- function
- leaving
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 claims abstract description 53
- 239000002131 composite material Substances 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 137
- 238000012216 screening Methods 0.000 claims description 10
- 238000012913 prioritisation Methods 0.000 claims description 7
- 238000005553 drilling Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000009472 formulation Methods 0.000 claims 1
- 239000003795 chemical substances by application Substances 0.000 description 24
- 230000001932 seasonal effect Effects 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 244000227633 Ocotea pretiosa Species 0.000 description 1
- 235000004263 Ocotea pretiosa Nutrition 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003786 synthesis 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
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于历史数据驱动的航班进离场调度优化方法及系统，其首先提出航班进离场的目标函数与约束函数，根据目标函数与约束函数建立航班进离场调度的函数优化模型；并在数据库中筛选出各种情况所对应的航班历史运行数据，建立最小起飞时间间隔、最短航班起降时长、最低单位时间延误成本的综合因素kriging代理模型；最后根据当前航班进离场需求，利用综合因素kriging代理模型分析航班进离场的目标函数与约束函数值，采用混合优化策略进行优化排序，获得航班的最优调度方案。从而提供更为贴近实际的航班起降规则和航班延误损失规则，并最大程度减少航班延误对各航空公司带来的巨大经济损失。
Description
技术领域
本发明涉及民航技术领域中的航班调度技术领域，具体涉及一种基于历史数据驱动的航班进离场调度优化方法及系统。
背景技术
近年来为应对航空运输规模增大、航班数目增多带来的压力，大型机场增设停机位扩容，建造多跑道提高吞吐量，但航班延误仍是我国目前空中交通的重要难题。为保障飞行安全、降低延误损失、提高机场和航空公司的经济效益，空管系统引进优化方法进行航班进离场调度，该方法能够最大限度的提高飞机的进离场效率，减少延误损失，是目前航班调度技术研究领域的重要内容。
航班进离场调度优化方法以最小化航空器延误损失、最小化起降间隙、最大化机场的运行效率为目标，综合考虑各飞机起降优先权和各航空公司延误损失公平性两个因素，在保障航班绝对安全有效运行的前提下，确保机场跑道、停机位、空域资源能够高效利用，通过优化方法获得航班进离场顺序，最终实现给出最为合理有效的调度顺序。不过现有航班进离场调度优化方法在实际应用中存在航班延误容易相互影响，调度计划调整波及面广；实际航班起降需考虑气象条件和季节的影响，不确定性大等问题。
发明内容
为解决上述问题，本发明提供一种航班进离场调度优化方法及系统，其目的在于最小化航班延误带来的经济损失和最小化高峰时期的起降间隙，同时兼顾考虑优先权和公平性，有效利用机场资源，在不同季节和气象条件下给出最优的航班调度策略。
为实现上述目的，本发明提供一种基于历史数据驱动的航班进离场调度优化方法，所述基于历史数据驱动的航班进离场调度优化方法包括以下步骤：
S1、提出航班进离场的目标函数与约束函数，根据目标函数与约束函数建立航班进离场调度的函数优化模型；
S2、在数据库中筛选出各种情况所对应的航班历史运行数据，建立最小起飞时间间隔、最短航班起降时长、最低单位时间延误成本的综合因素kriging代理模型；
S3、根据当前航班进离场需求，利用综合因素kriging代理模型分析航班进离场的目标函数与约束函数值，采用混合优化策略进行优化排序，获得航班的最优调度方案。
一种基于历史数据驱动的航班进离场调度优化系统，所述基于历史数据驱动的航班进离场调度优化系统包括以下功能模块：
函数优化模型建立模块，用于提出航班进离场的目标函数与约束函数，根据目标函数与约束函数建立航班进离场调度的函数优化模型；
