CN111047915B - 停机位分配方法、装置及终端设备 - Google Patents
停机位分配方法、装置及终端设备 Download PDFInfo
- Publication number
- CN111047915B CN111047915B CN201911279546.4A CN201911279546A CN111047915B CN 111047915 B CN111047915 B CN 111047915B CN 201911279546 A CN201911279546 A CN 201911279546A CN 111047915 B CN111047915 B CN 111047915B
- Authority
- CN
- China
- Prior art keywords
- search
- batch
- constraint
- deep learning
- learning network
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0043—Traffic management of multiple aircrafts from the ground
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本申请适用于航空技术领域,提供了停机位分配方法、装置及终端设备,该停机位分配方法包括:获取航班信息和停机位信息;根据所述航班信息和所述停机位信息,确定停机位分配的目标函数和约束条件;基于蒙特卡洛树搜索方式,根据所述目标函数和约束条件确定停机位分配方案,且在所述蒙特卡洛树搜索方式的扩展阶段和/或模拟阶段,通过深度学习网络确定各个节点。本申请融合了深度学习网络的预测能力和蒙特卡洛树搜索的搜索能力,全局感知能力较强,而且在局部搜索上收敛也较快,能够减少无效搜索和试错搜索,提高搜索效率。
Description
技术领域
本申请属于航空技术领域,尤其涉及停机位分配方法、装置及终端设备。
背景技术
随着社会经济的飞速发展,国民收入的不断提高,人们对交通出行的快速性、舒适性以及安全性等方面提出了更高的要求,推动航空运输业迎来了前所未有的发展机遇。但是机场业务量持续增长造成机场愈加繁忙和拥挤,而停机位作为机场最核心的资源之一,是实现航班快速安全的停靠,保证航班之间的有效衔接,提高整个机场容量和服务效率的一个关键因素。
停机位分配问题(Gate Assignment Problem,GAP)是指在考虑机型大小、停机位大小、航班时刻等因素的情况下,最大限度地利用有限的停机位,合理的停机位分配算法可以缓解机场停机位使用的紧张状况,保障机场场面运行的安全与流畅,从而减少航班延误,提高旅客满实现飞机安全高效的停靠。而传统的停机位分配方法大都存在计算速度较慢且搜索能力较差的问题。
发明内容
为克服相关技术中存在的问题,本申请实施例提供了停机位分配方法、装置及终端设备。
本申请是通过如下技术方案实现的:
第一方面,本申请实施例提供了一种停机位分配方法,包括:
获取航班信息和停机位信息;
根据所述航班信息和所述停机位信息,确定停机位分配的目标函数和约束条件;
基于蒙特卡洛树搜索方式,根据所述目标函数和约束条件确定停机位分配方案,且在所述蒙特卡洛树搜索方式的扩展阶段和/或模拟阶段,通过深度学习网络确定各个节点;
其中,所述约束条件包括机型匹配约束、机位偏好约束、停机位复用约束、停机位阻挡约束、尾流干扰约束、过站时间间隔约束和停机位占用时间约束中的至少一个约束条件。
在第一方面的一种可能的实现方式中,所述基于蒙特卡洛树搜索方式,根据所述航班信息、所述停机位信息、目标函数和约束条件,确定停机位分配方案,包括:
步骤A1,选择一个目标节点;
步骤A2,通过第一深度学习网络预测所述目标节点的所有子节点的值,并基于各个子节点的值确定一个子节点作为新节点进行扩展;
步骤A3,通过第二深度学习网络确定模拟路径的每一步对应的节点,得到当前次搜索对应的停机位分配方案;
步骤A4,采用所述目标函数对当前次搜索得到的停机位分配方案进行评估。
在第一方面的一种可能的实现方式中,所述基于蒙特卡洛树搜索方式,根据所述目标函数和约束条件确定停机位分配方案,还包括:
步骤A5,检测当前搜索批次的搜索次数是否达到预设的单批次最大搜索次数,在当前搜索批次的搜索次数未达到所述预设的单批次最大搜索次数的情况下,返回执行所述步骤A1至步骤A4;
其中,所述基于蒙特卡洛树搜索方式包括多个搜索批次,每一搜索批次包括多次搜索。
在第一方面的一种可能的实现方式中,所述基于蒙特卡洛树搜索方式,根据所述目标函数和约束条件确定停机位分配方案,还包括:
步骤A6,检测当前搜索批次的搜索次数是否达到预设的单批次最大搜索次数,在当前搜索批次的搜索次数达到所述预设的单批次最大搜索次数的情况下,检测当前搜索批次是否达到预设的最大批次数,在当前搜索批次达到所述预设的最大批次数的情况下,将各次搜索对应的所有停机位分配方案作为最终的停机位分配方案。
在第一方面的一种可能的实现方式中,所述基于蒙特卡洛树搜索方式,根据所述目标函数和约束条件确定停机位分配方案,还包括:
步骤A7,检测当前搜索批次的搜索次数是否达到预设的单批次最大搜索次数,在当前搜索批次的搜索次数达到所述预设的单批次最大搜索次数的情况下,检测当前搜索批次是否达到预设的最大搜索批次数,在当前搜索批次未达到所述预设的最大批次数的情况下,基于当前搜索批次的各次搜索对应的所述停机位分配方案和对应的评价结果,对所述第一深度学习网络和所述第二深度学习网络进行更新,并返回执行步骤A1至步骤A4。
在第一方面的一种可能的实现方式中,所述航班信息包括航班总数,所述停机位信息包括停机位数量;
所述基于当前搜索批次的各次搜索对应的所述停机位分配方案和对应的评价结果,对所述第一深度学习网络和所述第二深度学习网络进行更新,包括:
将当前搜索批次的每次搜索对应的所述停机位分配方案转化为训练样本,并将评价结果作为对应的训练样本的标签;其中,所述训练样本为m×n×p的多维数组,m等于所述航班总数加1,n为所述停机位数量,p为时间刻度;
基于所述训练样本和对应的标签,对所述第一深度学习网络和所述第二深度学习网络进行更新。
在第一方面的一种可能的实现方式中,所述目标函数为:
其中,Cti为第i个评价指标的评价结果的均衡因子,Ti为第i个评价指标的评价结果,s为评价指标的个数。
第二方面,本申请实施例提供了一种停机位分配装置,包括:
信息获取模块,用于获取航班信息和停机位信息;
目标约束确定模块,用于根据所述航班信息和所述停机位信息,确定停机位分配的目标函数和约束条件;
分配方案确定模块,用于基于蒙特卡洛树搜索方式,根据所述目标函数和约束条件确定停机位分配方案,且在所述蒙特卡洛树搜索方式的扩展阶段和/或模拟阶段,通过深度学习网络确定各个节点;
