CN110378537A - 一种机场停机位智能分配的方法及系统 - Google Patents
一种机场停机位智能分配的方法及系统 Download PDFInfo
- Publication number
- CN110378537A CN110378537A CN201910674627.8A CN201910674627A CN110378537A CN 110378537 A CN110378537 A CN 110378537A CN 201910674627 A CN201910674627 A CN 201910674627A CN 110378537 A CN110378537 A CN 110378537A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- resources
- resource
- resource scheduling
- airport
- 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 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 157
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000005094 computer simulation Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 14
- 238000013468 resource allocation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000010006 flight Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000010429 evolutionary process Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000220317 Rosa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种机场停机位智能分配的方法及系统,涉及民航信息领域,包括以下步骤:确定并获取保障节点;构建资源预测算法框架,基于所述资源预测算法框架对所述保障节点需要的资源和人员进行调度;构建资源调度算法框架,基于所述资源调度算法框架对所述保障节点需要的资源和人员进行调度;基于资源预测算法和资源调度算法,搭建仿真模型,基于所述仿真模型对资源预测算法和资源调度算法进行验证,本发明突破传统仅考虑单一资源的分配问题,建立“时间‑地点‑人员‑设备”联动的协同分配算法,全面提升机场资源自动化调度能力。
Description
技术领域
本发明涉及民航信息领域,具体涉及一种机场停机位智能分配的方法及系 统。
背景技术
机场,又称航空站,是专为飞机的起降、停驻以及地面活动而规划的一片特 定区域,包括各种设备设施和建筑物,主要由机场空域、飞行区、货运区、安保 设施、后勤保障设施及消防和救援设施等组成。机场通常有候机楼、停停机位、 滑行道、跑道等设备设施,并提供地面保障作业等其他服务。停机位是机场为停 泊各种型号航空器而设定的具有制定大小和位置的特定区域。按其与航站楼的位 置关系,可分为近停机位(廊桥位)和远停机位。近停机位通过廊桥与航站楼衔 接,旅客直接经过廊桥上下机。远停机位通常设在离航站楼较远的位置,旅客需 要通过摆渡车往返于远停机位与航站楼,并通过客梯车上下机。按机类划分,又 可分为不同机类的停停机位,按机型划分,又可分为停靠不同机型的停停机位。
目前各机场对停机位的分配,通过分配系统或者人工去完成,分配系统在前 期应用时,需要人工大量参与干涉,为后期系统的自动学习、完善提供更好的补 充。系统设计过程中,不能完全玫举影响机位分配的各种不可预料因素,人工干 预是在机位自动分配过程中,与实际应用冲突时,人为录入说明系统分配异常的 原因,为下次相同情况时提供依据。停机位分配过程中,涉及到的因素繁多,稍 有不慎就容易导致停机位冲突,导致重新分配停机位和保障任务,浪费了大量的 人力物力。
发明内容
根据以上现有技术的不足,本发明所要解决的技术问题是提出一种机场停机 位智能分配的方法及系统,突破传统仅考虑单一资源的分配问题,建立“时间- 地点-人员-设备”联动的协同分配算法,全面提升机场资源自动化调度能力。
一种机场停机位智能分配的方法,包括以下步骤:
确定并获取保障节点;
构建资源预测算法框架,基于所述资源预测算法框架对所述保障节点需要的 资源和人员进行调度;