kriging代理模型建立模块，用于在数据库中筛选出各种情况所对应的航班历史运行数据，建立最小起飞时间间隔、最短航班起降时长、最低单位时间延误成本的综合因素kriging代理模型；
最优方案制定模块，用于根据当前航班进离场需求，利用综合因素kriging代理模型分析航班进离场的目标函数与约束函数值，采用混合优化策略进行优化排序，获得航班的最优调度方案。
本发明提供一种基于历史数据驱动的航班进离场调度优化方法及系统，其采用kriging代理模型进行数据分析，建立不同季节、气象条件、航班类型、进离场容量、跑道状况下航班的运行规则模型，实时分析航班进离场单位时间进离场延误成本、最小安全时间间隙，提供更为贴近实际的航班起降规则和航班延误损失规则。此外针对航班进离场排序优化问题具有的多目标、多约束、模型关系复杂、全局优化难度大的特点，本发明采用混合优化算法，将梯度优化和遗传算法优化相结合，实现快速准确定位全局最优解的目的，在保障运行安全的前提下，最大程度减少航班延误对各航空公司带来的巨大经济损失；即最小化航班延误带来的经济损失和最小化高峰时期的起降间隙，同时兼顾考虑优先权和公平性，有效利用机场资源，在不同季节和气象条件下给出最优的航班调度策略。
附图说明
图1是本发明所述基于历史数据驱动的航班进离场调度优化方法的流程框图；
图2为图1中步骤S1的流程框图；
图3为图1中步骤S2的流程框图；
图4为图1中步骤S3的流程框图；
图5是本发明所述基于历史数据驱动的航班进离场调度优化系统的模块框图；
图6是本发明所述函数优化模型建立模块的单元框图；
图7是本发明所述kriging代理模型建立模块的单元框图；
图8是本发明所述最优方案制定模块的单元框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种基于历史数据驱动的航班进离场调度优化方法，如图1所示，所述基于历史数据驱动的航班进离场调度优化方法包括以下步骤：
S1、提出航班进离场的目标函数与约束函数，根据目标函数与约束函数建立航班进离场调度的函数优化模型。
其中，如图2所示，所述步骤S1还包括以下分步骤：
S11、综合考虑延误总成本函数、各航班延误损失公平性函数和航班优先权函数，建立航班进离场调度的目标函数；
S12、根据机场运作规律提出最早/晚起降时间窗约束、起降安全时间间隔约束、机场/跑道航班容量约束；
S13、结合航班进离场调度的目标函数及最早/晚起降时间窗约束、起降安全时间间隔约束、机场/跑道航班容量约束建立航班进离场调度的函数优化模型。
具体的，提出航班进离场的目标函数与约束函数，通过明确航班进离场调度的目的，充分考虑进离场过程中各类因素的制约与影响关系，建立航班进离场调度的函数优化模型。
首先，分析航班进离场调度的目标函数：
综合考虑延误总成本函数F1、各航班延误损失公平性函数F2和航班优先权函数F3，建立航班进离场调度的目标函数如下：
min:w1·F1+w2·F2+w3·F3 公式1
其中，wi(i＝1,2,3)是各目标函数的权重系数，可根据机场具体要求对三种目标的重要性进行增减。
(1)分析航班总延误成本目标函数F1每个航班都有既定计划起飞/降落时间，早于或晚于计划时间都将会产生额外运行成本(即延误成本)，根据飞机的提前起降和延迟起降情况不同，定义航班i在t时刻起降时的延误成本为：
其中ci(t)为航班i在t时刻起降的延误成本，Ti为航班i计划起降时刻，cmi为航班单位时间的延迟成本，cni为航班单位时间的提前成本；航班单位时间延误成本与航班型号、航空公司、载客率、气象条件等显性因素相关，还与乘客满意度、品牌口碑等隐性因素相关，利用历史统计数据建立kriging代理模型，分析计算当前状态下的单位时间延误成本。
定义所有航班延误总成本F1目标函数：
式中αa表示进场航班延误系数；αd表示离场航班延误系数；na为进场航班总数，nd为离场航班总数。
(2)分析各航班延误成本均衡性目标函数F2。考虑各航空公司航班运行的公平性，本发明引入延误成均衡性函数：
式中表示航班离场平均延误成本，表示航班进场平均延误成本。
(3)分析各航班与计划起降时差目标函数F3，考虑各航班抵达的先后顺序不同，应尽量满足先到先起/降的服务原则，同时也为了避免单位时间延迟成本低的航班等待时间过长，本发明提出等待时间均衡性函数：
式中表示航班离场平均延误时长，表示航班进场平均延误时长。
步骤二，提出航班进离场调度的一般约束函数：
(1)最早/晚起降时间窗约束：航班i起降时刻t必须在有效起飞时间和着陆时间范围内：
其中，和分别为航班i的有效起飞时间范围和着陆时间范围。
(2)起降安全时间间隔约束：为保障起降安全，需要在不同季节和气象条件下设定合理的航班安全时间间隔Δt。在同一条跑道上，相邻两个航班i与j之间最小起飞时间间隔小于起飞安全时间间隔，即降落时间间隔小于降落安全时间间隔起飞和降落时间间隔小于安全时间间隔同理，不同跑道也需要对起飞、降落时间间隔进行限制，即有