其中,所述约束条件包括机型匹配约束、机位偏好约束、停机位复用约束、停机位阻挡约束、尾流干扰约束、过站时间间隔约束和停机位占用时间约束中的至少一个约束条件。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的停机位分配方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述的停机位分配方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的停机位分配方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例,根据航班信息和停机位信息确定停机位分配的目标函数和约束条件,基于蒙特卡洛树搜索方式,根据目标函数和约束条件确定停机位分配方案,且在蒙特卡洛树搜索方式的扩展阶段和/或模拟阶段,通过深度学习网络确定各个节点,而深度学习网络可以基于在前搜索得到的停机位分配方案和对应的评价结果进行训练,从而指导在后的搜索,因此融合了深度学习网络的预测能力和蒙特卡洛树搜索的搜索能力,全局感知能力较强,而且在局部搜索上收敛也较快,能够减少无效搜索和试错搜索,提高搜索效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的停机位分配方法的应用环境示意图;
图2是本申请一实施例提供的停机位分配方法的流程示意图;
图3是本申请一实施例提供的蒙特卡洛树的结构示意图;
图4是本申请一实施例提供的停机位分配方法的流程示意图;
图5是本申请一实施例提供的训练样本的结构示意图;
图6是本申请实施例提供的停机位分配装置的结构示意图;
图7是本申请实施例提供的停机位分配装置的结构示意图;
图8是本申请实施例提供的终端设备的结构示意图;
图9是本申请实施例提供的停机位分配方法所适用于的计算机的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”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,在本申请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。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
停机位分配问题(Gate Assignment Problem,GAP)是指在考虑机型大小、停机位大小、航班时刻等因素的情况下,最大限度地利用有限的停机位,合理的停机位分配算法可以缓解机场停机位使用的紧张状况,保障机场场面运行的安全与流畅,从而减少航班延误,提高旅客满实现飞机安全高效的停靠。
停机位分配问题是0-1整数规划问题,也是典型的NP-hard问题,国内外有众多的学者对机场停机位分配问题进行研究。目前对于停机位分配问题,传统的搜索算法包括禁忌搜索算法、遗传算法和群体优化算法。
禁忌搜索算法基于局部搜索算法改进而来,通过引入禁忌表来克服局部搜索算法容易陷入局部最优的缺点,具有全局寻优能力。但是该算法对初始解的依赖性强,初始解不好的情况下很难得到令人满意的解,比较不稳定;而且该采用逐步迭代的搜索算法在大规模计算时可扩展性不强;另外,该算法依然是局部搜索算法,具有多样性不足等缺点。
遗传算法属于进化算法的一种,它通过模仿自然界的选择与遗传的机理来寻找最优解。但是,遗传算法需要找到合适的编码,不同的编码方式对性能和效果有非常大的影响,同时编程实现比较复杂,在求解前需要编码,找到最优解之后还需要解码;原始的遗传算法不能及时利用网络的反馈信息,故算法的搜索速度比较慢,要得到较精确的解需要较多的训练时间;算法对初始种群的选择有一定的依赖性,不好的初始种群对搜索解的速度和效果影响很大;单纯的遗传算法局部搜索能力较差,搜索后期效率较低。
典型的群优化算法包括蚁群优化算法和粒子群优化算法等。其中,蚁群算法收敛速度慢、易陷入局部最优;蚁群优化算法计算量大,求解所需时间较长,而且粒子群优化算法在处理复杂的多峰搜索问题中,容易产生早熟收敛,同时还存在局部寻优能力较差,依赖初始解等问题。
综上可知,传统的停机位分配方法所用的搜索方法大都存在计算速度较慢且搜索能力较差的问题。
基于上述问题,本申请实施例中的停机位分配方法,根据航班信息和停机位信息确定停机位分配的目标函数和约束条件,基于蒙特卡洛树搜索方式,根据目标函数和约束条件确定停机位分配方案,且在蒙特卡洛树搜索方式的扩展阶段和/或模拟阶段,通过深度学习网络确定各个节点,而深度学习网络可以基于在前搜索得到的停机位分配方案和对应的评价结果进行训练,从而指导在后的搜索,因此本申请实施例融合了深度学习网络的预测能力和蒙特卡洛树搜索的搜索能力,全局感知能力较强,而且在局部搜索上收敛也较快,能够减少无效搜索和试错搜索,提高搜索效率。
举例说明,本申请实施例可以应用到如图1所示的示例性场景中,在该场景中,信息获取设备10用于获取航班信息和停机位信息,并将航班信息和停机位信息发送给停机位分配设备20。停机位分配设备20根据航班信息和停机位信息确定停机位分配的目标函数和约束条件,再基于蒙特卡洛树搜索方式,根据目标函数和约束条件确定停机位分配方案,且在蒙特卡洛树搜索方式的扩展阶段和/或模拟阶段,通过深度学习网络确定各个节点。
为了使本技术领域的人员更好地理解本发明方案,下面将结合图1和图2,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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。
图2是本申请一实施例提供的停机位分配方法的示意性流程图,参照图2,对该停机位分配方法的详述如下:
在步骤101中,获取航班信息和停机位信息。
其中,航班信息可以包括航空公司、进出港航班号、航空器机型、航空器机号、航线和进出港时间中的至少一种信息,停机位信息可以包括停机位编号、停机位的地理位置信息、允许停靠的航空公司、航空器类型限制、翼展限制和国际国内航班属性中的至少一种信息。上述国际国内航班属性指该停机位是否是国际航班专属停机位。
另外,还可以获取机场状态信息,机场状态信息可以包括停机位编号、停机位是否被占用、航空器的机型大小和离开时间中的至少一种信息。
本步骤中,停机位是停机坪上供航空器停放的划定位置,是进港航空器的运行终点和离港航空器的运行起点,是供航空器停放、方便旅客上下航空器、货物行李装卸的场所,是航空运输和地面运输的转接点,机场因规模不同,停机坪的数量也不等,每个机坪由数量不等的停机位组成。
在步骤102中,根据所述航班信息和所述停机位信息,确定停机位分配的目标函数和约束条件。
本步骤中,所述约束条件可以包括机型匹配约束、机位偏好约束、停机位复用约束、停机位阻挡约束、尾流干扰约束、过站时间间隔约束和停机位占用时间约束中的至少一个约束条件。
