CN115640878A - 用于机场航班时刻优化的树型防火墙容量配置方法 - Google Patents

Abstract

本发明实施例公开了一种用于机场航班时刻优化的树型防火墙容量配置方法，涉及空中交通管理与规划技术领域，能够为机场运营者和时隙协调人员提供灵活的容量配置文件及高满意度的航班时刻分配方案。本发明包括：获取机场时隙协调参数数据和机场初始航班计划；利用所述机场时隙协调参数数据建立机场容量场景集；获取所述容量场景集对应的期望延误水平；利用所述容量场景集和所述容量场景集对应的期望延误水平，建立训练数据集；利用所述训练数据集，基于决策树算法训练初始决策树；利用所述初始决策树获取融合防火墙的树型容量配置文件；利用所述树型容量配置文件建立航班时刻优化模型。

Description

用于机场航班时刻优化的树型防火墙容量配置方法

技术领域

本发明涉及空中交通管理与规划技术领域，尤其涉及一种用于机场航班时刻优化的树型防火墙容量配置方法。

背景技术

近年来，空中交通延误频发给社会与环境带来巨大负担。机场容需不平衡是导致航班延误的主要因素之一。单一的供给端措施由于实施时间长、资本密集程度高等特点，难以快速有效解决地这一迫切的现实问题。因此，需求管理成为解决空中交通延误的关键着力点。其中，以IATA WSG为指导的航班时刻分配机制，被广泛应用于包括中国在内的繁忙机场。在航班时刻分配过程中，机场容量配置方案的选择直接决定了机场、航空公司等利益相关方对分配结果的满意程度。

目前机场容量配置方案通常表示为常数，即在一天中，设置每个时段相等的容量值。当这一常数值设置过低时，造成了容量资源难以充分利用；设置过高时，则易引发航班延误与延误传播现象。此外，在当前IATA WSG机制下，机场容量配置方案在航空公司提交请求时刻之前公布。这使得目前预先设定的单一的容量配置方案无法捕捉未来航季的需求特征，从而难以最大化航空公司诉求。因此，需要研究一种更灵活有效的机场容量配置方式，以适应航空公司对各时段的偏好，并将其应用于航班时刻分配任务，从而最终扩大机场容量配置的应用范围。

发明内容

本发明的实施例提供一种用于树型机场航班时刻优化的融合防火墙容量配置方法，能够为机场运营者和时隙协调人员提供灵活的容量配置文件及高满意度的航班时刻分配方案。

为达到上述目的，本发明的实施例采用如下技术方案：

S1、获取机场时隙协调参数数据和机场初始航班计划；

S2、利用所述机场时隙协调参数数据建立机场容量场景集；

S3、获取所述容量场景集对应的期望延误水平；

S4、利用所述容量场景集和所述容量场景集对应的期望延误水平，建立训练数据集；

S5、利用所述训练数据集，基于决策树算法训练初始决策树；

S6、利用所述初始决策树获取融合防火墙的树型容量配置文件；

S7、利用所述树型容量配置文件建立航班时刻优化模型。

本发明实施例提供的用于树型机场航班时刻优化的融合防火墙容量配置方法，获取机场时隙协调参数数据与机场初始航班计划，其中所述机场时隙协调参数数据包括机场公布容量、机场协调时段、机场繁忙时段、机场期望防火墙时段、机场可接受延误水平以及机场最小周转时间；利用所述机场繁忙时段、机场期望防火墙时段以及机场公布容量，构造机场容量场景集；利用所述机场容量场景集，基于排队理论，计算所述容量场景集内各元素的期望延误水平；利用所述容量场景集及对应的期望延误水平，构造“容量特征-期望延误”数据集；利用所述“容量特征-期望延误”数据集，基于决策树算法，训练初始决策树；利用所述初始决策树，确定融合防火墙的树型容量配置文件；利用所述机场初始航班计划与机场可接受延误水平，从所述树型容量配置文件中提取可用路径，建立多个航班时刻优化模型；求解对比所述航班时刻优化模型的目标值，获取优化后航班时刻分配方案。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的总体流程示意图；

