CN111611332A - 航线中转的优化方法及系统 - Google Patents
航线中转的优化方法及系统 Download PDFInfo
- Publication number
- CN111611332A CN111611332A CN202010175577.1A CN202010175577A CN111611332A CN 111611332 A CN111611332 A CN 111611332A CN 202010175577 A CN202010175577 A CN 202010175577A CN 111611332 A CN111611332 A CN 111611332A
- Authority
- CN
- China
- Prior art keywords
- transit
- route
- waypoint
- alternative
- processing unit
- 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
- 238000012546 transfer Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 238000009826 distribution Methods 0.000 claims abstract description 46
- 238000010586 diagram Methods 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims description 72
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000000446 fuel Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Navigation (AREA)
Abstract
本发明公开了航线中转的优化方法及系统，涉及航空信息化管理领域。该方法包括：确定待优化航线及其所处的目标区域，调用航点分布图；根据预设的第一约束条件在航点分布图上生成备选中转航线；根据预设的第二约束条件从备选中转航线中筛选出满足预设收益条件的目标中转航线，并将目标中转航线发送给用户的终端设备。本发明能够合理确定出满足预设收益条件的目标中转航线，满足用户针对新航线的开通决策及航线的中转优化的需求，使航线网络布局更合理，提高航空公司的整体收益。
Description
技术领域
本发明涉及航空信息化管理领域，尤其涉及航线中转的优化方法及系统。
背景技术
航线中转是指航空公司将航班资源进行有效的组合，形成航线网络，将旅客从始发地经一个或多个中转地运送至目的地，同时可以最大限度地发挥航空运输方便、快捷的优势，通常在航班开通一段时间后，综合考虑客流量、收益等因素后确定中转方案。
目前，现有的航线中转优化方案，通常是基于人工经验进行调整和优化，选择出行需求相对较大的航点作为中转航点，然而由于人工计算能力的限制，通常难以遍历待优化航线周围全部的可用中转航点，从而难以得到最优的航线中转优化方案。并且目前的优化方案只是在航线开通一段时间后，积累一定的可用数据后，才能进行优化，从而导致目前的优化方案具有一定的滞后性，影响航空公司的整体收益。
发明内容
本发明所要解决的技术问题是针对现有技术中对航线中转的优化不够全面合理，并且存在滞后性的问题，提供一种航线中转的优化方法及系统，能够在航线开通之前就预先确定最优的航线中转方案，满足用户针对新航线的开通决策及航线的中转优化的需求，使航线网络布局更合理。
本发明解决上述技术问题的技术方案如下：
一种航线中转的优化方法，包括：
获取单元获取用户输入的待优化航线，确定所述待优化航线所处的目标区域，并从数据库中读取所述目标区域的航点分布图；
第一处理单元接收所述获取单元发送的待优化航线以及目标区域的航点分布图，根据所述待优化航线在所述航点分布图上确定出发航点和到达航点，并将所述航点分布图上除所述出发航点和到达航点以外的航点作为备选的中转航点，根据预设的第一约束条件在所述航点分布图上生成在所述出发航点与所述到达航点之间由所述备选的中转航点进行中转的备选中转航线；
第二处理单元接收所述第一处理单元发送的备选中转航线，根据预设的第二约束条件从所述备选中转航线中筛选出满足预设收益条件的目标中转航线，并通过发送单元将所述目标中转航线发送给用户的终端设备。
本发明解决上述技术问题的另一种技术方案如下：
一种航线中转的优化系统，包括：
获取单元，用于获取用户输入的待优化航线，确定所述待优化航线所处的目标区域，并从数据库中读取所述目标区域的航点分布图；
第一处理单元，用于接收所述获取单元发送的待优化航线以及目标区域的航点分布图，根据所述待优化航线在所述航点分布图上确定出发航点和到达航点，并将所述航点分布图上除所述出发航点和到达航点以外的航点作为备选的中转航点，根据预设的第一约束条件在所述航点分布图上生成在所述出发航点与所述到达航点之间由所述备选的中转航点进行中转的备选中转航线；
