CN115049268A - 航班地面保障效率影响因素的因果关系挖掘方法及设备 - Google Patents
航班地面保障效率影响因素的因果关系挖掘方法及设备 Download PDFInfo
- Publication number
- CN115049268A CN115049268A CN202210697753.7A CN202210697753A CN115049268A CN 115049268 A CN115049268 A CN 115049268A CN 202210697753 A CN202210697753 A CN 202210697753A CN 115049268 A CN115049268 A CN 115049268A
- Authority
- CN
- China
- Prior art keywords
- causal
- flight
- flight ground
- event
- factors
- 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
- 230000001364 causal effect Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000005065 mining Methods 0.000 title claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 30
- 230000002787 reinforcement Effects 0.000 claims abstract description 28
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 18
- 238000011160 research Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000010008 shearing Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 238000012047 cause and effect analysis Methods 0.000 claims description 2
- 238000013138 pruning Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000010006 flight Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Educational Administration (AREA)
- Pure & Applied Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种航班地面保障效率影响因素的因果关系挖掘方法，包括：获取航班地面保障过程数据，构建机场航班地面保障过程模型；获取各民航组织对与航班地面保障有关的综合报告，并结合先验知识初步确定影响航班地面保障的各种事件节点；结合先验知识确定影响航班地面保障事件效率的可能因素，并定义其量化值；生成可能的因果图；使用基于信息论的评分函数对生成的可能结果打分，将分数值作为强化学习部分的奖励，由强化学习算法追求奖励最大化规则，确定航班地面保障单一事件影响因素的因果关系和因果图。本发明可以发现影响航班保障事件执行效率变化的原因，使得航班保障能够稳定、高效的运行。
Description
技术领域
本发明涉及民航机场航班地面保障运行与管理技术领域，具体涉及一种航班地面保障效率影响因素的因果关系挖掘方法及设备。
背景技术
民航业是交通运输业的重要组成部分，是衡量一个国家经济技术实力的指标之一。在过去几十年中，航空运输业随着消费者需求的增加而不断增长。由于航空旅行需求的高速增长和有限的运力，全球航空运输系统中的机场变得拥挤不堪。在这样的背景下，航班起飞延误等异常航班数量变得越来越多,中国民航局和欧洲航空局的数据表明，由航班地面保障导致的延误占异常航班量的二成，且每年浮动变化小，具有较大的改善和提升空间。同时，航班地面保障过程效率低下是航空运营商面临的主要挑战之一，效率低下的航班地面保障过程可能导致重大延误，从而导致机场运营严重受损。因此，提升航班地面保障的能力也是全球民航业面临的共同问题。
目前，民用机场航班地面保障研究大都围绕关联关系展开，多集中于过程的设备调度、效能评估、过程模拟、设施优化和特种车辆的运行效率等方面。如建立保障车辆智能体为机场地面保障资源调度提供参考方案；分析地面保障过程，得到效能评估指标，构建过程效能评估指标体系；利用离散事件模拟恢复和模拟现实的方法确定合理的车辆设备数量；使用机地面周转过程建模的系统动力学方法分析了地面保障系统的鲁棒性以及模型的局限性。
然而，几乎所有的有关研究都是基于关联关系展开的，鲜有在保障过程上的整体研究和因果分析。关联不意味着因果，仅使用关联分析手段无法精确地描述事物变化的机理。因为关联关系只是表达了事物发生概率变化之间的关系，而因果关系是结果与导致结果的原因之间的一般关系。
需要额外说明的是，2019年中国民航局公布的民航发展公报与欧洲航空局公布的航班延误与取消原因分析中分别指出，由航空公司原因导致的异常航班量占总异常航班量的18.36％；其带来的平均延误时长同比仅减少0.14分钟，往年还有增加的情况。且航班地面保障是航空公司原因的重要组成部分。这都表明此类延误存在改善空间和手段，因此，发现并确定导致航班保障事件执行效率变化的原因有助于在此之后对发生低效保障事件的预防，从而维持机场空侧区的正常运行。
综上可知，仅靠关联关系分析展开的有关机场航班地面保障的研究，由于缺乏因果关系的研究，使得当前对保障过程的优化并非是最合理的，在当前的优化方案中，可能会出现对某一无关事件的优化安排，造成了人力物力财力的浪费。此问题的根源在于相关或关联关系无法说明因果关系，使得现有保障过程的优化处理不够精准。
发明内容
本发明实施例的目的在于提供一种航班地面保障效率影响因素的因果关系挖掘方法及设备，以发现影响航班保障事件执行效率变化的原因，使得航班保障能够稳定、高效的运行。
为实现上述目的，第一方面，本发明实施例提供了一种航班地面保障效率影响因素的因果关系挖掘方法，包括：
步骤1：获取航班地面保障过程数据，构建机场航班地面保障过程模型；
步骤2：基于所述机场航班地面保障过程模型，获取各民航组织对与航班地面保障有关的综合报告，并结合先验知识初步确定影响航班地面保障的各种事件节点，将其定义为保障事件；
步骤3：根据所述综合报告和先验知识确定影响航班地面保障事件效率的可能因素，将其定义为保障事件影响因素，并对各保障事件影响因素定义其量化值；
步骤4：将保障事件影响因素和保障事件影响因素的量化值相结合，以任一保障事件为研究目标，以保障事件的影响因素量化值为因果分析对象，经数据处理后生成可能的因果图；
步骤5：使用基于信息论的评分函数对步骤4中生成的可能结果打分，将分数值作为强化学习部分的奖励，由强化学习算法追求奖励最大化规则，确定航班地面保障单一事件影响因素的因果关系和因果图。
其中，步骤3中，各保障事件影响因素量化值定义为影响因素参考量，选取体现影响因素效率的时间差作为影响因素参考量，实现对影响因素的量化。
作为本申请的一种具体实施方式，步骤4具体包括：
将保障事件影响因素和保障事件影响因素的量化值相结合，以任一保障事件为研究目标，以保障事件的影响因素量化值为因果分析对象，对数据进行独立性检验；
使用元因果矩阵MPA(J×J)与满因果矩阵MPB(J×J)分别从增边路线PA,add和剪边路线PB,cut按增剪边规则生成可能的因果图G。
在本申请的某些优选实施方式中，所述因果图G为表示各因素间因果关系的有向无环图DAG模型；
元因果矩阵MPA(J×J)指经条件独立性检验后及先验知识初步获得的以数学语言描述的元因果图的图邻接矩阵，其行列代表影响因素A,B,C...，矩阵中元素值为1时表明行因素对列因素存在因果关系，为0时则不存在因果关系；
满因果矩阵MPB(J×J)则是在前述条件下赋予各节点间所有可能的因果关系；PA,add与PB,cut分别为从元因果图和满因果图开始增添和修剪可能因果关系的路线；
增剪边规则如下：
剪边从第J行开始以列变化由右向左，行变化自下而上的顺序将值为1的元素变为0，并赋值MPB,cut←MPB；增边从第1行以列变化由左向右，行变化自上而下的顺序将值为0的存在可能因果关系的元素变为1，再使用奖励计算方法计算MPA,add的分数S(MPA,add)。
作为一种优选实施方式，步骤5中的评分函数为：
其中，D代表航班地面保障事件数据集，G表示因果图，
为G中的边的方向数量参数，J表示节点数量，n表示实例个数，
表示数据集D中满足因果图G的条件概率。
在本申请的某些具体实施方式中，步骤5中，强化学习算法由基本强化学习理念中的奖励、环境、智能体和行为四部分构成，因果图的评价分数S(G|D)为强化学习算法中的奖励，强化学习环境为航班地面保障事件相关数据集，强化学习智能体Agent为航班地面保障效率影响因素的因果发现方法的算法主体；
使用
计算MPB,cut的分数S(MPB,cut)，并将计算奖励赋值S(MPB,cut)＝RewardPB,cut。再使用上述奖励计算方法计算MPA,add的分数S(MPA,add)。
循环逐一比较增边方向上和剪边方向上发现的因果图分数，筛去较小分数，选出较大分数，直至二者相等，最终输出此唯一具有最大评分的因果图G，即为在各条件下发现的航班地面保障效率影响因素因果关系图。
第二方面，本发明实施例提供了一种计算机设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接。其中，所述存储器用于存储程序指令，所述处理器被配置用于调用所述程序指令执行如上述第一方面的方法。
与现有技术相比，本发明通过将数据的分析从关联关系提升到因果关系，从根本上解决了关联不代表因果、关联导致混杂的问题，并使用有向无环图以图模型可视化地表达了影响航班保障事件效率之间的关系。在因果发现技术方面，与强化学习的结合在一定程度上约化和缓解了因果图搜索的NP-hard问题。且本发明是对方法的探究，存在一定的泛化性和适用性。目前影响航班地面保障事件的可能因素数量较少，在今后每当增加影响因素的数量时，本发明技术方案依旧适用。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的航班地面保障效率影响因素的因果关系挖掘方法的流程图；
图2是本发明构建的机场航班地面保障过程模型图；
图3是本发明航班地面保障效率影响因果关系有向无环图；
图4是本发明实施例提供的计算机设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”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。
基于背景技术中指出的相关或关联关系无法说明因果关系，使得现有保障过程的优化处理不够精准等问题，本发明旨在发现影响航班保障事件执行效率变化的原因，使得航班保障能够稳定、高效地进行。
本发明涉及统计学、数据挖掘和机器学习领域，更具体地，涉及一种航班地面保障效率影响因素的因果发现方法。本发明旨在于因果层次上对影响保障事件效率的因素展开研究，发现正确的因果关系、消除不具有因果关系的相关关系。同时，随着影响因素的增加，因素间不确定的因果关系以及可能形成的因果图数量飞速增长，节点数量的剧增使得因果图的搜索称为一个NP-hard问题，导致航班保障影响因素的因果发现也是一个NP-hard问题。因此，研究适用于航班保障事件的最优因果图的搜索方法，在一定程度上约化和缓解NP-hard问题对提高因果发现效率和进一步研究有着重要意义。因此本发明的目的是为克服现有技术的缺陷，分析航班地面保障效率影响因素和避免传统因果发现的NP-hard问题所带来的搜索随机性。
本发明的发明构思是：使用因果有向无环图(简称因果图)来描述影响因素之间、保障事件与影响因素之间的因果关系，并用图邻接矩阵从数学上描绘因果图。使用图形语言与数学语言结合的方法，首先基于先验知识等构建因果图雏形，其次基于条件独立性与增剪边规则生成可能的因果图，以航班保障数据作为输入，使用评分函数判断数据与因果图的契合度并给出分数进行比较，获得评分最优的图邻接矩阵并转化为因果图输出，最终得到航班地面保障事件影响因素的因果关系和因果图。
需要说明的是，本发明所提供的业务中的主要功能是对机场航班保障事件效率低下原因的追本溯源，当给定处理好的保障事件数据输入后，可以输出该影响该事件效率的理论最优因果关系图，确定必要的因果关系，排除不必要的关联关系，以便在未来对发生低效保障事件的预防。
基于上述发明构思，本发明提供了如图1所示的航班地面保障效率影响因素的因果关系挖掘方法。如图1所示，该方法可以包括：
步骤1：获取航班地面保障过程数据，构建机场航班地面保障过程模型。
具体地，获取并分析机场航班地面保障过程数据，以机场航班地面保障过程为基础，构建如图2所示的机场航班地面保障过程模型。
步骤2：基于所述机场航班地面保障过程模型，获取各民航组织对与航班地面保障有关的综合报告，并结合先验知识初步确定影响航班地面保障的各种事件节点，将其定义为保障事件。
其中，保障事件之间存在顺序和并行执行关系，所述的民航组织对与航班地面保障有关的综合报告指的是中国民用航空局2020年颁布的《航班安全运行保障标准》和国际航空运输协会IATA颁布的《Airport Handling Manual》以及在与航班地面保障有关的研究论文、统计报表。
具体地，调查各民航组织对与航班地面保障有关的综合报告并结合先验知识初步确定机场航班地面保障过程的各种事件节点，将其作为研究目标事件，由字母O表示。此步骤具有时效性，针对不同时期的报告会出现不同的因素，本方法对不同报告具有普遍适用性。
步骤3：根据所述综合报告和先验知识确定影响航班地面保障事件效率的可能因素，将其定义为保障事件影响因素，并对各保障事件影响因素定义其量化值。
其中，所述的影响航班地面保障事件效率的可能因素，以“客舱清洁”事件为例，影响其执行效率的因素就有三点，分别为客舱清洁人员到位情况、旅客下机完毕情况和客舱清洁总时间，然而缺乏对此类因素的统一量化方法。
所述的各影响因素量化值定义为影响因素参考量，选择体现影响因素效率的时间差作为影响因素参考量，实现对该影响因素的量化。
以“关客舱门”事件为例，其影响因素分别为前次航班旅客下机情况和本次航班旅客登机情况，量化这些影响因素的参考量为前次航班旅客下机效率和本次航班旅客登机效率，时间差分别为“旅客下机结束时间-旅客下机开始时间”和“旅客登机结束时间-旅客登机开始时间”。
所述的先验知识为结合步骤1中建立的机场航班地面保障过程模型和行业工作者的有关经验得到的。
具体地，调查各民航组织对与航班地面保障有关的综合报告并结合先验知识初步确定影响航班地面保障事件效率的可能因素，由大写字母A,B,C,...表示。并对各影响因素定义其量化值，由小写字母a,b,c,...表示，一一对应于影响因素，以便后续对各因素间的因果关系进行分析研算。
步骤4：将保障事件影响因素和保障事件影响因素的量化值相结合，以任一保障事件为研究目标，以保障事件的影响因素量化值为因果分析对象，经数据处理后生成可能的因果图。
具体地，将航班地面保障事件影响因素与航班地面保障事件影响因素量化值相结合，以某一特定保障事件为研究目标，以影响因素量化值为因果分析对象。数据经独立性检验后使用元因果矩阵MPA(J×J)与满因果矩阵MPB(J×J)分别从增边路线PA,add和剪边路线PB,cut按增剪边规则生成可能的因果图G。
所述的因果图为表示各因素间因果关系的有向无环图DAG模型，模型由节点和有向边组成，节点代表因素，有向边代表了因果关系的方向。
所述的元因果矩阵MPA(J×J)指经条件独立性检验后及先验知识初步获得的以数学语言描述的元因果图的图邻接矩阵，其行列代表影响因素A,B,C...，矩阵中元素值为1时表明行因素对列因素存在因果关系，为0时则不存在因果关系；满因果矩阵MPB(J×J)则是在前述条件下赋予各节点间所有可能的因果关系。PA,add与PB,cut分别为从元因果图和满因果图开始增添和修剪可能因果关系的路线。
增剪边规则如下：
剪边从第J行开始以列变化由右向左，行变化自下而上的顺序将值为1的元素变为0，并赋值MPB,cut←MPB。增边从第1行以列变化由左向右，行变化自上而下的顺序将值为0的存在可能因果关系的元素变为1。再使用奖励计算方法计算MPA,add的分数S(MPA,add)。
步骤5：使用基于信息论的评分函数对步骤4中生成的可能结果打分，将分数值作为强化学习部分的奖励，由强化学习算法追求奖励最大化规则，确定航班地面保障单一事件影响因素的因果关系和因果图。
其中，所述的因果关系是指两事物之间存在干预和被干预的关系，当一项事物A发生变化时，另一项事物B会随之变化；而事物B被干预时不会引起事物A的变化，在这种关系中，A即为因，B为果。
所述的基于信息论的评分函数S(G|D)为
其中D代表航班地面保障事件数据集，G表示因果图，
为G中的边的方向数量参数，可以理解为
与G的图邻接矩阵等价，J表示节点数量，n表示实例个数。
表示数据集D中满足因果图G的条件概率。
其中TNR(线性变化案例数)代表所研究的影响因素参考量之间存在线性变化的案例数量，TNR(所有案例数)代表所研究的影响因素案例总数。
p(G|D)表示对称分析得到的惩罚因子，对称分析为计算对调G中可能因果方向后的因果图G′在D中的吻合概率。
所述的强化学习方法基于基本强化学习理念中的奖励、环境、智能体和行为四部分构成，因果图的评价分数S(G|D)为强化学习方法中的奖励Reward，强化学习环境Environment为航班地面保障事件相关数据集，强化学习智能体Agent为航班地面保障效率影响因素的因果发现方法的算法主体。
使用
计算MPB,cut的分数S(MPB,cut)，并将计算奖励赋值S(MPB,cut)＝RewardPB,cut。再使用上述奖励计算方法计算MPA,add的分数S(MPA,add)。
循环逐一比较增边方向上和剪边方向上发现的因果图分数，筛去较小分数，选出较大分数，直至二者相等，最终输出此唯一具有最大评分的因果图G。即为在各条件下发现的航班地面保障效率影响因素因果关系图。
实施本发明的方法，具有如下有益效果：
(1)前述的航班地面保障事件效率影响因素量化值是为了给定一种参考量以测量航班地面保障事件效率影响因素。由于现有研究缺乏对此类因素的统一量化方法，选择体现影响因素效率的时间差作为影响因素参考量进行量化。此方案弥补了行业内对此类事件效率高低判定方法的欠缺。
(2)前述的航班地面保障效率影响因素的因果发现方法，描述了保障事件节点与各种因素之间的因果关系，排除了非因果的关联或相关关系，有效提高了对低效事件原因的溯源与定位，避免了不必要资源的浪费。所述的强化学习方法也是应用于行业内的新探索和新尝试，利用强化学习追求奖励(分数)最大化的手段，得到具备最佳分数的航班地面保障单一事件影响因素的因果关系。
(3)本发明通过将数据的分析从关联关系提升到因果关系，从根本上解决了关联不代表因果、关联导致混杂的问题；并使用有向无环图以图模型可视化地表达了影响航班保障事件效率之间的关系。在因果发现技术方面，与强化学习的结合在一定程度上约化和缓解了因果图搜索的NP-hard问题。且本发明是对方法的探究，存在一定的泛化性和适用性，目前影响航班地面保障事件的可能因素数量较少，在今后每当增加影响因素的数量时，本发明技术方案依旧适用。
综上，本发明所提供的航班地面保障效率影响因素的因果发现方法，克服了现有技术的缺陷如分析航班地面保障效率影响因素和避免传统因果发现的NP-hard问题所带来的搜索随机性问题，通过融合因果发现方法与强化学习理念，建立参考量量化影响航班保障事件效率的各种因素，使用有向无环图以图模型可视化地表达了影响航班保障事件效率之间的关系。
基于相同的发明构思，本发明实施例提供了一种计算机设备。如图4所示，该计算机设备可以包括：一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104，上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序，所述计算机程序包括程序指令，所述处理器101被配置用于调用所述程序指令执行前述的方法步骤。
应当理解，在本发明实施例中，所称处理器101可以是中央处理单元(CentralProcessing Unit，CPU)，深度学习显卡(如：华为NPU,英伟达GPU,谷歌TPU)该处理器还可以是其它通用处理器、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)或者其它可编程逻辑器件、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。
输入设备102可以包括键盘等，输出设备103可以包括显示器(LCD等)、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器，并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如，存储器104还可以存储设备类型的信息。
需要说明的是，关于计算机设备所执行的具体步骤方法流程，请参考前述方法实施例部分，在此不再赘述。
以上所述，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 (7)
1.一种航班地面保障效率影响因素的因果关系挖掘方法，其特征在于，包括：
步骤1：获取航班地面保障过程数据，构建机场航班地面保障过程模型；
步骤2：基于所述机场航班地面保障过程模型，获取各民航组织对与航班地面保障有关的综合报告，并结合先验知识初步确定影响航班地面保障的各种事件节点，将其定义为保障事件；
步骤3：根据所述综合报告和先验知识确定影响航班地面保障事件效率的可能因素，将其定义为保障事件影响因素，并对各保障事件影响因素定义其量化值；
步骤4：将保障事件影响因素和保障事件影响因素的量化值相结合，以任一保障事件为研究目标，以保障事件的影响因素量化值为因果分析对象，经数据处理后生成可能的因果图；
步骤5：使用基于信息论的评分函数对步骤4中生成的可能结果打分，将分数值作为强化学习部分的奖励，由强化学习算法追求奖励最大化规则，确定航班地面保障单一事件影响因素的因果关系和因果图。
2.如权利要求1所述的因果关系挖掘方法，其特征在于，步骤3中，各保障事件影响因素量化值定义为影响因素参考量，选取体现影响因素效率的时间差作为影响因素参考量，实现对影响因素的量化。
3.如权利要求1所述的因果关系挖掘方法，其特征在于，步骤4具体包括：
将保障事件影响因素和保障事件影响因素的量化值相结合，以任一保障事件为研究目标，以保障事件的影响因素量化值为因果分析对象，对数据进行独立性检验；
使用元因果矩阵阵MPA(J×J)与满因果矩阵MPB(J×J)分别从增边路线PA,add和剪边路线PB,cut按增剪边规则生成可能的因果图G。
4.如权利要求3所述的因果关系挖掘方法，其特征在于，所述因果图G为表示各因素间因果关系的有向无环图DAG模型；
元因果矩阵MPA(J×J)指经条件独立性检验后及先验知识初步获得的以数学语言描述的元因果图的图邻接矩阵，其行列代表影响因素A,B,C...，矩阵中元素值为1时表明行因素对列因素存在因果关系，为0时则不存在因果关系；
满因果矩阵MPB(J×J)则是在前述条件下赋予各节点间所有可能的因果关系；PA,add与PB,cut分别为从元因果图和满因果图开始增添和修剪可能因果关系的路线；
增剪边规则如下：
剪边从第J行开始以列变化由右向左，行变化自下而上的顺序将值为1的元素变为0，并赋值MPB,cut←MPB；增边从第1行以列变化由左向右，行变化自上而下的顺序将值为0的存在可能因果关系的元素变为1，再使用奖励计算方法计算MPA,add的分数S(MPA,add)。
5.如权利要求4所述的因果关系挖掘方法，其特征在于，步骤5中的评分函数为：
其中，D代表航班地面保障事件数据集，G表示因果图，
为G中的边的方向数量参数，J表示节点数量，n表示实例个数，
表示数据集D中满足因果图G的条件概率。
6.如权利要求5所述的因果关系挖掘方法，其特征在于，步骤5中，强化学习算法由基本强化学习理念中的奖励、环境、智能体和行为四部分构成，因果图的评价分数S(G|D)为强化学习算法中的奖励，强化学习环境为航班地面保障事件相关数据集，强化学习智能体Agent为航班地面保障效率影响因素的因果发现方法的算法主体；
使用
计算MPB,cut的分数S(MPB,cut)，并将计算奖励赋值S(MPB,cut)＝RewardPB,cut，再使用上述奖励计算方法计算MPA,add的分数S(MPA,add)；
循环逐一比较增边方向上和剪边方向上发现的因果图分数，筛去较小分数，选出较大分数，直至二者相等，最终输出此唯一具有最大评分的因果图G，即为在各条件下发现的航班地面保障效率影响因素因果关系图。
7.一种计算机设备，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其特征在于，所述存储器用于存储程序指令，所述处理器被配置用于调用所述程序指令执行如权利要求1-6任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210697753.7A CN115049268B (zh) | 2022-06-20 | 2022-06-20 | 航班地面保障效率影响因素的因果关系挖掘方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210697753.7A CN115049268B (zh) | 2022-06-20 | 2022-06-20 | 航班地面保障效率影响因素的因果关系挖掘方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115049268A true CN115049268A (zh) | 2022-09-13 |
| CN115049268B CN115049268B (zh) | 2024-08-23 |
Family
ID=83163504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210697753.7A Active CN115049268B (zh) | 2022-06-20 | 2022-06-20 | 航班地面保障效率影响因素的因果关系挖掘方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115049268B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472400A (zh) * | 2018-10-30 | 2019-03-15 | 中国民用航空总局第二研究所 | 一种基于贝叶斯结构学习的航班保障Petri网构建方法及系统 |
| CN109558436A (zh) * | 2018-11-03 | 2019-04-02 | 北京交通大学 | 基于转移熵的机场航班延误因果关系挖掘方法 |
| CN112100392A (zh) * | 2020-07-28 | 2020-12-18 | 浙江大学 | 一种基于强化学习和知识图谱的设备故障溯因方法 |
| CN113537599A (zh) * | 2021-07-19 | 2021-10-22 | 中国民用航空总局第二研究所 | 航班事件环节检测方法、装置及电子设备 |
-
2022
- 2022-06-20 CN CN202210697753.7A patent/CN115049268B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472400A (zh) * | 2018-10-30 | 2019-03-15 | 中国民用航空总局第二研究所 | 一种基于贝叶斯结构学习的航班保障Petri网构建方法及系统 |
| CN109558436A (zh) * | 2018-11-03 | 2019-04-02 | 北京交通大学 | 基于转移熵的机场航班延误因果关系挖掘方法 |
| CN112100392A (zh) * | 2020-07-28 | 2020-12-18 | 浙江大学 | 一种基于强化学习和知识图谱的设备故障溯因方法 |
| CN113537599A (zh) * | 2021-07-19 | 2021-10-22 | 中国民用航空总局第二研究所 | 航班事件环节检测方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115049268B (zh) | 2024-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210081859A1 (en) | Architecture, engineering and construction (aec) risk analysis system and method | |
| US11561986B1 (en) | Applied artificial intelligence technology for narrative generation using an invocable analysis service | |
| Bertel et al. | A genetic algorithm for an industrial multiprocessor flow shop scheduling problem with recirculation | |
| CN110443657B (zh) | 客户流量数据处理方法、装置、电子设备及可读介质 | |
| US11340873B2 (en) | Code change graph node matching with machine learning | |
| US20100042613A1 (en) | Method and system for automated search engine optimization | |
| US20110109632A1 (en) | Rule based visualization mechanism | |
| CA3170083C (en) | Systems and methods for project and program management using artificial intelligence | |
| Rodríguez-Sanz et al. | Impact of weather conditions on airport arrival delay and throughput | |
| CN112651671A (zh) | 一种航班舱位调整方法及相关设备 | |
| Di Gravio et al. | Overall safety performance of the air traffic management system: the Italian ANSP's experience on APF | |
| Maghrebi et al. | Reconstruction of an expert's decision making expertise in concrete dispatching by machine learning | |
| CN111460174A (zh) | 基于实体知识推理的简历异常检测方法及系统 | |
| US20210182701A1 (en) | Virtual data scientist with prescriptive analytics | |
| CN113724057A (zh) | 基于大数据的财政预算填报方法、系统、设备及介质 | |
| CN113963011A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN110796381B (zh) | 风控模型的建模方法、装置、终端设备及介质 | |
| CN115049268A (zh) | 航班地面保障效率影响因素的因果关系挖掘方法及设备 | |
| Ternikov | Skill-based clustering algorithm for online job advertisements | |
| CN114661571B (zh) | 模型评测方法、装置、电子设备和存储介质 | |
| CN116187858A (zh) | 企业水效指标管理方法、系统、电子设备及可读存储介质 | |
| US20140351416A1 (en) | Characterizing Statistical Time-Bounded Incident Management Systems | |
| CN115292506A (zh) | 应用于办公领域的知识图谱本体构建方法和装置 | |
| Sjöblom | Data mining in promoting aviation safety management | |
| CN114358024A (zh) | 日志分析方法、装置、设备、介质和程序产品 |
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 |