CN109949005A - 一种机场场面航班保障运行分析的方法、系统及终端 - Google Patents

Abstract

本发明属于民航机场航班保障服务技术领域，具体涉及一种机场场面航班保障运行分析的方法、系统及终端，包括：建立航班保障环节的串并联关系模型，计算各保障环节的保障环节时长和航班过站时长；从历史数据中筛选出数据正常的若干航班；修剪或填补上述若干航班所缺失的保障环节，得到修剪填补后的若干航班的航班数据；将航班数据通过随机森林模型进行拟合，得到各保障环节与航班出港延误的关系；基于随机森林模型分析每个保障环节对航班出港延误的影响。本发明能够分析机场业务流程中的各个保障环节对航班出港延误的影响，并得到部分依赖图和影响指标，从而让决策者了解不同因素对航班出港延误的影响程度，以辅助决策者做出更准确的判断和决定。

Description

一种机场场面航班保障运行分析的方法、系统及终端

技术领域

本发明属于民航机场航班保障服务技术领域，具体涉及一种机场场面航班保障运行分析的方法、系统及终端。

背景技术

在民航机场航空器过站时，航班保障的质量对下一程航班出港情况有重要影响。通常，我们通过相关标准计算离港准点率来判断机场离港是否出现问题。但是，判断离港是否出现问题后，决策者并不能分析出导致这种问题的原因是什么。这种原因可能来自于车辆资源的匮乏或者来自于某一节点的严重影响。

由于各保障环节环环相扣且环节之间的相互关系过于复杂，所以分析各个环节对航班出港延误的影响时既不可对保障环节进行单因子分析，也难以通过对保障环节的流程进行数学建模来实现。为了解决这一困难，本发明对历史数据进行操作和分析，通过历史数据得出各保障环节对航班出港延误的影响。

此外，在各航班保障环节中，特种车辆资源是对支撑航班保障特种车辆服务的重要因素。但是特种车辆历史数据中往往缺乏这样的信息：无法确定哪一个时间段，恰好是所有特种车辆进行一次完整运转。只有获得了这样的信息才能基于此判断特种车辆在该时段是否充分使用。为了解决这一困难，本发明对历史数据进行操作和分析，对特种车辆进行聚类分析保障每个类特种车辆在该时段是充分使用的。

发明内容

针对现有技术中的缺陷，本发明提供了一种机场场面航班保障运行分析的方法、系统及终端，能够分析机场业务流程中的各个保障环节对航班出港延误的影响，并得到部分依赖图和影响指标，从而让决策者了解不同因素对航班出港延误的影响程度，以辅助决策者做出更准确的判断和决定。

第一方面，本发明提供了一种机场场面航班保障运行分析的方法，包括以下步骤：

根据机场业务流程建立各个保障环节的串并联关系模型，计算每个航班各保障环节所用的保障环节时长，以及航班过站时长；

根据保障环节时长和航班过站时长，从历史数据中剔除数据异常的若干航班，筛选出数据正常的若干航班；

对筛选出的若干航班，修剪或填补航班所缺失的保障环节，从而得到修剪填补后的若干航班的航班数据；

对得到的航班数据，通过随机森林模型进行拟合，得到各保障环节与航班出港延误的关系；

基于随机森林模型，应用部分依赖函数分析每个保障环节对航班出港延误的影响，并得到每个保障环节与航班出港延误之间的部分依赖图和影响指标。

优选地，所述航班过站时长＝前序航班到港延误时长-当前航班出港延误时长；

前序航班到港延误时长＝前序航班实际上轮档时间-(前序航班计划到港时间+15分钟)；

当前航班出港延误时长＝当前航班实际撤轮档时间-(当前航班计划出港时间+15分钟)。

优选地，所述根据保障环节时长和航班过站时长剔除数据异常的航班的航班数据，具体为：

剔除始发航班的航班数据；

剔除航班过站时长大于第一时间阈值α₁的航班的航班数据；

剔除保障环节时长大于第二时间阈值α₂或小于第三时间阈值α₃的航班的航班数据。

优选地，所述修剪或填补航班所缺失的保障环节，具体为：

分析每个航班缺失数据的保障环节的数量；

对数量大于缺失阈值β₁的航班，则修剪掉所述航班所缺失的保障环节；

对数量小于缺失阈值β₁的航班，则采用多重填补法填补所述航班所缺失的保障环节。

优选地，所述基于随机森林模型，应用部分依赖函数分析每个保障环节对航班出港延误的影响，并得到每个保障环节与航班出港延误之间的部分依赖图和影响指标，具体为：

设定航班的保障环节总数记为p，所考察的某个保障环节记为Si，1≤i≤p，保障环节Si所在的列向量记为X_Si，X_Si中记录的数据条数为n，除了Si保障环节的其他保障环节的列向量记为X_-Si，所拟合的随机森林模型为 f(X_si)＝f(X_si，X_-si)，则部分依赖函数为