其中,上述机型匹配约束具体可以为:受限于停机位空间大小、保障设施等硬件条件,每个停机位仅能停放若干给定机型的航空器;
上述机位偏好约束具体可以为:某些航司优先分配至固定机位,国际航班优先分配机位等;
上述停机位复用约束具体可以为:为适应不同的过站机型分布,停机坪上部分区域可以用作少量可停放大飞机的停机位,也可细分成多个只能停放小飞机的停机位,存在重叠关系的停机位上不能同时停靠航空器;
上述停机位阻挡约束具体可以为:为提升机场容量以适应夜间大量航后航班滞留但吞吐量低的场景,滑行道上规划有若干临时停机位,如果临时停机位在常设停机位必经的滑行线路上,将阻挡相关停机位的滑入、滑出或推出;
上述尾流干扰约束具体可以为:为避免航空器尾流干扰,分配至位置邻近的停机位上的航空器进出港时间应尽量错开一定时间;
上述过站时间间隔约束具体可以为:为避免航空器距离过近产生安全隐患,或者造成滑行道拥堵,分配至同一停机位的相邻两架航空器,前者的离港时间与后者的进港时间至少间隔一定时间,例如可以间隔25分钟;
上述停机位占用时间约束具体可以为:航班占用停机位的时间应大于该类型航班的最小过站时间。
一些实施例中,上述目标函数可以为:
其中,Cti为第i个评价指标的评价结果的均衡因子,Ti为第i个评价指标的评价结果,s为评价指标的个数。
其中,上述评价指标(即优化目标)可以包括:1)机位调整小,即抗风险能力强,停机位的预分配与动态调整的差距小;2)最小化机位空闲时间;3)提高靠桥率;4)减少无机位航班数;5)减少旅客行走距离。在本实施例中,优化目标可以为以上优化目标中的一或多项的加权和。
上述目标函数的约束条件可以包括:
(Cai-Cgk)Xik<0 (3)
teik=ti+tik (4)
trik≥teik (5)
|trik-trjk|≥max{dik+Δt,djk+Δt} (6)
((trik+dik+Δt)-trjk)×Sijk>0 (7)
Sijk+Sjik≤1 (8)
tqik-trik≥uik (9)
其中,i为航空器编号,k为停机位编号,trik为航空器i实际进入停机位k的时刻,teik为航空器i预计进入停机位k的时刻,Xik为决策变量(当航空器i被分配至停机位k时Xik=1,否则Xik=0),Cai为航空器i的类型(Cai=1,2,3分别代表航空器的小、中、大三种类型),为停机位k的类型(分别代表停机位的小、中、大三种类型),ti为第i架航空器脱离跑道的时刻,tik为第i架航空器滑行到第k个停机位所需时间,dik为第i架航空器在第k个停机位的占用时间,Δt为两架航空器使用同一机位的最小时间间隔,sijk为决策变量(当航空器j在航空器i离开停机位k后进入停机位k,且时间间隔满足要求时,sijk=1否则sijk=0),uik为航空器i在停机位k完成一次完整作业需要的最小时间,tqik为航空器i退出停机位k的时刻,tsk为停机位k的启用时间,tek为停机位k的停用时间。
具体地,式(2)为停机位的唯一性要求约束,即必须为每个航空器分配一个停机位,且只能分配一个机位;式(3)为停机位与航空器适应性要求,即必须为航空器分配对应类型的停机位,例如大型航空器必须分配至大型停机位,中型航空器可以分配至大型或中型停机位,小型航空器可以分配至大型、中型或小型停机位;式(4)为航空器滑行至停机位所需时间;式(5)为航空器实际进入停机位时间要求,实际进入停机位的时间理应不早于预计时间;式(6)为停机位安全性要求,即不同航空器使用同一停机位,其进入和退出时间必须满足相应的安全间隔条件;式子(7)为两架航空器连续使用同一停机位时,两架飞机在时间上不产生冲突;式(8)为停机位独占性要求,即同一时刻一个停机位只能为一架航空器服务;式(9)为停机位使用完整性要求,即一次分配给航空器的停机位占用时间不小于该机型一次过站作业所需的最低时间要求。
其中,在确定上述目标函数和约束条件之后,步骤103通过蒙特卡洛树搜索方式得到停机位分配方案。
在步骤103中,基于蒙特卡洛树搜索方式,根据目标函数和约束条件确定停机位分配方案,且在所述蒙特卡洛树搜索方式的扩展阶段和/或模拟阶段,通过深度学习网络确定各个节点。
其中,可以通过在前搜索得到的停机位分配方案和对应的评价结果对深度学习网络进行训练,用训练后的深度学习网络指导在后的搜索。
蒙特卡洛树搜索又称随机抽样或统计试验方法,属于计算数学的一个分支,它是在上世纪四十年代中期为了适应当时原子能事业的发展而发展起来的。蒙特卡洛树搜索受到快速关注主要是由计算机围棋程序的成功以及其潜在的在众多难题上的应用所致。超越博弈游戏本身,蒙特卡洛树搜索理论上可以被用在以{状态state,行动action}对定义和用模拟进行预测输出结果的任何领域,可以理解为给定一个状态来选择最佳的下一步行动方式,经过多次模拟,尝试基于模拟结果对最佳下一步行动方式进行预测。
图3为本实施例提供的蒙特卡洛树结构示意图,对于机场停机位分配场景的需求,图中每一层代表一个航空器,每一个分叉代表该航空器可选择的停机位,其中每一个节点代表一个分配状态,从一个节点到该节点的一个子节点(如果存在)视为一次行动,这里树是一种递归的数据结构,每次选择完最佳的下一步时,会行动到下一个子节点,而这个子节点又作为它子树的根节点,节点的子节点数目称为分支因子,树的根节点代表初始状态,树的叶子节点是没有子节点的节点,至此停机位分配方案结束,无法再进行行动,此时叶子节点的状态也就是停机位分配的结果。
节点分为访问过的和未访问过的,在初始状态,位于树的根节点,其他的节点都是未访问的,被访问过的节点意味着某个模拟过程是以它为起点的,即它至少被评估过一次,如果一个节点的所有子节点都被访问过了,那这个节点就称为是完全扩展的,否则就是未完全扩展的。
通常的,上述蒙特卡洛树搜索方式可以包括多个搜索批次,每一搜索批次可以包括多次搜索。而基于蒙特卡洛树搜索方式的一次搜索可以包括选择阶段、扩展阶段、模拟阶段和更新阶段。
参见图4,一些实施例中,步骤103可以包括以下步骤:
步骤A1,在选择阶段,选择一个目标节点。
例如,可以从根节点开始,递归选择下一步最优的子节点直到达到叶子节点,选择下一个节点时,可以采用UCB(The Upper Confidence BoundAlgorithm,上置信算法)算法进行选择,兼顾选择的广度和深度。
步骤A2,在扩展阶段,通过第一深度学习网络预测所述目标节点的所有子节点的值,并基于各个子节点的值确定一个子节点作为新节点进行扩展。
步骤A3,在模拟阶段,通过第二深度学习网络确定模拟路径的每一步对应的节点,得到当前次搜索对应的停机位分配方案。
步骤A4,在更新阶段,采用所述目标函数对当前次搜索得到的停机位分配方案进行评价。
具体地,如果是第一次搜索,可以对于上述第一深度学习网络和第二深度学习网络进行初始化,如果已经存在深度学习网络(可以为上一次搜索保存下来的模型),则可以加载该深度学习网络,否则使用随机初始化的深度学习网络。