构建资源调度算法框架,基于所述资源调度算法框架对所述保障节点需要的 资源和人员进行调度;
基于资源预测算法和资源调度算法,搭建仿真模型,基于所述仿真模型对资 源预测算法和资源调度算法进行验证。
可选的,所述保障节点包括上轮档、接桥载、装卸货、装卸行李、开关舱门。
可选的,基于线性回归、支持向量回归和梯度提升树算法构建所述资源预测 算法框架。
可选的,基于线性规划、二分图匹配和遗传算法构建所述资源调度算法框架。
可选的,基于Petri网搭建所述仿真模型。
一种机场停机位智能分配的系统,包括:
保障节点获取模块:确定并获取保障节点;
资源预测算法模块:构建资源预测算法框架,基于所述资源预测算法框架对 所述保障节点需要的资源和人员进行调度;
资源调度算法模块:构建资源调度算法框架,基于所述资源调度算法框架对 所述保障节点需要的资源和人员进行调度;
模型效验模块:基于资源预测算法和资源调度算法,搭建仿真模型,基于所 述仿真模型对资源预测算法和资源调度算法进行验证。
可选的,所述保障节点包括上轮档、接桥载、装卸货、装卸行李、开关舱门。
可选的,所述资源预测算法模块中基于线性回归、支持向量回归和梯度提升 树算法构建所述资源预测算法框架。
可选的,所述资源调度算法模块中基于线性规划、二分图匹配和遗传算法构 建所述资源调度算法框架。
可选的,基于Petri网搭建所述仿真模型。
本发明的优点在于:通过对机场资源分配最优算法的研究,实现的一种基于 全场资源和航班计划保障任务相匹配的、动态的、自动化的智能资源分配算法。 该算法以全场资源协同分配为出发点,充分结合航班动态数据和各类型资源的状 态趋势,做到资源的最优分配,通过全局考虑,对多种类型资源合理分配,以达 到减少旅客步行距离,减少保障车辆运行距离,均衡保障人员工作量等目标。发 生因特殊情况导致的保障任务变更时,在对其他保障任务不产生影响的前提下, 该算法能在短时间内提供最合理的资源分配方案,提高机场应急处置能力。解决 机场资源调度系统智能化程度低、多资源协同运行效率低等问题,突破传统仅考 虑单一资源的分配问题,建立“时间-地点-人员-设备”联动的协同分配算法, 旨在针对所有航班在不同时刻的保障任务,建立全局的人员和设备协同算法,以 全面提升机场资源自动化调度能力。
附图说明
图1为本发明具体实施例方法的流程示意图;
图2为本发明具体实施例系统的结构框图;
图3为本发明具体实施例中二分图匹配算法的示意图;
图4为本发明具体实施例中遗传算法的示意图;
图5为本发明具体实施例中Petri网的示意图;
图6为本发明具体实施例中2018年全球民航旅客吞吐量及同比增长率的柱 状图;
图7为本发明具体实施例中以通过使用核函数将数据映射到高维空间中来 求解的算法示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下 面结合具体实施方式,进一步阐述本发明。
作为一个实施例,本发明提出一种机场停机位智能分配的方法,包括以下步 骤:
确定并获取保障节点;
构建资源预测算法框架,基于所述资源预测算法框架对所述保障节点需要的 资源和人员进行调度;
构建资源调度算法框架,基于所述资源调度算法框架对所述保障节点需要的 资源和人员进行调度;
基于资源预测算法和资源调度算法,搭建仿真模型,基于所述仿真模型对资 源预测算法和资源调度算法进行验证。
本发明还提出一种机场停机位智能分配的系统,包括:
保障节点获取模块:确定并获取保障节点;
资源预测算法模块:构建资源预测算法框架,基于所述资源预测算法框架对 所述保障节点需要的资源和人员进行调度;
资源调度算法模块:构建资源调度算法框架,基于所述资源调度算法框架对 所述保障节点需要的资源和人员进行调度;
模型效验模块:基于资源预测算法和资源调度算法,搭建仿真模型,基于所 述仿真模型对资源预测算法和资源调度算法进行验证。
通过该基方法及系统的设计,通过对机场资源分配最优算法的研究,实现的 一种基于全场资源和航班计划保障任务相匹配的、动态的、自动化的智能资源分 配算法。该算法以全场资源协同分配为出发点,充分结合航班动态数据和各类型 资源的状态趋势,做到资源的最优分配,通过全局考虑,对多种类型资源合理分 配,以达到减少旅客步行距离,减少保障车辆运行距离,均衡保障人员工作量等 目标。发生因特殊情况导致的保障任务变更时,在对其他保障任务不产生影响的 前提下,该算法能在短时间内提供最合理的资源分配方案,提高机场应急处置能 力。解决机场资源调度系统智能化程度低、多资源协同运行效率低等问题,突破 传统仅考虑单一资源的分配问题,建立“时间-地点-人员-设备”联动的协同分 配算法,旨在针对所有航班在不同时刻的保障任务,建立全局的人员和设备协同算法,以全面提升机场资源自动化调度能力。
下面对本发明较佳实现方式进行详细说明。