根据部分依赖函数得到保障环节Si的n个数据点，每个数据点记为(x_ij，y_ij)，1≤j≤n，根据n个数据点绘制部分依赖图，并计算保障环节si对航班延误的影响指标，影响指标影响指标越大，对航班出港延误的影响越大。

优选地，所述保障环节包括车辆服务环节。

所述机场场面航班保障运行分析的方法，还包括对车辆服务环节中的特种车辆运行进行分析的步骤，具体为：

根据民航局标准，计算机场保障中的车辆准点率；

通过聚类算法进行时间段的划分，划分为若干个时间段，每一时间段内所有司机和所有车辆完成了一次完整的运作；

对一时间段的车辆数目和司机人数，通过随机森林模型进行拟合，得到对车辆数目、司机人数和车辆准点率的关系；

基于随机森林模型，应用部分依赖函数分析车辆数目和司机人数，这两个因素分别对车辆准点率的影响，并得到这两个因素分别与车辆准点率之间的部分依赖图和影响指标。

第二方面，本发明提供了一种机场场面航班保障运行分析的系统，适用于第一方面所述的机场场面航班保障运行分析的方法，包括：

环节建立单元，用于根据机场业务流程建立各个保障环节的串并联关系模型，计算每个航班各保障环节所用的保障环节时长，以及航班过站时长；

航班筛选单元，用于根据保障环节时长和航班过站时长，从历史数据中剔除数据异常的若干航班，筛选出数据正常的若干航班；

环节编辑单元，用于对筛选出的若干航班，修剪或填补航班所缺失的保障环节，从而得到修剪填补后的若干航班的航班数据；

模型拟合单元，用于对得到的航班数据，通过随机森林模型进行拟合，得到各保障环节与航班出港延误的关系；

影响计算单元，基于随机森林模型，应用部分依赖函数分析每个保障环节对航班出港延误的影响，并得到每个保障环节与航班出港延误之间的部分依赖图和影响指标。

优选地，还包括特种车辆运行分析单元，所述特种车辆运行分析单元用于对车辆服务环节中的特种车辆运行进行分析。

第三方面，本发明提供了一种计算机终端，包括处理器和与处理器连接的存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行第一方面所述的方法。本发明实施例，能够分析机场业务流程中的各个保障环节对航班出港延误的影响，以及车辆服务环节中车辆数目和司机人数对车辆到位准点率的影响，并得到部分依赖图和影响指标，从而让决策者了解不同因素对航班出港延误的影响程度和车辆到位准点率的影响程度，以辅助决策者做出更准确的判断和决定。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为本发明实施例中机场业务流程的各个保障环节的串并联关系模型图；

图2为本发明实施例中航班延误原因分析方法的流程图；

图3为本发明实施例中特种车辆运行分析方法的流程图；

图4为本发明实施例中机场场面航班保障运行分析的系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

具体实现中，本发明实施例中描述的终端包括但不限于诸如具有触摸敏感表面(例如，触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是，在某些实施例中，所述设备并非便携式通信设备，而是具有触摸敏感表面(例如，触摸屏显示器和/或触摸板) 的台式计算机。

实施例一：

本发明提供了一种机场场面航班保障运行分析的方法，该方法包括了航班延误原因分析方法和特种车辆运行分析方法，其中，航班延误原因分析方法，如图2所示，包括以下步骤：

S1，根据机场业务流程建立各个保障环节的串并联关系模型，计算每个航班各保障环节所用的保障环节时长，以及航班过站时长；

S2，根据保障环节时长和航班过站时长，从历史数据中剔除数据异常的若干航班，筛选出数据正常的若干航班；

S3，对筛选出的若干航班，修剪或填补航班所缺失的保障环节，从而得到修剪填补后的若干航班的航班数据；

S4，对得到的航班数据，通过随机森林模型进行拟合，得到各保障环节与航班出港延误的关系；

S5，基于随机森林模型，应用部分依赖函数分析每个保障环节对航班出港延误的影响，并得到每个保障环节与航班出港延误之间的部分依赖图和影响指标。

本实施例中，机场业务流程的各个保障环节的串并联关系模型，如图1所示，各保障环节包括引导车到位、上轮档、靠梯桥、开客舱等。本实施例通过历史数据分析各保障环节对航班出港延误的影响，所述历史数据包括若干航班的相关数据，每个航班的相关数据包括若干保障环节的数据。