图2为本发明实施例提供的初始决策树示意图；

图3为本发明实施例提供的树型机场容量配置文件示意图；

图4为本发明实施例提供的初始与优化后航班计划与分布示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本发明实施例提供一种用于树型机场航班时刻优化的融合防火墙容量配置方法，如图1所示，包括：

S1、获取机场时隙协调参数数据和机场初始航班计划。

其中，所述机场时隙协调参数数据包括：机场公布容量、机场协调时段、机场繁忙时段、机场期望防火墙时段、机场可接受延误水平和机场最小周转时间。机场时隙协调参数数据、机场初始航班计划均可以从机场的空管系统中获取。

S2、利用所述机场时隙协调参数数据建立机场容量场景集。

S3、获取所述容量场景集对应的期望延误水平。

S4、利用所述容量场景集和所述容量场景集对应的期望延误水平，建立训练数据集。

S5、利用所述训练数据集，基于决策树算法训练初始决策树。

其中，利用分类回归树算法，输入所述“容量特征-期望延误”数据集中的容量特征数据作为解释变量，输入所述“容量特征-期望延误”数据集中的期望延误数据作为解释变量，训练获得初始决策树。

S6、利用所述初始决策树获取融合防火墙的树型容量配置文件。

S7、利用所述树型容量配置文件建立航班时刻优化模型。

本实施例中，在S2中，包括：

S21、利用所述机场公布容量，确定机场期望防火墙时段的容量取值范围，得到防火墙容量集。具体的，在S21中，包括：设置机场期望防火墙时段可能取得的容量最大值为c_max＝c_d，c_d表示所述机场公布容量，设置机场期望防火墙时段可能取得的容量最小值为c_min＝round(0.8c_d)，round(·)表示取整运算，从而获得机场期望防火墙时段的容量取值范围为[c_min,c_max]，防火墙容量集为C_f＝{c_min,c_min+1,...,c_max}，n表示元素个数。

S22、在机场繁忙时段内，将期望防火墙时段的容量设置为防火墙容量集内的元素，并将机场高峰时段的容量设置为机场公布容量，获得包含所有防火墙容量组合的容量场景集作为所述容量场景集。具体的，在S22中，包括：设置机场期望防火墙时段f_g，则f_g∈F的容量为c_f，c_f∈C_f，C_f表示防火墙容量集其中，所述机场繁忙时段为H＝{h₁.h₂,...,h_L}，所述机场期望防火墙时段为F＝{f₁,f₂,...,f_G}，

L表示一天中的时段个数，h_L表示第L个时段，G表示防火墙时段的个数，f_G表示第G个防火墙时段。和，设置机场高峰时段h_l，h_l∈H/F的容量为c_d，遍历所有可能的机场容量配置方案，获得容量场景集

其中，

表示第n^G个容量场景。

本实施例中，在S3中，包括：利用随机动态排队模型M(t)/E_k(t)/1，将所述容量配置方案集的元素作为M(t)/E_k(t)/1模型的到达率，分别计算每个容量场景的平均延误时间，M(t)表示到达时间间隔服从指数分布，E_k(t)表示服务时间服从k阶Erlang分布，t表示排队模型具有动态性，即服务率和到达率会随着时间变化。所述随机动态排队模型中的服务率记为μ。其中，将容量场景集数据作为到达率输入所述动态排队模型后，计算每个容量场景的平均延误时间，获得容量场景集内各元素的期望延误水平

表示第n^G个容量场景对应的期望延误水平。

本实施例中，在S4中，包括：

提取容量场景集的容量特征，所述容量场景集的容量特征包括：每个防火墙的容量与容量场景的总容量，其中容量场景的总容量为容量场景内各时段容量之和。例如：提取容量场景集的容量特征，记为

其中，

表示第η个容量场景中第g个防火墙的容量，

为第η个容量场景的总容量，其值等于第η个容量场景内各时段容量之和，η∈[1,2,...,n^G]，g∈[1,2,...,G]。

以容量场景集内的每个容量场景对应的容量特征和期望延误作为一条数据记录，建立反映了容量特征与期望延误对应关系的训练数据集。例如：以容量场景集内每个容量场景对应的容量特征和期望延误为一个记录，建立“容量特征-期望延误”数据集，记为

本实施例中，在S5中，包括：通过所述决策树算法中的分类回归树，将输入所述训练数据集中的容量特征数据FC作为解释变量，将输入所述训练数据集中的期望延误数据D作为解释变量。

