CN110598991B - 一种基于机器学习的管制员排班方法 - Google Patents
一种基于机器学习的管制员排班方法 Download PDFInfo
- Publication number
- CN110598991B CN110598991B CN201910753604.6A CN201910753604A CN110598991B CN 110598991 B CN110598991 B CN 110598991B CN 201910753604 A CN201910753604 A CN 201910753604A CN 110598991 B CN110598991 B CN 110598991B
- Authority
- CN
- China
- Prior art keywords
- scheduling
- controller
- template
- machine learning
- shift
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G06Q10/06316—Sequencing of tasks or work
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的管制员排班方法,包括:步骤1,根据空中交通管制单位历史排班数据制定若干个排班模板;每个所述排班模板包括若干个排班模块;步骤2,选择与排班当天实际情况最匹配的排班模板,并将排班当天参与排班的管制员填充入该排班模板;步骤3,根据排班规则对已填充的排班模板进行检查,若排班模板中的所有排班模块均符合排班规则,则执行步骤6,否则执行步骤4;步骤4,将排班模板中不符合排班规则的排班模块设置为空白模块;步骤5,对历史排班数据进行机器学习,选择合适的管制员填充至空白模块;步骤6,生成管制员排班表。本发明基于机器学习的管制员排班方法,接近人工排班结果,贴近原排班人员排班习惯。
Description
技术领域
本发明涉及民航管制员排班领域,尤其是一种基于机器学习的管制员排班方法。
背景技术
所谓排班,就是根据工作计划,产生一段时间内,满足一定约束条件的工作时间表的过程,公平合理的排班结果对于调动工作人员的工作积极性、提高工作效率具有重要意义。
现有的管制员排班都是基于人工排班,这种情况在管制岗位较少的地方比较可行,能满足日常排班的需求,但在岗位较多的管制单位就比较困难,排班效率低且不利于行业主管部门对数据进行统计和分析。如果排班不合理,会对管制员的疲劳程度产生较大影响,进而会导致认知能力和警觉水平下降,造成决策差错、记忆遗漏、违章操作等不安全行为,严重时会出现不安全事件,甚至危及航空器飞行安全。所以,根据管制员工作能力和岗位情况,对管制员进行科学合理的智能排班势在必行。
多年来,国内大型的空中交通管制单位一直都在努力实现管制员自动排班,也有很多单位开发出了管制员自动排班的软件,能够实现管制员的自动排班,但因与实际排班的要求差距较大而未能真正运用起来,主要表现在以下两个方面:
(1)在满足岗位约束条件的基础上,自动排班软件一直寻求在每个岗位工作的管制员的最优解。
(2)对于监控岗和指挥岗而言,自动排班出来的结果在性格互补、能力搭配等方面一般都无法满足岗位所要求的标准。
基于上述情况,国内的空中交通管制单位在管制员排班方面一直都是由带班主任或者专人负责,由其定期进行手动排班,大多在excel表格或word中进行排班。虽然人工排班能够满足空中交通管制单位的运行需求,但暴露出来的问题也比较多,主要表现如下:
(1)不便于统计各种数据,比如管制员执勤时间、休假时间等。行业主管单位或安全管理部门一直想了解一线管制员的执勤时间,以确定空中交通管制单位是否严格执行国家关于管制员执勤、休假时间的各种规章制度,也希望通过执勤时间了解管制员的工作负荷,以确定未来的规章、政策的制定和调整。但是,目前的excel表格或word排班无法实现这些功能,有些单位甚至未保存之前管制员排班的各种记录。
(2)在管制员执勤时间上可能与规章不符。人工排班都是基于人脑中所承载的信息对整个班组的管制员进行排班,在排班时可能无法精确记得每个管制员的已执勤时间,以至于可能存在一些管制员每周或每个月的在岗执勤时间超过规章所规定的要求;
(3)人工排班应急能力差,适应性不强。如果存在管制员临时有事,需要请假的情况,现实中的做法是请假的管制员需要自己联系与其进行换班的管制员,然后报带班主任批准,在无法找到与自己换班的管制员时上报带班主任由其安排人员,而带班主任安排人员时也是根据经验寻找与其换班的管制员。