根据历史数据计算每个航班的航班过站时长，以及每个航班各保障环节所用的保障环节时长。其中所述航班过站时长＝前序航班到港延误时长-当前航班出港延误时长；

前序航班到港延误时长＝前序航班实际上轮档时间-(前序航班计划到港时间+15分钟)；

当前航班出港延误时长＝当前航班实际撤轮档时间-(当前航班计划出港时间+15分钟)。

然后，根据保障环节时长和航班过站时长剔除数据异常的航班的航班数据，具体为：

剔除始发航班的航班数据；

剔除航班过站时长大于第一时间阈值α₁的航班的航班数据；

剔除保障环节时长大于第二时间阈值α₂或小于第三时间阈值α₃的航班的航班数据。

例如，历史数据中的航班总数为108，第一时间阈值为α₁，经过计算，这 108趟航班中，有18趟航班的航班过站时长大于了α₁，于是从108趟航班中剔除掉这18趟航班的相关数据。针对这剩下的90趟航班，再进行第二次剔除，如果一个航班中的某一保障环节时长过长或过短，则该航班数据异常，剔除该航班，设定第二时间阈值为α₂、第三时间阈值为α₃，经过计算，有7趟航班的某些保障环节时长大于了α₂，有3趟航班的某些保障环节时长小于了α₃，因此从90趟航班中剔除掉这10(7+3)趟航班的相关数据，从历史数据中筛选出数据正常的80个航班。

对这筛选出的80个航班所缺失的保障环节进行修剪或填补，其中，所述修剪或填补航班所缺失的保障环节，具体为：

分析每个航班缺失数据的保障环节的数量；

对数量大于缺失阈值β₁的航班，则修剪掉所述航班所缺失的保障环节；

对数量小于缺失阈值β₁的航班，则采用多重填补法填补所述航班所缺失的保障环节。

本实施例中，分析这80个航班的保障环节，得到有两个航班缺失的数据较多，缺失数据的保障环节数量为5，大于缺失阈值β₁，无法进行填补，在充分考虑业务逻辑和评估目的后，从这两个航班中剔除掉缺失数据的保障环节。有三个航班缺失的数据较少，缺失数据的保障环节数量为2，小于缺失阈值β₁，于是对这三个航班中缺失数据的保障环节进行填补，完善这三个航班的相关数据。

本实施例中，为简化问题并同时考虑业务上的合理性，假定数据缺失的方式为随机缺失(MAR，Missing At Random)，即缺失数据的值与已经观测到的数据相关，但与数据是否缺失本身无关。

在假定数据随机缺失的前提下，为保留缺失数据的随机性，填补采用现有技术中的多重填补法(MI，Multiple Imputation)。多重填补法首先通过马尔科夫链-蒙特卡洛(MCMC，Markov Chain Monte Carlo)得到填补模型参数的后验分布(PosteriorDistribution)。在共轭的条件下，可采用 Metropolis-Hasting算法实现MCMC。

具体而言，记第s次迭代的参数为β^(S)，在第s+1次迭代时：

1)从proposal分布中对参数采样：β^*～J(β|β^(S))。J(β|β^(S))为对称proposal 分布，在本发明中定位正态分布，即J(β|β^(S))～N(β^(S),δ²)，具体的δ由特定的 MCMC决定。

2)计算接受率：具体的概率密度函数由底层的方法决定。

3)链转移：得到第s+1次采样结果(依概率接受对参数的新的采样)

然后对所得的后验分布进行多次采样，并根据每次采样所得模型进行对数据进行填补，最后将多次填补的结果进行整合。

在进行多重填补时还需对底层方法进行选择，为保证填补的数据不产生离群值，底层采用PMM(Predictive Mean Matching)方法，即将原始数据中最接近模型所得填补值的数值作为最后结果。

具体而言，第i次采样的参数记为β_i，所需填补的列(向量)记为X_imp，除去所需填补的列的数据记为X_-imp，所需填补的列中第i个观测到的值记为 X_{imp_OBS_1}，所需填补的列中所观测到的值的个数为N_OBS。拟合后的模型记为记第i次填补中所需填补的列中的第k个缺失的填补结果为则其中

通过上述的多重填补法对缺失数据的保障环节进行填补，在对数据进行修剪和填补以后，得到这80个航班完整的航班数据，通过随机森林模型拟合得到航班出港延误与各保障环节间的关系。在训练随机森林模型时，除了对随机森林自身的参数进行调整，还需要将之前步骤中的阈值参数(如α₁、α₂、α₃和β₁) 纳入筛选。在模型训练完成后，对模型进行评估，在评估各指标合理后，得到符合指标的随机森林模型，若评估指标不合理，则重新调整参数，直到评估指标合理。