在训练分类回归树的过程中，不断调整所述分类回归树的深度并禁用剪枝策略，直至获取精度为1的初始决策树，例如图2所示，其叶节点数记为K＝4。

本实施例中，在S6中，包括：

检索获取初始决策树中每个叶节点包含的样本，并提取样本的容量特征边界，其中包括总容量的最大值，以及各个防火墙容量的最大值与最小值。

串联每个叶节点及其容量特征边界，获取新路径。

取所有新路径中总容量特征的最大值作为父节点，并将每个叶节点的新路径并联，得到所述融合防火墙的树型容量配置文件，其中，每个路径表示相同期望延误水平下多种容量配置方案的组合，叶节点表示期望延误水平。

进一步的，在S7中，包括：计算初始航班计划的总需求，并从树型容量配置文件中选择可用路径，其中，所述可用路径的最大总容量大于等于初始航班计划总需求，和，期望延误水平小于等于机场可接受延误水平。针对每个可用路径，构造航班时刻优化模型，并计算初始航班计划的最小总偏移量。在S7之后，还包括：通过比较各路径构造航班时刻优化模型所获目标值的最小值，确定优化后的航班时刻分配方案。

在优选方案中，在计算初始航班计划的最小总偏移量的过程中，包括：在所述航班时刻优化模型中，每个航班只获得一个时刻，每个航班对的时间间隔不小于所述机场最小周转时间。将路径对应的容量特征边界值，作为航班时刻优化模型中防火墙时段容量约束上限，非防火墙时段的容量约束上限设置为机场公布容量。

具体举例来说，本实施例在实际应用中，可以实现为下述S1～S20的过程，

S1：所述机场公布容量记为c_d，设置机场期望防火墙时段可能取得的容量最大值为c_max＝c_d，设置机场期望防火墙时段可能取得的容量最小值为c_min＝round(0.8c_d)，其中round(·)表示取整运算，获得机场期望防火墙时段的容量取值范围为[c_min,c_max]，防火墙容量集为C_f＝{c_min,c_min+1,...,c_max}，其元素个数记为n。

S2：记所述机场繁忙时段为H＝{h₁.h₂,...,h_L}，记所述机场期望防火墙时段为F＝{f₁,f₂,...,f_G}，

设置机场期望防火墙时段f_g，f_g∈F的容量为c_f，c_f∈C_f，设置机场高峰时段h_l，h_l∈H/F的容量为c_d，遍历所有可能的机场容量配置方案，获得容量场景集

S3：所述随机动态排队模型M(t)/E_k(t)/1中Erlang阶数记为k，服务率记为μ，将容量场景集数据作为到达率输入所述动态排队模型，计算每个容量场景的平均延误时间，获得容量场景集内各元素的期望延误水平，记为

S4：提取容量场景集的容量特征，记为

其中，

表示第η个容量场景中第g个防火墙的容量，

为第η个容量场景的总容量，其值等于第η个容量场景内各时段容量之和，η∈[1,2,...,n^G]，g∈[1,2,...,G]。

S5：以容量场景集内每个容量场景对应的容量特征和期望延误为一个记录，建立“容量特征-期望延误”数据集，记为

步骤五、利用所述“容量特征-期望延误”数据集，基于决策树算法，训练初始决策树。具体包含以下S6-S7分步骤：

S6：利用所述决策树算法中的分类回归树，输入所述“容量特征-期望延误”数据集中的容量特征数据FC作为解释变量，输入所述“容量特征-期望延误”数据集中的期望延误数据D作为解释变量。

S7：调整所述分类回归树的深度，禁用剪枝策略，训练分类回归树，获得精度为1的初始决策树，如图2所示，其叶节点数记为K＝4。

S8：检索获取初始决策树中第k个叶节点的样本，记为

样本个数记为q，则

可表示为

S9：提取第k个叶节点样本的容量特征边界，第一个容量特征的下界为

第一个容量特征的上界为

类似地，可获得第k个叶节点中所有容量特征边界，对于容量场景的总容量特征，只取其上界。

S10：执行步骤S8-S9获得所有叶节点的容量特征边界。

S11：串联每个叶节点及其容量特征边界，可获得一条新的路径。

S12：执行步骤S11共获得K条路径。

S13：取所有新路径中总容量特征的最大值作为父节点，并联步骤S12获得的每个路径，获得最终的融合防火墙的树型容量配置文件，如图3所示，其中，第一层节点表示树型容量配置文件能够实现的最大容量，第二层节点表示每条路径能够实现的最大容量，第三、四、五层分别表示第一、二、三个防火墙的容量边界，最后一层的叶节点表示按其路径的容量特征值部署机场容量时，获得的延误水平。

S14：计算所述初始航班计划的总需求，记为m_tot，从所述树型容量配置文件中选择路径最大总需求大于等于初始航班计划总需求以及期望延误水平小于等于机场可接受延误水平的路径，记为可用路径P＝{p₁,p₂,...,p_R}。

S15：对于路径p_r，p_r∈P，其总容量上界记为C_total，第g个防火墙容量特征边界记为

令T＝{0,1,...,n}表示每天协调时间片集合，每个时间片的持续时间为5分钟。Z表示机场一天中协调时段的集合，

令td表示每个时段的持续时间，令

表示Z中第l个时段的起点，

z_l∈Z/F，则第z个时段所占的时间片可表示为

令

表示第g个防火墙的起点，

则第g个防火墙所占的时间片可表示为

记M为初始航班计划，AD为初始航班计划中航班对的集合，a、b表示其中一对进场离场航班，t_ad表示这对航班的最小周转时间。记t_m为初始航班计划中航班m的时刻。定义决策变量

表示第g个防火墙的容量。定义0-1决策变量

当

时表示将时刻t分配给航班m，否则

S16：对于路径p_r，p_r∈P，构建航班时刻优化模型，表示为：

其中目标函数(a)最小化初始航班计划的总偏移，约束(b)确保每个航班能且只能获得一个时刻，约束(c)表示每个时段的航班量都不超过机场公布容量，约束(d)表示防火墙时段的航班量不超过防火墙容量，约束(e)表示每个航班对的周转时间必须大于等于最小周转时间。

S18：求解所述航班时刻优化模型，获得目标值

和航班时刻分配方案

S19：对于可用路径集P中的每个路径，按步骤S15-S18，构建航班时刻优化模型并求解，共获得R个航班时刻分配方案和目标函数值。

S20：比较R个目标函数值，其中最小目标函数值对应的航班时刻分配方案即为最终结果，如图4所示。

本实施例设计了一种融合时隙防火墙的树型机场容量配置文件与航班时刻优化方法，主要应用在空中交通管理与规划系统上，可以为机场运营者和时隙协调人员提供了灵活机场容量配置文件与高满意度的航班时刻分配方案。

具体来说，本实施例的方案中，获取机场时隙协调参数数据与机场初始航班计划，其中所述机场时隙协调参数数据包括机场公布容量、机场协调时段、机场繁忙时段、机场期望防火墙时段、机场可接受延误水平以及机场最小周转时间；利用所述机场繁忙时段、机场期望防火墙时段以及机场公布容量，构造机场容量场景集；利用所述机场容量场景集，基于排队理论，计算所述容量场景集内各元素的期望延误水平；利用所述容量场景集及对应的期望延误水平，构造“容量特征-期望延误”数据集；利用所述“容量特征-期望延误”数据集，基于决策树算法，训练初始决策树；利用所述初始决策树，确定融合防火墙的树型容量配置文件；利用所述机场初始航班计划与机场可接受延误水平，从所述树型容量配置文件中提取可用路径，建立多个航班时刻优化模型；求解对比所述航班时刻优化模型的目标值，获取优化后航班时刻分配方案。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。

Claims (10)

1.一种用于机场航班时刻优化的树型防火墙容量配置方法，其特征在于，包括：

S1、获取机场时隙协调参数数据和机场初始航班计划；

S2、利用所述机场时隙协调参数数据建立机场容量场景集；

S3、获取所述容量场景集对应的期望延误水平；

S4、利用所述容量场景集和所述容量场景集对应的期望延误水平，建立训练数据集；

S5、利用所述训练数据集，基于决策树算法训练初始决策树；

S6、利用所述初始决策树获取融合防火墙的树型容量配置文件；

S7、利用所述树型容量配置文件建立航班时刻优化模型。

2.根据权利要求1所述的方法，其特征在于，所述机场时隙协调参数数据包括：机场公布容量、机场协调时段、机场繁忙时段、机场期望防火墙时段、机场可接受延误水平和机场最小周转时间。