需要说明的是,上述实施例中在每一次搜索的扩展阶段和模拟阶段均采用了深度学习网络进行预测,但本申请实施例并不以此为限。例如,在其他实施例中,可以在每一次搜索的扩展阶段采用深度学习网络进行预测,或者在每一次搜索的模拟阶段采用深度学习网络进行预测。
另外,第一深度学习网络和第二深度学习网络可以为同一个深度学习网络,也可以为两个不同的深度学习网络,本申请实施例对此不予限定。
参见图4,一些实施例中,在步骤A4之后,步骤102还可以包括:
步骤A5,检测当前搜索批次的搜索次数是否达到预设的单批次最大搜索次数,在当前搜索批次的搜索次数未达到所述预设的单批次最大搜索次数的情况下,返回执行所述步骤A1至步骤A4。
其中,上述蒙特卡洛树搜索方式可以包括多个搜索批次,每一搜索批次可以包括多次搜索,在完成当前次搜索后,需要判断是否已经达到设定的每一批次对应的最大搜索次数,如果当前搜索次数没有达到预设的单批次最大搜索次数,则对搜索次数加1,然后继续进行下次搜索。
例如,上述蒙特卡洛树搜索方式包括10个搜索批次,每一搜索批次又包括100次搜索,则如果当前次搜索是第8个搜索批次中的第90次搜索,即当前搜索次数90没有达到预设的单批次最大搜索次数100,则将搜索次数加1,并进行第8个搜索批次中的第91次搜索,在第91次搜索中执行上述步骤A1至步骤A4。
参见图4,一些实施例中,步骤102还可以包括:
步骤A6,检测当前搜索批次的搜索次数是否达到预设的单批次最大搜索次数,在当前搜索批次的搜索次数达到所述预设的单批次最大搜索次数的情况下,检测当前搜索批次是否达到预设的最大搜索批次数,在当前搜索批次达到所述预设的最大搜索批次数的情况下,将各次搜索对应的所有停机位分配方案作为最终的停机位分配方案。
其中,在完成当前次搜索后,需要判断是否已经达到设定的每一搜索批次对应的最大搜索次数,如果当前搜索次数达到预设的单批次最大搜索次数,则判断当前搜索批次是否已经达到预设的最大搜索批次数。
例如,上述蒙特卡洛树搜索方式包括10个搜索批次,每一搜索批次又包括100次搜索,则如果当前次搜索是第10个搜索批次中的第100次搜索,即当前搜索次数100已经达到预设的单批次最大搜索次数100,则判断当前搜索批次10是否已经达到最大搜索批次数10,由于当前搜索批次10已经达到最大搜索批次数10,此时可将各次搜索对应的所有停机位分配方案作为最终的停机位分配方案。
参见图4,一些实施例中,步骤102还可以包括:
步骤A7,检测当前搜索批次的搜索次数是否达到预设的单批次最大搜索次数,在当前搜索批次的搜索次数达到所述预设的单批次最大搜索次数的情况下,检测当前搜索批次是否达到预设的最大搜索批次数,在当前搜索批次未达到所述预设的最大批次数的情况下,基于当前搜索批次的各次搜索对应的所述停机位分配方案和对应的评价结果,对所述第一深度学习网络和所述第二深度学习网络进行更新,并返回执行步骤A1至步骤A3。
例如,上述蒙特卡洛树搜索方式包括10个搜索批次,每一搜索批次又包括100次搜索,则如果当前次搜索是第9个搜索批次中的第100次搜索,即当前搜索次数100已经达到预设的单批次最大搜索次数100,则判断当前搜索批次9是否已经达到最大搜索批次数10,由于当前搜索批次9还未达到最大搜索批次数10,此时可以通过搜索批次9对应的100次搜索产生的停机位分配方案和对应的评价结果,对第一深度学习网络和第二深度学习网络进行更新,并返回执行步骤A1至步骤A4,将更新后的第一深度学习网络和第二深度学习网络用于下一搜索批次的各次搜索的扩展阶段和模拟阶段。
需要说明的是,图3仅为示例性说明,步骤A5至步骤A7之间的顺序并不限于图3所示,步骤A5至步骤A7之间可以为并行关系。
示例性的,步骤A7中所述的基于当前搜索批次的各次搜索对应的所述停机位分配方案和对应的评价结果,对所述第一深度学习网络和所述第二深度学习网络进行更新,可以包括:
将当前搜索批次的每次搜索对应的所述停机位分配方案转化为训练样本,并将评价结果作为对应的训练样本的标签;其中,所述训练样本为m×n×p的多维数组,m等于所述航班总数加1,n为所述停机位数量,p为时间刻度;
基于所述训练样本和对应的标签,对所述第一深度学习网络和所述第二深度学习网络进行更新。
参见图5,每一停机位分配方案对应的训练样本为m×n×p的多维数组,m等于航班总数+1,n为机位数量,p为时间刻度,每个刻度代表的时长可以为5分钟,记录时间为24小时,训练样本对应的标签为该停机位分配方案的评价结果。
其中,第0层用于记录本次预分配停机位前的机场停机位的占用情况;第1~m层代表各个航班对停机位的占用情况,如该航班已经分配停机位则只会占用某一行(代表某一个停机位),否则可能占用多行(代表该航班可能停靠在多个机位上)。占用的位置用数值填充,且数值为该航班和机位契合度的评分,如大小合适且为靠桥机位则得分较高。
本实施例中,将复杂多维的航班、机位数据表转换为多维数组,使得深度学习网络可以比较容易进行训练。而如果不进行转换,则需要记录大量数据,且需要将这些数据进行一定程度的关联,导致数据量较大,对深度学习网络的训练难度高。其中,需要记录的数据可以包括:机场状态数据,包括各个停机位的占用情况;已分配停机位的航班数据,包括航班及对应的机位;尚未分配停机位的航班数据,包括航班和可能会占用的机位;停机位信息,包括停机位大小、位置、是否靠桥、是否为特殊机位等;航班信息,包括航空器的机型大小、起降时间、所述航空公司、目的地以及是否为国际机位等。
上述停机位分配方法,基于蒙特卡洛树搜索方式,根据航班信息、述停机位信息、目标函数和约束条件确定停机位分配方案,且在蒙特卡洛树搜索方式的扩展阶段和/或模拟阶段,通过深度学习网络确定各个节点,而深度学习网络可以基于在前搜索得到的停机位分配方案和对应的评价结果进行训练,从而指导在后的搜索,因此上述停机位分配方法融合了深度学习网络的预测能力和蒙特卡洛树搜索的搜索能力,全局感知能力较强,而且在局部搜索上收敛也较快,能够减少无效搜索和试错搜索,提高搜索效率。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的停机位分配方法,图6示出了本申请实施例提供的停机位分配装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参见图6,本申请实施例中的停机位分配装置可以包括信息获取模块201和分配方案确定模块202。
其中,信息获取模块201,用于获取航班信息和停机位信息;
目标约束确定模块202,用于根据所述航班信息和所述停机位信息,确定停机位分配的目标函数和约束条件;
分配方案确定模块203,用于基于蒙特卡洛树搜索方式,根据所述目标函数和约束条件确定停机位分配方案,且在所述蒙特卡洛树搜索方式的扩展阶段和/或模拟阶段,通过深度学习网络确定各个节点;
其中,所述约束条件包括机型匹配约束、机位偏好约束、停机位复用约束、停机位阻挡约束、尾流干扰约束、过站时间间隔约束和停机位占用时间约束中的至少一个约束条件。