请参阅图6,根据国际民航组织(ICAO)发布的数据显示,2018年全球航空 客运量达43亿人次,同比增长6.1%。全球离港航班数量大约为3,800万次。2018 年我国机场全年旅客吞吐总量达到12.64亿人次,同比增长10.2%,完成飞机起 降1108.8万架次。全国各机场累计吞吐量达10098.329万人次,同比增长5.4%。
2018年我国民航航班正常率为80.13%,同比提升8.46%,2019年1月全球 大型机场出港准点率前十榜单中,日本的东京羽田机场凭借91.58%的出港准点 率位列全球首位。前十榜单中,国内仅有两个机场上榜,分别是成都双流机场, 出港准点率85.75%位列第八,上海虹桥机场,出港准点率85.20%,位列第十。
这是由于目前国内大部分机场仍在采用传统的人工资源分配方式,这种分配 方式依靠的是调度人员的经验和主观判断,分配结果的可靠性不稳定,容易受到 调度人员的误判或错误操作影响。在遇到航班动态变化或大面积延误的时候,大 量不可预期的事件导致航班计划不断的调整,给调度人员带来了更大的工作难 度。同时,机场各类资源都需要各级调度人员负责进行分配,各级调度人员之间 的协同交互环节薄弱,在有大量资源需要分配的情况下,很难保证每一个调度人 员做出的每一个资源分配都是合理且高效的。一个环节的偏差,都会影响航班保 障任务,进而影响到机场的运行效率,风险性较高。
由于人工资源分配方式存在着各种不确定因素,于是国内一些机场开始试用 依靠算法进行的资源分配方式。这种资源分配方式通过机器算法,由系统进行资 源分配,调度人员负责对其进行监控,在有特殊情况发生的时候进行人为干预, 在一定程度上提高了资源分配效率,减少了工作量。但目前国内机场采用的资源 智能分配算法,大多是基于单一资源的,无法将其他资源协同分配。如停机位分 配算法,只能分配停机位、登机口和行李转盘,而保障车辆、保障人员等资源仍 需各级调度人员另行分配,无法做到全场协同。资源智能分配是较人工分配更为 先进的分配方式,但仍存在局限性,还不足以为机场资源全场协同提供有效的支 撑。
在航班架次和运输量高速增长的同时,机场的硬件设施、设备资源、人力资 源都相对固定,如停机位、登机口、行李转盘的数量都已基本固定,特种车辆、 现场保障人员等也维持在一定数量。目前的机场资源分配方式存在着分配不合 理、资源利用率不高等问题,这成为了制约机场发展的瓶颈,对机场资源分配最 优算法的研究,是突破这一瓶颈的办法。
请参阅图1,该方法包括以下步骤:
S1)确定并获取保障节点,保障节点包括上轮档、接桥载、装卸货、装卸行 李、开关舱门等等,为保障航班正常运行,机场每天会根据当日航班计划为航空 器匹配资源,包括机位、登机口、行李转盘以及执行地面保障任务的工作人员, 如安检人员、登机口人员、特种车辆驾驶人员等,且员工的特种设备执行资质是 影响资源利用率的重要因素。由于航班计划在运行过程中会实时发生调整,机场 的资源调度也需要随着航班计划的变更而进行实时调整。构建资源预测算法框 架,基于所述资源预测算法框架对所述保障节点需要的资源和人员进行调度;
S2)构建资源预测算法框架,基于资源预测算法框架对所述保障节点需要的 资源和人员进行调度,由于资源和保障节点存在约束和依赖关系,解决这个问题 的关键是准确预测各个环节之间的时间,例如预计预达时间(Estimated Time of Arrival,ETA)、可变滑行时间(Variable Taxi Time,VTT)、节点保障时间 等,通过对各个关键时间的建立相应的预测算法模型即可推断出特定时间资源的 状态和航班保障状态。
一个典型的过站航班涉及到众多的保障节点,对应着各种机场资源的占用与 释放,其中一些资源相互依赖和约束,对资源的状态进行预测能够更好地利用机 场资源,传统的做法是基于规则的静态配置,这种做法存在着误差较大,严重依 赖从业人员经验等问题,利用机器学习算法从统计的角度进行预测可以较好的解 决这些问题,本实施例中该步骤中的预测算法包括但不限于以下几个模型:
线性回归:
假设有m个样本,特征为n维预测方程为其中wi为权重, b为偏置项,预测值为y,真实值为Y,训练目标为找出一组w和b,使得损失函 数的值最小。为了控制过拟合,提高模型泛化能力,考 虑对损失函数loss加上L1正则项或者L2正则项即 使用Ridge回归或者Lasso回归。
支持向量回归:
支持向量回归(Support Vector Regression,SVR)和支持向量机(SupportVector Machine,SVM)原理类似,SVM的目标是找到一个分隔超平面,使得数 据中的点离分隔超平分隔超平面的几何距离最大,其中离分隔超平面最近的点叫 做支持向量(SupportVector,SV),其决策函数为:
请参阅图7,SVR的目标是找到一个分隔超平面和最小的ε,构建一个宽度 为2ε的间隔带,使尽可能多的点落入间隔带中,如下图所示。如果数据本身不 是线性分布,可以通过使用核函数将数据映射到高维空间中来求解。
梯度提升树:
梯度提升树是对提升树模型的一种改进,提升树模型利用加法模型与前向分 布算法实现学习的优化过程,当损失函数是平方损失和指数损失函数时,每一步 的优化是很简单的,但是对于一般的损失而言,往往每一步的优化并不那么容易。 梯度提升树采用了梯度下降法的近似方法,其关键是利用损失函数的负梯度在当 前模型的值作为提升树算法中的残差的近似值,拟合一个回归树数,即拟合:
梯度提升树通常采用分类与回归树(CART)作为基函数
S3)构建资源调度算法框架,基于资源调度算法框架对所述保障节点需要的 资源和人员进行调度,一个繁忙的机场每天要保障成百上千架次的航班起降,每 个航班都会涉及到跑道、停机位、登机口等机场资源的占用,同时也会经历上轮 档、接桥载、装卸货、装卸行李、开关舱门等保障节点,每个保障节点均需要调 度相关人员保障。
机场资源类型众多,如何调度资源是重点考虑的问题,本实施例中该步骤中 考虑使用的调度算法包括但不限于:
线性规划:
线性规划用于在给定有限资源和竞争约束的情况下,求解某个最大化或最小 化目标。
线性规划通常描述为:
最大或最小化
满足约束条件
xj≥0,j=1,2,…,n
使用单纯形算法可快速求解线性规划。
二分图匹配:
请参阅图3,二分图匹配算法用于给定两类顶点(例如人员和任务)之间的 权重之后,求解顶点之间的最大匹配。
对于权重为0,1的二分图,可以使用匈牙利算法求解,对于权重为连续值 的二分图,可以使用KM算法或最大流算法求解。
遗传算法:
请参阅图4,当两种需要匹配资源的组合数量太大时,常规算法无法在有效 时间内给出解答,这种情况下考虑使用启发式的算法求解,例如遗传算法。
遗传算法模拟生物种群的进化过程,在每次迭代中选择最优的个体来结合产 生下一代,在经过有限次迭代之后可以得到近似最优解。
S4)基于资源预测算法和资源调度算法,搭建仿真模型,基于所述仿真模型 对资源预测算法和资源调度算法进行验证。
单一的算法通常用于解决单一资源或任务的调度,机场在一定时间内会起降 多个航班,而一个典型的过站航班有众多的保障节点,为了更好地进行资源调度, 最大化利用机场资源,本项目拟采用基于里程碑的全场协同调度。保障节点之间 有的相互依赖,有的可以并行,通过里程碑可以为所有航班在适当时刻生成相应 节点的保障任务,结合之前提到的资源预测算法和资源调度算法完成全场协同调 度。机场资源是一种实时资源,受到航班时刻,气象条件、空中交通管制等众多 因素的影响,并且机场的各种资源在不断地被占用和释放,既可能相互独立、并 发执行,也可能相互约束。
请参阅图5,Petri网是一种建模和分析工具,非常适合描述于分析并发处 理间的同步、通信和资源共享问题。在Petri网结构上,时延Petri网引入时间 参数,使系统的动态行为受时间因素的约束,可以更加准确描述系统运行情况。
在基于时延Petri网对机场运行建模的基础上,为了评估调度算法的有效 性,本项目考虑使用如下指标对调度算法进行评估。在模拟仿真的情况下,航班 延误仅收到保障情况约束,通过航班延误率可以衡量大面积延误恢复时任务保障 相关的调度算法是否合理。
请参阅图2,该系统包括:
保障节点获取模块:确定并获取保障节点,保障节点包括上轮档、接桥载、 装卸货、装卸行李、开关舱门等等,为保障航班正常运行,机场每天会根据当日 航班计划为航空器匹配资源,包括机位、登机口、行李转盘以及执行地面保障 任务的工作人员,如安检人员、登机口人员、特种车辆驾驶人员等,且员工的特 种设备执行资质是影响资源利用率的重要因素。由于航班计划在运行过程中会实 时发生调整,机场的资源调度也需要随着航班计划的变更而进行实时调整。构建 资源预测算法框架,基于所述资源预测算法框架对所述保障节点需要的资源和人 员进行调度;
资源预测算法模块:构建资源预测算法框架,基于资源调度算法框架对所述 保障节点需要的资源和人员进行调度,由于资源和保障节点存在约束和依赖关 系,解决这个问题的关键是准确预测各个环节之间的时间,例如预计预达时间 (Estimated Time ofArrival,ETA)、可变滑行时间(Variable Taxi Time, VTT)、节点保障时间等,通过对各个关键时间的建立相应的预测算法模型即可 推断出特定时间资源的状态和航班保障状态。
一个典型的过站航班涉及到众多的保障节点,对应着各种机场资源的占用与 释放,其中一些资源相互依赖和约束,对资源的状态进行预测能够更好地利用机 场资源,传统的做法是基于规则的静态配置,这种做法存在着误差较大,严重依 赖从业人员经验等问题,利用机器学习算法从统计的角度进行预测可以较好的解 决这些问题,本实施例中该步骤中的预测算法包括但不限于以下几个模型:
线性回归:
线性回归:
假设有m个样本,特征为n维预测方程为其中wi为权重, b为偏置项,预测值为y,真实值为Y,训练目标为找出一组w和b,使得损失函 数的值最小。为了控制过拟合,提高模型泛化能力,考 虑对损失函数loss加上L1正则项或者L2正则项即 使用Ridge回归或者Lasso回归。
支持向量回归:
支持向量回归(Support Vector Regression,SVR)和支持向量机(SupportVector Machine,SVM)原理类似,SVM的目标是找到一个分隔超平面,使得数 据中的点离分隔超平分隔超平面的几何距离最大,其中离分隔超平面最近的点叫 做支持向量(SupportVector,SV),其决策函数为:
SVR的目标是找到一个分隔超平面和最小的ε,构建一个宽度为2ε的间隔 带,使尽可能多的点落入间隔带中,如下图所示。如果数据本身不是线性分布, 可以通过使用核函数将数据映射到高维空间中来求解。
梯度提升树:
梯度提升树是对提升树模型的一种改进,提升树模型利用加法模型与前向分 布算法实现学习的优化过程,当损失函数是平方损失和指数损失函数时,每一步 的优化是很简单的,但是对于一般的损失而言,往往每一步的优化并不那么容易。 梯度提升树采用了梯度下降法的近似方法,其关键是利用损失函数的负梯度在当 前模型的值作为提升树算法中的残差的近似值,拟合一个回归树数,即拟合:
梯度提升树通常采用分类与回归树(CART)作为基函数。
资源调度算法模块:构建资源调度算法框架,基于资源调度算法框架对所述 保障节点需要的资源和人员进行调度,一个繁忙的机场每天要保障成百上千架次 的航班起降,每个航班都会涉及到跑道、停机位、登机口等机场资源的占用,同 时也会经历上轮档、接桥载、装卸货、装卸行李、开关舱门等保障节点,每个保 障节点均需要调度相关人员保障。
机场资源类型众多,如何调度资源是重点考虑的问题,本实施例中该步骤中 考虑使用的调度算法包括但不限于:
线性规划:
线性规划用于在给定有限资源和竞争约束的情况下,求解某个最大化或最小 化目标。
线性规划通常描述为:
最大或最小化
满足约束条件
xj≥0,j=1,2,…,n
使用单纯形算法可快速求解线性规划。
二分图匹配:
二分图匹配算法用于给定两类顶点(例如人员和任务)之间的权重之后,求 解顶点之间的最大匹配。
对于权重为0,1的二分图,可以使用匈牙利算法求解,对于权重为连续值 的二分图,可以使用KM算法或最大流算法求解。
遗传算法:
当两种需要匹配资源的组合数量太大时,常规算法无法在有效时间内给出解 答,这种情况下考虑使用启发式的算法求解,例如遗传算法。
遗传算法模拟生物种群的进化过程,在每次迭代中选择最优的个体来结合产 生下一代,在经过有限次迭代之后可以得到近似最优解。
模型效验模块:基于资源预测算法和资源调度算法,搭建仿真模型,基于所 述仿真模型对资源预测算法和资源调度算法进行验证。
单一的算法通常用于解决单一资源或任务的调度,机场在一定时间内会起降 多个航班,而一个典型的过站航班有众多的保障节点,为了更好地进行资源调度, 最大化利用机场资源,本项目拟采用基于里程碑的全场协同调度。保障节点之间 有的相互依赖,有的可以并行,通过里程碑可以为所有航班在适当时刻生成相应 节点的保障任务,结合之前提到的资源预测算法和资源调度算法完成全场协同调 度。机场资源是一种实时资源,受到航班时刻,气象条件、空中交通管制等众多 因素的影响,并且机场的各种资源在不断地被占用和释放,既可能相互独立、并 发执行,也可能相互约束。
Petri网是一种建模和分析工具,非常适合描述于分析并发处理间的同步、 通信和资源共享问题。在Petri网结构上,时延Petri网引入时间参数,使系统 的动态行为受时间因素的约束,可以更加准确描述系统运行情况。
在基于时延Petri网对机场运行建模的基础上,为了评估调度算法的有效 性,本项目考虑使用如下指标对调度算法进行评估。在模拟仿真的情况下,航班 延误仅收到保障情况约束,通过航班延误率可以衡量大面积延误恢复时任务保障 相关的调度算法是否合理。