(3)机场/跑道航班容量约束：考虑到机场停机位有限，在整个运行期间，未起飞的航班数Nud和已经降落的航班数Naa总和不超过总停机位(airport stands)数nat，Nuf+Nad≤nat；同时，考虑到跑道数目有限，正在起飞的航班数Nding和正在降落的航班数Naing总和不得超过跑道数nr，Nding+Naing≤nr。
综上所述，航班调度优化问题可表示为：
min:w1·F1+w2·F2+w3·F3
w.r.t:T∈[t1,t2,...,tn]
n＝na+nd
Nuf+Nad≤nat
Nding+Naing≤nr 公式7
S2、在数据库中筛选出各种情况所对应的航班历史运行数据，建立最小起飞时间间隔、最短航班起降时长、最低单位时间延误成本的综合因素kriging代理模型。
其中，如图3所示，所述步骤S2还包括以下分步骤：
S21、在数据库中筛选出各种情况所对应的航班历史运行数据；
S22、根据筛选得到的历史记录建立输入为航班客座量、载客率、顾客满意度，输出为单位时间推迟和提前的延误成本的航班因素kriging代理模型；
S23、根据筛选得到的历史记录建立输入为季节、跑道状态、天气情况，输出为安全起降时间间隔的情况因素kriging代理模型；
S24、将航班因素kriging代理模型与情况因素kriging代理模型进行结合，得到最小起飞时间间隔、最短航班起降时长、最低单位时间延误成本的综合因素kriging代理模型。
首先根据航班类型，从数据库中筛选出该航班在不同季节、跑道状态和天气状况下，所需的最小起降时间间隔、单位时间延误成本等信息，建立航班因素kriging代理模型。根据航班的延误成本的要求，确定输入参数为航班类型n座、载客率rc、顾客满意度sc，输出为单位时间推迟和提前的延误成本cm、cn；根据起降安全时间间隔约束的要求，确定输入为季节s、跑道状态r、天气情况w，输出为安全起降时间间隔Δt；分别建立情况因素kriging代理模型挖掘航班运行的基本规律。最后根据季节、天气状况、航班类型、跑道状况等在数据库中筛选出航班的历史运行数据，建立最小起飞时间间隔、航班起飞(降落)时长、单位时间延误成本的综合因素kriging代理模型，以此反映航班实际运行模式和规则。
以单位时间推迟的延误成本建立综合因素kriging模型为例，详细描述建模过程如下：
(1)确定其输入参数向量x包含航班类型n座、载客率rc、顾客满意度sc，即：x＝(n,rc,sc)；输出为单位时间推迟的延误成本y＝cm，从数据库中提取出输入输出的历史数据作为建模样本cmi(ni,rci,sci),i＝1,2,...,ns，其中ns为样本总数。
(2)选择相关函数为：
其中x和x'分别为两个不同的样本，R表示两样本之间的相关函数值，nv＝3表示有3个输入参数(n,rc,sc)，目前比较流行的Rk(θk,xk-x'k)函数为三次样条函数：
式中ξk＝θk|xk-x'k|，xk和x'k分别表示不同样本的同一种参数取值；θk为模型待定参数，通过参数训练(优化)可以获得其最优值；
(3)设置参数θ＝(θ1,θ2,θ3)初始值为(0.1,0.1,0.1)，确定模型参数训练的上下限均为[0.001,1]；
(4)模型参数训练：采用“最大似然估计”方法优化模型参数，即将模型参数θ＝(θ1,θ2,θ3)作为自变量，采用SQP梯度优化算法求解如下无约束优化问题：
w.r.t.:θi∈[0.001,1] 公式10
其中表示最大似然函数值，|R|为相关矩阵的行列式，σ2为θ＝(θ1,θ2,θ3)的函数。
β0(θ)＝(FTR-1F)-1FTR-1ys
ys＝[y1,y2,...,yns]T 公式11
R表示相关矩阵，利用已有的ns个样本的输入参数xi延误成本yi，其中i＝1,2,….,ns，通过求公式(10)的优化问题，可得到最优模型参数θ。
(5)输出模型优化后的参数θbest后建模完毕。采用综合因素kriging模型预估当前航班类型n座、载客率rc、顾客满意度sc取值下的单位时间推迟的延误成本cm有：
其中rT(x)＝[R(x1-x),R(x2-x),...,R(xns-x)]表示预测样本与历史数据之间的相关向量。
相同地，可以获得提前的延误成本cn、飞机的安全起降间隔Δt。
S3、根据当前航班进离场需求，利用综合因素kriging代理模型分析航班进离场的目标函数与约束函数值，采用混合优化策略进行优化排序，获得航班的最优调度方案。
其中，如图4所示，所述步骤S3还包括以下分步骤：
S31、初始化所有需用的航班调度信息；
S32、根据当前航班进离场需求，利用综合因素kriging代理模型以及函数优化模型分析得到当前航班进离场的目标函数值与约束函数值；
S33、通过上述得到的目标函数值与约束函数值，以及定义自变量为航班的起降时间构成航班进离场调度的调度优化模型；
S34、采用混合优化策略对调度优化模型进行优化排序，获得航班的最优调度方案。
具体的，根据当前航班类型、客座率、顾客满意度估计提前起降和推迟起降的延误成本，再根据当天的季节、跑道状态和天气情况获得安全起降间隔Δt；将这些参数带入航班进离场的目标函数与约束函数，即可获得目标函数和约束的值，采用混合优化策略进行优化排序，获得航班的最优调度方案。