所述基于随机森林模型，应用部分依赖函数分析每个保障环节对航班出港延误的影响，并得到每个保障环节与航班出港延误之间的部分依赖图和影响指标，具体为：

设定航班的保障环节总数记为p，所考察的某个保障环节记为Si，1≤i≤p，保障环节Si所在的列向量记为X_Si，X_Si中记录的数据条数为n，除了Si保障环节的其他保障环节的列向量记为X_-Si，所拟合的随机森林模型为 f(X_si)＝f(X_si，X_-si)，则部分依赖函数为

根据部分依赖函数得到保障环节Si的n个数据点，每个数据点记为(x_ij， y_ij)，1≤j≤n，根据n个数据点绘制部分依赖图，并计算保障环节si对航班延误的影响指标，影响指标影响指标越大，对航班出港延误的影响越大。

本实施例中，一个航班有21个保障环节,这21个保障环节依次记为S1、 S2、S3……S20、S21，依次计算这21个保障环节对航班延误的影响指标，绘制每个保障环节与航班延误的部分依赖图。例如，保障环节S3所在的列向量记为 X_S3，X_S3中记录的数据条数为80(80个航班，每个航班均有保障环节S2，因此 S2的数据条数为80)，即X_S3中包含了保障环节S3的80个保障环节时长。本实施例中拟合出随机森林模型后，根据部分依赖函数得到保障环节S3的80个数据点：(x₃₁，y₃₁)、(x₃₂，y₃₂)……(x_3j，y_3j)，j的最大值为80。根据这 80个数据点的值，绘制保障环节S3与航班出港延误的部分依赖图，并计算影响指标。

本实施例中，计算航班出港延误随保障环节时长的平均变化率，即将每个保障环节的时长都依次增加相同数值，每次增加一个保障环节，控制其他保障环节不变，最终观测对出港延误的影响大小的平均比例作为该保障环节的平均变化率。将平均变化率的绝对值作为衡量影响的指标，绝对值越大，即影响指标越大，该保障环节对航班出港延误影响越大。

本实施例中的保障环节包括车辆服务环节，所述车辆服务环节包括引导车到位、牵引车到位、摆渡车到位、客梯车到位等。

本实施例中机场场面航班保障运行分析的方法，该方法包括了航班延误原因分析方法和特种车辆运行分析方法，其中，特种车辆运行分析方法(即对车辆服务环节中的特种车辆运行进行分析)，如图3所示，具体为：

A1、根据民航局标准，计算机场保障中的车辆准点率；

A2、通过聚类算法进行时间段的划分，划分为若干个时间段，每一时间段内所有司机和所有车辆完成了一次完整的运作；

A3、对一时间段的车辆数目和司机人数，通过随机森林模型进行拟合，得到对车辆数目、司机人数和车辆准点率的关系；

A4、基于随机森林模型，应用部分依赖函数分析车辆数目和司机人数，这两个因素分别对车辆准点率的影响，并得到这两个因素分别与车辆准点率之间的部分依赖图和影响指标。

本实施例中，为考察不同的车辆数目和不同司机人数下车辆的到位准点率，需要对车辆服务环节的历史数据进行划分。在划分后，各时间段的划分应可近似视为相互独立，即不会存在司机和车辆在两个划分之间运作，司机和车辆能在划分的一个时间段之内进行一次完整的运作。因而，可以认为每一个划分内的准点率是该时间段内所用的司机人数和车辆数目的结果。

时间段的划分采用一维k-means聚类算法，划分的个数通过BIC模型进行筛选。具体而言，聚类的步骤如下：

1)记录的条数为n，车辆到位时间(n维向量)记为t_arr，车辆离开时间(n 维向量)记为t_dep，计算车辆到位和离开的时间中点

2)对t_mid进行一维k-means聚类，距离定义为欧氏距离。假定在某次k-means 迭代中类的个数为k，C₁,C₂,...,C_k为各类中记录的指标集，|C_k|表示第k类中的记录条数。因此，第k类的类内方差定义为则聚类问题转化为优化问题

3)类的个数通过BIC模型进行筛选，BIC模型最小所对应的k即为最优的类的个数。

本实施例通过以上的聚类算法将车辆服务环节的历史数据划分为若干时间段，在一时间段内，所有的司机和车辆都使用过一遍。时间段划分后，将每一个划分的时间段视为一条独立记录，通过随机森林模型拟合考察车辆数目、司机人数与车辆准点率的关系。此外，还需对其他可能的车辆准点率影响因素进行控制。在本实施例中，其他因素包括各划分内的平均延误时长、平均机型大小、单位时间航班量。考虑到各因素间的相互作用、因素分布的非正态性和关系的非线性。在模型训练完成后，对模型进行评估，在评估各指标合理后进行后续步骤。