因此,为解决人工排班所存在的上述问题,研究符合当前排班习惯、开发一套满足实际运行要求的管制员排班系统很有必要。
发明内容
本发明所要解决的技术问题是:针对上述存在的问题,提供一种基于机器学习的管制员排班方法。
本发明采用的技术方案如下:
一种基于机器学习的管制员排班方法,其特征在于,包括如下步骤:
步骤1,根据空中交通管制单位历史排班数据制定若干个排班模板;每个所述排班模板包括若干个排班模块;
步骤2,选择与排班当天实际情况最匹配的排班模板,并将排班当天参与排班的管制员填充入该排班模板;
步骤3,根据排班规则对已填充的排班模板进行检查,若排班模板中的所有排班模块均符合排班规则,则执行步骤6,否则执行步骤4;
步骤4,将排班模板中不符合排班规则的排班模块设置为空白模块;
步骤5,对所有历史排班数据进行机器学习,选择合适的管制员填充至空白模块;
步骤6,生成管制员排班表。
进一步的,每个所述排班模板的时间范围为24小时,包括M×N个排班模块,其中,M为时间段,N为管制席位,每个排班模板表示对应时间段执勤对应管制席位的管制员。
进一步的,每个排班模板中的时间段为将24小时划分的M个时间段。
进一步的,所述根据空中交通管制单位历史排班数据包括管制单位的人员信息、飞行流量、空域信息、岗位信息和扇区开放/合并时间。
进一步的,所述排班规则根据管制单位实际情况预先设定。
进一步的,若步骤5中对历史排班数据进行机器学习后仍存在部分空白模块的情况,则根据排班规则,对模块进行最优化算法计算,选择合适的管制员填充至空白模块。
进一步的,所述基于机器学习的管制员排班方法,还包括:
步骤7,将步骤6生成的管制员排班表进行人工审核,判断该管制员排班表是否符合实际需求,若不符合执行步骤8,否则执行步骤9;
步骤8,人工对步骤6生成的管制员排班表进行微调;
步骤9,生成最终的管制员排班表。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明基于机器学习的管制员排班方法,接近人工排班结果,贴近原排班人员排班习惯,更容易被一线管制单位所接受。经实例验证评估后,证明自动排班结果比较符合人工排班结果,能基本满足排班需求,对管制单位的人力资源优化配置也具有重要意义。
2、本发明还给予排班人员增加和修改规则的权限,并且对于与实际排班结果的出入部分,可以通过人工进行微调,实现与人工排班所要的结果一致,以增加在实际工作中的普适性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明的基于机器学习的管制员排班方法的流程框图。
图2为本发明的基于机器学习的管制员排班方法的另一流程框图。
图3为本发明的基于机器学习的管制员排班方法的又一流程框图。
图4为本发明的具体实施方式基于机器学习的管制员排班方法开发的排班系统界面示意图。
图5为本发明的具体实施方式某地区空管局的历史排班数据。
图6为本发明的具体实施方式得到的管制员排班表。
图7为完全采用最优化算法得到的管制员排班表。
图8为采用人工排班得到的管制员排班表。
具体实施方式
以下结合实施例对本发明的特征和性能作进一步的详细描述。
如图1所示,本实施例提供一种基于机器学习的管制员排班方法,包括如下步骤:
步骤1,根据空中交通管制单位历史排班数据制定若干个排班模板;每个所述排班模板包括若干个排班模块;优选地,每个所述排班模板包括M×N个排班模块,其中,M为时间段,N为管制席位,每个排班模块在对应时间段执勤对应管制席位的管制员。其中,管制席位需要全天候在岗,因此每个排班模板中的时间段为将24小时划分的M个时间段。
步骤2,选择与排班当天实际情况最匹配的排班模板,并将排班当天参与排班的管制员填充入该排班模板;所述根据管制单位历史排班数据包括管制单位的人员信息、飞行流量、空域信息、岗位信息和扇区开放/合并时间。由于不同的管制单位的人员信息、飞行流量、空域信息、岗位信息和扇区开放/合并时间均有不同,因此,需要根据管制单位设置有多套不同的排班模板。
步骤3,根据排班规则对已填充的排班模板进行检查,若排班模板中的所有排班模块均符合排班规则,则执行步骤6,否则执行步骤4;其中,所述排班规则根据管制单位的实际情况预先设定,一般包括制度约束和基本条件约束,其中,
制度约束可以根据国家对于民航空中交通管理类规则进行执行,如民航局于2018年5月1日正式实施《民用航空空中交通管理规则》(CCAR-93-R5),其中明确规定了管制员的各种执勤时间,其中包括单次最长连续执勤时间、一个日历周内的最长连续执勤时间、两次执勤之间的最少间隔时间、每个日历年内至少应该保证的连续休息时间等。这种制度约束不仅符合各管制单位的工作计划安排,能够有效的实现人力资源的优化配置,还能满足员工的公平性要求。