第二处理单元，用于接收所述第一处理单元发送的备选中转航线，根据预设的第二约束条件从所述备选中转航线中筛选出满足预设收益条件的目标中转航线；
发送单元，用于将所述目标中转航线发送给用户的终端设备。
本发明的有益效果是：本发明提供的航线中转的优化方法及系统，通过调用航点分布图，根据两个约束条件对航点分布图上的全部可能中转航点进行遍历，能够合理确定出满足预设收益条件的目标中转航线，相比于人工查找中转航点的方案更加全面且合理，计算模型简单，效率高，并将确定的目标中转航线发送给用户的终端设备，满足用户针对新航线的开通决策及航线的中转优化的需求，使航线网络布局更合理，提高航空公司的整体收益。
本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明航线中转的优化方法的实施例提供的流程示意图；
图2为本发明航线中转的优化方法的实施例提供的时序交互示意图；
图3为本发明航线中转的优化方法的实施例提供的航点分布图示意图；
图4为本发明航线中转的优化系统的实施例提供的结构框架图；
图5为本发明航线中转的优化系统的实施例提供的网络拓扑连接示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。
本发明提供的航线中转的优化方法可以依托于服务器实现，例如，用户可以通过手机、电脑或平板电脑等终端，通过预先编辑好的软件、APP或直接通过网址访问服务器，与服务器进行数据交换，例如，在手机的APP中输入待优化航线，然后手机与服务器建立通信链路，将待优化航线发送到服务器中，通过服务器对待优化航线数据进行处理。
如图5所示，提供了一种示例性的网络拓扑连接示意图，本发明提供的用于实现航线中转的优化方法的航线中转的优化系统10可以通过互联网与多个终端设备20连接，下面提供一种示例性的通信链路建立方法。
终端设备20先向互联网接入网关30发送接入互联网请求，互联网接入网关30将该接入请求发送至互联网服务网关40中，互联网服务网关40对接入请求进行认证。当认证成功后，向互联网接入网关30发送认证成功的消息，并和互联网接入网关30建立网络通信传输通道。互联网接入网关30将认证成功的消息发送给终端设备20，终端设备20在接收到认证成功的消息后，与航线中转优化系统10建立通信链路，进行数据传输。
如图1所示，为本发明航线中转的优化方法的实施例提供的流程示意图，该航线中转的优化方法可以通过航线中转的优化系统10实现，如图4所示，提供了一种示例性的航线中转的优化系统10结构框架示意图，包括：获取单元11、第一处理单元12、第二处理单元13和发送单元14，如图2所示，航线中转的优化系统10与终端设备20之间的时序交互示意图，下面结合附图说明，该航线中转的优化方法具体包括以下步骤：
S1，获取单元11获取用户通过终端设备20输入的待优化航线，确定待优化航线所处的目标区域，并从数据库中读取目标区域的航点分布图。
应理解，待优化航线包含航线的基本信息，例如，出发航点、到达航点、出发时刻、到达时刻或机型等信息。
需要说明的是，确定目标区域的方式可以根据实际生产需求设置，对于一种可能的实施方式，当获取单元11获取到待优化航线后，可以根据待优化航线的出发航点和到达航点确定目标区域的大小和范围。
例如，可以以出发航点为中心，以a为半径作圆，并以达到航点为中心，以b为半径作圆，将两个圆内的区域作为目标区域。
又例如，还可以将出发航点和到达航点的所在省份作为目标区域。
对于另一种可能的实施方式，当获取单元11获取到待优化航线后，还可以根据根据待优化航线经过的省份确定目标区域，例如，假设某待优化航线从内蒙古出发，到达北京，途中经过河北，那么可以将内蒙古、北京和河北共同作为目标区域。
应理解，航点分布图是按照比例绘制的地图，航点可以为地图中对应位置处的机场。
S2，第一处理单元12接收获取单元11发送的待优化航线以及目标区域的航点分布图，根据待优化航线在航点分布图上确定出发航点和到达航点，并将航点分布图上除所述出发航点和到达航点以外的航点作为备选的中转航点，根据预设的第一约束条件在航点分布图上生成在出发航点与到达航点之间由备选的中转航点进行中转的备选中转航线。
例如，假设目标区域为北京和天津，那么假设出发航点为北京大兴机场，到达航点为天津滨海机场，那么中转航点可以为首都国际机场。
需要说明的是，第一约束条件可以根据实际需求选择设置，以实现不同的优化需求。
例如，第一约束条件的实施方式可以为：生成的备选中转航线中，设定每段航线的欧式距离小于出发航点与到达航点之间的欧式距离，即，由出发航点、中转航点和到达航点构成的三角形中，设出发航点和到达航点的边为第一边，出发航点和中转航点的边为第二边，中转航点和到达航点的边为第三边，即，设定第二边和第三边的长度均小于第一边的长度，第一边与第二边之间的夹角小于90°，以及，第一边与第三边之间的夹角小于90°，这样能够防止航线过远的绕路，而出现“倒飞”的现象。