采用部分依赖函数对变量进行控制，即在对其他可能影响因素平均以后，改变车辆数目或司机人数，考察车辆数目与车辆到位准点率的关系，司机人数与车辆到位准点率的关系。

在得到部分依赖函数的若干样本点以后，为更好地展现准点率随变量的变化趋势，对部分依赖函数的样本点进行平滑，平滑采用LOESS方法，权重函数采用tricube权重，具体而言，步骤如下：

1)定义窗口宽度h。

2)定义权重：记权重函数为w(z)。

3)加权最小二乘法进行回归：

根据平滑后的样本点绘制车辆数目与车辆到位准点率的部分依赖图，司机人数与车辆到位准点率的部分依赖图，计算车辆数目对车辆到位准点率的影响指标，司机人数与车辆到位准点率的影响指标。

综上所述，本实施例能够分析机场业务流程中的各个保障环节对航班出港延误的影响，以及车辆服务环节中车辆数目和司机人数对车辆到位准点率的影响，并得到部分依赖图和影响指标，从而让决策者了解不同因素对航班出港延误的影响程度和车辆到位准点率的影响程度，以辅助决策者做出更准确的判断和决定。

实施例二：

本实施例提供了一种机场场面航班保障运行分析的系统，适用于实施例一所述的机场场面航班保障运行分析的方法，如图4所示，包括：

环节建立单元，用于根据机场业务流程建立各个保障环节的串并联关系模型，计算每个航班各保障环节所用的保障环节时长，以及航班过站时长；

航班筛选单元，用于根据保障环节时长和航班过站时长，从历史数据中剔除数据异常的若干航班，筛选出数据正常的若干航班；

环节编辑单元，用于对筛选出的若干航班，修剪或填补航班所缺失的保障环节，从而得到修剪填补后的若干航班的航班数据；

模型拟合单元，用于对得到的航班数据，通过随机森林模型进行拟合，得到各保障环节与航班出港延误的关系；

影响计算单元，基于随机森林模型，应用部分依赖函数分析每个保障环节对航班出港延误的影响，并得到每个保障环节与航班出港延误之间的部分依赖图和影响指标。

本实施例本实施例中，机场业务流程的各个保障环节的串并联关系模型，如图1所示，各保障环节包括引导车到位、上轮档、靠梯桥、开客舱等。本实施例通过历史数据分析各保障环节对航班出港延误的影响，所述历史数据包括若干航班的相关数据，每个航班的相关数据包括若干保障环节的数据。

根据历史数据计算每个航班的航班过站时长，以及每个航班各保障环节所用的保障环节时长。其中所述航班过站时长＝前序航班到港延误时长-当前航班出港延误时长；

前序航班到港延误时长＝前序航班实际上轮档时间-(前序航班计划到港时间+15分钟)；

当前航班出港延误时长＝当前航班实际撤轮档时间-(当前航班计划出港时间+15分钟)。

然后，根据保障环节时长和航班过站时长剔除数据异常的航班的航班数据，具体为：

剔除始发航班的航班数据；

剔除航班过站时长大于第一时间阈值α₁的航班的航班数据；

剔除保障环节时长大于第二时间阈值α₂或小于第三时间阈值α₃的航班的航班数据。

例如，历史数据中的航班总数为108，第一时间阈值为α₁，经过计算，这 108趟航班中，有18趟航班的航班过站时长大于了α₁，于是从108趟航班中剔除掉这18趟航班的相关数据。针对这剩下的90趟航班，再进行第二次剔除，如果一个航班中的某一保障环节时长过长或过短，则该航班数据异常，剔除该航班，设定第二时间阈值为α₂、第三时间阈值为α₃，经过计算，有7趟航班的某些保障环节时长大于了α₂，有3趟航班的某些保障环节时长小于了α₃，因此从90趟航班中剔除掉这10(7+3)趟航班的相关数据，从历史数据中筛选出数据正常的80个航班。

对这筛选出的80个航班所缺失的保障环节进行修剪或填补，其中，所述修剪或填补航班所缺失的保障环节，具体为：

分析每个航班缺失数据的保障环节的数量；

对数量大于缺失阈值β₁的航班，则修剪掉所述航班所缺失的保障环节；

对数量小于缺失阈值β₁的航班，则采用多重填补法填补所述航班所缺失的保障环节。

本实施例中，分析这80个航班的保障环节，得到有两个航班缺失的数据较多，缺失数据的保障环节数量为5，大于缺失阈值β₁，无法进行填补，在充分考虑业务逻辑和评估目的后，从这两个航班中剔除掉缺失数据的保障环节。有三个航班缺失的数据较少，缺失数据的保障环节数量为2，小于缺失阈值β₁，于是对这三个航班中缺失数据的保障环节进行填补，完善这三个航班的相关数据。

本实施例中，为简化问题并同时考虑业务上的合理性，假定数据缺失的方式为随机缺失(MAR，Missing At Random)，即缺失数据的值与已经观测到的数据相关，但与数据是否缺失本身无关。

在假定数据随机缺失的前提下，为保留缺失数据的随机性，填补采用现有技术中的多重填补法(MI，Multiple Imputation)。多重填补法首先通过马尔科夫链-蒙特卡洛(MCMC，Markov Chain Monte Carlo)得到填补模型参数的后验分布(PosteriorDistribution)。在非共轭的条件下，可采用 Metropolis-Hasting算法实现MCMC。

具体而言，记第s次迭代的参数为β^(S)，在第s+1次迭代时：

1)从proposal分布中对参数采样：β^*～J(β|β^(S))。J(β|β^(S))为对称proposal 分布，在本发明中定位正态分布，即J(β|β^(S))～N(β^(S),δ²)，具体的δ由特定的 MCMC决定。

2)计算接受率：具体的概率密度函数由底层的方法决定。

3)链转移：得到第s+1次采样结果(依概率接受对参数的新的采样)

然后对所得的后验分布进行多次采样，并根据每次采样所得模型进行对数据进行填补，最后将多次填补的结果进行整合。

在进行多重填补时还需对底层方法进行选择，为保证填补的数据不产生离群值，底层采用PMM(Predictive Mean Matching)方法，即将原始数据中最接近模型所得填补值的数值作为最后结果。

具体而言，第i次采样的参数记为β_i，所需填补的列(向量)记为X_imp，除去所需填补的列的数据记为X_-imp，所需填补的列中第i个观测到的值记为 X_{imp_OBS_1}，所需填补的列中所观测到的值的个数为N_OBS。拟合后的模型记为记第i次填补中所需填补的列中的第k个缺失的填补结果为则其中

通过上述的多重填补法对缺失数据的保障环节进行填补，在对数据进行修剪和填补以后，得到这80个航班完整的航班数据，通过随机森林模型拟合得到航班出港延误与各保障环节间的关系。在训练随机森林模型时，除了对随机森林自身的参数进行调整，还需要将之前步骤中的阈值参数(如α₁、α₂、α₃和β₁) 纳入筛选。在模型训练完成后，对模型进行评估，在评估各指标合理后，得到符合指标的随机森林模型，若评估指标不合理，则重新调整参数，直到评估指标合理。

所述基于随机森林模型，应用部分依赖函数分析每个保障环节对航班出港延误的影响，并得到每个保障环节与航班出港延误之间的部分依赖图和影响指标，具体为：

设定航班的保障环节总数记为p，所考察的某个保障环节记为Si，1≤i≤p，保障环节Si所在的列向量记为X_Si，X_Si中记录的数据条数为n，除了Si保障环节的其他保障环节的列向量记为X_-Si，所拟合的随机森林模型为 f(X_si)＝f(X_si，X_-si)，则部分依赖函数为f_si(X_si)＝E_X-sif(X_si，X_-si)；

根据部分依赖函数得到保障环节Si的n个数据点，每个数据点记为(x_ij， y_ij)，1≤j≤n，根据n个数据点绘制部分依赖图，并计算保障环节si对航班延误的影响指标，影响指标影响指标越大，对航班出港延误的影响越大。

本实施例中，一个航班有21个保障环节,这21个保障环节依次记为S1、 S2、S3……S20、S21，依次计算这21个保障环节对航班延误的影响指标，绘制每个保障环节与航班延误的部分依赖图。例如，保障环节S3所在的列向量记为 X_S3，X_S3中记录的数据条数为80(80个航班，每个航班均有保障环节S2，因此 S2的数据条数为80)，即X_S3中包含了保障环节S3的80个保障环节时长。本实施例中拟合出随机森林模型后，根据部分依赖函数得到保障环节S3的80个数据点：(x₃₁，y₃₁)、(x₃₂，y₃₂)……(x_3j，y_3j)，j的最大值为80。根据这 80个数据点的值，绘制保障环节S3与航班出港延误的部分依赖图，并计算影响指标。

本实施例中，计算航班出港延误随保障环节时长的平均变化率，即将每个保障环节的时长都依次增加相同数值，每次增加一个保障环节，控制其他保障环节不变，最终观测对出港延误的影响大小的平均比例作为该保障环节的平均变化率。将平均变化率的绝对值作为衡量影响的指标，绝对值越大，即影响指标越大，该保障环节对航班出港延误影响越大。

本实施例中的保障环节包括车辆服务环节，所述车辆服务环节包括引导车到位、牵引车到位、摆渡车到位、客梯车到位等。

本实施例的机场场面航班保障运行分析的系统，还包括特种车辆运行分析单元，所述特种车辆运行分析单元用于对车辆服务环节中的车辆准点率影响因素进行分析，具体为：

根据民航局标准，计算机场保障中的车辆准点率；

通过聚类算法进行时间段的划分，划分为若干个时间段，每一时间段内所有司机和所有车辆完成了一次完整的运作；

对一时间段的车辆数目和司机人数，通过随机森林模型进行拟合，得到对车辆数目、司机人数和车辆准点率的关系；

基于随机森林模型，应用部分依赖函数分析车辆数目和司机人数，这两个因素分别对车辆准点率的影响，并得到这两个因素分别与车辆准点率之间的部分依赖图和影响指标。

本实施例中，为考察不同的车辆数目和不同司机人数下车辆的到位准点率，需要对车辆服务环节的历史数据进行划分。在划分后，各时间段的划分应可近似视为相互独立，即不会存在司机和车辆在两个划分之间运作，司机和车辆能在划分的一个时间段之内进行一次完整的运作。因而，可以认为每一个划分内的准点率是该时间段内所用的司机人数和车辆数目的结果。

时间段的划分采用一维k-means聚类算法，划分的个数通过BIC模型进行筛选。具体而言，聚类的步骤如下：

1)记录的条数为n，车辆到位时间(n维向量)记为t_arr，车辆离开时间(n 维向量)记为t_dep，计算车辆到位和离开的时间中点

2)对t_mid进行一维k-means聚类，距离定义为欧氏距离。假定在某次k-means 迭代中类的个数为k，C₁,C₂,...,C_k为各类中记录的指标集，|C_k|表示第k类中的记录条数。因此，第k类的类内方差定义为则聚类问题转化为优化问题

3)类的个数通过BIC模型进行筛选，BIC模型最小所对应的k即为最优的类的个数。

本实施例通过以上的聚类算法将车辆服务环节的历史数据划分为若干时间段，在一时间段内，所有的司机和车辆都使用过一遍。时间段划分后，将每一个划分的时间段视为一条独立记录，通过随机森林模型拟合考察车辆数目、司机人数与车辆准点率的关系。此外，还需对其他可能的车辆准点率影响因素进行控制。在本实施例中，其他因素包括各划分内的平均延误时长、平均机型大小、单位时间航班量。考虑到各因素间的相互作用、因素分布的非正态性和关系的非线性。在模型训练完成后，对模型进行评估，在评估各指标合理后进行后续步骤。

采用部分依赖函数对变量进行控制，即在对其他可能影响因素平均以后，改变车辆数目或司机人数，考察车辆数目与车辆到位准点率的关系，司机人数与车辆到位准点率的关系。

在得到部分依赖函数的若干样本点以后，为更好地展现准点率随变量的变化趋势，对部分依赖函数的样本点进行平滑，平滑采用LOESS方法，权重函数采用tricube权重，具体而言，步骤如下：

1)定义窗口宽度h。

2)定义权重：记权重函数为w(z)。

3)加权最小二乘法进行回归：

根据平滑后的样本点绘制车辆数目与车辆到位准点率的部分依赖图，司机人数与车辆到位准点率的部分依赖图，计算车辆数目对车辆到位准点率的影响指标，司机人数与车辆到位准点率的影响指标。

综上所述，本实施例能够分析机场业务流程中的各个保障环节对航班出港延误的影响，以及车辆服务环节中车辆数目和司机人数对车辆到位准点率的影响，并得到部分依赖图和影响指标，从而让决策者了解不同因素对航班出港延误的影响程度和车辆到位准点率的影响程度，以辅助决策者做出更准确的判断和决定。

实施例三：

本实施例提供了一种计算机终端，包括处理器和与处理器连接的存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行实施例一所述的方法。

应当理解，在本实施例中，所称处理器可以是中央处理单元(Central ProcessingUnit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器 (Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。

本实施例的计算机终端，执行实施例一所述的方法，能够分析机场业务流程中的各个保障环节对航班出港延误的影响，以及车辆服务环节中车辆数目和司机人数对车辆到位准点率的影响，并得到部分依赖图和影响指标，从而让决策者了解不同因素对航班出港延误的影响程度和车辆到位准点率的影响程度，以辅助决策者做出更准确的判断和决定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的系统单元及方法步骤，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，但是这种实现不应认为超出本发明的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法和系统，可以通过其它的方式实现。例如，以上步骤的划分，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，例如多个步骤可以结合或者可以集成到一个步骤，或一些特征可以忽略，或不执行。

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，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种机场场面航班保障运行分析的方法，其特征在于，包括以下步骤：

根据机场业务流程建立各个保障环节的串并联关系模型，计算每个航班各保障环节所用的保障环节时长，以及航班过站时长；

根据保障环节时长和航班过站时长，从历史数据中剔除数据异常的若干航班，筛选出数据正常的若干航班；

对筛选出的若干航班，修剪或填补航班所缺失的保障环节，从而得到修剪填补后的若干航班的航班数据；

对得到的航班数据，通过随机森林模型进行拟合，得到各保障环节与航班出港延误的关系；

基于随机森林模型，应用部分依赖函数分析每个保障环节对航班出港延误的影响，并得到每个保障环节与航班出港延误之间的部分依赖图和影响指标。

2.根据权利要求1所述的一种机场场面航班保障运行分析的方法，其特征在于，所述航班过站时长＝前序航班到港延误时长-当前航班出港延误时长；

前序航班到港延误时长＝前序航班实际上轮档时间-(前序航班计划到港时间+15分钟)；

当前航班出港延误时长＝当前航班实际撤轮档时间-(当前航班计划出港时间+15分钟)。

3.根据权利要求2所述的一种机场场面航班保障运行分析的方法，其特征在于，所述根据保障环节时长和航班过站时长剔除数据异常的航班的航班数据，具体为：

剔除始发航班的航班数据；

剔除航班过站时长大于第一时间阈值α₁的航班的航班数据；

剔除保障环节时长大于第二时间阈值α₂或小于第三时间阈值α₃的航班的航班数据。

4.根据权利要求3所述的一种机场场面航班保障运行分析的方法，其特征在于，所述修剪或填补航班所缺失的保障环节，具体为：

分析每个航班缺失数据的保障环节的数量；

对数量大于缺失阈值β₁的航班，则修剪掉所述航班所缺失的保障环节；

对数量小于缺失阈值β₁的航班，则采用多重填补法填补所述航班所缺失的保障环节。

5.根据权利要求4所述的一种机场场面航班保障运行分析的方法，其特征在于，所述基于随机森林模型，应用部分依赖函数分析每个保障环节对航班出港延误的影响，并得到每个保障环节与航班出港延误之间的部分依赖图和影响指标，具体为：

设定航班的保障环节总数记为p，所考察的某个保障环节记为Si，1≤i≤p，保障环节Si所在的列向量记为X_Si，X_Si中记录的数据条数为n，除了Si保障环节的其他保障环节的列向量记为X_-Si，所拟合的随机森林模型为f(X_si)＝f(X_si，X_-si)，则部分依赖函数为

根据部分依赖函数得到保障环节Si的n个数据点，每个数据点记为(x_ij，y_ij)，1≤j≤n，根据n个数据点绘制部分依赖图，并计算保障环节si对航班延误的影响指标，影响指标影响指标越大，对航班出港延误的影响越大。

6.根据权利要求1所述的一种机场场面航班保障运行分析的方法，其特征在于，所述保障环节包括车辆服务环节。

7.根据权利要求6所述的一种机场场面航班保障运行分析的方法，还包括对车辆服务环节中的特种车辆运行进行分析的步骤，具体为：

根据民航局标准，计算机场保障中的车辆准点率；

通过聚类算法进行时间段的划分，划分为若干个时间段，每一时间段内所有司机和所有车辆完成了一次完整的运作；

对一时间段的车辆数目和司机人数，通过随机森林模型进行拟合，得到对车辆数目、司机人数和车辆准点率的关系；

基于随机森林模型，应用部分依赖函数分析车辆数目和司机人数，这两个因素分别对车辆准点率的影响，并得到这两个因素分别与车辆准点率之间的部分依赖图和影响指标。

8.一种机场场面航班保障运行分析的系统，适用于权利要求1-7任一项所述的机场场面航班保障运行分析的方法，其特征在于，包括：

环节建立单元，用于根据机场业务流程建立各个保障环节的串并联关系模型，计算每个航班各保障环节所用的保障环节时长，以及航班过站时长；

航班筛选单元，用于根据保障环节时长和航班过站时长，从历史数据中剔除数据异常的若干航班，筛选出数据正常的若干航班；

环节编辑单元，用于对筛选出的若干航班，修剪或填补航班所缺失的保障环节，从而得到修剪填补后的若干航班的航班数据；

模型拟合单元，用于对得到的航班数据，通过随机森林模型进行拟合，得到各保障环节与航班出港延误的关系；

影响计算单元，基于随机森林模型，应用部分依赖函数分析每个保障环节对航班出港延误的影响，并得到每个保障环节与航班出港延误之间的部分依赖图和影响指标。

9.根据权利要求1所述的一种机场场面航班保障运行分析的系统，其特征在于，还包括特种车辆运行分析单元，所述特种车辆运行分析单元用于对车辆服务环节中的特种车辆运行进行分析。

10.一种计算机终端，包括处理器和与处理器连接的存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，其特征在于，所述处理器被配置用于调用所述程序指令，执行如权利要求1-7任一项所述的方法。