参见图7,分配方案确定模块203可以包括:选择单元2031、扩展单元2032、模拟单元2033和更新单元2034。
其中,选择单元2031,用于选择一个目标节点;
扩展单元2032,用于通过第一深度学习网络预测所述目标节点的所有子节点的值,并基于各个子节点的值确定一个子节点作为新节点进行扩展;
模拟单元2033,用于通过第二深度学习网络确定模拟路径的每一步对应的节点,得到当前停机位分配方案;
更新单元2034,用于采用所述目标函数对当前次搜索得到的停机位分配方案进行评估。
可选的,分配方案确定模块203还可以包括:
第一控制单元2035,用于检测当前搜索批次的搜索次数是否达到预设的单批次最大搜索次数,在当前搜索批次的搜索次数未达到所述预设的单批次最大搜索次数的情况下,控制选择单元2031、扩展单元2032、模拟单元2033和更新单元2034依此执行相应功能,以进行下一次搜索;
其中,所述基于蒙特卡洛树搜索方式包括多个搜索批次,每一搜索批次包括多次搜索。
可选的,分配方案确定模块203还可以包括:
第二控制单元2036,用于检测当前搜索批次的搜索次数是否达到预设的单批次最大搜索次数,在当前搜索批次的搜索次数达到所述预设的单批次最大搜索次数的情况下,检测当前搜索批次是否达到预设的最大批次数,在当前搜索批次达到所述预设的最大批次数的情况下,将各次搜索对应的所有停机位分配方案作为最终的停机位分配方案。
可选的,分配方案确定模块203还可以包括:
第三控制单元2037,用于检测当前搜索批次的搜索次数是否达到预设的单批次最大搜索次数,在当前搜索批次的搜索次数达到所述预设的单批次最大搜索次数的情况下,检测当前搜索批次是否达到预设的最大搜索批次数,在当前搜索批次未达到所述预设的最大批次数的情况下,基于每次搜索对应的所述停机位分配方案和对应的评价结果,对所述第一深度学习网络和所述第二深度学习网络进行更新,并控制选择单元2031、扩展单元2032、模拟单元2033和评估单元2034依此执行相应功能,以进行下一次搜索。
可选的,所述航班信息包括航班总数,所述停机位信息包括停机位数量;第三控制单元2037具体可以用于:
将每次搜索对应的所述停机位分配方案转化为训练样本,并将评价结果作为对应的训练样本的标签;其中,所述训练样本为m×n×p的多维数组,m等于所述航班总数+1,n为所述停机位数量,p为时间刻度;
基于所述训练样本和对应的标签,对所述第一深度学习网络和所述第二深度学习网络进行更新。
可选的,所述目标函数可以为:
其中,Cti为第i个评价指标的评价结果的均衡因子,Ti为第i个评价指标的评价结果,s为评价指标的个数。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种终端设备,参见图8,该终端设备300可以包括:至少一个处理器310、存储器320以及存储在所述存储器320中并可在所述至少一个处理器310上运行的计算机程序,所述处理器310执行所述计算机程序时实现上述任意各个方法实施例中的步骤,例如图2所示实施例中的步骤101至步骤103。或者,处理器310执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如图6所示模块201至203的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器320中,并由处理器310执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段,该程序段用于描述计算机程序在终端设备300中的执行过程。
本领域技术人员可以理解,图8仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如输入输出设备、网络接入设备、总线等。
处理器310可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320可以是终端设备的内部存储单元,也可以是终端设备的外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。所述存储器320用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
作为示例而非限定,上述实施例提供的停机位分配方法可以应用于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality,AR)/虚拟现实(virtualreality,VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、上网本、个人数字助理(personal digital assistant,PDA)等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
例如,所述终端设备300可以是WLAN中的站点(STAION,ST),可以是蜂窝电话、无绳电话、会话启动协议(Session InitiationProtocol,SIP)电话、无线本地环路(WirelessLocal Loop,WLL)站、个人数字处理(Personal DigitalAssistant,PDA)设备、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、车联网终端、电脑、膝上型计算机、手持式通信设备、手持式计算设备、卫星无线设备、无线调制解调器卡、电视机顶盒(set top box,STB)、用户驻地设备(customer premise equipment,CPE)和/或用于在无线系统上进行通信的其它设备以及下一代通信系统,例如,5G网络中的移动终端或者未来演进的公共陆地移动网络(Public Land Mobile Network,PLMN)网络中的移动终端等。
作为示例而非限定,当所述终端设备300为可穿戴设备时,该可穿戴设备还可以是应用穿戴式技术对日常穿戴进行智能化设计、开发出可以穿戴的设备的总称,如眼镜、手套、手表、服饰及鞋等。可穿戴设备即直接穿在身上,或是整合到用户的衣服或配件的一种便携式设备。可穿戴设备不仅仅是一种硬件设备,更是通过软件支持以及数据交互、云端交互来实现强大的功能。广义穿戴式智能设备包括功能全、尺寸大、可不依赖智能手机实现完整或者部分的功能,如智能手表或智能眼镜等,以及只专注于某一类应用功能,需要和其它设备如智能手机配合使用,如各类进行体征监测的智能手环、智能首饰等。
以所述终端设备300为计算机为例,图9示出的是与本申请实施例提供的计算机的部分结构的框图。参考图9,计算机包括:通信电路410、存储器420、输入单元430、显示单元440、音频电路450、无线保真(wireless fidelity,WiFi)模块460、处理器470以及电源480等部件。本领域技术人员可以理解,图9中示出的计算机结构并不构成对计算机的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图9对计算机的各个构成部件进行具体的介绍:
通信电路410可用于收发信息或通话过程中,信号的接收和发送,特别地,将图像采集设备发送的图像样本接收后,给处理器470处理;另外,将图像采集指令发送给图像采集设备。通常,通信电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier,LNA)、双工器等。此外,通信电路410还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议,包括但不限于全球移动通讯系统(Global System of Mobile communication,GSM)、通用分组无线服务(GeneralPacket Radio Service,GPRS)、码分多址(Code Division Multiple Access,CDMA)、宽带码分多址(Wideband Code Division Multiple Access,WCDMA)、长期演进(Long TermEvolution,LTE))、电子邮件、短消息服务(Short Messaging Service,SMS)等。
存储器420可用于存储软件程序以及模块,处理器470通过运行存储在存储器420的软件程序以及模块,从而执行计算机的各种功能应用以及数据处理。存储器420可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器420可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
输入单元430可用于接收输入的数字或字符信息,以及产生与计算机的用户设置以及功能控制有关的键信号输入。具体地,输入单元430可包括触控面板431以及其他输入设备432。触控面板431,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板431上或在触控面板431附近的操作),并根据预先设定的程式驱动相应的连接装置。可选的,触控面板431可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器470,并能接收处理器470发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板431。除了触控面板431,输入单元430还可以包括其他输入设备432。具体地,其他输入设备432可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
显示单元440可用于显示由用户输入的信息或提供给用户的信息以及计算机的各种菜单。显示单元440可包括显示面板441,可选的,可以采用液晶显示器(Liquid CrystalDisplay,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板441。进一步的,触控面板431可覆盖显示面板441,当触控面板431检测到在其上或附近的触摸操作后,传送给处理器470以确定触摸事件的类型,随后处理器470根据触摸事件的类型在显示面板441上提供相应的视觉输出。虽然在图9中,触控面板431与显示面板441是作为两个独立的部件来实现计算机的输入和输入功能,但是在某些实施例中,可以将触控面板431与显示面板441集成而实现计算机的输入和输出功能。
音频电路450可提供用户与计算机之间的音频接口。音频电路450可将接收到的音频数据转换后的电信号,传输到扬声器由扬声器转换为声音信号输出;另一方面,传声器将收集的声音信号转换为电信号,由音频电路450接收后转换为音频数据,再将音频数据输出处理器470处理后,经通信电路410以发送给比如另一计算机,或者将音频数据输出至存储器420以便进一步处理。
WiFi属于短距离无线传输技术,计算机通过WiFi模块460可以帮助用户收发电子邮件、浏览网页和访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图9示出了WiFi模块460,但是可以理解的是,其并不属于计算机的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
处理器470是计算机的控制中心,利用各种接口和线路连接整个计算机的各个部分,通过运行或执行存储在存储器420内的软件程序和/或模块,以及调用存储在存储器420内的数据,执行计算机的各种功能和处理数据,从而对计算机进行整体监控。可选的,处理器470可包括一个或多个处理单元;优选的,处理器470可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器470中。
计算机还包括给各个部件供电的电源480(比如电池),优选的,电源480可以通过电源管理系统与处理器470逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述停机位分配方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述停机位分配方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (7)
1.一种停机位分配方法,其特征在于,包括:
获取航班信息和停机位信息;
根据所述航班信息和所述停机位信息,确定停机位分配的目标函数和约束条件;
基于蒙特卡洛树搜索方式,根据所述目标函数和约束条件确定停机位分配方案,且在所述蒙特卡洛树搜索方式的扩展阶段和/或模拟阶段,通过深度学习网络确定各个节点;
其中,所述约束条件包括机型匹配约束、机位偏好约束、停机位复用约束、停机位阻挡约束、尾流干扰约束、过站时间间隔约束和停机位占用时间约束中的至少一个约束条件;
所述基于蒙特卡洛树搜索方式,根据所述航班信息、所述停机位信息、目标函数和约束条件,确定停机位分配方案,包括:
步骤A1,选择一个目标节点;
步骤A2,通过第一深度学习网络预测所述目标节点的所有子节点的值,并基于各个子节点的值确定一个子节点作为新节点进行扩展;
步骤A3,通过第二深度学习网络确定模拟路径的每一步对应的节点,得到当前次搜索对应的停机位分配方案;
步骤A4,采用所述目标函数对当前次搜索得到的停机位分配方案进行评价;
步骤A7,检测当前搜索批次的搜索次数是否达到预设的单批次最大搜索次数,在当前搜索批次的搜索次数达到所述预设的单批次最大搜索次数的情况下,检测当前搜索批次是否达到预设的最大搜索批次数,在当前搜索批次未达到所述预设的最大搜索批次数的情况下,基于当前搜索批次的各次搜索对应的所述停机位分配方案和对应的评价结果,对所述第一深度学习网络和所述第二深度学习网络进行更新,并返回执行步骤A1至步骤A4;