又例如，第一约束条件还可以为：生成的备选中转航线中，每段航线的欧式距离小于预设距离阈值，距离阈值的数值可以根据实际需求设置，并且中转航点的数量小于预设数量阈值，距离阈值的数值可以根据实际需求设置，这样能够保证在防止航线过远的绕路的前提下，控制中转航点的数量，满足用户的需求。
可选地，在一些可能的实施例方式中，第一处理单元12根据预设的第一约束条件在航点分布图上生成在出发航点与到达航点之间由备选的中转航点进行中转的备选中转航线，具体包括：
第一处理单元12在航点分布图上计算出发航点与到达航点之间的第一欧式距离，并计算出发航点与第i个备选的中转航点之间的第二欧式距离；
第一处理单元12判断第二欧式距离是否大于第一欧式距离，如果是，则去除该备选的中转航点，并计算第一次筛选后的第j个备选的中转航点与到达航点之间的第三欧式距离；
第一处理单元12判断第三欧式距离是否大于第一欧式距离，如果是，则去除第j个备选的中转航点，根据第二次筛选后的备选的中转航点生成备选中转航线；
其中，i＝1，2，3，…，N，N为所有备选的中转航点的数量；j＝1，2，3，…，M，M为经过第一次筛选后剩余的备选中转航点的数量。
如图3所示，提供了一种示例性的航点分布图，待优化航线为从出发航点A到到达航点B，中转航点为C、D、E，经过第一处理单元12的处理，可以得到航线AC和AD欧式距离小于航线AB的欧式距离，因此，可以排除航点E，保留航点C和D，再经过第一处理单元12的处理，可以得到航线CE的欧式距离小于航线AB的欧式距离，因此，可以排除航点D，保留航点C，作为中转航点，根据中转航点C生成备选中转航线，即由航点A出发，航点C中转，到达航点B的备选中转航线。
通过本实施例提供的方法生成备选中转航线，不需要再去考虑航线是否绕远飞行的问题，例如，按照其他的航线生成方法，可能需要加入角度约束，去除航点D，以免飞机向相反的方向飞行，增加运行成本与飞行时间，而实施例中通过两个距离条件的约束，能够保证保留的航点是在出发航点和到达航点之间的一定区域内，从而生成全部可能且合理的备选中转航线，最大程度的避免成本和飞行距离的增加，并且由于第一处理单元12只是进行简单的图形处理，因此处理速度更快捷，系统资源占用少。
S3，第二处理单元13接收第一处理单元12发送的备选中转航线，根据预设的第二约束条件从备选中转航线中筛选出满足预设收益条件的目标中转航线，并通过发送单元将所述目标中转航线发送给用户的终端设备20。
需要说明的是，第二约束条件可以根据实际需求选择设置，以实现不同的优化需求。
例如，第二约束条件可以为：计算每条备选中转航线的预期收益，将收益最大的备选中转航线作为目标中转航线。
或者，将收益大于预设收益阈值的备选中转航线作为目标中转航线，收益阈值的数值可以根据实际需求设置，通过设置收益的约束条件，能够从生产的备选中转航线中挑选出满足用户收益需求的中转航线。
或者，将预期收益与预期耗油量的比值最大的备选中转航线作为目标中转航线。
需要说明的是，备选中转航线的预期收益可以通过人工经验确定，也可以参照临近航线进行评估，耗油量与航空里程相关，可以根据历史经验直接确定。
例如，假设从深圳飞往上海的航线，在武汉中转，由于这条备选中转航线是新设计的航线，因此，可以参考已有的从深圳飞往上海，在合肥中转的航线，以其收益作为参考，确定从深圳飞往上海的航线，在武汉中转的这条备选中转航线的预期收益。
应理解，预期收益和预期耗油量可以由用户通过终端设备20，如手机、计算机等，通过互联网发送到本发明的系统中，也可以通过调用接口从数据库中读取预存的其他已知航线的收益、耗油量等数据，从而确定预期收益和预期耗油量。
优选的，上述计算每条备选中转航线的预期收益的实施方式可为：第二处理单元13接收第一处理单元12发送的备选中转航线，根据第k条备选中转航线确定从出发航点到第k个备选的中转航点的第一段航线，以及从第k个备选的中转航点到到达航点的第二段航线；第二处理单元13从数据库中获取第一段航线的历史收益和第二段航线的历史收益；第二处理单元13根据第一段航线的历史收益和第二段航线的历史收益预测第k条备选中转航线的预期收益；第二处理单元13判断第k条备选中转航线的预期收益是否满足预设收益条件，如果满足，则将第k条备选中转航线作为目标中转航线；其中，k＝1，2，3，…，K，K为第一处理单元12发送给第二处理单元13的备选中转航线的数量。
需要说明的是，目前，行业内的中转航线的开通十分滞后，而直飞航线的开通较为广泛，以我国为例，目前直飞航线已经基本覆盖了国内主要机场，因此，第二处理单元13可以通过调用接口，接入航空公司或机场的数据库，从中读取各个直飞航线的历史收益数据。
由于各分段航线的收益和由分段航线组成的中转航线的收益之间存在一定的关系，因此，可以通过人工经验确定预测备选中转航线的预期收益，也可以通过数学建模的方式预测备选中转航线的预期收益。
