CN111950910B - 基于dbscan-ga的机场保障车辆任务调度方法 - Google Patents

基于dbscan-ga的机场保障车辆任务调度方法 Download PDF

Info

Publication number
CN111950910B
CN111950910B CN202010815313.8A CN202010815313A CN111950910B CN 111950910 B CN111950910 B CN 111950910B CN 202010815313 A CN202010815313 A CN 202010815313A CN 111950910 B CN111950910 B CN 111950910B
Authority
CN
China
Prior art keywords
cluster
data
airport
dispatching
dbscan
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
Application number
CN202010815313.8A
Other languages
English (en)
Other versions
CN111950910A (zh
Inventor
李福聪
刘晓疆
战嘉馨
陈晓
李坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Civil Aviation Cares Co ltd
Original Assignee
Qingdao Civil Aviation Cares Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Civil Aviation Cares Co ltd filed Critical Qingdao Civil Aviation Cares Co ltd
Priority to CN202010815313.8A priority Critical patent/CN111950910B/zh
Publication of CN111950910A publication Critical patent/CN111950910A/zh
Application granted granted Critical
Publication of CN111950910B publication Critical patent/CN111950910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于民航业地面保障数据挖掘技术领域，具体涉及一种基于DBSCAN‑GA的机场保障车辆任务调度方法，通过DBSCAN聚类算法对历史数据进行分析，将数据分为若干个簇，并分别统计各个簇中的员工信息以及机位信息；通过遗传算法对要派工的新数据进行派工，派工时根据每个簇中的机位信息是否包含当前要分配任务的机位，当该簇存在该机位的历史任务时，则将该簇中的员工作为此任务的备选分配对象；该方法通过对海量的历史数据进行大数据分析，优化员工的调度，提高了保障任务的效率，解放了机场派工调度的人力资源，降低了机场成本；同时解决了手动调度派工操作存在的错误情况，进一步提高了机场保障车辆调度的准确性。

Description

基于DBSCAN-GA的机场保障车辆任务调度方法
技术领域
本发明属于民航业地面保障数据挖掘技术领域，具体涉及一种基于DBSCAN-GA的机场保障车辆任务调度方法。
背景技术
近年来，随着我国经济的高速发展，我国民航业也发生了令人瞩目的成绩，各项指标都保持着较高速度的增长，伴随着我国机场吞吐量的不断增加，航运流量的持续增高，给机场的运营以及航空服务质量的提升带来了巨大的挑战。评价航空服务质量的指标主要包括航班正点率、航班客座率、耗油率等，在这些指标中航班正点率在航空服务质量的评价中显得尤为重要。目前，航班延误是国内外大型机场普遍存在的一个问题，引起航班延误的主要因素包括：机场地面服务保障调度失误、天气因素、航空公司管理失误等，机场方面导致延误的主要因素是天气因素以及机场地面服务保障调度。
机场内部的组织结构较为复杂，保障任务繁多，根据保障职责的不同，需要调度不同车辆进行保障，如何更好的完成车辆的调度问题，成为了机场地面服务保障的关键因素。传统的任务调度派工主要是根据机场管理人员的经验进行调度，存在效率低下，步骤繁琐，管理成本高的问题，目前机场亟需一种高效的保障车辆任务调度方法，以配合日益繁重的机场保障工作。
发明内容
本发明的目的在于解决现有技术中存在的上述问题，提出了一种基于DBSCAN-GA的机场保障车辆任务调度方法，是基于机器学习与启发式算法相结合的调度方法，通过对历史数据的聚类分析，可以根据簇中的员工、机位进行区域优化派工，从而实现按区域派工的准则，优化员工的调度，提高调度效率。
本发明的技术方案是：
基于DBSCAN-GA的机场保障车辆任务调度方法，通过DBSCAN聚类算法对历史数据进行分析，将数据分为若干个簇，并分别统计各个簇中的员工信息以及机位信息；通过遗传算法对要派工的新数据进行派工，派工时根据每个簇中的机位信息是否包含当前要分配任务的机位，当该簇存在该机位的历史任务时，则将该簇中的员工作为此任务的备选分配对象；
所述方法具体步骤如下：
步骤一：对机场保障车辆任务调度的历史数据进行预处理和特征工程，清除掉历史数据中丢失数据较多的部分，对不重要的特征进行删除，对数据做向量化处理；历史数据包括人员信息、服务航班信息、机位、任务时长等数据，人员信息包括人员的部门、资质、工龄等信息；
步骤二：利用DBSCAN对历史数据进行聚类分析，通过自动调节计算出合适的参数(ε，MinPts)，以此作为DBSCAN的参数，将数据分为若干个簇；
步骤三：分别统计各个簇中存在的员工以及机位，生成每个簇员工列表以及机位列表；
步骤四：根据机场规则，将文本规则转化成程序能够认知的数字规则，将待派工的人员数据以及任务数据，根据机场规则进行匹配；
步骤五：根据员工信息生成初始遗传算法个体基因以及群体，生成任务列表，基因列表中的数据代表任务列表的下标，设置变异概率、迭代数；此处的员工信息选择当天到岗的人员数量进行处理。
步骤六：根据保障车辆任务调度派工的目标设计遗传算法适应度函数；根据不同项目的需求不同，比如机场侧重于总行驶距离最短，或机场侧重于每个员工的工时利用率最大，相应的其适应度函数不同。
步骤七：计算个体的适应度函数，选择适应度值较高的个体，进行基因交叉；
步骤八：根据变异概率选择基因组修改基因；该步骤是为了解决算法在迭代过程中可能会陷入局部最优，导致最终结果不是最好的，加入遗传变异，引入随机性，尝试跳出局部最优的地方，在其他部分寻求最优解。
步骤九：迭代算法直到达到迭代次数为止。
进一步的，所述步骤二中簇的生成步骤包括：
(1)将所有数据节点作为初始的核对象，对数据集中的每个节点在其ε领域内查找大于等于MinPts的节点个数；自动调节ε大小，达到自动化调参的目的，即选择数据集中的一个节点x，寻找k个距离x最近的点k＝MinPts-1，求出与节点p距离其最近的k个节点的曼哈顿距离ε＝d(x，xk)；
(2)以步骤(1)生成的ε为半径，以x为核对象，生成节点集合簇；并对生成的簇进行检验，对不符合逻辑的簇作撤销操作；
(3)对不同簇中含有公共节点的簇进行合并，合并后的簇最为最终结果；
(4)迭代多次，直至所有数据均被处理过，即得到DBSCAN聚类簇。
进一步的，假设所述步骤(2)中随机选择了一个离群点或异常点作为核对象，那么根据该点生成的簇是存在问题的，从而影响聚类的最终结果。因此需要在密度直达生成簇之后，对异常点进行检测；具体步骤为：
首先，采用节点之间的平均值距离作为密度的测量标准；求核对象x周围的k个最近点的曼哈顿距离平均值距离越大，说明周围点的密度越小，相反的，距离越小说明周围点的密度越大；
其次，当异常点x成为核对象后，计算其范围内的点的距离平均值，因为异常点在生成密度直达簇时，会将距离该点最为接近的簇中的边缘节点纳入到自己的簇中，但异常点的所在簇的密度是无法达到ε的要求的，换句话说簇内点间中位距离是远小于ε半径参数的，若随机生成点x作为核心对象的簇满足簇内点平均值距离远小于ε半径参数，则该簇是有问题的，对该簇进行撤销回滚，将该簇中的所有点的信息全部去除。
DBSCAN是一种基于密度的聚类算法，通过ε，MinPts参数将密度可达的最大关系由密度可达关系进行表示，每个密度集合用簇来表示。DBSCAN聚类的准确性与的ε，MinPts的设置密切相关，若ε设置较大，则会出现将大量的噪声节点纳入的簇中。若ε设置较小，则会出现将原本属于该簇的节点划分到其他簇中。若MinPts设置较大，则会使核心簇的数目较少，导致样本节点个数较少的簇被放弃，若MinPts设置较小，则会使一个簇被划分为多个不同的簇。MinPts相对较稳定有多种方法可供选择，例如可设置为4，就有不错的效果或者根据样本数量除25向下取整。
核对象：对于节点k1，如果其邻域ε范围内包含大于等于MinPts个节点样本数量，则该k1是核对象；密度直达：节点k1属于核对象k1的ε邻域，则对于节点k1可称为核对象k1的密度直达；密度可达：在数据集中，存在一个关系链p1、p2、p3、pn，则pi与pi+1密度直达，pn到p1目睹可达；密度相连：若某一节点数据k存在两个节点数据p，q都从k密度可达，则称p、q密度连接。
DBSCAN的簇里面可以有一个或者多个核心对象。如果只有一个核心对象，则簇里其他的非核心对象样本都在这个核心对象的ε邻域里，如果有多个核心对象，则簇里的任意一个核心对象的ε邻域中一定有一个其他的核心对象，否则这两个核心对象无法密度可达，这些核心对象的ε邻域里所有的样本的集合组成的一个DBSCAN聚类簇。
进一步的，所述步骤六中，采用均衡人员工作负载作为优化目标建立适应度函数，使每个司机个体之间的负载差距最小；所述适应度函数为
Figure GDA0003218769170000031
其中，I代表人员(司机)数量，
Figure GDA0003218769170000032
表示i司机的负载为s。
进一步的，遗传算法模拟了进化论中的自然选择与生物遗传进化过程的算法模型，是一种通过模拟进化过程求取最优解的方法；遗传算法的关键技术包含以下几大模块：初始种群的产生；确定适应值函数；选择交叉遗传操作算子；停止条件；具体步骤包括：
(1)初始化：设置算法进化代数的计数器，设置算法最大进化数量，并将随机生成的若干个个体作为初始群体；
(2)个体评价：根据算法的目标设计适应度函数，计算群体中各个个体的适应度；
(3)选择交叉运算：选择运算的目的是通过适应度函数计算建立在群体中个体的适应度，将优秀的个体通过交叉配对等方式遗传到下一代；
(4)变异运算：对群体中某些个体上的某些基因的基因做修改；
(5)群体经过选择、交叉、变异运算之后得到下一代群体；
(6)终止条件判断：当算法执行达到设置进化代数时，终止计算。
本发明的有益效果：
本发明所提供的一种基于DBSCAN-GA的机场保障车辆任务调度方法，通过对海量的历史数据进行大数据分析，在历史数据中寻找员工与机位之间的关系，符合按区域派工与按习惯派工的原则，优化员工的调度，提高了保障任务的效率，同时解放了机场派工调度的人力资源，降低了机场成本；另外该调度方法的算法自动化派工解决了手动调度派工操作存在的错误情况，进一步提高了机场保障车辆调度的准确性。
附图说明
图1为本发明所提供的调度方法的执行流程图；
图2为本发明所提供的遗传算法执行流程图。
具体实施方式
下面将结合具体实施例对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例仅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的前提下，所获得的所有其他实施例，都属于本发明保护的范围。
为了进一步理解本发明，下面结合实施例对本发明进行详细说明。
实施例
针对青岛流亭机场的保障车辆任务调度；
步骤一：对青岛流亭机场未来一段时间内需要派工的航班设置保障车辆任务，调取包括部门、资质、工龄等人员信息、服务航班信息、车辆、机位、任务时长等在内的历史数据，对历史数据进行预处理和特征工程，清除掉历史数据中丢失数据较多的部分，对不重要的特征进行删除，对数据做向量化处理；
步骤二：对处理好的历史数据进行聚类分析，将数据分为若干个簇，具体步骤为：
(1)将所有数据节点作为初始的核对象，对数据集中的每个节点在其ε领域内查找大于等于MinPts的节点个数；自动调节ε大小，达到自动化调参的目的，即选择数据集中的一个节点x，寻找k个距离x最近的点k＝MinPts-1，求出与节点p距离其最近的k个节点的曼哈顿距离ε＝d(x，xk)；
(2)以步骤(1)生成的ε为半径，以x为核对象，生成节点集合簇；并对生成的簇进行检验，对不符合逻辑的簇作撤销操作；撤销操作步骤为：生成簇之后，对异常点进行检测；
首先，采用节点之间的平均值距离作为密度的测量标准；求核对象x周围的k个最近点的曼哈顿距离平均值距离越大，说明周围点的密度越小，相反的，距离越小说明周围点的密度越大；
其次，当异常点x成为核对象后，计算其范围内的点的距离平均值，当其簇内点平均值距离远小于ε半径参数时，则该簇是有问题的，对该簇进行撤销回滚，将该簇中的所有点的信息全部去除。
(3)对不同簇中含有公共节点的簇进行合并，合并后的簇最为最终结果；
(4)迭代多次，直至所有数据均被处理过，即得到DBSCAN聚类簇。
步骤三：分别统计各个簇中存在的员工以及机位，生成每个簇员工列表以及机位列表；
步骤四：根据流亭机场的机场规则，将文本规则转化成程序能够认知的数字规则，将待派工的人员数据以及任务数据，根据机场规则进行匹配；
步骤五：根据机场当天到岗的员工数量生成初始遗传算法个体基因以及群体，生成任务列表，基因列表中的数据代表任务列表的下标，设置变异概率、迭代数；
步骤六：根据保障车辆任务调度派工的目标设计遗传算法适应度函数；采用均衡人员工作负载作为优化目标建立适应度函数，使每个司机个体之间的负载差距最小；适应度函数为
Figure GDA0003218769170000051
其中，I代表司机数量，
Figure GDA0003218769170000052
表示i司机的负载为s。
步骤七：计算个体的适应度函数，选择适应度值较高的个体，进行基因交叉；
步骤八：根据变异概率选择基因组修改基因；经多次测试中和了算法的执行时间与算法分配结果的需求，选择0.08作为变异概率，迭代次数选择10轮。
步骤九：迭代算法直到达到迭代次数为止。
通过上述操作即可得到相关人员、车辆与保障任务相匹配的派工结果。
上述说明仅为本发明的优选实施例，并非是对本发明的限制，凡在本发明的内容范围内所做出的任何修改、等同替换、改型等，均应包含在本发明的专利保护范围之内。

Claims (5)

1.基于DBSCAN-GA的机场保障车辆任务调度方法，其特征在于，通过DBSCAN聚类算法对历史数据进行分析，将数据分为若干个簇，并分别统计各个簇中的员工信息以及机位信息；通过遗传算法对要派工的新数据进行派工，派工时根据每个簇中的机位信息是否包含当前要分配任务的机位，当该簇存在该机位的历史任务时，则将该簇中的员工作为此任务的备选分配对象；
所述方法具体步骤如下：
步骤一：对机场保障车辆任务调度的历史数据进行预处理和特征工程，清除掉历史数据中丢失数据较多的部分，对不重要的特征进行删除，对数据做向量化处理；
步骤二：利用DBSCAN对历史数据进行聚类分析，通过自动调节计算出参数(ε，MinPts)，以此作为DBSCAN的参数，将数据分为若干个簇；ε为半径参数；
步骤三：分别统计各个簇中存在的员工以及机位，生成每个簇员工列表以及机位列表；
步骤四：根据机场规则，将文本规则转化成程序能够认知的数字规则，将待派工的人员数据以及任务数据，根据机场规则进行匹配；
步骤五：根据员工信息生成初始遗传算法个体基因以及群体，生成任务列表，基因列表中的数据代表任务列表的下标，设置变异概率、迭代数；
步骤六：根据保障车辆任务调度派工的目标设计遗传算法适应度函数；
步骤七：计算个体的适应度函数，选择适应度值较高的个体，进行基因交叉；
步骤八：根据变异概率选择基因组修改基因；
步骤九：迭代算法直到达到迭代次数为止。
2.根据权利要求1所述的基于DBSCAN-GA的机场保障车辆任务调度方法，其特征在于，所述步骤二中簇的生成步骤包括：
(1)将所有数据节点作为初始的核对象，对数据集中的每个节点在其ε领域内查找大于等于MinPts的节点个数；自动调节ε大小，达到自动化调参的目的，即选择数据集中的一个节点x，寻找k个距离x最近的点k＝MinPts-1求出与节点p距离其最近的k个节点的曼哈顿距离ε＝d(x，xk)；
(2)以步骤(1)生成的ε为半径，以x为核对象，生成节点集合簇；并对生成的簇进行检验，对不符合逻辑的簇作撤销操作；
(3)对不同簇中含有公共节点的簇进行合并，合并后的簇最为最终结果；
(4)迭代多次，直至所有数据均被处理过，即得到DBSCAN聚类簇。
3.根据权利要求2所述的基于DBSCAN-GA的机场保障车辆任务调度方法，其特征在于，步骤(2)中簇的撤销操作步骤为：生成簇之后，对异常点进行检测；
首先，采用节点之间的平均值距离作为密度的测量标准；求核对象x周围的k个最近点的曼哈顿距离平均值距离越大，说明周围点的密度越小，相反的，距离越小说明周围点的密度越大；
其次，当异常点x成为核对象后，计算其范围内的点的距离平均值，当其簇内点平均值距离远小于ε半径参数时，则该簇是有问题的，对该簇进行撤销回滚，将该簇中的所有点的信息全部去除。
4.根据权利要求1所述的基于DBSCAN-GA的机场保障车辆任务调度方法，其特征在于，所述步骤六中，采用均衡人员工作负载作为优化目标建立适应度函数，使每个司机个体之间的负载差距最小；所述适应度函数为
Figure FDA0003218769160000021
其中，I代表司机数量，
Figure FDA0003218769160000022
表示i司机的负载为s。
5.根据权利要求1所述的基于DBSCAN-GA的机场保障车辆任务调度方法，其特征在于，所述遗传算法的步骤包括：
(1)初始化：设置算法进化代数的计数器，设置算法最大进化数量，并将随机生成的若干个个体作为初始群体；
(2)个体评价：根据算法的目标设计适应度函数，计算群体中各个个体的适应度；
(3)选择交叉运算：选择运算的目的是通过适应度函数计算建立在群体中个体的适应度，将优秀的个体通过交叉配对等方式遗传到下一代；
(4)变异运算：对群体中某些个体上的某些基因的基因做修改；
(5)群体经过选择、交叉、变异运算之后得到下一代群体；
(6)终止条件判断：当算法执行达到设置进化代数时，终止计算。
CN202010815313.8A 2020-08-13 2020-08-13 基于dbscan-ga的机场保障车辆任务调度方法 Active CN111950910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010815313.8A CN111950910B (zh) 2020-08-13 2020-08-13 基于dbscan-ga的机场保障车辆任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010815313.8A CN111950910B (zh) 2020-08-13 2020-08-13 基于dbscan-ga的机场保障车辆任务调度方法

Publications (2)

Publication Number Publication Date
CN111950910A CN111950910A (zh) 2020-11-17
CN111950910B true CN111950910B (zh) 2021-11-16

Family

ID=73342998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010815313.8A Active CN111950910B (zh) 2020-08-13 2020-08-13 基于dbscan-ga的机场保障车辆任务调度方法

Country Status (1)

Country Link
CN (1) CN111950910B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112651578A (zh) * 2021-01-18 2021-04-13 中国民航信息网络股份有限公司 一种机场的地面保障能力需求的预测方法和装置
CN112668936A (zh) * 2021-01-18 2021-04-16 中国民航信息网络股份有限公司 一种机场保障工作分配方法及装置
CN113065692A (zh) * 2021-03-22 2021-07-02 南京航空航天大学 一种机场清水车服务时间的预测方法
CN113159139B (zh) * 2021-04-01 2022-08-09 哈尔滨工业大学 一种基于改进声发射密度聚类的伤损状态诊断方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108108883A (zh) * 2017-12-13 2018-06-01 西安交通大学 一种基于聚类算法的车辆调度网络弹性简化方法
CN111191845A (zh) * 2019-12-31 2020-05-22 广东电网有限责任公司 基于dbscan算法和kmp模式匹配法的电力通信网工单调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112016024779B1 (pt) * 2014-04-24 2023-03-14 Beijing DIDI Infinity Technology and Development Co., Ltd Sistema e método para gestão de fornecimento de serviço

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108108883A (zh) * 2017-12-13 2018-06-01 西安交通大学 一种基于聚类算法的车辆调度网络弹性简化方法
CN111191845A (zh) * 2019-12-31 2020-05-22 广东电网有限责任公司 基于dbscan算法和kmp模式匹配法的电力通信网工单调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于LSTM的城市出租车需求预测及其优化调度模型;程浩;《中国优秀硕士学位论文全文数据库（电子期刊）（工程科技Ⅱ辑）》;20200731;全文 *

Also Published As

Publication number Publication date
CN111950910A (zh) 2020-11-17

Similar Documents

Publication Publication Date Title
CN111950910B (zh) 基于dbscan-ga的机场保障车辆任务调度方法
CN110503245B (zh) 一种机场航班大面积延误风险的预测方法
CN112070355A (zh) 一种机场摆渡车的分配调度方法
Li et al. Production task queue optimization based on multi-attribute evaluation for complex product assembly workshop
CN111127246A (zh) 一种输电线路工程造价的智能预测方法
CN109961248A (zh) 运单投诉预测方法、装置、设备及其存储介质
CN110069467A (zh) 基于皮尔逊系数与MapReduce并行计算的电网尖峰负荷聚类提取法
CN108304974A (zh) 一种基于优化C5.0和Apriori的民航NOSHOW预测及强因子分析方法
CN109448366A (zh) 一种基于随机森林的空域扇区拥挤程度预测方法
Al-Tabbakh et al. Machine learning techniques for analysis of Egyptian flight delay
CN110838055A (zh) 一种基于大数据的电力企业财务数据管理系统
CN103353895A (zh) 一种配电网线损数据的预处理方法
Li et al. A hybrid evolutionary hyper-heuristic approach for intercell scheduling considering transportation capacity
CN116070385B (zh) 一种境外矿产资源供应链风险自动识别方法及系统
Schösser et al. On the Performance of Machine Learning Based Flight Delay Prediction–Investigating the Impact of Short-Term Features
CN107274100A (zh) 基于电力大数据的经济预警分析方法
CN117094435A (zh) 一种云制造自适应鲁棒服务组合与优化选择新方法
CN115630732A (zh) 一种面向城市运营的企业迁移大数据监测预警方法及装置
CN111274123A (zh) 基于软件基因的安全防护软件测试集自动生成方法、架构
CN109961085A (zh) 基于贝叶斯估计的航班延误预测模型的建立方法及装置
EP4384974A1 (en) Systems and methods for predicting airport passenger flow
CN111090793B (zh) 一种基于平均延误时间序列的机场日延误特征分类方法
CN114491971A (zh) 一种基于混合Logit模型和贝叶斯模型平均的出行行为建模方法及应用
CN111724053A (zh) 一种航空网络风险传播识别方法
CN117787569B (zh) 一种智能辅助评标方法及系统

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