首先，初始化所有需用的航班调度信息。获取起降航班的具体信息和跑道信息，包括：起降数目，计划起降时刻，起降时间窗，航班类型，跑道数目(容量)，跑道实时状况，停机位数量；设置航班调度季节和调度时间段内各时刻的天气状况；设置延误状况(初始状态)。
根据步骤S1中提出的目标函数、步骤二提出的约束函数、定义自变量为航班的起降时间三者构成了航班进离场调度的优化模型，再采用混合优化算法寻找航班进离场调度的最优方案。其具体步骤为：
(1)采用遗传算法寻优，获得遗传算法的最优调度方案TGAopt＝[t1,t2,...,tn]，其中t为航班的起降时间，n为航班数；
(2)正点调度时间方案Tinit＝[T1,T2,...,Tn]，其中T为正点起降时间；
(3)对比遗传算法最优方案与正点调度方案的目标函数值，选出二者中更好的方案(目标函数值小)作为初始调度方案T；
(4)在初始调度方案一个小的时间范围内(±20％T)，采用拉丁超立方采样法采集若干随机样本方案；
(5)将初始调度方案和若干随机调度方案作为起点，分别进行序列二次规划(SQP)优化和拟牛顿(BFGS)算法优化，获得众多优化方案；
(6)遍历所有优化方案，筛选出其中的当前最优方案T'；
(7)判断优化是否满足收敛条件：a)当前最优方案T'与优化前的初始调度方案T之间差值ΔT是否小于阈值，定义时间差值为其中，ti表示第i架飞机在初始调度方案中的起飞/降落时间，t'i表示第i架飞机在当前最优方案下的起飞/降落时间；为保证收敛的充分性，取阈值为0.00001，当时间差值小于该阈值，表示当前最优方案与初始调度方案之间的改善量可以忽略不计；b)优化的循环次数到达上限(取10次)；
(8)若不满足收敛条件，将循环次数加1，将当前最优方案T'作为下一轮优化的初始调度方案T，重复(4)至(7)步；
(9)若满足收敛条件，输出最优方案，优化完成。
基于上述基于历史数据驱动的航班进离场调度优化方法，本发明还提供一种基于历史数据驱动的航班进离场调度优化系统，如图5所示，所述基于历史数据驱动的航班进离场调度优化系统包括以下功能模块：
函数优化模型建立模块10，用于提出航班进离场的目标函数与约束函数，根据目标函数与约束函数建立航班进离场调度的函数优化模型；
kriging代理模型建立模块20，用于在数据库中筛选出各种情况所对应的航班历史运行数据，建立最小起飞时间间隔、最短航班起降时长、最低单位时间延误成本的综合因素kriging代理模型；
最优方案制定模块30，用于根据当前航班进离场需求，利用综合因素kriging代理模型分析航班进离场的目标函数与约束函数值，采用混合优化策略进行优化排序，获得航班的最优调度方案。
如图6所示，所述函数优化模型建立模块10还包括以下功能单元：
目标函数建立单元11，用于综合考虑延误总成本函数、各航班延误损失公平性函数和航班优先权函数，建立航班进离场调度的目标函数；
约束函数建立单元12，用于根据机场运作规律提出最早/晚起降时间窗约束、起降安全时间间隔约束、机场/跑道航班容量约束；
函数优化模型生成单元13，用于结合航班进离场调度的目标函数及最早/晚起降时间窗约束、起降安全时间间隔约束、机场/跑道航班容量约束建立航班进离场调度的函数优化模型。
如图7所示，所述kriging代理模型建立模块20还包括以下功能单元：
数据筛选单元21，用于在数据库中筛选出各种情况所对应的航班历史运行数据；
航班因素模型生成单元22，用于根据筛选得到的历史记录建立输入为航班客座量、载客率、顾客满意度，输出为单位时间推迟和提前的延误成本的航班因素kriging代理模型；
情况因素模型生成单元23，用于根据筛选得到的历史记录建立输入为季节、跑道状态、天气情况，输出为安全起降时间间隔的情况因素kriging代理模型；
综合因素模型生成单元24，用于将航班因素kriging代理模型与情况因素kriging代理模型进行结合，得到最小起飞时间间隔、最短航班起降时长、最低单位时间延误成本的综合因素kriging代理模型。
如图8所示，所述最优方案制定模块30还包括以下功能单元：
初始化单元31，用于初始化所有需用的航班调度信息；
最优函数值生成单元32，用于根据当前航班进离场需求，利用综合因素kriging代理模型以及函数优化模型分析得到当前航班进离场的最优目标函数值与约束函数值；
调度优化模型生成单元33，用于通过上述得到的目标函数值与约束函数值，以及定义自变量为航班的起降时间构成航班进离场调度的调度优化模型；
最优方案生成单元34，用于采用混合优化策略对调度优化模型进行优化排序，获得航班的最优调度方案。
综上所述，本发明提供一种基于历史数据驱动的航班进离场调度优化方法及系统，其采用kriging代理模型进行数据分析，建立不同季节、气象条件、航班类型、进离场容量、跑道状况下航班的运行规则模型，实时分析航班进离场单位时间进离场延误成本、最小安全时间间隙，提供更为贴近实际的航班起降规则和航班延误损失规则。此外针对航班进离场排序优化问题具有的多目标、多约束、模型关系复杂、全局优化难度大的特点，本发明采用混合优化算法，将梯度优化和遗传算法优化相结合，实现快速准确定位全局最优解的目的，在保障运行安全的前提下，最大程度减少航班延误对各航空公司带来的巨大经济损失；即最小化航班延误带来的经济损失和最小化高峰时期的起降间隙，同时兼顾考虑优先权和公平性，有效利用机场资源，在不同季节和气象条件下给出最优的航班调度策略。