例如，可以通过神经网络、SVM、决策树、随机森林算法等机器学习模型对各分段航线的收益和由分段航线组成的中转航线的收益之间的关系进行训练，从而实现对根据各分段航线的收益预测由分段航线组成的中转航线的收益。
以RBF神经网络模型为例，RBF神经网络是一种前馈神经网络，主要包括输入层、隐含层和输出层，前馈神经网络为单向多层结构，每一层包含若干个神经元，各神经元可以接收前一层神经元的信号，并产生输出到下一层。RBF神经网络的隐节点的基函数采用距离函数，例如，可以为欧式距离，并使用径向基函数作为激活函数，例如，可以为Gaussian函数。建立RBF神经网络模型后，以各分段航线的收益为输入，由分段航线组成的中转航线的收益为输出，构建训练集，对RBF神经网络模型进行训练，从而得到可以预测中转航线收益的神经网络模型。
需要说明的是，预设收益条件可以根据实际需求设置，例如，可以将收益最大的备选中转航线作为目标中转航线，也可以将收益大于预设收益阈值的备选中转航线作为目标中转航线，收益阈值的数值可以根据实际需求设置。
通过收益约束条件对备选中转航线的收益进行预测，实现了对未开通的新中转航线的预测，从而能够解决中转航线开通滞后的问题，再通过预设收益条件对备选中转航线的收益进行筛选，从而能够得到符合用户收益需求的目标中转航线，满足用户需求。
可选地，上述第二处理单元13根据第一段航线的历史收益和第二段航线的历史收益预测第k条备选中转航线的预期收益的实施方式可为：第二处理单元13将第一段航线的历史收益和第二段航线的历史收益作为输入，输入到预先训练完成的机器学习模型中进行预测，得到第k条备选中转航线的预期收益；其中，机器学习模型的输入为分段航线的收益，输出为由输入的分段航线组成的中转航线的总收益。通过机器学习模型对由分段航线组成的中转航线的收益进行预测，具有预测结果准确，预测速度快的优点。
应理解，将得到的目标中转航线作为优化结果，通过在先步骤预先建立的通信链路发送给发出优化请求的用户的终端设备20，进行显示。
本实施例提供的航线中转优化方法，通过调用航点分布图，根据两个约束条件对航点分布图上的全部可能中转航点进行遍历，能够合理确定出满足预设收益条件的目标中转航线，相比于人工查找中转航点的方案更加全面且合理。
优选的，在将所述目标中转航线发送给用户的终端设备20之前，还包括：获取单元获取用户输入的影响因素；当所述目标中转航线的数量为至少两个时，所述第二处理单元根据所述获取单元发送的影响因素，从所述至少两个的目标中转航线中选择一个最优的目标中转航线。
需要说明的是，影响因素包括耗油量、飞行里程或中转次数等对航线的运行产生影响的因素。例如，根据预设的第二约束条件从所述备选中转航线中筛选出满足预设收益条件的目标中转航线的数量为2个，分别是航线W和航线E，用户通过终端设备输入的影响因素为飞行里程最小，则将航线W的飞行里程与航线E的飞行里程进行对比，根据对比结果将飞行里程最小的航线确定为最终的目标中转航线，并将该最终确定的目标中转航线发送给用户的终端设备20。通过影响因素进一步的对目标中转航线的选取进行筛选，反馈最符合用户期望的目标中转航线，使中转航线计算结果更准确，有利于新航线的开通决策及航线的中转优化，使航线网络布局更合理，提高航空公司的整体收益。
应理解，在一些可能的实施例中，可以包括上述实施例中任意实施方式的组合或全部实施方式的组合。
如图4所示，为本发明航线中转的优化系统10的实施例提供的结构框架图，该航线中转的优化系统10包括：
获取单元11，用于获取用户通过终端设备20输入的待优化航线，确定待优化航线所处的目标区域，并从数据库中读取目标区域的航点分布图；
第一处理单元12，用于接收获取单元11发送的待优化航线以及目标区域的航点分布图，根据待优化航线在航点分布图上确定出发航点和到达航点，并将航点分布图上除所述出发航点和到达航点以外的航点作为备选的中转航点，根据预设的第一约束条件在所述航点分布图上生成在所述出发航点与所述到达航点之间由所述备选的中转航点进行中转的备选中转航线；
第二处理单元13，用于接收第一处理单元12发送的备选中转航线，根据预设的第二约束条件从备选中转航线中筛选出满足预设收益条件的目标中转航线。
发送单元14用于将所述目标中转航线发送给用户的终端设备20。
本实施例提供的航线中转的优化系统10，通过调用航点分布图，根据两个约束条件对航点分布图上的全部可能中转航点进行遍历，能够合理确定出满足预设收益条件的目标中转航线，相比于人工查找中转航点的方案更加全面且合理，计算模型简单，效率高，并将确定的目标中转航线发送给用户的终端设备，满足用户针对新航线的开通决策及航线的中转优化的需求，使航线网络布局更合理，提高航空公司的整体收益。
可选地，在一些可能的实施例方式中，第一处理单元12具体用于在航点分布图上计算出发航点与到达航点之间的第一欧式距离，并计算出发航点与第i个备选的中转航点之间的第二欧式距离；并判断第二欧式距离是否大于第一欧式距离，如果是，则去除该第i个备选的中转航点，并计算第一次筛选后的第j个备选的中转航点与到达航点之间的第三欧式距离；并判断第三欧式距离是否大于第一欧式距离，如果是，则去除该第j个备选的中转航点，根据第二次筛选后的备选的中转航点生成备选中转航线；