基本条件约束包括:(1)管制员自身条件,其中包括适合执勤的岗位/扇区、放单时间、ICAO英语、管制执照、是否适合夜间值班等;(2)管制单位的环境要求,岗位/扇区的复杂程度、辖区内飞行流量、岗位的资质/能力要求等;(3)管制员搭配,新老搭配、值守指挥席和监控席的2个人性格是否搭配、配合默契度、能力是否互补等。
步骤4,将排班模板中不符合排班规则的排班模块设置为空白模块;由于管制单位数据信息的变化,可能导致某个管制员不符合某个时间段的管制席位执勤需求,因此,先将其删除,即设置为空白模块,通过以下机器学习的方式进行重新填充。
步骤5,对所有历史排班数据进行机器学习,选择合适的管制员填充至空白模块;其中,机器学习的方法是现有技术,在此不再赘述。
需要说明的是,对历史排班数据进行机器学习得到的结果不一定适合所有的排班需求,如图2所示,若步骤5中对历史排班数据进行机器学习仍存在部分空白模块的情况,则根据排班规则,对排班模块进行最优化算法计算,选择合适的管制员填充至空白模块。其中,最优化算法也是现有技术,在此不再赘述。
步骤6,生成管制员排班表。
进一步地,如图3所示,所述基于机器学习的管制员排班方法,还包括:
步骤7,将步骤6生成的管制员排班表进行人工审核,判断该管制员排班表是否符合实际需求,若不符合执行步骤8,否则执行步骤9;
步骤8,人工对步骤6生成的管制员排班表进行微调;
步骤9,生成最终的管制员排班表。
为了验证基于机器学习的管制员排班方法的实用性,使用Java语言开发了管制员排班系统,如图4所示。以下以天为单位,将某地区空管局2019年3月、4月、5月部分的历史数据导入管制员排班系统的数据库中,对本发明提出的基于机器学习的管制员排班方法进行分析和验证,为了更好地说明本发明的有益效果,采用完全利用最优化算法进行排班的结果作为对比。
如图5所示,为管制单位的某班组5月20日的排班数据,选择一个排班模板将如图5所示的排班数据导入排班模板中,采用本申请的管制员排班方法,得到该班组在下次5月26日的管制员排班表如图6所示。同时,利用最优化算法进行排班的结果如图7所示。将如图8所示的采用人工排班的排班表作为标准,分析图6和图7可以发现,虽然排班系统排出来的结果与实际结果均有误差(误差模块用黑色底色标出),但利用基于机器学习开发的管制员排班系统更接近人工排班结果,也更容易被一线管制单位所接受,对于与实际排班结果的出入部分,可以通过人工进行微调,实现与人工排班所要的结果一致,这样不仅大大提高排班的效率,还能统计管制员的执勤时间和休息时间,有利于行业主管单位充分了解一线管制员的基本情况和工作负荷,为制定相应的规章政策提供数据支持。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于机器学习的管制员排班方法,其特征在于,包括如下步骤:
步骤1,根据空中交通管制单位历史排班数据制定若干个排班模板;每个所述排班模板包括若干个排班模块;每个所述排班模板的时间范围为24小时,包括M×N个排班模块,其中,M为时间段,N为管制席位,每个排班模块表示在对应时间段执勤对应管制席位的管制员;
步骤2,选择与排班当天实际情况最匹配的排班模板,并将排班当天参与排班的管制员填充入该排班模板;
步骤3,根据排班规则对已填充的排班模板进行检查,若排班模板中的所有排班模块均符合排班规则,则执行步骤6,否则执行步骤4;所述排班规则根据管制单位实际情况预先设定,包括制度约束和基本条件约束,其中,制度约束根据国家对于民航空中交通管理类规则进行执行;基本条件约束包括:(1)管制员自身条件,其中包括适合执勤的岗位/扇区、放单时间、ICAO英语、管制执照、是否适合夜间值班;(2)管制单位的环境要求,岗位/扇区的复杂程度、辖区内飞行流量、岗位的资质/能力要求;(3)管制员搭配,新老搭配、值守指挥席和监控席的2个人性格是否搭配、配合默契度、能力是否互补;
步骤4,将排班模板中不符合排班规则的排班模块设置为空白模块;
步骤5,对所有历史排班数据进行机器学习,选择合适的管制员填充至空白模块;若步骤5中对历史排班数据进行机器学习后仍存在部分空白模块的情况,则根据排班规则,对模块进行最优化算法计算,选择合适的管制员填充至空白模块;
步骤6,生成管制员排班表。
2.根据权利要求1所述的基于机器学习的管制员排班方法,其特征在于,每个排班模板中的时间段为将24小时划分的M个时间段。
3.根据权利要求1所述的基于机器学习的管制员排班方法,其特征在于,所述根据空中交通管制单位历史排班数据包括管制单位的人员信息、飞行流量、空域信息、岗位信息和扇区开放/合并时间。