以上装置实施例与方法实施例是一一对应的，装置实施例简略之处，参见方法实施例即可。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能性一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应超过本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可檫除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (8)
1.一种基于历史数据驱动的航班进离场调度优化方法，其特征在于，所述基于历史数据驱动的航班进离场调度优化方法包括以下步骤：
S1、提出航班进离场的目标函数与约束函数，根据目标函数与约束函数建立航班进离场调度的函数优化模型；
S2、在数据库中筛选出各种情况所对应的航班历史运行数据，建立最小起飞时间间隔、最短航班起降时长、最低单位时间延误成本的综合因素kriging代理模型；
S3、根据当前航班进离场需求，利用综合因素kriging代理模型分析航班进离场的目标函数与约束函数值，采用混合优化策略进行优化排序，获得航班的最优调度方案。
2.根据权利要求1所述基于历史数据驱动的航班进离场调度优化方法，其特征在于，所述步骤S1还包括以下分步骤：
S11、综合考虑延误总成本函数、各航班延误损失公平性函数和航班优先权函数，建立航班进离场调度的目标函数；
S12、根据机场运作规律提出最早/晚起降时间窗约束、起降安全时间间隔约束、机场/跑道航班容量约束；
S13、结合航班进离场调度的目标函数及最早/晚起降时间窗约束、起降安全时间间隔约束、机场/跑道航班容量约束建立航班进离场调度的函数优化模型。
3.根据权利要求1所述基于历史数据驱动的航班进离场调度优化方法，其特征在于，所述步骤S2还包括以下分步骤：
S21、在数据库中筛选出各种情况所对应的航班历史运行数据；
S22、根据筛选得到的历史记录建立输入为航班客座量、载客率、顾客满意度，输出为单位时间推迟和提前的延误成本的航班因素kriging代理模型；
S23、根据筛选得到的历史记录建立输入为季节、跑道状态、天气情况，输出为安全起降时间间隔的情况因素kriging代理模型；
S24、将航班因素kriging代理模型与情况因素kriging代理模型进行结合，得到最小起飞时间间隔、最短航班起降时长、最低单位时间延误成本的综合因素kriging代理模型。
4.根据权利要求1所述基于历史数据驱动的航班进离场调度优化方法，其特征在于，所述步骤S3还包括以下分步骤：
S31、初始化所有需用的航班调度信息；
S32、根据当前航班进离场需求，利用综合因素kriging代理模型以及函数优化模型分析得到当前航班进离场的目标函数值与约束函数值；
S33、通过上述得到的目标函数值与约束函数值，以及定义自变量为航班的起降时间构成航班进离场调度的调度优化模型；
S34、采用混合优化策略对调度优化模型进行优化排序，获得航班的最优调度方案。
5.一种基于历史数据驱动的航班进离场调度优化系统，其特征在于，所述基于历史数据驱动的航班进离场调度优化系统包括以下功能模块：
函数优化模型建立模块(10)，用于提出航班进离场的目标函数与约束函数，根据目标函数与约束函数建立航班进离场调度的函数优化模型；
kriging代理模型建立模块(20)，用于在数据库中筛选出各种情况所对应的航班历史运行数据，建立最小起飞时间间隔、最短航班起降时长、最低单位时间延误成本的综合因素kriging代理模型；
最优方案制定模块(30)，用于根据当前航班进离场需求，利用综合因素kriging代理模型分析航班进离场的目标函数与约束函数值，采用混合优化策略进行优化排序，获得航班的最优调度方案。
6.根据权利要求5所述基于历史数据驱动的航班进离场调度优化方法，其特征在于，所述函数优化模型建立模块(10)包括以下功能单元：
目标函数建立单元(11)，用于综合考虑延误总成本函数、各航班延误损失公平性函数和航班优先权函数，建立航班进离场调度的目标函数；
约束函数建立单元(12)，用于根据机场运作规律提出最早/晚起降时间窗约束、起降安全时间间隔约束、机场/跑道航班容量约束；
函数优化模型生成单元(13)，用于结合航班进离场调度的目标函数及最早/晚起降时间窗约束、起降安全时间间隔约束、机场/跑道航班容量约束建立航班进离场调度的函数优化模型。
7.根据权利要求5所述基于历史数据驱动的航班进离场调度优化方法，其特征在于，所述kriging代理模型建立模块(20)包括以下功能单元：
数据筛选单元(21)，用于在数据库中筛选出各种情况所对应的航班历史运行数据；
航班因素模型生成单元(22)，用于根据筛选得到的历史记录建立输入为航班客座量、载客率、顾客满意度，输出为单位时间推迟和提前的延误成本的航班因素kriging代理模型；