其中，i＝1，2，3，…，N，N为所有备选的中转航点的数量；j＝1，2，3，…，M，M为经过第一次筛选后剩余的备选中转航点的数量。
可选地，在一些可能的实施例方式中，第二处理单元13具体用于接收第一处理单元12发送的备选中转航线，根据第k条备选中转航线确定从出发航点到第k个备选的中转航点的第一段航线，以及从第k个备选的中转航点到到达航点的第二段航线；并从数据库中获取第一段航线的历史收益和第二段航线的历史收益；并根据第一段航线的历史收益和第二段航线的历史收益预测第k条备选中转航线的预期收益；并判断第k条备选中转航线的预期收益是否满足预设收益条件，如果满足，则将第k条备选中转航线作为目标中转航线；
其中，k＝1，2，3，…，K，K为第一处理单元12发送给第二处理单元13的备选中转航线的数量。
可选地，在一些可能的实施例方式中，第二处理单元13具体用于将第一段航线的历史收益和第二段航线的历史收益作为输入，输入到预先训练完成的机器学习模型中进行预测，得到第k条备选中转航线的预期收益；
其中，机器学习模型的输入为分段航线的收益，输出为由输入的分段航线组成的中转航线的收益。
可选地，在一些可能的实施例方式中，所述获取单元11还用于获取用户通过终端设备20输入的影响因素；
所述第二处理单元13还用于，当所述目标中转航线的数量为至少两个时，根据所述获取单元11发送的影响因素，从所述至少两个的目标中转航线中选择一个最优的目标中转航线。
应理解，在一些可能的实施例中，可以包括上述实施例中任意实施方式的组合或全部实施方式的组合。
上述各实施例为与在先方法实施例对应产品实施例，因此关于产品实施例的各可选实施方式的说明及相应的技术效果可以参照在先各方法实施例，在此不再赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，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另一个步骤，或一些特征可以忽略，或不执行。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种航线中转的优化方法，其特征在于，包括：
获取单元获取用户输入的待优化航线，确定所述待优化航线所处的目标区域，并从数据库中读取所述目标区域的航点分布图；
第一处理单元接收所述获取单元发送的待优化航线以及目标区域的航点分布图，根据所述待优化航线在所述航点分布图上确定出发航点和到达航点，并将所述航点分布图上除所述出发航点和到达航点以外的航点作为备选的中转航点，根据预设的第一约束条件在所述航点分布图上生成在所述出发航点与所述到达航点之间由所述备选的中转航点进行中转的备选中转航线；
第二处理单元接收所述第一处理单元发送的备选中转航线，根据预设的第二约束条件从所述备选中转航线中筛选出满足预设收益条件的目标中转航线，并通过发送单元将所述目标中转航线发送给用户的终端设备。
2.根据权利要求1所述的航线中转的优化方法，其特征在于，所述第一处理单元根据预设的第一约束条件在所述航点分布图上生成在所述出发航点与所述到达航点之间由所述备选的中转航点进行中转的备选中转航线，具体包括：
所述第一处理单元在所述航点分布图上计算所述出发航点与所述到达航点之间的第一欧式距离，并计算所述出发航点与第i个备选的中转航点之间的第二欧式距离；
所述第一处理单元判断所述第二欧式距离是否大于所述第一欧式距离，如果是，则去除所述第i个备选的中转航点，并计算第一次筛选后的第j个备选的中转航点与所述到达航点之间的第三欧式距离；
所述第一处理单元判断所述第三欧式距离是否大于所述第一欧式距离，如果是，则去除所述第j个备选的中转航点，根据第二次筛选后的备选的中转航点生成备选中转航线；
其中，i＝1，2，3，…，N，N为所有备选的中转航点的数量；j＝1，2，3，…，M，M为经过第一次筛选后剩余的备选中转航点的数量。
3.根据权利要求1或2所述的航线中转的优化方法，其特征在于，第二处理单元接收所述第一处理单元发送的备选中转航线，根据预设的第二约束条件从所述备选中转航线中筛选出满足预设收益条件的目标中转航线，具体包括：
所述第二处理单元接收所述第一处理单元发送的备选中转航线，根据第k条备选中转航线确定从所述出发航点到第k个备选的中转航点的第一段航线，以及从所述第k个备选的中转航点到所述到达航点的第二段航线；
所述第二处理单元从数据库中获取所述第一段航线的历史收益和第二段航线的历史收益；
所述第二处理单元根据所述第一段航线的历史收益和第二段航线的历史收益预测所述第k条备选中转航线的预期收益；
所述第二处理单元判断所述第k条备选中转航线的预期收益是否满足预设收益条件，如果满足，则将所述第k条备选中转航线作为目标中转航线；
其中，k＝1，2，3，…，K，K为所述第一处理单元发送给所述第二处理单元的备选中转航线的数量。