4.根据权利要求1所述的基于机器学习的管制员排班方法,其特征在于,还包括:
步骤7,将步骤6生成的管制员排班表进行人工审核,判断该管制员排班表是否符合实际需求,若不符合执行步骤8,否则执行步骤9;
步骤8,人工对步骤6生成的管制员排班表进行微调;
步骤9,生成最终的管制员排班表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910753604.6A CN110598991B (zh) | 2019-08-15 | 2019-08-15 | 一种基于机器学习的管制员排班方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910753604.6A CN110598991B (zh) | 2019-08-15 | 2019-08-15 | 一种基于机器学习的管制员排班方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598991A CN110598991A (zh) | 2019-12-20 |
CN110598991B true CN110598991B (zh) | 2022-03-25 |
Family
ID=68854327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910753604.6A Active CN110598991B (zh) | 2019-08-15 | 2019-08-15 | 一种基于机器学习的管制员排班方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598991B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639880A (zh) * | 2020-06-09 | 2020-09-08 | 上海迎盾科技有限公司 | 智能排班方法及装置、计算机可读存储介质 |
CN111932116B (zh) * | 2020-08-10 | 2023-09-29 | 西安忒亚电子科技有限公司 | 一种基于管制要求的管制员公平性排班方法 |
CN112036714A (zh) * | 2020-08-13 | 2020-12-04 | 新智道枢(上海)科技有限公司 | 一种基于拖拽式的快速智能排班方法 |
CN112258150A (zh) * | 2020-10-16 | 2021-01-22 | 中国民用航空华东地区空中交通管理局 | 一种基于人物画像的管制员排班系统及方法 |
CN112288394B (zh) * | 2020-10-29 | 2024-04-19 | 中国民用航空总局第二研究所 | 管制员排班试验验证系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325024A (zh) * | 2013-07-18 | 2013-09-25 | 北京影合众新媒体技术服务有限公司 | 智能排班系统 |
CN110135680A (zh) * | 2019-04-01 | 2019-08-16 | 广州市中南民航空管通信网络科技有限公司 | 一种空中交通管制员坐席排班方法、电子设备、存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488659A (zh) * | 2015-11-26 | 2016-04-13 | 江苏方天电力技术有限公司 | 集中考勤智能排班管理方法 |
CN108256755A (zh) * | 2018-01-09 | 2018-07-06 | 信雅达系统工程股份有限公司 | 一种基于单个员工同时胜任多岗位要求的排班方法 |
CN109377192A (zh) * | 2018-11-30 | 2019-02-22 | 广东机场白云信息科技有限公司 | 一种基于模拟退火算法的机场智能排班方法 |
CN109872073A (zh) * | 2019-02-25 | 2019-06-11 | 广东电网有限责任公司 | 一种电力调度值班排班系统 |
CN110110308A (zh) * | 2019-04-24 | 2019-08-09 | 融艺科技(北京)有限公司 | 四维课程表数据管理方法及装置 |
-
2019
- 2019-08-15 CN CN201910753604.6A patent/CN110598991B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325024A (zh) * | 2013-07-18 | 2013-09-25 | 北京影合众新媒体技术服务有限公司 | 智能排班系统 |
CN110135680A (zh) * | 2019-04-01 | 2019-08-16 | 广州市中南民航空管通信网络科技有限公司 | 一种空中交通管制员坐席排班方法、电子设备、存储介质 |
Non-Patent Citations (1)
Title |
---|
《空中交通管制人员自动排班算法的研究与设计》;祝刚 等;《中国民用航空》;20131101(第11期);第94-96页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110598991A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598991B (zh) | 一种基于机器学习的管制员排班方法 | |
CN110322147A (zh) | 一种建设工程监理信息管理方法及系统 | |
CN110428112A (zh) | 一种基于互联网+模式下的企业双重预防机制管理系统 | |
CN109377192A (zh) | 一种基于模拟退火算法的机场智能排班方法 | |
CN104376430A (zh) | 一种基于云服务平台的风险隐患管理系统及其实现方法 | |
CN111598411A (zh) | 变电站作业现场智能化安全管控系统 | |
CN106779268A (zh) | 一种电力营销稽查精细化预警管控督办工作方法 | |
CN108898693A (zh) | 一种系统的考勤设置方法 | |
CN207320950U (zh) | 调控一体化防误系统 | |
Srinivasan et al. | Workforce assessment method for an urban police department: Using analytics to estimate patrol staffing | |
CN110378621A (zh) | 一种配网电力调度员值班表生成系统及生成方法 | |
CN116050836A (zh) | 基于双重预防机制的事故预防服务数据化构建方法及系统 | |
CN111311130A (zh) | 一种乘务排班优化系统以及方法 | |
CN116720174B (zh) | 一种基于oa办公系统的账户生成权限智能分类监管方法 | |
CN108877201B (zh) | 一种基于交通指挥指数的警力资源优化方法 | |
CN116384679A (zh) | 一种基于一维水力模型的梯级泵站引调水工程调度系统 | |
CN112288394B (zh) | 管制员排班试验验证系统 | |
CN112258150A (zh) | 一种基于人物画像的管制员排班系统及方法 | |
Yin et al. | Theoretical research based on the application of safety information management in power construction site | |
Xu et al. | Risk early warning indicators for air traffic controllers' unsafe acts | |
CN118210777A (zh) | 电气两票票据数据库管理系统及管理方法 | |
MONTEDURO et al. | The “risk” approach and the standards to fight corrup-tion in public organizations | |
Xie | Air Operators’ Safety Assurance System | |
Liu et al. | Qualitative Analysis Method of Civil Aviation Safety Information Sources | |
Liu et al. | Research on Information Analysis and Prevention Strategy of Flight Fatigue Events |
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 |