情况因素模型生成单元(23)，用于根据筛选得到的历史记录建立输入为季节、跑道状态、天气情况，输出为安全起降时间间隔的情况因素kriging代理模型；
综合因素模型生成单元(24)，用于将航班因素kriging代理模型与情况因素kriging代理模型进行结合，得到最小起飞时间间隔、最短航班起降时长、最低单位时间延误成本的综合因素kriging代理模型。
8.根据权利要求5所述基于历史数据驱动的航班进离场调度优化方法，其特征在于，所述最优方案制定模块(30)包括以下功能单元：
初始化单元(31)，用于初始化所有需用的航班调度信息；
最优函数值生成单元(32)，用于根据当前航班进离场需求，利用综合因素kriging代理模型以及函数优化模型分析得到当前航班进离场的最优目标函数值与约束函数值；
调度优化模型生成单元(33)，用于通过上述得到的目标函数值与约束函数值，以及定义自变量为航班的起降时间构成航班进离场调度的调度优化模型；
最优方案生成单元(34)，用于采用混合优化策略对调度优化模型进行优化排序，获得航班的最优调度方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710814969.6A CN107704949B (zh) | 2017-09-12 | 2017-09-12 | 基于历史数据驱动的航班进离场调度优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710814969.6A CN107704949B (zh) | 2017-09-12 | 2017-09-12 | 基于历史数据驱动的航班进离场调度优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107704949A true CN107704949A (zh) | 2018-02-16 |
| CN107704949B CN107704949B (zh) | 2021-09-03 |
Family
ID=61172525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710814969.6A Active CN107704949B (zh) | 2017-09-12 | 2017-09-12 | 基于历史数据驱动的航班进离场调度优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107704949B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875128A (zh) * | 2018-05-03 | 2018-11-23 | 西安理工大学 | 一种带决策因子的航班恢复建模方法 |
| CN110826754A (zh) * | 2018-08-09 | 2020-02-21 | 阿里巴巴集团控股有限公司 | 一种目标参数值的确定、航班调度方法、装置及其设备 |
| CN110826757A (zh) * | 2018-08-14 | 2020-02-21 | 阿里巴巴集团控股有限公司 | 一种航班调度方法、装置及其设备 |
| CN111783357A (zh) * | 2020-06-30 | 2020-10-16 | 南京航空航天大学 | 一种基于减少旅客延误的中转行程优化方法及系统 |
| CN112734315A (zh) * | 2019-10-14 | 2021-04-30 | 顺丰科技有限公司 | 航空网络规划方法、设备及存储介质 |
| CN113808439A (zh) * | 2021-08-23 | 2021-12-17 | 南京莱斯信息技术股份有限公司 | 航班流量管理体系下的离场排序方法 |
| CN114330086A (zh) * | 2022-03-09 | 2022-04-12 | 北京航空航天大学 | 一种突发事件下大规模航班应急调度方法 |
| CN114493210A (zh) * | 2022-01-17 | 2022-05-13 | 空地互联网络科技股份有限公司 | 一种基于大数据的航空管理平台数据处理方法及装置 |
| CN114819760A (zh) * | 2022-06-27 | 2022-07-29 | 中国电子科技集团公司第二十八研究所 | 一种基于强化学习的机场飞行区道面风险智能决策系统 |
| CN116070800A (zh) * | 2023-03-31 | 2023-05-05 | 江苏三棱智慧物联发展股份有限公司 | 一种直升机起落坪动态调节方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778481A (zh) * | 2014-01-23 | 2014-05-07 | 南京航空航天大学 | 一种针对多跑道航班进离场的动态调度方法 |