4.根据权利要求3所述的航线中转的优化方法，其特征在于，所述第二处理单元根据所述第一段航线的历史收益和第二段航线的历史收益预测所述第k条备选中转航线的预期收益，具体包括：
所述第二处理单元将所述第一段航线的历史收益和第二段航线的历史收益作为输入，输入到预先训练完成的机器学习模型中进行预测，得到所述第k条备选中转航线的预期收益；
其中，所述机器学习模型的输入为分段航线的收益，输出为由输入的分段航线组成的中转航线的收益。
5.根据权利要求1至4中任一项所述的航线中转的优化方法，其特征在于，所述将所述目标中转航线发送给用户的终端设备，之前还包括：
获取单元获取用户输入的影响因素；
当所述目标中转航线的数量为至少两个时，所述第二处理单元根据所述获取单元发送的影响因素，从所述至少两个的目标中转航线中选择一个最优的目标中转航线。
6.一种航线中转的优化系统，其特征在于，包括：
获取单元，用于获取用户输入的待优化航线，确定所述待优化航线所处的目标区域，并从数据库中读取所述目标区域的航点分布图；
第一处理单元，用于接收所述获取单元发送的待优化航线以及目标区域的航点分布图，根据所述待优化航线在所述航点分布图上确定出发航点和到达航点，并将所述航点分布图上除所述出发航点和到达航点以外的航点作为备选的中转航点，根据预设的第一约束条件在所述航点分布图上生成在所述出发航点与所述到达航点之间由所述备选的中转航点进行中转的备选中转航线；
第二处理单元，用于接收所述第一处理单元发送的备选中转航线，根据预设的第二约束条件从所述备选中转航线中筛选出满足预设收益条件的目标中转航线；
发送单元，用于将所述目标中转航线发送给用户的终端设备。
7.根据权利要求6所述的航线中转的优化系统，其特征在于，所述第一处理单元具体用于在航点分布图上计算出发航点与到达航点之间的第一欧式距离，并计算出发航点与第i个备选的中转航点之间的第二欧式距离；并判断第二欧式距离是否大于第一欧式距离，如果是，则去除该第i个备选的中转航点，并计算第一次筛选后的第j个备选的中转航点与到达航点之间的第三欧式距离；并判断第三欧式距离是否大于第一欧式距离，如果是，则去除该第j个备选的中转航点，根据第二次筛选后的备选的中转航点生成备选中转航线；
其中，i＝1，2，3，…，N，N为所有备选的中转航点的数量；j＝1，2，3，…，M，M为经过第一次筛选后剩余的备选中转航点的数量。
8.根据权利要求6或7所述的航线中转的优化系统，其特征在于，所述第二处理单元具体用于接收所述第一处理单元发送的备选中转航线，根据第k条备选中转航线确定从所述出发航点到第k个备选的中转航点的第一段航线，以及从所述第k个备选的中转航点到所述到达航点的第二段航线；并从数据库中获取所述第一段航线的历史收益和第二段航线的历史收益；并根据所述第一段航线的历史收益和第二段航线的历史收益预测所述第k条备选中转航线的预期收益；并判断所述第k条备选中转航线的预期收益是否满足预设收益条件，如果满足，则将所述第k条备选中转航线作为目标中转航线；
其中，k＝1，2，3，…，K，K为所述第一处理单元发送给所述第二处理单元的备选中转航线的数量。
9.根据权利要求8所述的航线中转的优化系统，其特征在于，所述第二处理单元具体用于将所述第一段航线的历史收益和第二段航线的历史收益作为输入，输入到预先训练完成的机器学习模型中进行预测，得到所述第k条备选中转航线的预期收益；
其中，所述机器学习模型的输入为分段航线的收益，输出为由输入的分段航线组成的中转航线的收益。
10.根据权利要求6至9中任一项所述的航线中转的优化系统，其特征在于，所述获取单元11还用于获取用户通过终端设备20输入的影响因素；所述第二处理单元13还用于，当所述目标中转航线的数量为至少两个时，根据所述获取单元11发送的影响因素，从所述至少两个的目标中转航线中选择一个最优的目标中转航线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010175577.1A CN111611332B (zh) | 2020-03-13 | 2020-03-13 | 航线中转的优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010175577.1A CN111611332B (zh) | 2020-03-13 | 2020-03-13 | 航线中转的优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111611332A true CN111611332A (zh) | 2020-09-01 |
| CN111611332B CN111611332B (zh) | 2021-12-07 |
Family
ID=72205425