综上所述,本发明的优点在于:通过对机场资源分配最优算法的研究,实现 的一种基于全场资源和航班计划保障任务相匹配的、动态的、自动化的智能资源 分配算法。该算法以全场资源协同分配为出发点,充分结合航班动态数据和各类 型资源的状态趋势,做到资源的最优分配,通过全局考虑,对多种类型资源合理 分配,以达到减少旅客步行距离,减少保障车辆运行距离,均衡保障人员工作量 等目标。发生因特殊情况导致的保障任务变更时,在对其他保障任务不产生影响 的前提下,该算法能在短时间内提供最合理的资源分配方案,提高机场应急处置 能力。解决机场资源调度系统智能化程度低、多资源协同运行效率低等问题,突 破传统仅考虑单一资源的分配问题,建立“时间-地点-人员-设备”联动的协同 分配算法,旨在针对所有航班在不同时刻的保障任务,建立全局的人员和设备协同算法,以全面提升机场资源自动化调度能力。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实 施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明, 并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发 明包含。
Claims (10)
1.一种机场停机位智能分配的方法,其特征在于:包括以下步骤:
确定并获取保障节点;
构建资源预测算法框架,基于所述资源预测算法框架对所述保障节点需要的资源和人员进行调度;
构建资源调度算法框架,基于所述资源调度算法框架对所述保障节点需要的资源和人员进行调度;
基于资源预测算法和资源调度算法,搭建仿真模型,基于所述仿真模型对资源预测算法和资源调度算法进行验证。
2.根据权利要求1所述的一种机场停机位智能分配的方法,其特征在于:所述保障节点包括上轮档、接桥载、装卸货、装卸行李、开关舱门。
3.根据权利要求1所述的一种机场停机位智能分配的方法,其特征在于:基于线性回归、支持向量回归和梯度提升树算法构建所述资源预测算法框架。
4.根据权利要求1所述的一种机场停机位智能分配的方法,其特征在于:基于线性规划、二分图匹配和遗传算法构建所述资源调度算法框架。
5.根据权利要求1所述的一种机场停机位智能分配的方法,其特征在于:基于Petri网搭建所述仿真模型。
6.一种机场停机位智能分配的系统,其特征在于:包括:
保障节点获取模块:确定并获取保障节点;
资源预测算法模块:构建资源预测算法框架,基于所述资源预测算法框架对所述保障节点需要的资源和人员进行调度;
资源调度算法模块:构建资源调度算法框架,基于所述资源调度算法框架对所述保障节点需要的资源和人员进行调度;
模型效验模块:基于资源预测算法和资源调度算法,搭建仿真模型,基于所述仿真模型对资源预测算法和资源调度算法进行验证。
7.根据权利要求1所述的一种机场停机位智能分配的系统,其特征在于:所述保障节点包括上轮档、接桥载、装卸货、装卸行李、开关舱门。
8.根据权利要求6所述的一种机场停机位智能分配的方法,其特征在于:所述资源预测算法模块中基于线性回归、支持向量回归和梯度提升树算法构建所述资源预测算法框架。
9.根据权利要求6所述的一种机场停机位智能分配的方法,其特征在于:所述资源调度算法模块中基于线性规划、二分图匹配和遗传算法构建所述资源调度算法框架。
10.根据权利要求6所述的一种机场停机位智能分配的系统,其特征在于:基于Petri网搭建所述仿真模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910674627.8A CN110378537A (zh) | 2019-07-25 | 2019-07-25 | 一种机场停机位智能分配的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910674627.8A CN110378537A (zh) | 2019-07-25 | 2019-07-25 | 一种机场停机位智能分配的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110378537A true CN110378537A (zh) | 2019-10-25 |
Family
ID=68255776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910674627.8A Pending CN110378537A (zh) | 2019-07-25 | 2019-07-25 | 一种机场停机位智能分配的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378537A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085378A (zh) * | 2020-09-04 | 2020-12-15 | 中国平安财产保险股份有限公司 | 资源分配方法、装置、计算机设备及存储介质 |
CN112598328A (zh) * | 2021-01-05 | 2021-04-02 | 中国人民解放军国防科技大学 | 卫星厅模式下中转登机口多目标分配的优化方法及系统 |
CN112700053A (zh) * | 2021-01-05 | 2021-04-23 | 上海钧正网络科技有限公司 | 电池分配方法、装置及设备 |
CN112951004A (zh) * | 2021-03-09 | 2021-06-11 | 东部机场集团有限公司 | 一种多目标多时段航班保障资源动态优化分配方法 |
CN115826464A (zh) * | 2022-11-29 | 2023-03-21 | 航科院中宇(北京)新技术发展有限公司 | 一种远机位节点采集系统及其采集方法 |
US11961024B1 (en) * | 2023-02-14 | 2024-04-16 | Insight Direct Usa, Inc. | Automated staffing allocation and scheduling |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106952022A (zh) * | 2017-03-01 | 2017-07-14 | 中国人民解放军海军工程大学 | 机场飞行资源与飞机的调度方法及调度系统 |
CN107169677A (zh) * | 2017-06-16 | 2017-09-15 | 成都佰行航空技术服务有限公司 | 一种民用机场机坪保障车辆集中式调度指挥系统 |
CN109409626A (zh) * | 2017-08-18 | 2019-03-01 | 通用电气公司 | 用于航线操作的调度和资源分配的累积模型 |
CN109872064A (zh) * | 2019-02-12 | 2019-06-11 | 民航成都信息技术有限公司 | 一种机场资源分配方法、装置、设备及介质 |
-
2019
- 2019-07-25 CN CN201910674627.8A patent/CN110378537A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106952022A (zh) * | 2017-03-01 | 2017-07-14 | 中国人民解放军海军工程大学 | 机场飞行资源与飞机的调度方法及调度系统 |
CN107169677A (zh) * | 2017-06-16 | 2017-09-15 | 成都佰行航空技术服务有限公司 | 一种民用机场机坪保障车辆集中式调度指挥系统 |
CN109409626A (zh) * | 2017-08-18 | 2019-03-01 | 通用电气公司 | 用于航线操作的调度和资源分配的累积模型 |
CN109872064A (zh) * | 2019-02-12 | 2019-06-11 | 民航成都信息技术有限公司 | 一种机场资源分配方法、装置、设备及介质 |
Non-Patent Citations (5)
Title |
---|
WNOTSYER: "《13. SVR模型》", 13 March 2019 * |
博观厚积: "《9幅图快速理解支持向量机(SVM)的工作原理》", 15 March 2018 * |
朱小丰: "《笔记:线性模型:线性回归简介和线性回归中的损失函数》", 12 December 2018 * |
杉杉不要BUG: "《机器学习基础》", 8 May 2019 * |
蒋欣欣: "《面向多跑道的进离场航班优化调度研究》", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085378A (zh) * | 2020-09-04 | 2020-12-15 | 中国平安财产保险股份有限公司 | 资源分配方法、装置、计算机设备及存储介质 |
CN112598328A (zh) * | 2021-01-05 | 2021-04-02 | 中国人民解放军国防科技大学 | 卫星厅模式下中转登机口多目标分配的优化方法及系统 |
CN112700053A (zh) * | 2021-01-05 | 2021-04-23 | 上海钧正网络科技有限公司 | 电池分配方法、装置及设备 |
CN112951004A (zh) * | 2021-03-09 | 2021-06-11 | 东部机场集团有限公司 | 一种多目标多时段航班保障资源动态优化分配方法 |
CN112951004B (zh) * | 2021-03-09 | 2022-04-08 | 东部机场集团有限公司 | 一种多目标多时段航班保障资源动态优化分配方法 |
CN115826464A (zh) * | 2022-11-29 | 2023-03-21 | 航科院中宇(北京)新技术发展有限公司 | 一种远机位节点采集系统及其采集方法 |