| CN105023068A (zh) * | 2015-08-06 | 2015-11-04 | 北京航空航天大学 | 一种基于规则挖掘的航班进离场协同调度方法 |
| CN106126825A (zh) * | 2016-06-27 | 2016-11-16 | 中国人民解放军装甲兵工程学院 | 基于Kriging算法的武器站炮口扰动优化方法 |
| CN106202694A (zh) * | 2016-07-06 | 2016-12-07 | 西京学院 | 基于组合预测方法的组合Kriging模型构建方法 |
| CN107016462A (zh) * | 2017-04-05 | 2017-08-04 | 张玉州 | 一种基于混合遗传算法的多跑道机场航班起降协同优化方法 |
-
2017
- 2017-09-12 CN CN201710814969.6A patent/CN107704949B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778481A (zh) * | 2014-01-23 | 2014-05-07 | 南京航空航天大学 | 一种针对多跑道航班进离场的动态调度方法 |
| CN105023068A (zh) * | 2015-08-06 | 2015-11-04 | 北京航空航天大学 | 一种基于规则挖掘的航班进离场协同调度方法 |
| CN106126825A (zh) * | 2016-06-27 | 2016-11-16 | 中国人民解放军装甲兵工程学院 | 基于Kriging算法的武器站炮口扰动优化方法 |
| CN106202694A (zh) * | 2016-07-06 | 2016-12-07 | 西京学院 | 基于组合预测方法的组合Kriging模型构建方法 |
| CN107016462A (zh) * | 2017-04-05 | 2017-08-04 | 张玉州 | 一种基于混合遗传算法的多跑道机场航班起降协同优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| JIANLI DING等: "Optimization of Airport Flight Arrival and Departure Based on Compromise Immune Algorithm", 《IEEE》 * |
| 韩忠华: "Kriging模型及代理优化算法研究进展", 《航空学报》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108875128A (zh) * | 2018-05-03 | 2018-11-23 | 西安理工大学 | 一种带决策因子的航班恢复建模方法 |
| CN110826754B (zh) * | 2018-08-09 | 2024-04-05 | 阿里巴巴集团控股有限公司 | 一种目标参数值的确定、航班调度方法、装置及其设备 |
| CN110826754A (zh) * | 2018-08-09 | 2020-02-21 | 阿里巴巴集团控股有限公司 | 一种目标参数值的确定、航班调度方法、装置及其设备 |
| CN110826757A (zh) * | 2018-08-14 | 2020-02-21 | 阿里巴巴集团控股有限公司 | 一种航班调度方法、装置及其设备 |
| CN110826757B (zh) * | 2018-08-14 | 2024-04-26 | 阿里巴巴集团控股有限公司 | 一种航班调度方法、装置及其设备 |
| CN112734315A (zh) * | 2019-10-14 | 2021-04-30 | 顺丰科技有限公司 | 航空网络规划方法、设备及存储介质 |
| CN111783357A (zh) * | 2020-06-30 | 2020-10-16 | 南京航空航天大学 | 一种基于减少旅客延误的中转行程优化方法及系统 |
| CN111783357B (zh) * | 2020-06-30 | 2024-05-24 | 南京航空航天大学 | 一种基于减少旅客延误的中转行程优化方法及系统 |
| CN113808439A (zh) * | 2021-08-23 | 2021-12-17 | 南京莱斯信息技术股份有限公司 | 航班流量管理体系下的离场排序方法 |
| CN113808439B (zh) * | 2021-08-23 | 2023-02-24 | 南京莱斯信息技术股份有限公司 | 航班流量管理体系下的离场排序方法 |
| CN114493210A (zh) * | 2022-01-17 | 2022-05-13 | 空地互联网络科技股份有限公司 | 一种基于大数据的航空管理平台数据处理方法及装置 |
| CN114330086A (zh) * | 2022-03-09 | 2022-04-12 | 北京航空航天大学 | 一种突发事件下大规模航班应急调度方法 |
