CN115310366A - 一种基于随机优化模型评估机场公布容量的方法 - Google Patents

一种基于随机优化模型评估机场公布容量的方法 Download PDF

Info

Publication number
CN115310366A
CN115310366A CN202211057026.0A CN202211057026A CN115310366A CN 115310366 A CN115310366 A CN 115310366A CN 202211057026 A CN202211057026 A CN 202211057026A CN 115310366 A CN115310366 A CN 115310366A
Authority
CN
China
Prior art keywords
capacity
airport
flight
model
optimization model
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.)
Pending
Application number
CN202211057026.0A
Other languages
English (en)
Inventor
王艳军
许梦婷
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202211057026.0A priority Critical patent/CN115310366A/zh
Publication of CN115310366A publication Critical patent/CN115310366A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于随机优化模型评估机场公布容量的方法，包括：S1：对待评估机场的航班数据进行特征分析和提取，利用k‑means方法聚类得到机场运行典型场景及其发生概率；S2：构建随机优化模型，将步骤S1聚类得到的场景以及机场运行容量作为输入，计算机场每个时间段应设置的时刻数，作为机场公布容量；S3：利用机器学习的方法建立航班延误预测模型，用该模型预测步骤S2得到的公布容量下的延误情况，评估公布容量设置大小。本发明考虑了不同场景下机场容量的不确定性，通过聚类分析的方法识别机场运行场景，建立随机优化模型计算机场公布容量，并用机器学习的方法预测航班延误，评估公布容量的设置水平。

Description

一种基于随机优化模型评估机场公布容量的方法
技术领域
本发明涉及机场容量技术，特别涉及一种基于随机优化模型评估机场公布容量的方法。
背景技术
公布容量构成了现有航班时刻分配方法中的基本概念，代表基于最大吞吐量的容量管理度量。它规定了每单位时间在时刻协调机场可用于分配的时刻数，并且通常使用每个协调时间间隔内的计划起降架次表示。为了更加精细化的管理，公布容量还可根据不同时间间隔内可用的离场架次、进场架次和/或总起降架次表示。确定公布容量非常重要，因为公布容量决定了时刻配置过程中的“供给侧”，即机场一共有多少时刻可以供航空公司使用。
公布容量的水平不仅确定了可以分配给航空公司的时刻数量，也影响着航空公司申请时刻与最终分配时刻之间的差异，即时刻的质量。因此，机场公布容量的确定变得相当重要，它可以为空管部门提供一个有利的参考，将其运用到实际工作中去，从而解决航空流量问题。公布容量取决于机场的运行容量。评估机场运行容量的常用方法可分为三类：数学建模、历史运行数据挖掘和计算机仿真。理论上，每个时刻协调机场的时刻协调员，在给定的假设和属性之后，考虑各种容量决定因素进行综合评估研究才能确定公布容量。然而，在实践中公布容量通常设定为最大吞吐量的85-90％。
公布容量的确定主要集中在以下两类问题上：①缺乏协同一致的解读、确定和管理公布容量的方法；②公布容量设定的容量水平过高或过低。公布容量还需考虑容量利用率和服务质量(航班延误或准点率)之间的均衡。如果公布容量设置过高，而实际运行容量也较高，那么容量利用率也会很高；但当实际运行容量低于公布容量时，将会造成航班延误、正点率降低。如果公布容量设置较低，虽然保证了较低的航班延误和较高的准点率，但造成容量资源的浪费。同时，也会导致过多的拒绝或更改航空公司申请的时刻，间接地干预了航空公司航班时刻设置的偏好。
发明内容
发明目的：本发明目的是提供一种基于随机优化模型评估机场公布容量的方法。
通过聚类分析的方法识别机场运行场景，建立随机优化模型计算机场公布容量，并用机器学习的方法预测航班延误，评估公布容量的设置水平，便于后续时刻分配，有利于提高空中交通运行的效率。
技术方案：本发明所述的基于随机优化模型评估机场公布容量的方法，包括如下步骤：
S1：对待评估机场的航班数据进行特征分析和提取，利用k-means方法聚类得到机场运行典型场景及其发生概率；
S2：构建随机优化模型，将步骤S1聚类得到的场景以及机场运行容量作为输入，计算机场每个时间段应设置的时刻数作为机场公布容量；
S3：利用机器学习的方法建立航班延误预测模型，用该模型预测步骤S2得到的公布容量下的延误情况，评估公布容量设置大小。
进一步的，所述步骤S1中对航班数据进行特征分析和提取的具体方法步骤如下：
S1-1：从航班时刻表中的数据中统计出每小时航班起降架次数，对每小时航班起降架次数进行相关性分析，去除相关性较高的重复特征；
S1-2：:利用主成分分析法，提取出重要程度较高的若干个特征，作为聚类算法的输入值；
S1-3：利用k-means聚类方法，以误差平方和
Figure BDA0003825621400000021
作为指标，聚类得到机场运行的典型场景及其发生概率。
进一步的，所述步骤S2中机场运行容量的具体计算方法为：
分位数容量包线的公式是：
Qτ(y|x)＝∑αk+(βk)x，其中
Figure BDA0003825621400000026
式中，y为离港点，x∈{0,1,…,xmax}为进港点；Qτ(y|x)是y关于x的τ分位数函数，代表容量包络线，k∈{0,1,…,xmax}表示进港点的第k个时间间隔；αk和βk分别表示第k个时间间隔直线段的截距系数和斜率系数，这里假定k＝3。
目标函数：
Figure BDA0003825621400000022
约束条件：
Zn≥yn-[∑αk+(βk)xn]，若
Figure BDA0003825621400000023
Zn≥ωταk+βkxn-yn，若
Figure BDA0003825621400000024
Figure BDA0003825621400000025
进一步的，所述步骤S2中构建随机优化模型的具体方法如下：
模型的目标函数为最大化时刻使用者的净经济效益，模型的约束条件包括每个容量场景下每个时间段的运行容量约束，最大延误时间约束等。模型的输出值包括每个时间段应创建的时刻数量，每个容量场景下被延误和被取消的航班数量。
进一步的，所述步骤S3中基于机器学习的方法评估公布容量设置大小的具体方法步骤如下：
S3-1：对历史航班运行数据进行预处理，选取飞行持续时间、航空公司、机场、机型和飞行日期作为特征向量，构建基于随机森林的预测模型；
S3-2：基于步骤S2确定的机场公布容量，制定航班时刻表。
S3-3：利用步骤S3-1构建的随机森林模型进行延误预测，得到该公布容量下的航班延误水平，从而评估容量设置高低。
本发明首先收集待评估机场的实际历史飞行数据，对其进行预处理，统计出每小时机场的起降架次数；然后利用主成分分析法以及相关性分析，分析每个小时起降架次数量的关系；选取若干小时起降架次数量作为特征，采用k-means的方法对小时起降架次数据进行聚类，得到机场运行的若干个场景及其发生概率；基于分位数回归法，绘制机场运行容量包络线；建立随机优化模型，计算机场的公布容量；最后基于机器学习，对得到的公布容量下的机场延误进行预测，从而评估公布容量的设置水平。
有益效果：本发明提出了一种具体的机场公布容量计算方法，并利用机器学习对其设置水平高低进行评估，具有较高的实用价值，对航班时刻表的制定有指导作用，合理地设置机场公布容量有利于提高机场的运行效率。
附图说明
图1为本发明中确定机场公布容量的流程图；
图2为相关性分析法分析各小时起降架次数量的关系图；
图3为基于k-means聚类的容量场景图；
图4为基于机器学习的容量评估方法流程图。
具体实施方式
本实施例中以广州白云机场作为实例机场，利用本发明方法建立随机优化模型确定机场公布容量，并利用机器学习的方法评估公布容量设置水平高低，参照图1，其具体步骤如下：
S1：特征提取，场景聚类：
A)从航班时刻表中的数据中统计出每小时航班起降架次数，对每小时航班起降架次数进行相关性分析，去除相关性较高的重复特征；
为了防止各参数之间存在共线性关系，我们需要进行相关性分析。各参数间相关性大小的评判指标是相关系数(Correlation coefficient)。相关系数的取值范围是‘-1’和‘1’之间。‘1’表示两个参数完全线性相关，‘-1’表示两个参数完全负相关，‘0’表示两个参数不相关。相关系数的绝对值越小，代表两个参数的相关性越小。相关系数的计算方法如下：
Figure BDA0003825621400000041
其中rxy为样本相关系数，sxy为样本协方差，sx为X的样本标准差，sy为y的样本标准差。
由图2，相邻时间段的容量之间有较强的关联性，关联性随着时间间隔变大逐渐衰减。这表明连续时间的容量数据是相关联的。产生该现象的原因可能是，起降很大程度依赖于天气，而连续小时的天气是相似的。
B)利用主成分分析法，提取出重要程度较高的若干个特征，作为聚类算法的输入值；
主成分分析法是一种空间映射的方法，将在常规正交坐标系(我们看到的)的变量通过矩阵变换操作映射到另一个正交坐标系中的主元。做这个映射的目的是为了减少变量间的线性相关性。主成分分析法可以进行多指标的描述，要求在描述的过程中使用较少的指标，或者给多个指标进行重要程度的排序。主成分分析法的基本思路是:首先分别求出原始指标的主成分,然后按某种规则筛选几个主成分,代替原始的指标,最终得到的综合评价值是由所选取的主成分综合而得,依据它对被评价对象的影响程度大小进行比较排序。最终，我们选取每天7-22h的起飞架次作为特征值。
C)利用k-means聚类方法，以误差平方和
Figure BDA0003825621400000042
作为指标，聚类得到机场运行的典型场景及其发生概率。
首先从整个数据集中任意选择k个数据作为初始聚类中心点，然后计算各个样本与k个初始聚类中心点的距离，把样本归到离它最近的那个聚类中心所在的类，计算新形成的每一个子类中全部数据对象的平均值来得到新的聚类中心。进行多次迭代直到连续两次的聚类中心相同，说明此时数据对象类别划分完毕即得到k个聚类。我们设置k的值为3，最终得到航班起降的三种典型场景(如图3)，并通过计算每个场景中的天数，得到三个容量场景发生的概率分别为62.90％、13.80％和22.60％。
S2：将步骤S1得到的容量场景作为输入之一，构建随机优化模型：
通过分位数回归绘制机场容量包络线，求得机场各个小时的运行容量。分位数容量包线的公式是：
Qτ(y|x)＝∑αk+(βk)x，其中
Figure BDA0003825621400000051
式中，y为离港点，x∈{0,1,…,xmax}为进港点；Qτ(y|x)是y关于x的τ分位数函数，代表容量包络线，k∈{0,1,…,xmax}表示进港点的第k个时间间隔；αk和βk分别表示第k个时间间隔直线段的截距系数和斜率系数，这里假定k＝3。
目标函数：
Figure BDA0003825621400000052
约束条件：
Zn≥yn-[∑αk+(βk)xn]，若
Figure BDA0003825621400000053
Zn≥ωταk+βkxn-yn，若
Figure BDA0003825621400000054
Figure BDA0003825621400000055
进一步的，所述步骤S2中构建随机优化模型的具体方法如下：
模型的目标函数为最大化时刻使用者的净经济效益，模型的约束条件包括每个容量场景下每个时间段的运行容量约束，最大延误时间约束等。模型的输出值包括每个时间段应创建的时刻数量，每个容量场景下被延误和被取消的航班数量。
目标函数：
Figure BDA0003825621400000056
约束条件：
Figure BDA0003825621400000057
Figure BDA0003825621400000058
Figure BDA0003825621400000059
Figure BDA00038256214000000510
Figure BDA00038256214000000511
Figure BDA00038256214000000512
Figure BDA0003825621400000061
Figure BDA0003825621400000062
Figure BDA0003825621400000063
Figure BDA0003825621400000064
S3：基于机器学习的方法对步骤S2得到的公布容量设置大小进行评估：
A)对历史航班运行数据进行预处理，选取飞行持续时间、航空公司、机场、机型和飞行日期作为特征向量，构建基于随机森林的预测模型；
B)基于步骤S2确定的机场公布容量，制定航班时刻表。
C)利用步骤S3-1构建的随机森林模型进行延误预测，得到该公布容量下的航班延误水平，从而评估容量设置高低。

Claims (5)

1.一种基于随机优化模型评估机场公布容量的方法，其特征在于：包括如下步骤：
S1：对待评估机场的航班数据进行特征分析和提取，利用k-means方法聚类得到机场运行典型场景及其发生概率；
S2：构建随机优化模型，将步骤S1聚类得到的场景以及机场运行容量作为输入，计算机场每个时间段应设置的时刻数，作为机场公布容量；
S3：利用机器学习的方法建立航班延误预测模型，用该模型预测步骤S2得到的公布容量下的延误情况，评估公布容量设置大小。
2.根据权利要求1所述的基于随机优化模型评估机场公布容量的方法，其特征在于：所述步骤S1中对航班数据进行特征分析和提取的方法如下：
S1-1：从航班时刻表中的数据中统计出每小时航班起降架次数，对每小时航班起降架次数进行相关性分析，去除相关性较高的重复特征；
S1-2：:利用主成分分析法，提取出重要程度较高的若干个特征，作为聚类算法的输入值；
S1-3：利用k-means聚类方法，以误差平方和
Figure FDA0003825621390000011
作为指标，聚类得到机场运行的典型场景及其发生概率。
3.根据权利要求2所述的基于随机优化模型评估机场公布容量的方法，其特征在于：所述步骤S2中机场运行容量的具体计算方法为：
分位数容量包线的公式是：
Qτ(y|x)＝∑αk+(βk)x，其中
Figure FDA0003825621390000012
式中，y为离港点，x∈{0,1,…,xmax}为进港点；Qτ(y|x)是y关于x的τ分位数函数，代表容量包络线，k∈{0,1,…,xmax}表示进港点的第k个时间间隔；αk和βk分别表示第k个时间间隔直线段的截距系数和斜率系数，这里假定k＝3，
目标函数：
Figure FDA0003825621390000013
约束条件：
Zn≥yn-[∑αk+(βk)xn]，若
Figure FDA0003825621390000014
Zn≥ωταk+βkxn-yn，若
Figure FDA0003825621390000015
Figure FDA0003825621390000021
。
4.根据权利要求3所述的基于随机优化模型评估机场公布容量的方法，其特征在于：所述步骤S2中构建随机优化模型的具体方法如下：
模型的目标函数为最大化时刻使用者的净经济效益，模型的约束条件包括每个容量场景下每个时间段的运行容量约束，最大延误时间约束，模型的输出值包括每个时间段应创建的时刻数量，每个容量场景下被延误和被取消的航班数量。
5.根据权利要求4所述的基于随机优化模型评估机场公布容量的方法，其特征在于：所述步骤S3中基于机器学习的方法评估公布容量设置大小的具体方法步骤如下：
S3-1：对历史航班运行数据进行预处理，选取飞行持续时间、航空公司、机场、机型和飞行日期作为特征向量，构建基于随机森林的预测模型；
S3-2：基于步骤S2确定的机场公布容量，制定航班时刻表；
S3-3：利用步骤S3-1构建的随机森林模型进行延误预测，得到该公布容量下的航班延误水平，从而评估容量设置高低。
CN202211057026.0A 2022-08-30 2022-08-30 一种基于随机优化模型评估机场公布容量的方法 Pending CN115310366A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211057026.0A CN115310366A (zh) 2022-08-30 2022-08-30 一种基于随机优化模型评估机场公布容量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211057026.0A CN115310366A (zh) 2022-08-30 2022-08-30 一种基于随机优化模型评估机场公布容量的方法

Publications (1)

Publication Number Publication Date
CN115310366A true CN115310366A (zh) 2022-11-08

Family

ID=83865427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211057026.0A Pending CN115310366A (zh) 2022-08-30 2022-08-30 一种基于随机优化模型评估机场公布容量的方法

Country Status (1)

Country Link
CN (1) CN115310366A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117746692A (zh) * 2024-02-19 2024-03-22 中国民用航空飞行学院 一种基于容量包络线的机场模块化调整方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117746692A (zh) * 2024-02-19 2024-03-22 中国民用航空飞行学院 一种基于容量包络线的机场模块化调整方法
CN117746692B (zh) * 2024-02-19 2024-05-10 中国民用航空飞行学院 一种基于容量包络线的机场模块化调整方法

Similar Documents

Publication Publication Date Title
CN109657844B (zh) 电力短期负荷预测方法和装置
EP4020315A1 (en) Method, apparatus and system for determining label
CN105678398A (zh) 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统
KR102042318B1 (ko) 스마트 팩토리 레이아웃 설계 방법 및 시스템
WO2021082393A1 (zh) 基于大数据深度学习的机场场面可变滑出时间预测方法
CN111552923A (zh) 一种基于通用分布的负荷预测方法及负荷预测系统
CN112508261B (zh) 一种基于神经网络的配电变压器负荷分层预测方法及装置
CN114066073A (zh) 电网负荷预测方法
CN112363896A (zh) 日志异常检测系统
CN115310366A (zh) 一种基于随机优化模型评估机场公布容量的方法
CN114611781A (zh) 一种面向航班计划的离港旅客聚集信息预测方法及系统
CN109583086A (zh) 配电变压器重过载预测方法及终端设备
CN113191533A (zh) 仓库用工预测方法、装置、设备及存储介质
CN107153677B (zh) 一种查找价值用户的数据处理方法和系统
CN111260161A (zh) 一种众包任务下发的方法及设备
CN113032367A (zh) 面向动态负载场景的大数据系统跨层配置参数协同调优方法和系统
CN107590747A (zh) 基于综合能源大数据分析的电网资产周转率计算方法
CN111984514A (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法
CN111311318A (zh) 用户流失预警的方法、装置、设备及存储介质
CN116187675A (zh) 任务分配方法、装置、设备及存储介质
CN115660318A (zh) 一种用于物联制造车间的人机协作任务分配方法
CN112514352A (zh) 更新调度规则的方法、设备、系统、存储介质和终端
CN113191569A (zh) 一种基于大数据的企业管理方法及系统
CN111222688B (zh) 一种商业楼宇的日负荷预测方法
CN113344392A (zh) 一种企业项目综合管理方法及系统

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