所述航班信息包括航班总数,所述停机位信息包括停机位数量;所述基于当前搜索批次的各次搜索对应的所述停机位分配方案和对应的评价结果,对所述第一深度学习网络和所述第二深度学习网络进行更新,包括:
将当前搜索批次的每次搜索对应的所述停机位分配方案转化为训练样本,并将评价结果作为对应的训练样本的标签;其中,所述训练样本为m×n×p的多维数组,m等于所述航班总数加1,n为所述停机位数量,p为时间刻度;
基于所述训练样本和对应的标签,对所述第一深度学习网络和所述第二深度学习网络进行更新。
2.如权利要求1所述的停机位分配方法,其特征在于,所述基于蒙特卡洛树搜索方式,根据所述目标函数和约束条件确定停机位分配方案,还包括:
步骤A5,检测当前搜索批次的搜索次数是否达到预设的单批次最大搜索次数,在当前搜索批次的搜索次数未达到所述预设的单批次最大搜索次数的情况下,返回执行所述步骤A1至步骤A4;
其中,所述蒙特卡洛树搜索方式包括多个搜索批次,每一搜索批次包括多次搜索。
3.如权利要求1所述的停机位分配方法,其特征在于,所述基于蒙特卡洛树搜索方式,根据所述目标函数和约束条件确定停机位分配方案,还包括:
步骤A6,检测当前搜索批次的搜索次数是否达到预设的单批次最大搜索次数,在当前搜索批次的搜索次数达到所述预设的单批次最大搜索次数的情况下,检测当前搜索批次是否达到预设的最大搜索批次数,在当前搜索批次达到所述预设的最大搜索批次数的情况下,将各次搜索对应的所有停机位分配方案作为最终的停机位分配方案。
5.一种停机位分配装置,其特征在于,包括:
信息获取模块,用于获取航班信息和停机位信息;
目标约束确定模块,用于根据所述航班信息和所述停机位信息,确定停机位分配的目标函数和约束条件;
分配方案确定模块,用于基于蒙特卡洛树搜索方式,根据所述目标函数和约束条件确定停机位分配方案,且在所述蒙特卡洛树搜索方式的扩展阶段和/或模拟阶段,通过深度学习网络确定各个节点;
其中,所述约束条件包括机型匹配约束、机位偏好约束、停机位复用约束、停机位阻挡约束、尾流干扰约束、过站时间间隔约束和停机位占用时间约束中的至少一个约束条件;
所述分配方案确定模块包括:
选择单元,用于选择一个目标节点;
扩展单元,用于通过第一深度学习网络预测所述目标节点的所有子节点的值,并基于各个子节点的值确定一个子节点作为新节点进行扩展;
模拟单元,用于通过第二深度学习网络确定模拟路径的每一步对应的节点,得到当前停机位分配方案;
更新单元,用于采用所述目标函数对当前次搜索得到的停机位分配方案进行评估;
第三控制单元,用于检测当前搜索批次的搜索次数是否达到预设的单批次最大搜索次数,在当前搜索批次的搜索次数达到所述预设的单批次最大搜索次数的情况下,检测当前搜索批次是否达到预设的最大搜索批次数,在当前搜索批次未达到所述预设的最大批次数的情况下,基于每次搜索对应的所述停机位分配方案和对应的评价结果,对所述第一深度学习网络和所述第二深度学习网络进行更新,并控制所述选择单元、所述扩展单元、所述模拟单元和所述评估单元依此执行相应功能,以进行下一次搜索;
所述航班信息包括航班总数,所述停机位信息包括停机位数量;第三控制单元具体用于:
将每次搜索对应的所述停机位分配方案转化为训练样本,并将评价结果作为对应的训练样本的标签;其中,所述训练样本为m×n×p的多维数组,m等于所述航班总数+1,n为所述停机位数量,p为时间刻度;
基于所述训练样本和对应的标签,对所述第一深度学习网络和所述第二深度学习网络进行更新。
6.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的方法。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911279546.4A CN111047915B (zh) | 2019-12-13 | 2019-12-13 | 停机位分配方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911279546.4A CN111047915B (zh) | 2019-12-13 | 2019-12-13 | 停机位分配方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047915A CN111047915A (zh) | 2020-04-21 |
CN111047915B true CN111047915B (zh) | 2020-11-27 |
Family
ID=70235973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911279546.4A Active CN111047915B (zh) | 2019-12-13 | 2019-12-13 | 停机位分配方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047915B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563636B (zh) * | 2020-07-13 | 2020-11-06 | 北京富通东方科技有限公司 | 一种三阶段元启发式停机位分配优化方法 |
CN111739350B (zh) * | 2020-08-27 | 2021-01-05 | 北京富通东方科技有限公司 | 一种机位分配系统及方法 |
CN114648895B (zh) * | 2022-05-12 | 2022-08-26 | 苏州数智源信息技术有限公司 | 一种可降低误报率的机坪安全预警方法及系统 |
CN114936804B (zh) * | 2022-06-23 | 2023-07-28 | 北京航空航天大学 | 一种机场多维资源协同调度方法 |
CN115239026B (zh) * | 2022-09-22 | 2022-12-20 | 珠海翔翼航空技术有限公司 | 停机位分配优化方法、系统、设备及介质 |
CN116029534B (zh) * | 2023-03-24 | 2023-06-02 | 民航成都信息技术有限公司 | 一种机场停机位的分配方法、装置、电子设备及存储介质 |
CN116933662B (zh) * | 2023-09-14 | 2023-12-15 | 中国民用航空飞行学院 | 一种机场停机位分配方法、装置、存储介质及电子设备 |
CN116993137B (zh) * | 2023-09-28 | 2023-12-05 | 民航成都信息技术有限公司 | 一种停机位的确定方法、装置、电子设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2165427A (en) * | 1984-10-03 | 1986-04-09 | Standard Telephones Cables Plc | Dynamic graphic displays in vehicles |