| CN114819760B (zh) * | 2022-06-27 | 2022-09-30 | 中国电子科技集团公司第二十八研究所 | 一种基于强化学习的机场飞行区道面风险智能决策系统 |
| CN114819760A (zh) * | 2022-06-27 | 2022-07-29 | 中国电子科技集团公司第二十八研究所 | 一种基于强化学习的机场飞行区道面风险智能决策系统 |
| CN116070800A (zh) * | 2023-03-31 | 2023-05-05 | 江苏三棱智慧物联发展股份有限公司 | 一种直升机起落坪动态调节方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107704949B (zh) | 2021-09-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107704949A (zh) | 基于历史数据驱动的航班进离场调度优化方法及系统 | |
| CN104751681B (zh) | 一种基于统计学习模型的停机位分配方法 | |
| CN109584638B (zh) | 一种面向区域网络的先期航班时刻协同优化方法 | |
| CN105023068A (zh) | 一种基于规则挖掘的航班进离场协同调度方法 | |
| CN111401601B (zh) | 一种面向延误传播的航班起降时间预测方法 | |
| CN105679102B (zh) | 一种全国飞行流量时空分布预测推演系统及方法 | |
| Liang et al. | Integrated sequencing and merging aircraft to parallel runways with automated conflict resolution and advanced avionics capabilities | |
| CN103226899B (zh) | 基于空中交通特征的空域扇区动态划分方法 | |
| CN102254453B (zh) | 一种民航多机场终端区空域功能性扇区划分方法 | |
| CN103778481A (zh) | 一种针对多跑道航班进离场的动态调度方法 | |
| CN110363361A (zh) | 一种基于大数据预测可变滑动时间的方法及系统 | |
| CN105825013B (zh) | 一种基于离散事件系统的航空指挥保障优化方法 | |
| Evans et al. | Simulating airline operational responses to airport capacity constraints | |
| Badrinath et al. | Control of a non-stationary tandem queue model of the airport surface | |
| CN113643571A (zh) | 一种基于航班正常性目标的空域网络优化方法 | |
| CN109544000A (zh) | 面向航班正常性的航空公司排班计划优化方法和系统 | |
| CN111191843A (zh) | 一种基于时序网络传播动力学方程的机场延误预测方法 | |
| CN110533220A (zh) | 一种数据驱动的机场离港延误分布挖掘方法 | |
| Guzhva et al. | Experimental approach to NextGen benefits estimation: A case of single-airline Aircraft Arrival Management System | |
| CN110909946B (zh) | 一种基于公路换乘的航班计划优化方法 | |
| CN109215397A (zh) | 一种基于航空器自主运行的管型航路可变间隔管控方法 | |
| Alfredsson et al. | Infrastructure modeling for large-scale introduction of electric aviation | |
| Fouad et al. | A simulation-based overbooking approach for hotel revenue management | |
| Jacquillat et al. | Congestion Mitigation through Schedule Coordination at JFK: An Integrated Approach | |
| Zhang et al. | Dynamic Optimal Scheduling Model of Multi Runway Flight Arrival and Departure Based on Improved Genetic Algorithm |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |