CN108985621A - 基于风险管控的区域多机场不正常航班恢复方法 - Google Patents
基于风险管控的区域多机场不正常航班恢复方法 Download PDFInfo
- Publication number
- CN108985621A CN108985621A CN201810767047.9A CN201810767047A CN108985621A CN 108985621 A CN108985621 A CN 108985621A CN 201810767047 A CN201810767047 A CN 201810767047A CN 108985621 A CN108985621 A CN 108985621A
- Authority
- CN
- China
- Prior art keywords
- flight
- risk
- region
- airport
- event
- 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
- 230000001788 irregular Effects 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000011084 recovery Methods 0.000 claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 46
- 230000007246 mechanism Effects 0.000 claims abstract description 22
- 238000007726 management method Methods 0.000 claims description 53
- 238000007790 scraping Methods 0.000 claims description 39
- 238000011156 evaluation Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 21
- 230000033228 biological regulation Effects 0.000 claims description 18
- 238000007689 inspection Methods 0.000 claims description 17
- 238000012502 risk assessment Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 14
- 238000013439 planning Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 8
- 238000012913 prioritisation Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005553 drilling Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000011217 control strategy Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000009545 invasion Effects 0.000 claims description 4
- 230000002940 repellent Effects 0.000 claims description 4
- 239000005871 repellent Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 101000822407 Bacillus phage SPP1 Capsid assembly scaffolding protein Proteins 0.000 claims description 3
- 101710174771 Baseplate protein gp16 Proteins 0.000 claims description 3
- 101710167800 Capsid assembly scaffolding protein Proteins 0.000 claims description 3
- 101710094581 Distal tail protein Proteins 0.000 claims description 3
- 101710202200 Endolysin A Proteins 0.000 claims description 3
- 101710202199 Endolysin B Proteins 0.000 claims description 3
- 101000887487 Escherichia phage T7 Internal virion protein gp14 Proteins 0.000 claims description 3
- 101000762148 Escherichia phage T7 Tail tubular protein gp11 Proteins 0.000 claims description 3
- 101710083735 Gene 13 protein Proteins 0.000 claims description 3
- 101710195944 Gene 15 protein Proteins 0.000 claims description 3
- 101710193747 Gene 18 protein Proteins 0.000 claims description 3
- 101710184384 Gene 19 protein Proteins 0.000 claims description 3
- 101710167068 Gene 20 protein Proteins 0.000 claims description 3
- 101710171049 Gene 21 protein Proteins 0.000 claims description 3
- 101710115335 Gene 22 protein Proteins 0.000 claims description 3
- 101710146873 Receptor-binding protein Proteins 0.000 claims description 3
- 101000897780 Saccharolobus solfataricus rod-shaped virus 1 Major capsid protein Proteins 0.000 claims description 3
- 101710200742 Tail assembly protein Gp24 Proteins 0.000 claims description 3
- 101710166729 Tail fiber protein Proteins 0.000 claims description 3
- 230000002427 irreversible effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims 1
- 125000000962 organic group Chemical group 0.000 claims 1
- 239000007787 solid Substances 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 4
- 239000000470 constituent Substances 0.000 abstract description 2
- 230000008878 coupling Effects 0.000 abstract description 2
- 238000010168 coupling process Methods 0.000 abstract description 2
- 238000005859 coupling reaction Methods 0.000 abstract description 2
- 230000006698 induction Effects 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 241001465382 Physalis alkekengi Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012911 target assessment 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于风险管控的区域多机场不正常航班恢复方法,首先构建区域多机场航班运行调度模型,其次运用模糊层次分析法定量评价各单位相关危险事件的风险值,最后构建基于风险管控的区域多机场不正常航班恢复模型,并根据模型特征将实际航班恢复方法应用于算法邻域解得产生机制中,设计基于智能邻域选择的多目标优化算法求解模型。本发明能够适用于区域多机场的不正常航班恢复问题,在考虑区域多机场系统关联耦合的资源约束下,对不正常航班诱发系统内关键危险事件的安全风险隐患进行针对性控制,从全局的角度协调区域多机场系统的航班恢复方案,使区域多机场的不正常航班恢复计划具有更强的安全性与可操作性,具有广泛的推广应用前景。
Description
技术领域
本发明涉及民航运输规划与管理领域,具体涉及一种基于风险管控的区域多机场不正常航班恢复方法。
背景技术
区域多机场系统是指一定经济区域内具有两个或者两个以上的机场群,这些机场不仅在一定程度上有着空域资源共享,包括进离场移交点、进离场程序、重叠空域、公共扇区等,同时,相互之间的协同运行会造成部分机场的容量、运行效率或是安全性降低。随着我国航空运输业的不断发展壮大,繁忙的多机场系统开始出现,尤以长三角终端区、珠三角终端区以及京津冀终端区为我国主要多机场终端运行区域,该类多机场系统机场密集程度高,空域结构复杂,同时,占据着我国航空运输生产的较大部分比重。据民航局统计,2017年,北京、上海和广州三大城市机场旅客吞吐量占全部境内机场旅客吞吐量的23.8%,货邮吞吐量占全部境内机场货邮吞吐量的49.7%。然而,在飞常准发布的2018年1月的全球航班情况报告中,北京和上海机场准点率仍居大陆千万级机场出港准点率末位。因此,合理安排多机场系统内航班起降顺序,统筹航班时刻,提高多机场系统不正常航班恢复效率,是促进多机场区域民航发展乃至我国民航发展的重要课题。区域多机场系统不正常航班恢复难度较大,主要原因在于:(1)由于资源制约、协同管理和外部环境的共同作用,一旦产生不正常航班,不仅会直接影响该航班和所在机场的运行秩序与安全,其引发的航班延误会借助多机场系统之间的联合运行机制在航空网络中迅速扩大,引起大范围的航班延误波及,恢复方案需要考虑不正常航班对区域多机场系统造成的全局性影响。(2)区域多机场的不正常航班恢复是一个复杂的协同调配过程,航班恢复过程中区域多机场航班调度的沟通协调、资源的竞争以及工作人员的工作负荷等都会给紧张运行的航班链带来新的风险,使航班恢复计划的安全性与鲁棒性大大降低。
我国多机场系统出现较晚,空域划分使用办法以及空管运行体系与国外有一定差异,国内对于多机场系统中机场之间的相互影响与航班协同恢复研究较少,主要还是对多机场终端区协同放行、终端区空域资源合理利用及容量评估等方面进行研究。对于航班延误带来的新的风险的研究,也只是对民航运行系统内风险因素的定性分析,没有针对区域多机场系统以及航班延误诱发原因进行针对性研究。现有的不正常航班恢复方法中不能兼顾多机场系统内机场地面服务资源调度、空管时空资源分配以及航空公司的航空器管理,同时,缺乏对不正常航班诱发的多机场系统动态风险的有效管控。
发明内容
发明目的:为了克服现有的不正常航班恢复方法不能兼顾区域多机场系统中机场、空管和航空公司联合运行与风险控制的不足,本发明提供一种基于风险管控的区域多机场不正常航班恢复方法,以全局性地实现区域多机场系统中不正常航班的恢复需求,协调机场、航空公司与空管之间的时空资源调配,并针对不正常航班给区域多机场系统带来的新的运行特征及风险因素,利用区域多机场系统内可获取的历史数据与根据航班排班可计算出的预测数据作为风险评价指标,在航班恢复计划中加入风险管控策略,使生成的航班恢复方案能够适应不正常航班产生的新的安全阈值要求,有效提高航班恢复方案的安全性与可操作性,同时减少航班总延误时间与航班恢复方案执行成本。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于风险管控的区域多机场不正常航班恢复方法,包括以下步骤:
步骤S1、从全局的角度分析区域多机场系统运行机制,所述区域多机场系统运行机制包括空管、机场和航空公司各子系统的联合运行机制,构建区域多机场系统航班运行调度模型。
步骤S2、根据区域多机场系统运行机制,分析不正常航班诱发的区域多机场系统新的运行特征,确定不正常航班恢复需要进行风险管控的关键危险事件,分析各事件在区域多机场不正常航班恢复情景中的主要危险源与风险因素,并建立相应风险指标体系。
步骤S3、采用模糊物元分析法定量评估不正常航班恢复过程中区域多机场系统内各关键危险事件的风险,获取不正常航班延误诱发关键危险事件风险评估。
步骤S4、根据区域多机场系统航班运行调度模型及不正常航班延误诱发关键危险事件风险评估,构建基于风险管控的区域多机场不正常航班恢复模型。
步骤S4中,综合区域多机场系统航班运行调度模型及不正常航班延误诱发关键危险事件风险评估,以降低总延误时间、恢复方案的执行总成本为优化目标,以各关键危险事件的风险管控与资源的有限性作为约束条件,构建基于风险管控的区域多机场不正常航班恢复模型。
步骤S5、根据基于风险管控的区域多机场不正常航班恢复模型,将实际运行过程中不正常航班的恢复方法应用于算法邻域解的产生机制,采用基于智能邻域选择的多目标优化算法用于模型的求解,完成不正常航班的恢复。
优选的:所述步骤S1中构建的区域多机场系统航班运行调度模型如下:
其中,A:区域多机场系统内所有机场集合;P:区域多机场系统内所有进离场定位点集合;F:区域多机场系统内所有需调度的航班集合,其中FD为离场航班集合,FA为进场航班集合;T:所有可进行航班调配的时间段集合;sti:航班i的实际跑道时间;pti:航班i到达管制移交定位点的时间;ρij:航班i和航班j应满足的尾流间隔标准;υij:同一仪表着陆系统航向道上前后运行的两架进场航空器,需满足的跑道运行安全间隔标准;τij:相邻仪表着陆系统航向道上前后运行的两架进场航空器,需满足的跑道运行安全间隔标准;同一跑道前机离场、后机进场时应满足的时间间隔标准;θi:航班i的跑道占用时间;γij:连续两架航班先后通过同一定位点需满足的管制移交时间间隔标准;εij:0-1离散变量,1表示航班i的跑道时间先于航班j的,反之等于0;ξij:0-1离散变量,1表示航班i与航班j均为进场/离场航班,反之等于0;μij:0-1离散变量,1表示航班i与航班j使用同一跑道,反之等于0;0-1离散变量,1表示航班i与航班j均为进场航班,反之等于0;ηij:0-1离散变量,1表示航班i与航班j使用相邻跑道,反之等于0;ψij:0-1离散变量,1表示前机航班为离场,后机航班为进场,反之等于0;κij:0-1离散变量,1表示使用同一管制移交定位点,反之等于0;ωij:0-1离散变量,1表示航班i先于航班j通过定位点,反之等于0;αi:航班i的最早起飞/进场时间;βi:航班i的最晚起飞/进场时间;afi,Δt:机场i在Δt时间段内的进场流量;dfi,Δt:机场i在Δt时间段内的离场流量;lfi:机场i的进离场容量曲线关系组成的集合;asi,Δt:机场i在Δt时间段内的进场服务流量,指单一时间段内机场地面服务的进场航班数量;dsi,Δt:机场i在Δt时间段内的离场服务流量,指单一时间段内机场地面服务的离场航班数量;lsi:机场i的进离场地面服务能力曲线关系组成的集合。
优选的:所述步骤S2中,不正常航班恢复需要进行风险管控的关键危险事件主要包括:①保障车辆与航空器刮碰;②跑道入侵;③外来物损伤;④空中接近;针对此四类关键危险事件进行的风险指标体系构建包括历史数据指标与预测数据指标两部分。
所述四类关键危险事件的历史数据指标与预测数据指标主要包括:
①保障车辆与航空器刮碰Gp:
历史数据指标:Gp1驾驶员违规超速驾驶的次数;Gp2车辆未按规定提前到达指定位置的次数;Gp3机坪监察人员发现客梯车、传动带车、平台车等倒车配合不畅的次数;Gp4客梯车、传动带车、平台车等由于倒车导致刮碰航空器的次数;Gp5车辆违规通过“停”标志的次数;Gp6由于观察不细致导致与航空器抢行或刮碰的次数;Gp7驾驶员违规抢行或穿行的次数;Gp8机坪运行人员报告标识不清的次数;Gp9标志、标识管理部门巡视检查发现该类标识不清的次数;Gp10标志、标识未按期更新的次数;Gp11车辆刹车制动失灵的次数;Gp12特种车辆未定期检修的次数;Gp13保障车辆未在制动状态的次数;Gp14特车驾驶员违规驾驶的次数;Gp15停机位内倒车时无人指挥的次数;Gp16违规倒车的次数;Gp17廊桥操作人员未提前5分钟到达指定位置的次数;Gp18廊桥操作人员违规操作的次数;Gp19廊桥违规操作导致与发动机发生刮碰的次数;Gp20廊桥非例行断电次数;Gp21廊桥故障次数;Gp22雨伞带入飞行区的次数;Gp23驾驶员超速行驶的次数;Gp24机务未明确手势,车辆违规靠近的次数。
b、预测数据指标:其中max{asi,Δt+dsi,Δt}为单位时间内机场i的最大服务流量,包括进场流量和离场流量,Nbz,i为机场i的地面服务保障小组数目,是机场i的天气状况对地面服务保障工作的影响因子,表示天气对地服人员工作、保障车辆运行造成的影响程度,asi,Δt表示机场i在Δt时间段内的进场服务流量,dsi,Δt表示机场i在Δt时间段内的离场服务流量; 其中max{afi,Δt+dfi,Δt}为单位时间内机场i的最大进离场流量,Nkj,i表示机场i的空侧监管人员配备数目;其中Nlj,i表示机场i的陆侧监管人员配备数目;表示场面工作环境状况,其中tqi指机场i的天气恶劣指数,zxi为机场i的场面运行混乱指数,tqi,zxi∈[0,1]。
②跑道入侵Rq:
a、历史数据指标:Rq1非标准通话发生的次数或发生率;Rq2定期安全培训执行率;Rq3施工前培训执行率;Rq4无人引导施工方的次数;Rq5机坪运行人员报告标识不清或标识失效的次数;Rq6标志、标识管理部门巡视检查发现该类标识不清的次数;Rq7标志、标识未按期更新的次数;Rq8公用工具箱未清点的次数;Rq9货物运输或装载过程中,小动物逃逸的次数;Rq10飞行区土质区内的野生动物入侵跑道次数;Rq11通信设备的故障率;Rq12非标准通话发生的次数或发生率;Rq13开航前,塔台没有呼叫驱鸟、灯光、场务的次数;Rq14塔台没有通知检修人员离撤的次数。
b、预测数据指标:Rq15塔台工作负荷=max{afi,Δt+dfi,Δt}; 表示场面工作环境状况;Rq17机场i的天气状况对航空器及保障车辆运行的影响因子表示天气对航空器、保障车辆、相关设备正常工作的影响程度。
③外来物损伤Fod:
a、历史数据指标:Fod1场道FOD报告次数或发生率;Fod2轮胎扎伤事件次数或千架次率;Fod3机坪FOD报告次数或发生率;Fod4轮胎扎伤事件次数或千架次率;Fod5机坪保障车辆故障发生次数或发生率;Fod6道面FOD报告次数或发生率;Fod7道面巡视检查执行率;Fod8用泡沫包装的货物泡沫破碎次数。
b、预测数据指标: 表示场面工作环境状况。
④空中接近:
a、历史数据指标:Kj1多机场空域航路交叉点数目;Kj2管制员错误识别目标次数或千架次率;Kj3管制员下达不完整许可次数或千架次率;Kj4管制员诵读许可指令不当次数或千架次率;Kj5管制员与机组沟通不当次数或千架次率;Kj6空管通信设备故障发生次数或发生率;Kj7某航空公司所有航空器通信设备故障次数或万架次率;Kj8某航空公司所有机组对航路变化处理不当次数或万架次率;Kj9某航空公司所有机组违规执行飞行程序次数或万架次率;Kj10某航空公司所有机组飞行操作失误次数或万架次率;Kj11某航空公司航空器设备或仪表故障次数或万架次率。
b、预测数据指标:Kj12管制员工作负荷=max{afi,Δt+dfi,Δt};Kj13天气状况对航空器飞行的影响因子表示大雾、雨雪等恶劣天气对航空器进离场程序的影响程度;Kj14机组的最大连续工作时长gti。
优选的:步骤S3中采用模糊物元分析法定量评估不正常航班恢复过程中区域多机场系统内各关键危险事件的风险,具体包括:
步骤S31:建立各关键危险事件的风险评价物元,将该危险事件中的事物、特征以及量值借用有序三元组进行描述。
其中,Rnm表示风险评价物元,Mj指评价机场,Ci是保障车辆与航空器刮碰事件风险指标体系中的评价指标,xij为该机场在该指标下给定的数值,
步骤S32:对于各评价指标性质不同、单位不同的问题,进行归一化处理。
针对数值越大风险越小的指标,归一化处理方式为:
对于数值越大风险越大的指标,归一化处理方式为:
进而得到保障车辆与航空器刮碰事件风险评价的模糊物元Rh:
步骤S33:利用层次分析法对保障车辆与航空器刮碰事件中的风险评价指标进行两两比较,客观判断各个风险指标的重要度,得到重要度判断矩阵,接着对判断矩阵进行特征向量求解以及一致性规范,获得各评价指标的权重值:
其中,Rv表示保障车辆与航空器刮碰事件中各风险评价指标的权重矩阵,V1、V2…Vn表示各风险评价指标的权重值。
步骤S34:根据所建模糊物元与权重矩阵,求解保障车辆与航空器刮碰事件风险值
针对跑道入侵、外来物损伤以及空中接近事件,采用同样的方法进行求解,进而得到区域多机场系统的风险值矩阵集合Rrisk: 分别为各机场或航空公司的保障车辆与航空器刮碰事件、跑道入侵事件、外来物损伤事件以及空中接近事件的风险值。
优选的:步骤S4中基于风险管控的区域多机场不正常航班恢复模型的优化目标表示为:
总延误时间最短:
恢复方案执行总成本最小:
式中,dti表示航班i的延误时间,dti=|sti-eti|,sti为航班i的实际跑道时间,eti为航班i的计划跑道时间;Cti表示航班i的执行成本,由航班i所执行的恢复方案决定,Cti=dti×cyw+cfai,其中,cyw为航班的单位时间延误成本,cfai为航班i所执行的恢复方案的固定成本。
风险管控策略表示为:
式中表示不正常航班恢复时任一机场、航空公司的关键危险事件风险值低于风险可接受水平,其中,分别为各机场或航空公司的保障车辆与航空器刮碰事件、跑道入侵事件、外来物损伤事件以及空中接近事件的风险值,分别为对应为各机场或航空公司的保障车辆与航空器刮碰事件、跑道入侵事件、外来物损伤事件以及空中接近事件的可接受风险水平,关键危险事件的可接受风险水平通过对区域多机场系统日常安全运行的历史数据进行风险评估,经过大量的计算分析取平均值作为各事件可接受风险水平标准。
不正常航班造成的航班预计就绪时间约束:
eti≤fti≤sti (22)
式中,fti指区域多机场不正常航班背景下各航班的预计就绪时间,其大于计划跑道时间并小于实际跑道时间。
优选的:所述步骤S5中,将实际运行过程中不正常航班的恢复方法应用于算法邻域解的产生机制,具体如下:
c1航班延误:随机选择一个离场航班,重新为其分配一个在其计划时间之后的空闲时间段。
c2航班取消:随机选择一个离场航班,将其标记为航班取消状态,该状态航班在计算安全间隔等约束条件中不会纳入计算,并且在目标函数计算中加入固定延误时间与该方案的固定执行成本。
c3航班返航:随机选择一个进场航班,将其标记为航班返航状态,该状态航班在计算安全间隔等约束条件中不会纳入计算,并且在目标函数计算中加入固定延误时间与该方案的固定执行成本。
c4航班备降:随机选择一个进场航班,重新为其分配一个机场目的地,基于新的机场在其就绪时间后为其分配一个最近的空闲时间段,并在目标函数计算中加入该方案的固定执行成本。
c5航班调机:搜索有调机能力的航空公司,在其中随机选择一个航空公司,在该航空公司中选择当前解中延误时间最多的航班,判断是否满足调机机型限制,若满足,则标记为调机状态,航空公司调机能力减一,该航班的计划就绪时间重置为调机预设时间,为其就航班计划时间和新的计划就绪时间重新分配空闲时间段,并在目标函数计算中加入该方案的固定执行成本。
c6飞机交换:随机选择一个航空公司,随机选择该航空公司内的两架机型相同的航班标记为飞机交换状态,对两个航班交换计划就绪时间,为其就航班计划时间和新的计划就绪时间重新分配空闲时间段,并在目标函数计算中加入该方案的固定执行成本。
c7航班加班:由于航班取消、返航、备降操作会使新解的产生向不可逆的方向发展,因此将实际情况中的加班方案在算法中设定为随机选择一个特定状态的航班取消特定标记,将其按原始航班计划设定的计划就绪时间、目的地机场重新分配空闲时间段,并取消其固定执行成本计算。
优选的:所述步骤S5中采用基于智能邻域选择的多目标优化算法用于模型的求解的方法:
步骤S51,读取区域多机场系统内机场跑道信息、多机场空域结构、进离场航线集合、进离场定位点集合、不同机型航班在不同航线上的标准飞行时间和相关安全间隔要求、机场容量信息、风险管控指标数据;输入航班计划信息,根据不正常航班现状确定航班预计就绪时间,进离场航班时间窗。
步骤S52,对航班进行时间段随机初始分配,判断模型约束条件,确定初始可行解。
步骤S53,输入当前解及模型相关参数,开始进行迭代求解计算,迭代的内容主要基于智能邻域搜索方法,首先对模型的所有目标函数进行全局的可行解搜索,然后对模型的单一目标函数分别进行局部的可行解搜索。
步骤S54,当产生的邻域解的目标函数比当前解较优则计入有效优化次数,通过计算上一次迭代搜索对目标函数的有效优化次数和本次迭代搜索对目标函数的有效优化次数,判断两次数值是否相同,相同则为迭代条件达到,算法终止。
优选的:所述步骤S53中智能邻域搜索方法包括以下步骤:
步骤S53a、输入当前解及模型相关参数。
步骤S53b、确定智能邻域搜索相关参数初始值,包括最小优化指标minOP,用于判断是否满足内循环终止条件。
优化方案PGm,代表航班的恢复方法,不同的航班恢复方法在算法中有相应的执行方式,m=1,...,mmax。
当前搜索中执行方案PGm的次数Cdm=0。
方案PGm的评估分数其中,GCdm为全局搜索中执行方案PGm的次数,GOPm为全局搜索中执行方案PGm有效优化的次数,TCd和TOP分别为优化方案的执行次数与有效优化次数,用于评估方案PGm对目标函数的优化作用,调整不同恢复方案的执行次数。
当前搜索中执行方案PGm的有效优化率LOPm初始值为LOPm=minOP+ESm,利用minOP确保每个方案均被执行一次,迭代过程中LOPm=SCdm/Cdm,其中,SCdm指当前搜索中执行方案PGm的有效优化次数。用LOPm判断智能邻域搜索终止条件。
步骤S53c、获取当前搜索中执行方案PGm的有效优化率LOPm信息,选择所有优化方案PG1~PGmax中LOPm值最大的方案作为当前需执行的航班恢复方案,根据对应的航班恢复邻域解产生规则,对航班时间段分配的当前解进行相应的邻域解产生操作,根据邻域解的时间段分配更新航班延误时间、各时间段航班流量等相关信息。
步骤S53d、根据模型安全间隔约束及风险管控约束条件,判断产生的邻域解是否为可行解,若不可行,重新执行c,若产生可行邻域解,则将邻域解作为新解,并计算目标函数值;根据目标函数是否被优化判断本次优化是否为有效优化,并进一步更新算法中其他参数数值及LOPm最大值信息,记录当前优化目标下最优解信息。
步骤S53e、判断是否满足迭代终止条件LOPm最大值小于最小优化指标minOP,若不满足,重新执行c,若满足,智能邻域搜索结束,记录的最优解为新解。
本发明相比现有技术,具有以下有益效果:
本发明将风险的评估与控制引入不正常航班恢复中,构建基于风险管控的区域多机场不正常航班恢复模型,以协调区域多机场系统内机场、航空公司和空管之间的时空资源限制与运行安全间隔需求,风险的管控指标包括历史数据指标和预测数据指标,通过历史数据指标评估区域多机场运行系统中的安全保障能力,在对航班调配计划进行不断调整的同时影响关键危险事件的预测数据指标,综合两者进行的风险评估,能动态地影响不同安全保障能力的机场或航空公司在航班恢复方案中受到的排班偏向,更有效地进行航班恢复,并使区域多机场系统在不正常航班背景下产生的新的风险均控制在可接受水平之下。同时,将实际运行过程中采用的航班恢复方法运用于基于智能邻域选择的优化算法邻域解的产生机制中,不仅使多目标优化速度更快、效果更好,同时使模型求解出的不正常航班恢复方案在实际执行时具有更强的安全性与鲁棒性。
附图说明
图1为本发明实施方式的流程示意图;
图2为本发明实施方式中基于智能邻域选择的多目标优化算法。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于风险管控的区域多机场不正常航班恢复方法,如图1、2所示,首先分析区域多机场系统在运行过程中的运行特征与资源约束,构建区域多机场航班运行调度模型,其次分析区域多机场不正常航班恢复过程中需进行风险管控的关键危险事件及其危险源,从历史数据指标和预测数据指标的角度建立各危险事件的风险指标体系,运用模糊层次分析法定量评价各单位相关危险事件的风险值,最后考虑不正常航班恢复过程中风险因素的评估与控制,构建基于风险管控的区域多机场不正常航班恢复模型,并根据模型特征将实际航班恢复方法应用于算法邻域解得产生机制中,设计基于智能邻域选择的多目标优化算法求解模型,具体包括以下步骤:
步骤S1、从全局的角度分析区域多机场系统中空管、机场和航空公司各子系统的联合运行机制,构建区域多机场系统航班运行调度模型。
区域多机场系统中空管、机场和航空公司各子系统的联合运行机制主要包括:空管对多机场区域进离场空域资源限制,各机场对地面服务资源、跑道资源的限制,航空公司对航班计划及航空器的限制。对于区域多机场系统航班运行调度模型而言,涉及如下符号及参数:
A:区域多机场系统内所有机场集合;
P:区域多机场系统内所有进离场定位点集合;
F:区域多机场系统内所有需调度的航班集合,其中FD为离场航班集合,FA为进场航班集合;
T:所有可进行航班调配的时间段集合;
sti:航班i的实际跑道时间;
pti:航班i到达管制移交定位点的时间;
ρij:航班i和航班j应满足的尾流间隔标准;
υij:同一仪表着陆系统航向道上前后运行的两架进场航空器,需满足的跑道运行安全间隔标准;
τij:相邻仪表着陆系统航向道上前后运行的两架进场航空器,需满足的跑道运行安全间隔标准;
同一跑道前机离场、后机进场时应满足的时间间隔标准;
θi:航班i的跑道占用时间;
γij:连续两架航班先后通过同一定位点需满足的管制移交时间间隔标准;
εij:0-1离散变量,1表示航班i的跑道时间先于航班j的,反之等于0;
ξij:0-1离散变量,1表示航班i与航班j均为进场/离场航班,反之等于0。
μij:0-1离散变量,1表示航班i与航班j使用同一跑道,反之等于0;
0-1离散变量,1表示航班i与航班j均为进场航班,反之等于0;
ηij:0-1离散变量,1表示航班i与航班j使用相邻跑道,反之等于0;
ψij:0-1离散变量,1表示前机航班为离场,后机航班为进场,反之等于0;
κij:0-1离散变量,1表示使用同一管制移交定位点,反之等于0;
ωij:0-1离散变量,1表示航班i先于航班j通过定位点,反之等于0;
αi:航班i的最早起飞/进场时间;
βi:航班i的最晚起飞/进场时间;
afi,Δt:机场i在Δt时间段内的进场流量;
dfi,Δt:机场i在Δt时间段内的离场流量;
lfi:机场i的进离场容量曲线关系组成的集合;
asi,Δt:机场i在Δt时间段内的进场服务流量,指单一时间段内机场地面服务的进场航班数量;
dsi,Δt:机场i在Δt时间段内的离场服务流量,指单一时间段内机场地面服务的离场航班数量;
lsi:机场i的进离场地面服务能力曲线关系组成的集合;
区域多机场系统航班运行调度模型构建如下:
式(1)表示航空器尾流间隔约束,式(2)表示同一跑道上前后两架进场航空器的跑道运行间隔约束,式(3)表示相邻跑道上前后两架进场航空器的跑道运行间隔约束,式(4)表示同一跑道上前机离场、后机进场的跑道运行间隔约束,式(5)表示跑道占用时间约束,式(6)表示管制移交间隔约束,式(7)表示时间窗约束,式(8)表示进离场容量约束,式(9)表示进离场地面服务资源约束。
步骤S2、根据所述区域多机场系统运行机制,分析不正常航班诱发的区域多机场系统新的运行特征,确定航班恢复需要进行风险管控的关键危险事件,分析各事件在区域多机场不正常航班恢复情景中的主要危险源与风险因素,并建立相应风险指标体系。
根据步骤S1所述的区域多机场运行机制及航班运行调度模型,步骤S2中以不正常航班为诱发条件,分析区域多机场系统在航班恢复过程中新的运行特征,所述特征主要包括:场面运行交通流增大、空域扇区密度增大、服务资源限制导致保障不及时、强工作负荷导致人员操作失误率增加、设备故障及恶劣天气对区域多机场航班运行影响增大。
根据上述特征,确定区域多机场系统不正常航班恢复过程需要进行风险管控的关键危险事件主要有:①保障车辆与航空器刮碰;②跑道入侵;③外来物损伤;④空中接近。
根据区域多机场不正常航班恢复过程运行特征及关键危险事件的产生原因,分析各事件在区域多机场不正常航班恢复情景中的主要危险源与风险因素,进一步的,从已有实际运行记录数据与航班计划中可预测航班动态数据两方面出发,建立各关键危险事件在航班恢复中相应风险管控指标体系。各危险事件的危险源分析及风险指标体系构建如下所示:
①保障车辆与航空器刮碰Gp
危险源:驾驶员因个人原因或因高峰车辆人员短缺,接飞机晚到;车辆在机坪行驶路线、固定停放点之外倒车有人指挥,但指挥信号和意图不明确;车辆在通过道路等待位置标志(‘停’标志)前未停车观察,未确认各方向没有飞机滑行后就通过;驾驶员未执行相关规定,与执行引导工作的引导车抢行,或在接机机务和航空器之间穿行;车辆行驶规定路线标识、停车等待的标识、跑道或滑行道禁止进入标识不清;车辆刹车制动失灵;保障车辆对接航空器后,未在制动状态;无必须情况,在停机位内作业的车辆违章倒车。必须情况下,在停机位内倒车时无人指挥;靠接操作时,由于操作员原因,廊桥行进路线靠近发动机;飞机上下客,造成飞机沉降;雨天伴有大风天气时打伞进入飞行区;晚间行车至部分路段无路灯或警示灯光,司机开车过快或遇有转弯处;航空器未关闭发动机,车辆实施对接。
风险管控指标:
a、历史数据指标:Gp1驾驶员违规超速驾驶的次数;Gp2车辆未按规定提前到达指定位置的次数;Gp3机坪监察人员发现客梯车、传动带车、平台车等倒车配合不畅的次数;Gp4客梯车、传动带车、平台车等由于倒车导致刮碰航空器的次数;Gp5车辆违规通过“停”标志的次数;Gp6由于观察不细致导致与航空器抢行或刮碰的次数;Gp7驾驶员违规抢行或穿行的次数;Gp8机坪运行人员报告标识不清的次数;Gp9标志、标识管理部门巡视检查发现该类标识不清的次数;Gp10标志、标识未按期更新的次数;Gp11车辆刹车制动失灵的次数;Gp12特种车辆未定期检修的次数;Gp13保障车辆未在制动状态的次数;Gp14特车驾驶员违规驾驶的次数;Gp15停机位内倒车时无人指挥的次数;Gp16违规倒车的次数;Gp17廊桥操作人员未提前5分钟到达指定位置的次数;Gp18廊桥操作人员违规操作的次数;Gp19廊桥违规操作导致与发动机发生刮碰的次数;Gp20廊桥非例行断电次数;Gp21廊桥故障次数;Gp22雨伞带入飞行区的次数;Gp23驾驶员超速行驶的次数;Gp24机务未明确手势,车辆违规靠近的次数。
b、预测数据指标:其中max{asi,Δt+dsi,Δt}为单位时间内机场i的最大服务流量,包括进场流量和离场流量,Nbz,i为机场i的地面服务保障小组数目,是机场i的天气状况对地面服务保障工作的影响因子,表示天气对地服人员工作、保障车辆运行造成的影响程度; 其中max{afi,Δt+dfi,Δt}为单位时间内机场i的最大进离场流量,Nkj,i表示机场i的空侧监管人员配备数目;其中Nlj,i表示机场i的陆侧监管人员配备数目;表示场面工作环境状况,其中tqi指机场i的天气恶劣指数,zxi为机场i的场面运行混乱指数,tqi,zxi∈[0,1]。
②跑道入侵Rq
危险源:场道、灯光、驱鸟等场道车辆擅自进入跑道;施工单位车辆或人员培训不到位,对飞行区路线不熟悉,穿越使用跑道的联络道;机场道面标识不清;道面巡视\检修灯具时物品遗漏;货物运输或装载过程中,小动物逃出;跑道巡视检查过程中通信设备故障;跑道巡视人员误解塔台指令,擅自进入跑道;飞行区施工作业信息通报不及时;检修人员经塔台同意后在跑道上进行维护工作,塔台没有通知检修人员撤离,就指挥飞机起降。
风险管控指标:
a、历史数据指标:Rq1非标准通话发生的次数或发生率;Rq2定期安全培训执行率;Rq3施工前培训执行率;Rq4无人引导施工方的次数;Rq5机坪运行人员报告标识不清或标识失效的次数;Rq6标志、标识管理部门巡视检查发现该类标识不清的次数;Rq7标志、标识未按期更新的次数;Rq8公用工具箱未清点的次数;Rq9货物运输或装载过程中,小动物逃逸的次数;Rq10飞行区土质区内的野生动物入侵跑道次数;Rq11通信设备的故障率;Rq12非标准通话发生的次数或发生率;Rq13开航前,塔台没有呼叫驱鸟、灯光、场务的次数;Rq14塔台没有通知检修人员离撤的次数。
b、预测数据指标:Rq15塔台工作负荷=max{afi,Δt+dfi,Δt}; 表示场面工作环境状况;Rq17机场i的天气状况对航空器及保障车辆运行的影响因子表示天气对航空器、保障车辆、相关设备正常工作的影响程度;
③外来物损伤Fod
危险源:场道维护现场遗留石块、沥青等施工杂物;机坪道面本身破损,造成外来物遗留在道面;机坪行李货物装卸过程中,行李箱锁或拉链,遗留在机坪上;机坪保障车辆通常都低速运转,老化情况比较严重,出现掉螺丝、螺帽的现象;机务航前航后检查维修时,遗留零部件到机坪上;道面巡视\检修灯具时物品遗漏;巡视灯光的过程中,没能及时发现灯具倒伏或灯具破裂等情况;因机场运行繁忙,维护人员没有时间进行道面巡视及维护工作;在搬运过程中,用泡沫包装的货物泡沫破碎掉落到机坪。
风险管控指标:
a、历史数据指标:Fod1场道FOD报告次数或发生率;Fod2轮胎扎伤事件次数或千架次率;Fod3机坪FOD报告次数或发生率;Fod4轮胎扎伤事件次数或千架次率;Fod5机坪保障车辆故障发生次数或发生率;Fod6道面FOD报告次数或发生率;Fod7道面巡视检查执行率;Fod8用泡沫包装的货物泡沫破碎次数。
b、预测数据指标: 表示场面工作环境状况。
④空中接近Kj
危险源:空域结构复杂,空中流量大,管制员工作负荷较大;管制员对飞机或雷达辨识不当,错误识别目标;管制员对机组下达的许可指令不完整或诵读不当;管制员与机组沟通效果不佳,管制员对机组请求或机组对管制员指令存在误解;通信设备故障或不正常;机组对航路变化作出不当应对或决策;机组未按规定执行飞行程序;航空器设备或仪表故障。
风险管控指标:
a、历史数据指标:Kj1多机场空域航路交叉点数目;Kj2管制员错误识别目标次数或千架次率;Kj3管制员下达不完整许可次数或千架次率;Kj4管制员诵读许可指令不当次数或千架次率;Kj5管制员与机组沟通不当次数或千架次率;Kj6空管通信设备故障发生次数或发生率;Kj7某航空公司所有航空器通信设备故障次数或万架次率;Kj8某航空公司所有机组对航路变化处理不当次数或万架次率;Kj9某航空公司所有机组违规执行飞行程序次数或万架次率;Kj10某航空公司所有机组飞行操作失误次数或万架次率;Kj11某航空公司航空器设备或仪表故障次数或万架次率;
b、预测数据指标:Kj12管制员工作负荷=max{afi,Δt+dfi,Δt};Kj13天气状况对航空器飞行的影响因子表示大雾、雨雪等恶劣天气对航空器进离场程序的影响程度;Kj14机组的最大连续工作时长gti。
步骤S3、采用模糊物元分析法定量评估不正常航班恢复过程中区域多机场系统内各关键危险事件风险值。
根据构建的关键事件风险指标体系,步骤S3中采用模糊物元分析法,定量评估不正常航班恢复过程中区域多机场系统内各关键危险事件风险值,其中,保障车辆与航空器刮碰、跑道入侵以及外来物损伤事件的评估以机场为单位,空中接近事件的评估以航空公司为单位。
采用模糊物元分析法评估区域多机场系统内各关键危险事件的风险,具体包括:
步骤1:建立各关键危险事件的风险评价物元,将该危险事件中的事物、特征以及量值借用有序三元组进行描述。如保障车辆与航空器刮碰事件,事物就是指评价机场Mj,特征就是保障车辆与航空器刮碰事件风险指标体系中的评价指标Ci,量值即为该机场在该指标下给定的数值xij,从而构成如下物元:
步骤2:对于各评价指标性质不同、单位不同的问题,进行归一化处理。由于指标体系中的指标均已数值化,通过结合现有民航安全法规体系规定、历史数据统计分析以及民航领域专家建议,可对评价指标进行最大可接受水平与最小值确定,进而对各指标进行统一的规范化处理。
针对数值越大风险越小的指标,归一化处理方式为:
对于数值越大风险越大的指标,归一化处理方式为:
进而得到保障车辆与航空器刮碰事件风险评价的模糊物元:
步骤3:利用层次分析法对保障车辆与航空器刮碰事件中的风险评价指标进行两两比较,客观判断各个风险指标的重要度,得到重要度判断矩阵,接着对判断矩阵进行特征向量求解以及一致性规范,获得各评价指标的权重值:
其中,Rv表示保障车辆与航空器刮碰事件中各风险评价指标的权重矩阵,V1、V2…Vn表示各风险评价指标的权重值,Vi表示第i个风险评价指标的权重值,i=1、2…n,n表示风险指标的个数。
步骤4:根据所建模糊物元与权重矩阵,求解保障车辆与航空器刮碰事件风险值
至此,得出不正常航班发生时航班恢复过程中各机场保障车辆与航空器刮碰事件的风险值矩阵进一步的,针对跑道入侵、外来物损伤以及空中接近事件,采用同样的方法进行求解,进而得到区域多机场系统的风险值矩阵集合:
步骤S4、根据所述区域多机场系统航班运行调度模型及不正常航班延误诱发关键危险事件风险评估,以降低总延误时间、恢复方案的执行总成本为优化目标,以各关键危险事件的风险管控与资源的有限性作为约束条件,构建基于风险管控的区域多机场不正常航班恢复模型。
步骤S4综合区域多机场航班运行调度模型与不正常航班诱发风险评估,以降低区域多机场系统内总延误时间、恢复方案执行成本为优化目标,以各关键危险事件风险的管控与区域多机场系统中资源的有限性作为约束条件,构建基于风险管控的区域多机场不正常航班恢复模型。
模型的优化目标表示为:
总延误时间最短:
恢复方案执行总成本最小:
式(16)中,dti表示航班i的延误时间,dti=|sti-eti|,sti为航班i的实际跑道时间,eti为航班i的计划跑道时间。飞机取消、备降等方案设定固定延误时间。
式(17)中,Cti表示航班i的执行成本,由航班i所执行的恢复方案(如延误、取消等)决定,Cti=dti×cyw+cfai,其中,cyw为航班的单位时间延误成本,cfai为航班i所执行的恢复方案的固定成本,如航班取消、飞机交换等产生的固定成本。
风险管控策略表示为:
式(18)—(21)表示不正常航班恢复时任一机场、航空公司的关键危险事件风险值低于风险可接受水平,其中,分别为各机场或航空公司的保障车辆与航空器刮碰事件、跑道入侵事件、外来物损伤事件以及空中接近事件的风险值, 分别为对应事件的可接受风险水平,关键危险事件的可接受风险水平通过对区域多机场系统日常安全运行的历史数据进行风险评估,经过大量的计算分析取平均值作为各事件可接受风险水平标准。
不正常航班造成的航班预计就绪时间约束:
eti≤fti≤sti (22)
式中,fti指区域多机场不正常航班背景下各航班的预计就绪时间,其大于计划跑道时间并小于实际跑道时间。
式(1)—(9)、(22)表示运行资源的约束及安全间隔标准的约束,式(18)—(21)表示风险管控的约束。
步骤S5、根据所述不正常航班恢复模型,将实际运行过程中不正常航班的恢复方法应用于算法邻域解的产生机制,设计基于智能邻域选择的多目标优化算法用于模型的求解。
步骤S5根据所述不正常航班恢复模型,将实际运行过程中不正常航班的恢复方法应用于算法邻域解的产生机制,设计基于智能邻域选择的多目标优化算法用于模型的求解。算法的具体实施步骤如下所示:
步骤1:读取区域多机场系统内机场跑道信息、多机场空域结构、进离场航线集合、进离场定位点集合、不同机型航班在不同航线上的标准飞行时间和相关安全间隔要求、机场容量信息、风险管控指标数据等。输入航班计划信息,包括机型、航空公司、计划跑道时间等,根据不正常航班现状确定航班预计就绪时间,进离场航班时间窗等。
步骤2:对航班进行时间段随机初始分配,判断模型约束条件,确定初始可行解。
步骤3:输入当前解及模型相关参数,开始进行迭代求解计算,迭代的内容主要基于智能邻域搜索方法,首先对模型的所有目标函数进行全局的可行解搜索,然后对模型的单一目标函数分别进行局部的可行解搜索。
步骤3所述基于智能邻域搜索流程具体包括:
a、输入当前解及模型相关参数。
b、确定智能邻域搜索相关参数初始值,包括:
最小优化率minOP,用于判断是否满足内循环终止条件;
优化方案PGm,代表航班的恢复方法,包括延误、取消、返航、备降、加班、调机、飞机交换等,不同的航班恢复方法在算法中有相应的执行方式,m=1,...,mmax;
当前搜索中执行方案PGm的次数Cdm=0;
方案PGm的评估分数其中,GCdm为全局搜索中执行方案PGm的次数,GOPm为全局搜索中执行方案PGm有效优化的次数,TCd和TOP分别为优化方案的执行次数与有效优化次数,用于评估方案PGm对目标函数的优化作用,调整不同恢复方案的执行次数;
当前搜索中执行方案PGm的有效优化率LOPm初始值为LOPm=minOP+ESm,利用minOP确保每个方案均被执行一次,迭代过程中LOPm=SCdm/Cdm,其中,SCdm指当前搜索中执行方案PGm的有效优化次数。用LOPm判断智能邻域搜索终止条件;
c、获取当前搜索中执行方案PGm的有效优化率LOPm信息,选择所有优化方案PG1~PGmax中LOPm值最大的方案作为当前需执行的航班恢复方案,根据对应的航班恢复邻域解产生规则,对航班时间段分配的当前解进行相应的邻域解产生操作,根据邻域解的时间段分配更新航班延误时间、各时间段航班流量等相关信息。
步骤c中航班恢复方案对应的算法邻域解产生规则,包括:
c1航班延误:随机选择一个离场航班,重新为其分配一个在其计划时间之后的空闲时间段。
c2航班取消:随机选择一个离场航班,将其标记为航班取消状态,该状态航班在计算安全间隔等约束条件中不会纳入计算,并且在目标函数计算中加入固定延误时间与该方案的固定执行成本。
c3航班返航:随机选择一个进场航班,将其标记为航班返航状态,该状态航班在计算安全间隔等约束条件中不会纳入计算,并且在目标函数计算中加入固定延误时间与该方案的固定执行成本。
c4航班备降:随机选择一个进场航班,重新为其分配一个机场目的地,基于新的机场在其就绪时间后为其分配一个最近的空闲时间段,并在目标函数计算中加入该方案的固定执行成本。
c5航班调机:搜索有调机能力的航空公司,在其中随机选择一个航空公司,在该航空公司中选择当前解中延误时间最多的航班,判断是否满足调机机型限制,若满足,则标记为调机状态,航空公司调机能力减一,该航班的计划就绪时间重置为调机预设时间,为其就航班计划时间和新的计划就绪时间重新分配空闲时间段,并在目标函数计算中加入该方案的固定执行成本。
c6飞机交换:随机选择一个航空公司,随机选择该航空公司内的两架机型相同的航班标记为飞机交换状态,对两个航班交换计划就绪时间,为其就航班计划时间和新的计划就绪时间重新分配空闲时间段,并在目标函数计算中加入该方案的固定执行成本。
c7航班加班:由于航班取消、返航、备降等操作会使新解的产生向不可逆的方向发展,因此将实际情况中的加班方案在算法中设定为随机选择一个特定状态的航班取消特定标记,将其按原始航班计划设定的计划就绪时间、目的地机场重新分配空闲时间段,并取消其固定执行成本计算。
d、根据模型安全间隔约束及风险管控约束条件,判断产生的邻域解是否为可行解,若不可行,重新执行c,若产生可行邻域解,则将邻域解作为新解,并计算目标函数值。根据目标函数是否被优化判断本次优化是否为有效优化,并进一步更新算法中其他参数数值及LOPm最大值信息,记录当前优化目标下最优解信息。
e、判断是否满足迭代终止条件LOPm最大值小于最小优化次数minOP,若不满足,重新执行c,若满足,智能邻域搜索结束,记录的最优解为新解。
步骤4:当产生的邻域解的目标函数比当前解较优则计入有效优化次数,通过计算上一次迭代搜索对目标函数的有效优化次数和本次迭代搜索对目标函数的有效优化次数,判断两次数值是否相同,相同则为迭代条件达到,算法终止。
本发明能够适用于区域多机场的不正常航班恢复问题,在考虑区域多机场系统关联耦合的资源约束下,对不正常航班诱发系统内关键危险事件的安全风险隐患进行针对性控制,从全局的角度协调区域多机场系统的航班恢复方案,使区域多机场的不正常航班恢复计划具有更强的安全性与可操作性,具有广泛的推广应用前景。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于风险管控的区域多机场不正常航班恢复方法,其特征在于,包括以下步骤:
步骤S1、从全局的角度分析区域多机场系统运行机制,所述区域多机场系统运行机制包括空管、机场和航空公司各子系统的联合运行机制,构建区域多机场系统航班运行调度模型;
步骤S2、根据区域多机场系统运行机制,分析不正常航班诱发的区域多机场系统新的运行特征,确定不正常航班恢复需要进行风险管控的关键危险事件,分析各事件在区域多机场不正常航班恢复情景中的主要危险源与风险因素,并建立相应风险指标体系;
步骤S3、采用模糊物元分析法定量评估不正常航班恢复过程中区域多机场系统内各关键危险事件的风险,获取不正常航班延误诱发关键危险事件风险评估;
步骤S4、根据区域多机场系统航班运行调度模型及不正常航班延误诱发关键危险事件风险评估,构建基于风险管控的区域多机场不正常航班恢复模型;
步骤S4中,综合区域多机场系统航班运行调度模型及不正常航班延误诱发关键危险事件风险评估,以降低总延误时间、恢复方案的执行总成本为优化目标,以各关键危险事件的风险管控与资源的有限性作为约束条件,构建基于风险管控的区域多机场不正常航班恢复模型;
步骤S5、根据基于风险管控的区域多机场不正常航班恢复模型,将实际运行过程中不正常航班的恢复方法应用于算法邻域解的产生机制,采用基于智能邻域选择的多目标优化算法用于模型的求解,完成不正常航班的恢复。
2.根据权利要求1所述基于风险管控的区域多机场不正常航班恢复方法,其特征在于:所述步骤S1中构建的区域多机场系统航班运行调度模型如下:
其中,A:区域多机场系统内所有机场集合;P:区域多机场系统内所有进离场定位点集合;F:区域多机场系统内所有需调度的航班集合,其中FD为离场航班集合,FA为进场航班集合;T:所有可进行航班调配的时间段集合;sti:航班i的实际跑道时间;pti:航班i到达管制移交定位点的时间;ρij:航班i和航班j应满足的尾流间隔标准;υij:同一仪表着陆系统航向道上前后运行的两架进场航空器,需满足的跑道运行安全间隔标准;τij:相邻仪表着陆系统航向道上前后运行的两架进场航空器,需满足的跑道运行安全间隔标准;同一跑道前机离场、后机进场时应满足的时间间隔标准;航班i的跑道占用时间;γij:连续两架航班先后通过同一定位点需满足的管制移交时间间隔标准;εij:0-1离散变量,1表示航班i的跑道时间先于航班j的,反之等于0;ξij:0-1离散变量,1表示航班i与航班j均为进场/离场航班,反之等于0;μij:0-1离散变量,1表示航班i与航班j使用同一跑道,反之等于0;0-1离散变量,1表示航班i与航班j均为进场航班,反之等于0;ηij:0-1离散变量,1表示航班i与航班j使用相邻跑道,反之等于0;ψij:0-1离散变量,1表示前机航班为离场,后机航班为进场,反之等于0;κij:0-1离散变量,1表示使用同一管制移交定位点,反之等于0;ωij:0-1离散变量,1表示航班i先于航班j通过定位点,反之等于0;αi:航班i的最早起飞/进场时间;βi:航班i的最晚起飞/进场时间;afi,Δt:机场i在Δt时间段内的进场流量;dfi,Δt:机场i在Δt时间段内的离场流量;lfi:机场i的进离场容量曲线关系组成的集合;asi,Δt:机场i在Δt时间段内的进场服务流量,指单一时间段内机场地面服务的进场航班数量;dsi,Δt:机场i在Δt时间段内的离场服务流量,指单一时间段内机场地面服务的离场航班数量;lsi:机场i的进离场地面服务能力曲线关系组成的集合。
3.根据权利要求1所述基于风险管控的区域多机场不正常航班恢复方法,其特征在于:所述步骤S2中,不正常航班恢复需要进行风险管控的关键危险事件主要包括:①保障车辆与航空器刮碰;②跑道入侵;③外来物损伤;④空中接近;针对此四类关键危险事件进行的风险指标体系构建包括历史数据指标与预测数据指标两部分;
所述四类关键危险事件的历史数据指标与预测数据指标主要包括:
①保障车辆与航空器刮碰Gp:
历史数据指标:Gp1驾驶员违规超速驾驶的次数;Gp2车辆未按规定提前到达指定位置的次数;Gp3机坪监察人员发现客梯车、传动带车、平台车等倒车配合不畅的次数;Gp4客梯车、传动带车、平台车等由于倒车导致刮碰航空器的次数;Gp5车辆违规通过“停”标志的次数;Gp6由于观察不细致导致与航空器抢行或刮碰的次数;Gp7驾驶员违规抢行或穿行的次数;Gp8机坪运行人员报告标识不清的次数;Gp9标志、标识管理部门巡视检查发现该类标识不清的次数;Gp10标志、标识未按期更新的次数;Gp11车辆刹车制动失灵的次数;Gp12特种车辆未定期检修的次数;Gp13保障车辆未在制动状态的次数;Gp14特车驾驶员违规驾驶的次数;Gp15停机位内倒车时无人指挥的次数;Gp16违规倒车的次数;Gp17廊桥操作人员未提前5分钟到达指定位置的次数;Gp18廊桥操作人员违规操作的次数;Gp19廊桥违规操作导致与发动机发生刮碰的次数;Gp20廊桥非例行断电次数;Gp21廊桥故障次数;Gp22雨伞带入飞行区的次数;Gp23驾驶员超速行驶的次数;Gp24机务未明确手势,车辆违规靠近的次数;
b、预测数据指标:其中max{asi,Δt+dsi,Δt}为单位时间内机场i的最大服务流量,包括进场流量和离场流量,Nbz,i为机场i的地面服务保障小组数目,是机场i的天气状况对地面服务保障工作的影响因子,表示天气对地服人员工作、保障车辆运行造成的影响程度,asi,Δt表示机场i在Δt时间段内的进场服务流量,dsi,Δt表示机场i在Δt时间段内的离场服务流量; 其中max{afi,Δt+dfi,Δt}为单位时间内机场i的最大进离场流量,Nkj,i表示机场i的空侧监管人员配备数目;其中Nlj,i表示机场i的陆侧监管人员配备数目;表示场面工作环境状况,其中tqi指机场i的天气恶劣指数,zxi为机场i的场面运行混乱指数,tqi,zxi∈[0,1];
②跑道入侵Rq:
a、历史数据指标:Rq1非标准通话发生的次数或发生率;Rq2定期安全培训执行率;Rq3施工前培训执行率;Rq4无人引导施工方的次数;Rq5机坪运行人员报告标识不清或标识失效的次数;Rq6标志、标识管理部门巡视检查发现该类标识不清的次数;Rq7标志、标识未按期更新的次数;Rq8公用工具箱未清点的次数;Rq9货物运输或装载过程中,小动物逃逸的次数;Rq10飞行区土质区内的野生动物入侵跑道次数;Rq11通信设备的故障率;Rq12非标准通话发生的次数或发生率;Rq13开航前,塔台没有呼叫驱鸟、灯光、场务的次数;Rq14塔台没有通知检修人员离撤的次数;
b、预测数据指标:Rq15塔台工作负荷=max{afi,Δt+dfi,Δt}; 表示场面工作环境状况;Rq17机场i的天气状况对航空器及保障车辆运行的影响因子表示天气对航空器、保障车辆、相关设备正常工作的影响程度;
③外来物损伤Fod:
a、历史数据指标:Fod1场道FOD报告次数或发生率;Fod2轮胎扎伤事件次数或千架次率;Fod3机坪FOD报告次数或发生率;Fod4轮胎扎伤事件次数或千架次率;Fod5机坪保障车辆故障发生次数或发生率;Fod6道面FOD报告次数或发生率;Fod7道面巡视检查执行率;Fod8用泡沫包装的货物泡沫破碎次数;
b、预测数据指标: 表示场面工作环境状况;
④空中接近:
a、历史数据指标:Kj1多机场空域航路交叉点数目;Kj2管制员错误识别目标次数或千架次率;Kj3管制员下达不完整许可次数或千架次率;Kj4管制员诵读许可指令不当次数或千架次率;Kj5管制员与机组沟通不当次数或千架次率;Kj6空管通信设备故障发生次数或发生率;Kj7某航空公司所有航空器通信设备故障次数或万架次率;Kj8某航空公司所有机组对航路变化处理不当次数或万架次率;Kj9某航空公司所有机组违规执行飞行程序次数或万架次率;Kj10某航空公司所有机组飞行操作失误次数或万架次率;Kj11某航空公司航空器设备或仪表故障次数或万架次率;
b、预测数据指标:Kj12管制员工作负荷=max{afi,Δt+dfi,Δt};Kj13天气状况对航空器飞行的影响因子表示大雾、雨雪等恶劣天气对航空器进离场程序的影响程度;Kj14机组的最大连续工作时长gti。
4.根据权利要求1所述基于风险管控的区域多机场不正常航班恢复方法,其特征在于:步骤S3中采用模糊物元分析法定量评估不正常航班恢复过程中区域多机场系统内各关键危险事件的风险,具体包括:
步骤S31:建立各关键危险事件的风险评价物元,将该危险事件中的事物、特征以及量值借用有序三元组进行描述;
其中,Rnm表示风险评价物元,Mj指评价机场,Ci是保障车辆与航空器刮碰事件风险指标体系中的评价指标,xij为该机场在该指标下给定的数值,
步骤S32:对于各评价指标性质不同、单位不同的问题,进行归一化处理;
针对数值越大风险越小的指标,归一化处理方式为:
对于数值越大风险越大的指标,归一化处理方式为:
进而得到保障车辆与航空器刮碰事件风险评价的模糊物元Rh:
步骤S33:利用层次分析法对保障车辆与航空器刮碰事件中的风险评价指标进行两两比较,客观判断各个风险指标的重要度,得到重要度判断矩阵,接着对判断矩阵进行特征向量求解以及一致性规范,获得各评价指标的权重值:
其中,Rv表示保障车辆与航空器刮碰事件中各风险评价指标的权重矩阵,V1、V2…Vn表示各风险评价指标的权重值;
步骤S34:根据所建模糊物元与权重矩阵,求解保障车辆与航空器刮碰事件风险值
针对跑道入侵、外来物损伤以及空中接近事件,采用同样的方法进行求解,进而得到区域多机场系统的风险值矩阵集合Rrisk: 分别为各机场或航空公司的保障车辆与航空器刮碰事件、跑道入侵事件、外来物损伤事件以及空中接近事件的风险值。
5.根据权利要求1所述基于风险管控的区域多机场不正常航班恢复方法,其特征在于:步骤S4中基于风险管控的区域多机场不正常航班恢复模型的优化目标表示为:
总延误时间最短:
恢复方案执行总成本最小:
式中,dti表示航班i的延误时间,dti=|sti-eti|,sti为航班i的实际跑道时间,eti为航班i的计划跑道时间;Cti表示航班i的执行成本,由航班i所执行的恢复方案决定,Cti=dti×cyw+cfai,其中,cyw为航班的单位时间延误成本,cfai为航班i所执行的恢复方案的固定成本;
风险管控策略表示为:
式中表示不正常航班恢复时任一机场、航空公司的关键危险事件风险值低于风险可接受水平,其中,分别为各机场或航空公司的保障车辆与航空器刮碰事件、跑道入侵事件、外来物损伤事件以及空中接近事件的风险值, 分别为对应为各机场或航空公司的保障车辆与航空器刮碰事件、跑道入侵事件、外来物损伤事件以及空中接近事件的可接受风险水平,关键危险事件的可接受风险水平通过对区域多机场系统日常安全运行的历史数据进行风险评估,经过大量的计算分析取平均值作为各事件可接受风险水平标准;
不正常航班造成的航班预计就绪时间约束:
eti≤fti≤sti (22)
式中,fti指区域多机场不正常航班背景下各航班的预计就绪时间,其大于计划跑道时间并小于实际跑道时间。
6.根据权利要求5所述基于风险管控的区域多机场不正常航班恢复方法,其特征在于:所述步骤S5中,将实际运行过程中不正常航班的恢复方法应用于算法邻域解的产生机制,具体如下:
c1航班延误:随机选择一个离场航班,重新为其分配一个在其计划时间之后的空闲时间段;
c2航班取消:随机选择一个离场航班,将其标记为航班取消状态,该状态航班在计算安全间隔等约束条件中不会纳入计算,并且在目标函数计算中加入固定延误时间与该方案的固定执行成本;
c3航班返航:随机选择一个进场航班,将其标记为航班返航状态,该状态航班在计算安全间隔等约束条件中不会纳入计算,并且在目标函数计算中加入固定延误时间与该方案的固定执行成本;
c4航班备降:随机选择一个进场航班,重新为其分配一个机场目的地,基于新的机场在其就绪时间后为其分配一个最近的空闲时间段,并在目标函数计算中加入该方案的固定执行成本;
c5航班调机:搜索有调机能力的航空公司,在其中随机选择一个航空公司,在该航空公司中选择当前解中延误时间最多的航班,判断是否满足调机机型限制,若满足,则标记为调机状态,航空公司调机能力减一,该航班的计划就绪时间重置为调机预设时间,为其就航班计划时间和新的计划就绪时间重新分配空闲时间段,并在目标函数计算中加入该方案的固定执行成本;
c6飞机交换:随机选择一个航空公司,随机选择该航空公司内的两架机型相同的航班标记为飞机交换状态,对两个航班交换计划就绪时间,为其就航班计划时间和新的计划就绪时间重新分配空闲时间段,并在目标函数计算中加入该方案的固定执行成本;
c7航班加班:由于航班取消、返航、备降操作会使新解的产生向不可逆的方向发展,因此将实际情况中的加班方案在算法中设定为随机选择一个特定状态的航班取消特定标记,将其按原始航班计划设定的计划就绪时间、目的地机场重新分配空闲时间段,并取消其固定执行成本计算。
7.根据权利要求5所述基于风险管控的区域多机场不正常航班恢复方法,其特征在于:所述步骤S5中采用基于智能邻域选择的多目标优化算法用于模型的求解的方法:
步骤S51,读取区域多机场系统内机场跑道信息、多机场空域结构、进离场航线集合、进离场定位点集合、不同机型航班在不同航线上的标准飞行时间和相关安全间隔要求、机场容量信息、风险管控指标数据;输入航班计划信息,根据不正常航班现状确定航班预计就绪时间,进离场航班时间窗;
步骤S52,对航班进行时间段随机初始分配,判断模型约束条件,确定初始可行解;
步骤S53,输入当前解及模型相关参数,开始进行迭代求解计算,迭代的内容主要基于智能邻域搜索方法,首先对模型的所有目标函数进行全局的可行解搜索,然后对模型的单一目标函数分别进行局部的可行解搜索;
步骤S54,当产生的邻域解的目标函数比当前解较优则计入有效优化次数,通过计算上一次迭代搜索对目标函数的有效优化次数和本次迭代搜索对目标函数的有效优化次数,判断两次数值是否相同,相同则为迭代条件达到,算法终止。
8.根据权利要求7所述基于风险管控的区域多机场不正常航班恢复方法,其特征在于:所述步骤S53中智能邻域搜索方法包括以下步骤:
步骤S53a、输入当前解及模型相关参数;
步骤S53b、确定智能邻域搜索相关参数初始值,包括最小优化指标minOP,用于判断是否满足内循环终止条件;
优化方案PGm,代表航班的恢复方法,不同的航班恢复方法在算法中有相应的执行方式,m=1,...,mmax;
当前搜索中执行方案PGm的次数Cdm=0;
方案PGm的评估分数其中,GCdm为全局搜索中执行方案PGm的次数,GOPm为全局搜索中执行方案PGm有效优化的次数,TCd和TOP分别为优化方案的执行次数与有效优化次数,用于评估方案PGm对目标函数的优化作用,调整不同恢复方案的执行次数;
当前搜索中执行方案PGm的有效优化率LOPm初始值为LOPm=minOP+ESm,利用minOP确保每个方案均被执行一次,迭代过程中LOPm=SCdm/Cdm,其中,SCdm指当前搜索中执行方案PGm的有效优化次数;用LOPm判断智能邻域搜索终止条件;
步骤S53c、获取当前搜索中执行方案PGm的有效优化率LOPm信息,选择所有优化方案PG1~PGmax中LOPm值最大的方案作为当前需执行的航班恢复方案,根据对应的航班恢复邻域解产生规则,对航班时间段分配的当前解进行相应的邻域解产生操作,根据邻域解的时间段分配更新航班延误时间、各时间段航班流量等相关信息;
步骤S53d、根据模型安全间隔约束及风险管控约束条件,判断产生的邻域解是否为可行解,若不可行,重新执行c,若产生可行邻域解,则将邻域解作为新解,并计算目标函数值;根据目标函数是否被优化判断本次优化是否为有效优化,并进一步更新算法中其他参数数值及LOPm最大值信息,记录当前优化目标下最优解信息;
步骤S53e、判断是否满足迭代终止条件LOPm最大值小于最小优化指标minOP,若不满足,重新执行c,若满足,智能邻域搜索结束,记录的最优解为新解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810767047.9A CN108985621B (zh) | 2018-07-13 | 2018-07-13 | 基于风险管控的区域多机场不正常航班恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810767047.9A CN108985621B (zh) | 2018-07-13 | 2018-07-13 | 基于风险管控的区域多机场不正常航班恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985621A true CN108985621A (zh) | 2018-12-11 |
CN108985621B CN108985621B (zh) | 2022-06-10 |
Family
ID=64537137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810767047.9A Active CN108985621B (zh) | 2018-07-13 | 2018-07-13 | 基于风险管控的区域多机场不正常航班恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985621B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711619A (zh) * | 2018-12-26 | 2019-05-03 | 南京航空航天大学 | 考虑空地运行限制的多机场战略航班时刻协同优化方法 |
CN109741638A (zh) * | 2019-01-23 | 2019-05-10 | 中国电子科技集团公司第二十八研究所 | 一种进离场管理系统一体化协同运行方法 |
CN110728399A (zh) * | 2019-09-27 | 2020-01-24 | 广州市骑鹅游信息技术咨询服务有限公司 | 一种基于大数据的机票智能拼接方法及系统 |
CN110851933A (zh) * | 2019-11-08 | 2020-02-28 | 四川航空股份有限公司 | 航班智能规划方法、装置、电子设备及存储介质 |
CN111353721A (zh) * | 2020-03-24 | 2020-06-30 | 杭州派迩信息技术有限公司 | 一种基于航班价值评估的航班恢复系统 |
CN112036679A (zh) * | 2020-06-24 | 2020-12-04 | 中国民航管理干部学院 | 一种航空网络风险评估方法 |
CN112132484A (zh) * | 2020-09-30 | 2020-12-25 | 中国民航信息网络股份有限公司 | 一种航班恢复方法及装置 |
CN112330983A (zh) * | 2020-10-23 | 2021-02-05 | 杭州优迈科思信息科技有限责任公司 | 不正常航班一体化智能恢复方法 |
CN112330186A (zh) * | 2020-11-18 | 2021-02-05 | 杨媛媛 | 一种场地面运行保障能力评估方法 |
CN112785195A (zh) * | 2021-02-04 | 2021-05-11 | 中国电建集团华东勘测设计研究院有限公司 | 基于模糊综合评价的大坝安全风险排序方法 |
CN112836642A (zh) * | 2021-02-04 | 2021-05-25 | 成都国翼电子技术有限公司 | 一种基于组合标注的机场地面服务保障事件判断方法 |
CN112862258A (zh) * | 2021-01-14 | 2021-05-28 | 哈尔滨工程大学 | 一种考虑旅客偏好的有限理性的航班恢复方法 |
CN112907031A (zh) * | 2021-01-20 | 2021-06-04 | 同济大学 | 一种机场外来物风险评价方法、设备、装置及可读存储介质 |
CN112990725A (zh) * | 2021-03-24 | 2021-06-18 | 携程旅游网络技术(上海)有限公司 | 航班自动补班的方法、系统、设备及介质 |
CN113361948A (zh) * | 2021-06-24 | 2021-09-07 | 中国电子科技集团公司第二十八研究所 | 一种基于矩阵运算的空域对流天气信息量化方法 |
CN113379331A (zh) * | 2021-07-19 | 2021-09-10 | 中国民航大学 | 一种基于不安全事件的航班运行风险网络构建与控制方法 |
CN114333430A (zh) * | 2021-12-22 | 2022-04-12 | 悠桦林信息科技(上海)有限公司 | 航班信息生成方法、装置、设备、存储介质和计算机程序产品 |
CN114373336A (zh) * | 2021-12-22 | 2022-04-19 | 山东航云科技有限公司 | 一种基于航班态势数据的机场智能驱鸟系统及方法 |
CN115409438A (zh) * | 2022-11-03 | 2022-11-29 | 成都沃飞天驭科技有限公司 | 低空飞行风险控制方法、装置、飞行器及存储介质 |
CN115759386A (zh) * | 2022-11-11 | 2023-03-07 | 中国民航科学技术研究院 | 一种民航航班执飞结果预测方法、装置及电子设备 |
CN116596295A (zh) * | 2023-02-23 | 2023-08-15 | 中国民航科学技术研究院 | 一种国内支线运输飞机安全评价与风险预测方法及系统 |
CN117910783A (zh) * | 2024-03-19 | 2024-04-19 | 中国民用航空总局第二研究所 | 基于航班地面保障任务的地面保障人员排班方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650985A (zh) * | 2016-09-12 | 2017-05-10 | 南京航空航天大学 | 基于随机Petri网的不正常航班衍生事件链式效应预测方法 |
-
2018
- 2018-07-13 CN CN201810767047.9A patent/CN108985621B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650985A (zh) * | 2016-09-12 | 2017-05-10 | 南京航空航天大学 | 基于随机Petri网的不正常航班衍生事件链式效应预测方法 |
Non-Patent Citations (1)
Title |
---|
马园园等: "多机场终端区进离场交通流协同排序方法", 《航空学报》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711619A (zh) * | 2018-12-26 | 2019-05-03 | 南京航空航天大学 | 考虑空地运行限制的多机场战略航班时刻协同优化方法 |
CN109711619B (zh) * | 2018-12-26 | 2023-05-23 | 南京航空航天大学 | 考虑空地运行限制的多机场战略航班时刻协同优化方法 |
CN109741638A (zh) * | 2019-01-23 | 2019-05-10 | 中国电子科技集团公司第二十八研究所 | 一种进离场管理系统一体化协同运行方法 |
CN109741638B (zh) * | 2019-01-23 | 2020-06-12 | 中国电子科技集团公司第二十八研究所 | 一种进离场管理系统一体化协同运行方法 |
CN110728399A (zh) * | 2019-09-27 | 2020-01-24 | 广州市骑鹅游信息技术咨询服务有限公司 | 一种基于大数据的机票智能拼接方法及系统 |
CN110728399B (zh) * | 2019-09-27 | 2022-12-30 | 广州市骑鹅游信息技术咨询服务有限公司 | 一种基于大数据的机票智能拼接方法及系统 |
CN110851933A (zh) * | 2019-11-08 | 2020-02-28 | 四川航空股份有限公司 | 航班智能规划方法、装置、电子设备及存储介质 |
CN110851933B (zh) * | 2019-11-08 | 2023-11-03 | 四川航空股份有限公司 | 航班智能规划方法、装置、电子设备及存储介质 |
CN111353721B (zh) * | 2020-03-24 | 2023-08-08 | 杭州派迩信息技术有限公司 | 一种基于航班价值评估的航班恢复系统 |
CN111353721A (zh) * | 2020-03-24 | 2020-06-30 | 杭州派迩信息技术有限公司 | 一种基于航班价值评估的航班恢复系统 |
CN112036679A (zh) * | 2020-06-24 | 2020-12-04 | 中国民航管理干部学院 | 一种航空网络风险评估方法 |
CN112132484A (zh) * | 2020-09-30 | 2020-12-25 | 中国民航信息网络股份有限公司 | 一种航班恢复方法及装置 |
CN112330983A (zh) * | 2020-10-23 | 2021-02-05 | 杭州优迈科思信息科技有限责任公司 | 不正常航班一体化智能恢复方法 |
CN112330983B (zh) * | 2020-10-23 | 2021-09-28 | 杭州优迈科思信息科技有限责任公司 | 不正常航班一体化智能恢复方法 |
CN112330186A (zh) * | 2020-11-18 | 2021-02-05 | 杨媛媛 | 一种场地面运行保障能力评估方法 |
CN112862258B (zh) * | 2021-01-14 | 2022-06-17 | 哈尔滨工程大学 | 一种考虑旅客偏好的有限理性的航班恢复方法 |
CN112862258A (zh) * | 2021-01-14 | 2021-05-28 | 哈尔滨工程大学 | 一种考虑旅客偏好的有限理性的航班恢复方法 |
CN112907031A (zh) * | 2021-01-20 | 2021-06-04 | 同济大学 | 一种机场外来物风险评价方法、设备、装置及可读存储介质 |
CN112785195A (zh) * | 2021-02-04 | 2021-05-11 | 中国电建集团华东勘测设计研究院有限公司 | 基于模糊综合评价的大坝安全风险排序方法 |
CN112836642A (zh) * | 2021-02-04 | 2021-05-25 | 成都国翼电子技术有限公司 | 一种基于组合标注的机场地面服务保障事件判断方法 |
CN112990725A (zh) * | 2021-03-24 | 2021-06-18 | 携程旅游网络技术(上海)有限公司 | 航班自动补班的方法、系统、设备及介质 |
CN113361948A (zh) * | 2021-06-24 | 2021-09-07 | 中国电子科技集团公司第二十八研究所 | 一种基于矩阵运算的空域对流天气信息量化方法 |
CN113361948B (zh) * | 2021-06-24 | 2023-06-16 | 中国电子科技集团公司第二十八研究所 | 一种基于矩阵运算的空域对流天气信息量化方法 |
CN113379331A (zh) * | 2021-07-19 | 2021-09-10 | 中国民航大学 | 一种基于不安全事件的航班运行风险网络构建与控制方法 |
CN113379331B (zh) * | 2021-07-19 | 2022-03-25 | 中国民航大学 | 一种基于不安全事件的航班运行风险网络构建与控制方法 |
CN114373336B (zh) * | 2021-12-22 | 2023-01-13 | 航科院中宇(北京)新技术发展有限公司山东分公司 | 一种基于航班态势数据的机场智能驱鸟系统及方法 |
CN114373336A (zh) * | 2021-12-22 | 2022-04-19 | 山东航云科技有限公司 | 一种基于航班态势数据的机场智能驱鸟系统及方法 |
CN114333430A (zh) * | 2021-12-22 | 2022-04-12 | 悠桦林信息科技(上海)有限公司 | 航班信息生成方法、装置、设备、存储介质和计算机程序产品 |
CN115409438B (zh) * | 2022-11-03 | 2023-04-07 | 成都沃飞天驭科技有限公司 | 低空飞行风险控制方法、装置、飞行器及存储介质 |
CN115409438A (zh) * | 2022-11-03 | 2022-11-29 | 成都沃飞天驭科技有限公司 | 低空飞行风险控制方法、装置、飞行器及存储介质 |
CN115759386A (zh) * | 2022-11-11 | 2023-03-07 | 中国民航科学技术研究院 | 一种民航航班执飞结果预测方法、装置及电子设备 |
CN115759386B (zh) * | 2022-11-11 | 2023-07-07 | 中国民航科学技术研究院 | 一种民航航班执飞结果预测方法、装置及电子设备 |
CN116596295A (zh) * | 2023-02-23 | 2023-08-15 | 中国民航科学技术研究院 | 一种国内支线运输飞机安全评价与风险预测方法及系统 |
CN117910783A (zh) * | 2024-03-19 | 2024-04-19 | 中国民用航空总局第二研究所 | 基于航班地面保障任务的地面保障人员排班方法 |
CN117910783B (zh) * | 2024-03-19 | 2024-05-24 | 中国民用航空总局第二研究所 | 基于航班地面保障任务的地面保障人员排班方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108985621B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985621A (zh) | 基于风险管控的区域多机场不正常航班恢复方法 | |
CN103426331B (zh) | 多机场协同放行系统航班排序决策方法 | |
CN103218681B (zh) | 航空枢纽应急管控方法 | |
CN110456745A (zh) | 一种全自动地下采矿运输系统 | |
CN102198864B (zh) | 动力回转跑道 | |
CN107169677A (zh) | 一种民用机场机坪保障车辆集中式调度指挥系统 | |
Rogov et al. | Development of artificial intelligence systems for megacities transport infrastructure management | |
JP7279972B2 (ja) | 人工スキー場の運営管理システムおよび管理方法 | |
CN111062644A (zh) | 一种基于高精导航定位的机场地勤车辆管控系统和方法 | |
CN116405101A (zh) | 低空数字资源和数字基础设施的监测管控处置系统及方法 | |
CN109610255A (zh) | 一种用于无人自动驾驶货运的地下通道及其系统 | |
CN114529192A (zh) | 城市智慧交通安全出行监测分析方法、应急疏散决策平台 | |
CN113191541A (zh) | 一种基于利用低空空域开展高效货物运输活动的方法 | |
Beifert | Role of air cargo and road feeder services for regional airports–case studies from the Baltic Sea region | |
Mikulski | Introduction of telematics for transport | |
CN109857104A (zh) | 一种基于公路虚拟轨道化的无人驾驶技术 | |
CN112700071A (zh) | 用于机场的自动驾驶旅客摆渡车的管控方法及系统 | |
Xiong et al. | Parallel bus rapid transit (BRT) operation management system based on ACP approach | |
Gołda et al. | Elements of the model positioning of aircraft on the apron | |
Maksymiuk et al. | Priority directions of international airport infrastructure development | |
CN105810020B (zh) | 一种能够提高繁忙机场跑道起降利用率的系统化方法 | |
CN114548531A (zh) | 共享飞的全自动飞行运营系统的构建与运行管控方法及系统 | |
Zieliński | Challenges for employing drones in the urban transport systems | |
Liu | Optimization of Computer-aided Decision-making System for Railroad Traffic Dispatching Command | |
Gonnord et al. | Airports: A precious resource of the aviation network |
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 |