CN114925979A - 一种机场加油派工的装置 - Google Patents

一种机场加油派工的装置 Download PDF

Info

Publication number
CN114925979A
CN114925979A CN202210411257.0A CN202210411257A CN114925979A CN 114925979 A CN114925979 A CN 114925979A CN 202210411257 A CN202210411257 A CN 202210411257A CN 114925979 A CN114925979 A CN 114925979A
Authority
CN
China
Prior art keywords
refueling
task
time
flight
directed graph
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
Application number
CN202210411257.0A
Other languages
English (en)
Other versions
CN114925979B (zh
Inventor
赵丹
刘海鸥
刘环宇
简军
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.)
Beijing Renrenyuntu Information Technology Co ltd
Original Assignee
Beijing Renrenyuntu Information Technology 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 Beijing Renrenyuntu Information Technology Co ltd filed Critical Beijing Renrenyuntu Information Technology Co ltd
Priority to CN202210411257.0A priority Critical patent/CN114925979B/zh
Publication of CN114925979A publication Critical patent/CN114925979A/zh
Application granted granted Critical
Publication of CN114925979B publication Critical patent/CN114925979B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311Scheduling, planning or task assignment for a person or group
    • G06Q10/063116Schedule adjustment for a person or group
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/901Indexing; Data structures therefor; Storage structures
    • G06F16/9024Graphs; Linked lists
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0631Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311Scheduling, planning or task assignment for a person or group
    • G06Q10/063114Status monitoring or status determination for a person or group

Landscapes

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

Abstract

本发明公开了一种机场加油派工的装置,涉及资源管理调度技术领域,能够解决无法预测加油任务且无法对一段时间内的加油任务做整体优化派工的问题。本发明装置,包括输入模块、加油任务库构造模块、有向图构造模块、计算任务串模块以及分配任务串模块;通过建模预测加油任务的方式构造加油任务库,将任务作为有向图的顶点,并按照约束条件做有向边,构建有向图,将有向图转换为任务矩阵;通过矩阵计算求得任务最优化分配问题的解;在矩阵计算过程中,对之前有向图中出现过的有向边赋予更高的权重,使之成为最优有向边的概率变大。本发明装置将复杂的机场加油派工问题转换为图计算问题,计算量小、适用面广,易于推广。

Description

一种机场加油派工的装置
技术领域
本发明涉及资源管理调度技术领域,具体涉及机场加油派工的方法。
背景技术
近年来,随着我国航空市场的日益扩大,飞机航班迅速增长,机场加油业务日趋繁忙。加油任务的合理安排即关系到飞机准点率的提升,又关系到机场资源的合理调配。目前机场加油派工主要采用人工调度的方式,效率低下。例如中国专利CN 105550968 A,公开了一种加油调度系统,通过收集加油员的实时动态信息,将加油任务分配给空闲的加油员,加油员完成后返回基地或等待下一个指令。目前的方式缺少对一段时间内可能加油任务的预测,也没法对加油员当前班次的加油任务做整体安排,使之连续作业。由于特种车辆成本普遍较高,机场仅能提供有限的车辆来完成服务,这种一车服务一次的方法造成资源成本的浪费,严重的会导致航班延误。
发明内容
针对背景技术中存在的问题,本发明的目的是提供一种机场加油派工的装置,通过建模预测加油任务,建立加油任务库,并采用有向图计算的方式生成加油派工方案,从而以较小的计算成本解决了机场加油派工的问题。
为实现上述目的,本发明提供了一种机场加油派工的装置,包括输入模块、加油任务库构造模块、有向图构造模块、计算任务串模块以及分配任务串模块;
所述输入模块用于获取历史数据、系统参数和航班申请加油任务,所述历史数据包括航班进港时间、航班出港时间、航班机型、加油量等历史记录;所述的系统参数包括加油员排班表和航班表;所述航班表包括航班进港、出港时刻表、加油地点和航班机型;
所述加油任务库构造模块依据历史数据、系统参数和航班申请加油任务构造加油任务库;所述构造加油任务库的方法包括:确定所述加油任务库的起始时间和终止时间;将航班申请加油任务加入所述加油任务库;对航班表中未申请加油任务的航班进行加油量预测;预测加油任务完成时间;计算每个加油任务开始时间和结束时间;
具体的,所述加油任务库的起始时间是加油员班次变动时间或异常事件触发时间,所述的终止时间是紧接着起始时间的下一个加油员班次变动时间,所述加油员班次变动时间为任何一班次开始或结束的时间。
具体的,所述加油量预测方法包括:
获取历史数据:航班进港时间、航班来源地、航班离港时间、航班目的地、航班机型、航班加油量;将航班来源地、航班目的地、航班机型生成onehot特征码,加油量分五档离散量化,优选的,加油量分{0,(0,6000升),[6000升,9000升),[9000升,12000升),[12000升,∞)}五档量化;将航班来源地、航班目的地、航班机型生成的onehot特征码做为特征,量化后的加油量做为标签训练逻辑回归模型;使用所述逻辑回归模型预测加油量。
具体的,所述预测加油任务完成时间的方法包括:
将加油任务完成时间分成加油准备时间和加油时间;获取历史数据:航班机型、加油地点、加油人员车辆到位时间、加油开始时间、加油结束时间、加油量、上一次加油任务地点;去除没有停靠位置、没有加油任务、加油时间超过三小时的数据;将航班来源地、航班目的地、航班机型、加油地点生成Onehot特征码,加油量分四档离散化,优选的,加油量分{[0,6000升),[6000升,9000升),[9000升,12000升),[12000升,∞)}四档量化,加油准备时间分三档离散量化,优选的,加油准备时间分{[0,300秒),[300秒,450秒),[450秒,∞)}三档离散化,加油时间分四档离散量化,优选的,加油时间分{[0,600秒),[600秒,900秒),[900秒,1200秒),[1200秒,∞)}四挡量化;将航班来源地、航班目的地、航班机型、加油地点生成的Onehot特征码和量化后的加油量做为特征,量化后的加油准备时间和加油时间做为标签训练逻辑回归模型;使用所述逻辑回归模型预测加油任务完成时间;
其中,所述加油地点生成onehot特征码的方法是:将上一次加油地点和本次加油地点之间的经度差加纬度差作为距离,对距离8等分,离散化后生成Onehot特征码。
所述有向图构造模块依据加油任务库构造有向图;
所述构造有向图的方法包括:设定加油任务库的任务总数为M,加油员人数为N,需要分配的加油任务串数为P,P≤N,M、N、P为大于1的自然数;所述加油任务串为由U个加油任务依照约束条件排列成串,所述串能够分配给所述加油员顺序执行,U为大于等于1的自然数;将加油任务库中的每一个任务作为有向图中的一个顶点;加油任务库中的每一个任务做为第一任务,加油任务库中的所有开始时间在第一任务结束时间之后的任务做为第二任务,计算第一任务和第二任务的最小到位时间;去除第一任务结束到第二任务开始的时间间隔小于于所述最小到位时间的第二任务;以第一任务为起点,第二任务为终点做一条有向边;找到第一任务结束到第二任务开始的时间间隔大于2小时的有向边,如果去掉该有向边,有向图仍是连通图则去掉该有向边;
其中,计算第一任务和第二任务的最小到位时间的方法是:第一任务的加油地点和第二任务的加油地点之间的经度差加纬度差作为距离,除以平均车速b,b是历史数据中车速的平均值。
所述计算任务串模块用于对有向图进行有向图计算,求得P个任务串,P为大于0的自然数;
所述有向图计算的方法包括:将有向图转换为Q*Q的矩阵,Q为大于0的自然数;对矩阵进行矩阵运算,使矩阵的对角线上的数字都为1;对照有向图和之前有向图,将重复的有向边对应的矩阵元素修改为2,所述之前有向图指的是上一次派工计算所生成的有向图;找到每一个矩阵元素[i,j]=2,i≠j;如果将i行和j行对调,对调后的矩阵元素[i,i]和[j,j]均大于0,则i行和j行对调;如果对调后的矩阵元素[i,i]和[j,j]有一个或两个等于0,则i行和j行不对调,i、j为大于0的自然数;从矩阵对角线的元素中获得P个任务串。
所述分配任务串模块将所述P个任务串分配给加油员。
所述任务串分配的方法包括:根据加油员当前位置,分配开始任务地点距离较近的任务串;刚上班的加油员尽量分配开始时间较晚的任务串。
本发明的有益效果是:
(1)通过建模预测航班加油任务较以往依靠经验值预估更准确,且模型具有自适应性,即在机场设施发生变化时,通过新的数据实时训练模型,能够保证模型预测的准确性。
(2)通过建立加油任务库,能够对一段时间内的加油任务进行统一的安排,即保证了航班加油任务的及时完成,又能够对机场资源合理调配,节约资源。
(3)通过引入有向图计算,使得复杂的机场加油派工问题转换为简单易行的图计算问题,提高计算效率。
(4)在有向图计算中,创新性的引入有向边权重,使得前后派工方案的尽可能保持一致,提高本装置的实用性。
附图说明
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的限定。
图1为一种机场加油派工的装置的示意图。
图2为构造加油任务库的方法的示意图。
图3为加油量预测方法的示意图。
图4为预测加油任务完成时间的方法的示意图。
图5为构造有向图的方法的示意图。
图6为某国内大型机场加油点分布图。
图7为根据国内某大型机场实际数据求得的有向图。
图8为有向图计算的方法的示意图
图9为根据国内某大型机场实际数据求得的任务串图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。
需要注意的是,在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以有其他实施方式以及其变形,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明装置如图1所示,主要包括五个模块:输入模块、加油任务库构造模块、加油任务图构造模块、计算任务串模块、分配任务串模块。
所述输入模块用于获取历史数据、系统参数和航班申请加油任务,所述历史数据包括航班进港时间、航班出港时间、航班机型、加油量等历史记录;
具体的,航班进港时未加油的加油量记为0。
所述的系统参数包括加油员排班表和航班表。所述航班表包括当前航班进港、出港时刻表、加油地点和航班机型;
所述加油任务库构造模块依据历史数据、系统参数和航班申请加油任务构造加油任务库。加油任务库包括所有进港航班的加油地点、加油量、加油任务开始时间和结束时间。在系统进行派工计算时有些航班已经申请了加油任务,明确了加油量,但也有一些航班未申请,这就需要系统建模预测,增加该航班的加油任务。在明确了加油任务的加油量后,系统还要确定加油任务开始时间和加油任务结束时间,以便后续模块构造有向图。
如图2所示,所述构造加油任务库的方法包括:
S101:确定加油任务库的起始时间和终止时间。所述加油任务库的起始时间是加油员班次变动时间或异常事件触发时间。所述的终止时间是紧接着起始时间的下一个加油员班次变动时间。
所述加油员班次变动时间为任何一班次开始或结束的时间。加油员依据不同班次排班,不同的班次安排的加油员人数不同;不同班次时间可能会有重合,重合时间段加油员的数量是两个班次之和,本发明将相邻的两个班次变动时间做为独立的时间段,在这个独立的时间段里加油员人数固定,采用该方式使得后续分配加油任务简单易行,且能够适用不同的排班表,保证了系统的灵活性。
所述异常事件指的是导致加油任务的开始或结束时间变化的事件,该事件可能导致加油任务前后衔接的任务发生变化。异常事件包括航班变化、数据错误、申请加油任务变化等。航班变化指的是航班到港、出港时间变化或航班取消等。
所述异常事件触发时间是本装置获知异常事件的时间,本装置利用异常事件触发时间触发装置构建新的加油任务库并重算派工方案,能够及时响应异常变化,保证派工方案的准确性。
S102:将航班申请加油任务加入加油任务库。航班申请的加油任务信息包括航班进港时间、加油量等。
S103:对航班表中未申请加油任务的航班进行加油量预测,预测结果加入加油任务库。
对加油量预测通常的思路是计算航班已经飞行的距离和将要飞行的距离除以单位距离预估耗油量,参考该航班机型的储油量,根据预设公式计算加油量;但是,耗油量受机型、航线等诸多因素影响,很难找到合适的预设公式;本发明收集航班的历史数据,充分挖掘数据特征,通过建模预测,能够较精确的预测加油量,进而做出较为准确的加油派工方案。
如图3所示,所述加油量预测方法包括:
S201:获取历史数据:航班进港时间、航班来源地、航班离港时间、航班目的地、航班机型、航班加油量。对于没有加油任务的航班数据,加油量设为0。
S202:将航班来源地、航班目的地、航班机型生成onehot特征码,加油量分五档离散量化。本发明中对航班来源地、航班目的地、航班机型采用onehot特征码,后续的实验证明采用onehot特征码比采用标签编码解决了分类器不好处理属性数据的问题,并起到了扩充特征的作用,提高了预测的准确性。
加油量分五档离散量化是基于历史数据的分析,分为五档能够兼顾预测的准确性和减少计算量,保证装置的实时性。
优选的,加油量分{0,(0,6000升),[6000升,9000升),[9000升,12000升),[12000升,∞)}五档量化。
S203:将航班来源地、航班目的地、航班机型生成的onehot特征码做为特征,量化后的加油量做为标签训练逻辑回归模型。通过实际数据的实验证明逻辑回归模型比决策树、随机森林、xgboost准确率高,且训练速度快、占用内存资源小。
S204:使用所述逻辑回归模型预测加油量。
根据国内某大型机场实际数据实验,预测准确率约70%。以下为将实际数据随机划分10个数据集,交叉验证结果:
[69.015444%70.173745%72.393822%71.042471%69.565217%71.373308%70.280736%
72.216844%68.92546%70.571152%]。
由上述数据可知,本发明能够较为准确的预测加油量。
S104:预测加油任务完成时间。
对加油任务完成时间预测通常的方法是根据加油量进行经验值预估,但加油任务完成时间受机型、飞机所属航司、航班所在的加油地点、加油点之间距离等影响,很难用经验值预估,实际应用均是采用一个任务完成后再分配下一个任务,无法形成整体的派工方案,无法合理的调配资源。
本发明将加油任务完成时间分成加油准备时间和加油时间,利用历史数据,建模预测,因为输入模型的历史数据会实时更新,当现实条件变化后,模型也能够随之改变,保证预测的准确性。
如图4所示,预测加油任务完成时间的方法包括:
S301:将加油任务完成时间分成加油准备时间和加油时间。所述加油准备时间等于加油开始时间减去加油人员车辆到位时间,所述加油时间等于加油结束时间减去加油开始时间,所述加油开始时间是所有加油设备安装完毕准备开始注油的时间。
S302:获取历史数据:航班机型、加油地点、加油人员车辆到位时间、加油开始时间、加油结束时间、加油量、上一个加油任务地点。航班机型和加油方式有关,也是预测加油任务完成时间的重要因素。
S303:去除没有停靠位置、没有加油任务、加油时间超过三小时的数据。通过海量真实数据的统计分析,本发明将加油时间超过三小时的数据定义为异常数据。去除一些无效、异常数据能够保证后续预测的准确性。
S304:将航班来源地、航班目的地、航班机型、加油地点生成Onehot特征码,加油量分四档离散化,加油准备时间分三档离散量化,加油时间分四档离散量化。
所述加油地点生成onehot特征码的方法是:将上一次加油地点和本次加油地点之间的经度差加纬度差作为距离,对距离8等分,离散化后生成Onehot特征码。使用经度差加纬度差作为距离的方式避免了引入GIS系统并进行路径规划的过程,减轻了装置的计算量,提高了实用性。对距离进行onehot特征编码而不是的离散编码,是因为离散编码包含了距离信息,该距离信息会对后续的加油准备时间预测有影响;而在实际运用中,因为地形地势的因素,并不一定距离近的加油准备时间就短。本发明将距离信息采用onehot编码,除了隐藏距离信息外,还能够充分挖掘历史数据的潜在特征。
典型的,加油量分{[0,6000升),[6000升,9000升),[9000升,12000升),[12000升,∞)}四档量化。加油准备时间分{[0,300秒),[300秒,450秒),[450秒,∞)}三档离散化。加油时间分{[0,600秒),[600秒,900秒),[900秒,1200秒),[1200秒,∞)}四挡量化。
S305:将航班来源地、航班目的地、航班机型、加油地点生成的Onehot特征码和量化后的加油量做为特征,量化后的加油准备时间和加油时间做为标签训练逻辑回归模型。
S306:使用所述逻辑回归模型预测加油任务完成时间。将加油任务库数据输入模型,模型计算出加油准备时间和加油时间,二者相加得到加油任务完成时间。
根据国内某大型机场实际数据实验,结果预测准确率约67%,以下为将实际数据随机划分10个数据集,交叉验证结果:
[0.65284474 0.66570048 0.69951691 0.68888889 0.6647343 0.65893720.68471954 0.66602130.66989351 0.66021297]。
由上述数据可知,本发明能够较为准确的预测加油量。
S105:计算每个加油任务开始时间和结束时间。所述加油任务开始时间等于航班进港时间加上a秒,a为大于0的自然数,a是依据历史数据获得的经验值,本实施例中a=600。加油任务结束时间等于开始时间加上加油任务完成时间。
以上步骤,完成加油任务库的构造,加油任务图构造模块依据加油任务库构造有向图。构造有向图的目的是找出加油任务库中任一任务所有可能的接续任务,为后续找出最优的任务串做准备。
如图5所示,所述构造有向图的方法包括:
S401:设定加油任务库的任务总数为M,加油员人数为N,需要分配的加油任务串数为P,P≤N,M、N、P为大于1的自然数;所述加油任务串为由U个加油任务依照约束条件排列成串,所述串能够分配给所述加油员顺序执行,U为大于等于1的自然数。
S402:将加油任务库中的每一个任务作为有向图中的一个顶点;
S403:加油任务库中的每一个任务做为第一任务,加油任务库中的所有开始时间在第一任务结束时间之后的任务做为第二任务,计算第一任务和第二任务的最小到位时间。
计算第一任务和第二任务的最小到位时间的方法是:第一任务的加油地点和第二任务的加油地点之间的经度差加纬度差作为距离,除以平均车速b,b是历史数据中车速的平均值。
图6为某国内大型机场加油点分布图,图中的圆点为加油点,如图可知加油点相对还比较密集,采用第一任务的加油地点和第二任务的加油地点之间的经度差加纬度差作为距离的方式可以减少计算量。
S404:去除第一任务结束到第二任务开始的时间间隔小于于所述最小到位时间的第二任务。
S405:以第一任务为起点,第二任务为终点做一条有向边。
有向图中的有向边表示任务的接续关系,如果间隔时间小于最小到位时间,则两个任务不存在接续关系。
S406:找到第一任务结束到第二任务开始的时间间隔大于2小时的有向边,如果去掉该有向边,有向图仍是连通图则去掉该有向边。连通图的意思是去掉有向图的方向,图中任一两点是连通的。本步骤的目的是,减少有向边,节约计算量。2小时是通过历史数据分析得出,该值既保证方法有效又能够减少计算量。
图7为根据国内某大型机场实际数据求得的有向图。有向图绘制完成后,将结果输入计算任务串模块。
所述计算任务串模块用于对有向图进行有向图计算,求得P个任务串。在计算过程中,创新性的引入任务图连接权重,使得计算出的任务串尽可能和原有任务串一致,避免了任务串的频繁调整。
如图8所示,所述有向图计算的方法包括:
S501:将有向图转换为Q*Q的矩阵,Q为大于0的自然数。
所述有向图转为为Q*Q的矩阵的方法是一种目前存在的有向图转换矩阵方法,具体方法包括包括:
(1)将所述有向图中的顶点依据所有有向边的方向分为三类:起始顶点、中间顶点、终止顶点;所述起始顶点数为A,所述中间顶点数为B,所述终止顶点数为C,A、B、C为大于1的自然数;所述起始顶点为所述有向图中只有出边的顶点;所述中间顶点是所述有向图中既有出边又有入边的顶点;所述终止顶点是所述有向图中只有入边的顶点。
(2)如果A≤P且C≤P,增加P-A个虚拟起始顶点和P-C个虚拟终止顶点;
(3)以每一个虚拟起始顶点作为起点分别做指向X个中间顶点的有向边,其中X为小于B
且大于等于1的自然数;
(4)以Y个中间顶点的每个中间顶点为起点,分别做指向每个虚拟终止顶点的有向边,其中Y为小于B且大于等于1的自然数;
(5)将所述起始顶点、所述虚拟起始顶点和所述中间顶点作为矩阵的行,将所述终止顶点、所述虚拟终止顶点和所述中间顶点作为矩阵的列,构建Q*Q的矩阵,Q为大于1的自然数;矩阵中元素的行列对应顶点之间存在有向边的赋值为1,元素的行列对应顶点之间不存在有向边的赋
值为0;其中Q=B+P;
S502:对矩阵进行矩阵运算,使矩阵的对角线上的数字都为1;
所述矩阵计算方法指的是目前存在一种改进的分支界限方法,从分配矩阵的第一行开始,对在矩阵对角线元素为0的每一行自动执行行交换,具体方法如下:
(1)设当前对角线元素[y,y]为0,标记当前行号y的行为I,从I的下一行开始,查找y列的元素等于1的行,作为备选行;
(2)对找到的每一备选行J,设该备选行J对应在矩阵对角线上的列号为y′,若将J与I交换后,能使I行和J行对角线上元素为1,则形成一个交换方案;
(3)若直到分配矩阵的最后一行都没有找到交换方案,基于每一备选行J,重新从I的下一行开始,查找是否存在与备选行J不同的行K,使得将三行I、J、K轮换后,使得三行对应在对角线上的都为1,若存在,形成一个交换方案;
(4)如果未找到三行交换方案,继续基于备选行J和K,寻找四行交换方案,以此类推,直至找到交换方案,或者达到预设的最大行数交换限制要求,停止执行。
S503:对照有向图和之前有向图,将重复的有向边对应的矩阵元素修改为2;所述之前有向图指的是上一次派工计算所生成的有向图;
S504:找到每一个矩阵元素[i,j]=2,i≠j;如果将i行和j行对调,对调后的矩阵元素[i,i]和[j,j]均大于0,则i行和j行对调;如果对调后的矩阵元素[i,i]和[j,j]有一个或两个等于0,则i行和j行不对调,i、j为大于0的自然数。
本步骤执行完毕后,矩阵的对角线上的数字都为1或2,仍然是最优解,但是之前有向图中出现过的有向边出现在对角线上,成为最优有向边。
因为异常情况导致的重新计算常常会导致派工方案变化,频繁的变化会对加油员带来困扰,影响执行效率。通过对之前有向图中出现过的有向边赋予更高的权重,使之成为最优有向边的概率变大,最大限度的保证前后派工方案的一致性,提高本装置的实用性。
S505:从矩阵对角线的元素中获得P个任务串。
所述从矩阵对角线的元素中获得P个任务串的方法包括:
(1)得到对角线每个元素行和列对应的Q条有向边;
(2)从所述Q条有向边中去掉以所述虚拟起始顶点为起点和以所述虚拟终止顶点为终点的有向边总共S条,将其余T条有向边确定为最优有向边,S为大于1的自然数;其中S=2P-A-C;
(3)所述最优有向边依据其连接关系确定P个任务串。将得到的任务串输出给分配任务串模块。
图9为根据国内某大型机场实际数据求得的任务串,图中圆点为加油任务,图9为图7的计算结果。
所述分配任务串模块将所述P个任务串分配给加油员。
具体的,所述任务串分配的方法包括:
S601:根据加油员当前位置,分配开始任务地点距离较近的任务串。依据就近原则,减少加油员路途时间。
S602:刚上班的加油员尽量分配开始时间较晚的任务串。刚上班的加油员需要进行一些准备工作,准备时间存在一定不确定性,将其分配开始时间较晚的任务串,可以尽可能的保证加油任务的执行。
本发明方法中的步骤可根据实际需要进行顺序调整、合并和删减。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (9)

1.一种机场加油派工的装置,其特征在于,包括输入模块、加油任务库构造模块、有向图构造模块、计算任务串模块以及分配任务串模块;
所述输入模块用于获取历史数据、系统参数和航班申请加油任务,所述历史数据包括航班进港时间、航班出港时间、航班机型、加油量等历史记录;所述的系统参数包括加油员排班表和航班表;所述航班表包括航班进港、出港时刻表、加油地点和航班机型;
所述加油任务库构造模块依据历史数据、系统参数和航班申请加油任务构造加油任务库;所述构造加油任务库的方法包括:确定所述加油任务库的起始时间和终止时间;将航班申请加油任务加入所述加油任务库;对航班表中未申请加油任务的航班进行加油量预测;预测加油任务完成时间;计算每个加油任务开始时间和结束时间;
所述有向图构造模块依据加油任务库构造有向图;
所述计算任务串模块用于对所述有向图进行有向图计算,求得P个任务串,P为大于0的自然数;
所述分配任务串模块将所述P个任务串分配给加油员。
2.根据权利要求1所述的机场加油派工的装置,其特征在于,所述加油任务库的起始时间是加油员班次变动时间或异常事件触发时间,所述的终止时间是紧接着起始时间的下一个加油员班次变动时间,所述加油员班次变动时间为任何一班次开始或结束的时间。
3.根据权利要求1所述的机场加油派工的装置,其特征在于,所述加油量预测方法包括:获取历史数据:航班进港时间、航班来源地、航班离港时间、航班目的地、航班机型、航班加油量;将航班来源地、航班目的地、航班机型生成onehot特征码,加油量分五档离散量化;将航班来源地、航班目的地、航班机型生成的onehot特征码做为特征,量化后的加油量做为标签训练逻辑回归模型;使用所述逻辑回归模型预测加油量。
4.根据权利要求3所述的机场加油派工的装置,其特征在于,加油量分{0,(0,6000升),[6000升,9000升),[9000升,12000升),[12000升,∞)}五档量化。
5.根据权利要求1所述的机场加油派工的装置,其特征在于,所述预测加油任务完成时间的方法包括:将加油任务完成时间分成加油准备时间和加油时间;获取历史数据:航班机型、加油地点、加油人员车辆到位时间、加油开始时间、加油结束时间、加油量、上一次加油任务地点;去除没有停靠位置、没有加油任务、加油时间超过三小时的数据;将航班来源地、航班目的地、航班机型、加油地点生成Onehot特征码,加油量分四档离散化,加油准备时间分三档离散量化,加油时间分四档离散量化;将航班来源地、航班目的地、航班机型、加油地点生成的Onehot特征码和量化后的加油量做为特征,量化后的加油准备时间和加油时间做为标签训练逻辑回归模型;使用所述逻辑回归模型预测加油任务完成时间;
其中,所述加油地点生成onehot特征码的方法是:将上一次加油地点和本次加油地点之间的经度差加纬度差作为距离,对距离8等分,离散化后生成Onehot特征码。
6.根据权利要求5所述的机场加油派工的装置,其特征在于,加油量分{[0,6000升),[6000升,9000升),[9000升,12000升),[12000升,∞)}四档量化,加油准备时间分{[0,300秒),[300秒,450秒),[450秒,∞)}三档离散化,加油时间分{[0,600秒),[600秒,900秒),[900秒,1200秒),[1200秒,∞)}四挡量化。
7.根据权利要求1所述的机场加油派工的装置,其特征在于,所述构造有向图的方法包括:设定加油任务库的任务总数为M,加油员人数为N,需要分配的加油任务串数为P,P≤N,M、N、P为大于1的自然数;所述加油任务串为由U个加油任务依照约束条件排列成串,所述串能够分配给所述加油员顺序执行,U为大于等于1的自然数;将加油任务库中的每一个任务作为有向图中的一个顶点;加油任务库中的每一个任务做为第一任务,加油任务库中的所有开始时间在第一任务结束时间之后的任务做为第二任务,计算第一任务和第二任务的最小到位时间;去除第一任务结束到第二任务开始的时间间隔小于所述最小到位时间的第二任务;以第一任务为起点,第二任务为终点做一条有向边;找到第一任务结束到第二任务开始的时间间隔大于2小时的有向边,如果去掉该有向边,有向图仍是连通图则去掉该有向边;
其中,计算第一任务和第二任务的最小到位时间的方法是:第一任务的加油地点和第二任务的加油地点之间的经度差加纬度差作为距离,除以平均车速b,b是历史数据中车速的平均值。
8.根据权利要求1所述的机场加油派工的装置,其特征在于,所述有向图计算的方法包括:将有向图转换为Q*Q的矩阵,Q为大于0的自然数;对矩阵进行矩阵运算,使矩阵的对角线上的数字都为1;对照有向图和之前有向图,将重复的有向边对应的矩阵元素修改为2,所述之前有向图指的是上一次派工计算所生成的有向图;找到每一个矩阵元素[i,j]=2,i≠j;如果将i行和j行对调,对调后的矩阵元素[i,i]和[j,j]均大于0,则i行和j行对调;如果对调后的矩阵元素[i,i]和[j,j]有一个或两个等于0,则i行和j行不对调,i、j为大于0的自然数;从矩阵对角线的元素中获得P个任务串。
9.根据权利要求1所述的机场加油派工的装置,其特征在于,所述任务串分配的方法包括:根据加油员当前位置,分配开始任务地点距离较近的任务串;刚上班的加油员尽量分配开始时间较晚的任务串。
CN202210411257.0A 2022-04-19 2022-04-19 一种机场加油派工的装置 Active CN114925979B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210411257.0A CN114925979B (zh) 2022-04-19 2022-04-19 一种机场加油派工的装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210411257.0A CN114925979B (zh) 2022-04-19 2022-04-19 一种机场加油派工的装置

Publications (2)

Publication Number Publication Date
CN114925979A true CN114925979A (zh) 2022-08-19
CN114925979B CN114925979B (zh) 2023-03-24

Family

ID=82806229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210411257.0A Active CN114925979B (zh) 2022-04-19 2022-04-19 一种机场加油派工的装置

Country Status (1)

Country Link
CN (1) CN114925979B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187672A (zh) * 2022-12-27 2023-05-30 中国航空油料有限责任公司 一种加油任务的生成方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013384A (zh) * 2007-02-08 2007-08-08 浙江大学 一种基于模型的实时系统的可调度性分析方法
CN102542411A (zh) * 2011-12-22 2012-07-04 浙江工业大学 基于aca模型的多品种多工艺制造企业车间调度控制方法
CN109165782A (zh) * 2018-08-15 2019-01-08 民航成都信息技术有限公司 民航机场地面服务保障人员调度方法及其系统
CN111738619A (zh) * 2020-07-06 2020-10-02 腾讯科技(深圳)有限公司 任务调度方法、装置、设备及存储介质
CN113220542A (zh) * 2021-04-01 2021-08-06 深圳市云网万店科技有限公司 一种计算任务的预警方法、装置、计算机设备及存储介质
KR20210099934A (ko) * 2020-02-05 2021-08-13 주식회사뉴로코어 공정 및 제품 유형에 독립적인 강화 학습 기반 스케줄링 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013384A (zh) * 2007-02-08 2007-08-08 浙江大学 一种基于模型的实时系统的可调度性分析方法
CN102542411A (zh) * 2011-12-22 2012-07-04 浙江工业大学 基于aca模型的多品种多工艺制造企业车间调度控制方法
CN109165782A (zh) * 2018-08-15 2019-01-08 民航成都信息技术有限公司 民航机场地面服务保障人员调度方法及其系统
KR20210099934A (ko) * 2020-02-05 2021-08-13 주식회사뉴로코어 공정 및 제품 유형에 독립적인 강화 학습 기반 스케줄링 시스템
CN111738619A (zh) * 2020-07-06 2020-10-02 腾讯科技(深圳)有限公司 任务调度方法、装置、设备及存储介质
CN113220542A (zh) * 2021-04-01 2021-08-06 深圳市云网万店科技有限公司 一种计算任务的预警方法、装置、计算机设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187672A (zh) * 2022-12-27 2023-05-30 中国航空油料有限责任公司 一种加油任务的生成方法及装置

Also Published As

Publication number Publication date
CN114925979B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
Haase et al. Simultaneous vehicle and crew scheduling in urban mass transit systems
US20050246208A1 (en) Using software agents to schedule airline flights
CN105070044A (zh) 一种基于乘客预约的定制公交合乘车辆动态调度方法
CN106647787A (zh) 一种卫星星上自主规划任务的方法及系统
CN113935181B (zh) 一种基于匹配客流的列车模拟运行优化系统构建方法
CN111310383B (zh) 基于htcpn的机场牵引车动态优化调度方法
CN106971634A (zh) 一种基于飞行器航迹预测的空域冲突检测方法及系统
CN114925979B (zh) 一种机场加油派工的装置
Andreatta et al. Models for the ground holding problem
CN113989952B (zh) 基于分布式电源网点的电力设备巡视系统
Erzberger et al. Design principles and algorithms for air traffic arrival scheduling
Nemtinov et al. Information support of decision making in urban passenger transport management
CN114862209A (zh) 运力调度方法、装置、电子设备及存储介质
CN115081699A (zh) 一种大型航空器公共航空运输中飞行机组排班方法
CN115222251A (zh) 一种基于混合分层强化学习的网约车调度方法
US20220147664A1 (en) Systems and Methods for Multi-Modal Transportation Simulation Verification
CN117371611A (zh) 一种地铁列车运营计划编制方法、介质及系统
CN111105050A (zh) 风机维护计划的生成方法、装置、设备及存储介质
CN115759386B (zh) 一种民航航班执飞结果预测方法、装置及电子设备
CN108234596A (zh) 航空信息推送方法及装置
JP2017154536A (ja) 乗務員運用管理システムおよび乗務員運用管理方法
Dragan et al. USING GIS FOR THE OPTIMIZATION OF PUPILS TRANSPORTATION: THE CASE OF LASKO MUNICIPALITY
CN116414934A (zh) 一种基于时空网格的目标运行安全空域规划方法
CN115827427A (zh) 一种车辆派单调度系统测试方法及装置
Scales et al. The managed readiness simulator: a force readiness model

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