CN108429259A (zh) * | 2018-03-29 | 2018-08-21 | 山东大学 | 一种机组恢复在线动态决策方法及系统 |
CN109448445A (zh) * | 2018-09-05 | 2019-03-08 | 南京航空航天大学 | 基于长短期记忆神经网络的航班延误分级预警方法 |
CN109859532A (zh) * | 2019-02-28 | 2019-06-07 | 深圳市北斗智能科技有限公司 | 一种多约束条件的停机位分配方法和相关装置 |
CN110379209A (zh) * | 2019-07-22 | 2019-10-25 | 捻果科技(深圳)有限公司 | 一种航班作业流程节点规范监控报警方法 |
CN110634329A (zh) * | 2018-06-21 | 2019-12-31 | 泰勒斯公司 | 空中交通管理电子系统的测试方法、相关电子设备和平台 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599417A (zh) * | 2016-11-30 | 2017-04-26 | 中国电力科学研究院 | 一种基于人工神经网络的城市电网馈线负荷构成辨识方法 |
-
2019
- 2019-12-13 CN CN201911279546.4A patent/CN111047915B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2165427A (en) * | 1984-10-03 | 1986-04-09 | Standard Telephones Cables Plc | Dynamic graphic displays in vehicles |
CN108429259A (zh) * | 2018-03-29 | 2018-08-21 | 山东大学 | 一种机组恢复在线动态决策方法及系统 |
CN110634329A (zh) * | 2018-06-21 | 2019-12-31 | 泰勒斯公司 | 空中交通管理电子系统的测试方法、相关电子设备和平台 |
CN109448445A (zh) * | 2018-09-05 | 2019-03-08 | 南京航空航天大学 | 基于长短期记忆神经网络的航班延误分级预警方法 |
CN109859532A (zh) * | 2019-02-28 | 2019-06-07 | 深圳市北斗智能科技有限公司 | 一种多约束条件的停机位分配方法和相关装置 |
CN110379209A (zh) * | 2019-07-22 | 2019-10-25 | 捻果科技(深圳)有限公司 | 一种航班作业流程节点规范监控报警方法 |
Non-Patent Citations (1)
Title |
---|
一种基于遗传和涟漪扩散模型的机场;张可等;《公路交通科技》;20131231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111047915A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047915B (zh) | 停机位分配方法、装置及终端设备 | |
CN102867408B (zh) | 一种公交出行路线的选择方法 | |
CN105068716B (zh) | 信息搜索方法及装置 | |
CN109556621B (zh) | 一种路线规划的方法及相关设备 | |
CN101686474B (zh) | 无线蜂窝网络中的移动台实现小区快速选择方法 | |
CN106919918A (zh) | 一种人脸跟踪方法和装置 | |
CN108123828B (zh) | 一种基于接入用户移动性预测的超密集网络资源分配方法 | |
CN111291190A (zh) | 一种编码器的训练方法、信息检测的方法以及相关装置 | |
CN108134979B (zh) | 基于深度神经网络的小基站开关控制方法 | |
CN109934512A (zh) | 一种预测模型的训练方法及系统 | |
CN107330022A (zh) | 一种获取热点话题的方法及装置 | |
CN104217245A (zh) | 基于异构网络的人流轨迹追踪和区域停留时间统计的方法与系统 | |
CN110516113B (zh) | 一种视频分类的方法、视频分类模型训练的方法及装置 | |
CN112948951B (zh) | 建筑模型创建方法与装置、处理服务器 | |
Zhang et al. | MaaS in bike-sharing: smart phone GPS data based layout optimization and emission reduction potential analysis | |
CN115278693A (zh) | 基于行驶状态优先级和场景模拟的cvn频谱调度方法及系统 | |
Li et al. | Mobile user location prediction based on user classification and markov model | |
CN110956265A (zh) | 一种模型训练方法和相关装置 | |
CN110415560A (zh) | 基于车联网系统的资源量估计方法、碰撞预测方法及装置 | |
CN110264478A (zh) | 一种线稿图像上色的方法及装置 | |
CN113919483A (zh) | 一种无线通信网络中无线电地图的构造和定位方法及其系统 | |
Gao et al. | Deep learning based location prediction with multiple features in communication network | |
Chen et al. | The design and implementation of a garbage truck fleet management system | |
Li et al. | MTF 2 N: Multi-Channel Temporal-Frequency Fusion Network for Spectrum Prediction | |
CN111932411A (zh) | 一种确定城市用地功能的方法、装置及终端设备 |
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 |