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010175577.1A Active CN111611332B (zh) | 2020-03-13 | 2020-03-13 | 航线中转的优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111611332B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113486223A (zh) * | 2021-06-07 | 2021-10-08 | 海南太美航空股份有限公司 | 一种航线显示方法、系统和电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090119001A1 (en) * | 2007-11-07 | 2009-05-07 | Public Routes. Com, Llc | Method and system for finding multimodal transit route directions based on user preferred transport modes |
| CN104715050A (zh) * | 2015-03-27 | 2015-06-17 | 携程计算机技术（上海）有限公司 | 路线推荐方法及系统 |
| CN107992576A (zh) * | 2017-12-03 | 2018-05-04 | 飞友科技有限公司 | 一种中转航班优化推荐方法 |
| CN109858671A (zh) * | 2018-12-26 | 2019-06-07 | 携程旅游网络技术（上海）有限公司 | 预测目标航线的客座率的方法和系统 |
-
2020
- 2020-03-13 CN CN202010175577.1A patent/CN111611332B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090119001A1 (en) * | 2007-11-07 | 2009-05-07 | Public Routes. Com, Llc | Method and system for finding multimodal transit route directions based on user preferred transport modes |
| CN104715050A (zh) * | 2015-03-27 | 2015-06-17 | 携程计算机技术（上海）有限公司 | 路线推荐方法及系统 |
| CN107992576A (zh) * | 2017-12-03 | 2018-05-04 | 飞友科技有限公司 | 一种中转航班优化推荐方法 |
| CN109858671A (zh) * | 2018-12-26 | 2019-06-07 | 携程旅游网络技术（上海）有限公司 | 预测目标航线的客座率的方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 周蔷: "航空收益管理中定价模型的若干问题研究", 《中国博士学位论文全文数据库》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113486223A (zh) * | 2021-06-07 | 2021-10-08 | 海南太美航空股份有限公司 | 一种航线显示方法、系统和电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111611332B (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | Spatio-temporal capsule-based reinforcement learning for mobility-on-demand network coordination | |
| Nuzzolo et al. | A mesoscopic transit assignment model including real-time predictive information on crowding | |
| CN108805344A (zh) | 一种考虑时变需求的高速铁路网络列车开行方案优化方法 | |
| CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
| WO2019003672A1 (ja) | 交通需要予測装置、及び交通需要予測方法 | |
| Huang et al. | Incorporating multimodal coordination into timetabling optimization of the last trains in an urban railway network | |
| Dai et al. | A balanced assignment mechanism for online taxi recommendation | |
| Wang et al. | A chance-constrained programming model for airport ground movement optimisation with taxi time uncertainties | |
| CN114066503A (zh) | 一种基于构建虚拟服务片区进行出租车需求预测的方法 | |
| Li et al. | Using smart card data trimmed by train schedule to analyze metro passenger route choice with synchronous clustering | |
| CN111611332B (zh) | 航线中转的优化方法及系统 | |
| Sachan et al. | SDN control-enabled and time-quantum-driven max-pressure approach for intersection management in smart city | |
| Zheng et al. | Data synchronization in vehicular digital twin network: A game theoretic approach | |
| Jiang | Intelligent city traffic scheduling optimization based on internet of things communication | |
| CN109087219B (zh) | 一种旅游云计算系统及方法、终端 | |
| Liu et al. | Algorithm and peer‐to‐peer negotiation strategies for train dispatching problems in railway bottleneck sections | |
| Gong et al. | Equity‐Oriented Train Timetabling with Collaborative Passenger Flow Control: A Spatial Rebalance of Service on an Oversaturated Urban Rail Transit Line | |
| Qin et al. | Modeling and optimizing the delay propagation in Chinese aviation networks | |
| Fan et al. | A bi-level metaheuristic approach to designing optimal bus transit route network | |
| Garg et al. | Guest editorial special issue on intent-based networking for 5G-envisioned Internet of connected vehicles | |
| Xue et al. | Cross-domain cooperative route planning for edge computing-enabled multi-connected vehicles | |
| Li et al. | Method for determining the location of highway passenger transportation hubs using poi data and the dijkstra algorithm in large city | |
| Wu et al. | Customized bus scheme design of large transport terminals with jointly optimization of departure time, vehicle allocation and routing | |
| Wang et al. | An Affinity Propagation‐Based Clustering Method for the Temporal Dynamics Management of High‐Speed Railway Passenger Demand | |
| Jiang et al. | Bilevel spatial–temporal aircraft taxiing optimization considering carbon emissions |
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 |