CN115826464B (zh) * | 2022-11-29 | 2024-03-22 | 航科院中宇(北京)新技术发展有限公司 | 一种远机位节点采集系统的采集方法 |
US11961024B1 (en) * | 2023-02-14 | 2024-04-16 | Insight Direct Usa, Inc. | Automated staffing allocation and scheduling |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378537A (zh) | 一种机场停机位智能分配的方法及系统 | |
CN104751681B (zh) | 一种基于统计学习模型的停机位分配方法 | |
CN103226899B (zh) | 基于空中交通特征的空域扇区动态划分方法 | |
CN108985621A (zh) | 基于风险管控的区域多机场不正常航班恢复方法 | |
CN105825013B (zh) | 一种基于离散事件系统的航空指挥保障优化方法 | |
CN109859532A (zh) | 一种多约束条件的停机位分配方法和相关装置 | |
CN105023068A (zh) | 一种基于规则挖掘的航班进离场协同调度方法 | |
CN101694752A (zh) | 空域运行仿真中冲突的自动检测和调解系统及方法 | |
CN110363361A (zh) | 一种基于大数据预测可变滑动时间的方法及系统 | |
CN113706931B (zh) | 空域的流控策略推荐方法、装置、电子设备及存储介质 | |
CN115983487A (zh) | 一种基于卡方分布的机场航站楼旅客时空分布预测方法 | |
CN110909946B (zh) | 一种基于公路换乘的航班计划优化方法 | |
CN112819317A (zh) | 一种不正常航班飞机、旅客及机务一体化恢复系统 | |
CN116934046A (zh) | 一种基于机器学习与运筹优化的智能调度方法 | |
Shao et al. | Flight recovery method of regional multiairport based on risk control model | |
Xiong et al. | Parallel bus rapid transit (BRT) operation management system based on ACP approach | |
Liu et al. | Modeling and heuristic algorithm of ground ferry vehicle scheduling in large airports | |
Shao et al. | Air transportation delay propagation analysis with uncertainty in coloured–timed Petri nets | |
Liu et al. | ACP-based management and control for urban passenger transportation hubs | |
CN110008581B (zh) | 一种面向任务仿真的机场地面调度流程建模系统 | |
Zhang et al. | Runway visual range prediction based on ensemble learning | |
Liu et al. | Digital Twin Civil Aviation Research Airport for Aircraft Security and Environment Protection | |
Lin et al. | Flight scheduling for airport closure based on sequential decision | |
Zhang et al. | Dynamic optimal scheduling model of multi runway flight arrival and departure based on improved genetic algorithm | |
Schumacher | Proactive flight schedule evaluation at delta air lines |
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: 20191025 |
|
RJ01 | Rejection of invention patent application after publication |