3.根据权利要求2所述的方法，其特征在于，在S2中，包括：

S21、利用所述机场公布容量，确定机场期望防火墙时段的容量取值范围，得到防火墙容量集；

S22、在机场繁忙时段内，将期望防火墙时段的容量设置为防火墙容量集内的元素，并将机场高峰时段的容量设置为机场公布容量，获得包含所有防火墙容量组合的容量场景集作为所述容量场景集。

4.根据权利要求3所述的方法，其特征在于，在S21中，包括：设置机场期望防火墙时段可能取得的容量最大值为c_max＝c_d，c_d表示所述机场公布容量，设置机场期望防火墙时段可能取得的容量最小值为c_min＝round(0.8c_d)，round(·)表示取整运算，从而获得机场期望防火墙时段的容量取值范围为[c_min,c_max]，防火墙容量集为C_f＝{c_min,c_min+1,...,c_max}，n表示元素个数；

在S22中，包括：设置机场期望防火墙时段f_g，则f_g∈F的容量为c_f，c_f∈C_f，C_f表示防火墙容量集，其中，所述机场繁忙时段为H＝{h₁.h₂,...,h_L}，所述机场期望防火墙时段为F＝{f₁,f₂,...,f_G}，

L表示一天中的时段个数，h_L表示第L个时段，G表示防火墙时段的个数，f_G表示第G个防火墙时段；和，设置机场高峰时段h_l，h_l∈H/F的容量为c_d，遍历所有可能的机场容量配置方案，获得容量场景集

其中，

表示第n^G个容量场景。

5.根据权利要求2所述的方法，其特征在于，在S3中，包括：利用随机动态排队模型M(t)/E_k(t)/1，将所述容量配置方案集的元素作为M(t)/E_k(t)/1模型的到达率，分别计算每个容量场景的平均延误时间，M(t)表示到达时间间隔服从指数分布，E_k(t)表示服务时间服从k阶Erlang分布，t表示排队模型具有动态性，即服务率和到达率会随着时间变化；所述随机动态排队模型中的服务率记为μ；

其中，将容量场景集数据作为到达率输入所述动态排队模型后，计算每个容量场景的平均延误时间，获得容量场景集内各元素的期望延误水平

表示第n^G个容量场景对应的期望延误水平。

6.根据权利要求2所述的方法，其特征在于，在S4中，包括：

提取容量场景集的容量特征，所述容量场景集的容量特征包括：每个防火墙的容量与容量场景的总容量，其中容量场景的总容量为容量场景内各时段容量之和；

以容量场景集内的每个容量场景对应的容量特征和期望延误作为一条数据记录，建立反映了容量特征与期望延误对应关系的训练数据集。

7.根据权利要求1所述的方法，其特征在于，在S5中，包括：

通过所述决策树算法中的分类回归树，将输入所述训练数据集中的容量特征数据FC作为解释变量，将输入所述训练数据集中的期望延误数据D作为解释变量；

在训练分类回归树的过程中，不断调整所述分类回归树的深度并禁用剪枝策略，直至获取精度为1的初始决策树。

8.根据权利要求1所述的方法，其特征在于，在S6中，包括：

检索获取初始决策树中每个叶节点包含的样本，并提取样本的容量特征边界；

串联每个叶节点及其容量特征边界，获取新路径；

取所有新路径中总容量特征的最大值作为父节点，并将每个叶节点的新路径并联，得到所述融合防火墙的树型容量配置文件。

9.根据权利要求1所述的方法，其特征在于，在S7中，包括：

计算初始航班计划的总需求，并从树型容量配置文件中选择可用路径，其中，所述可用路径的最大总容量大于等于初始航班计划总需求，和，期望延误水平小于等于机场可接受延误水平；

针对每个可用路径，构造航班时刻优化模型，并计算初始航班计划的最小总偏移量；

在S7之后，还包括：通过比较各路径构造航班时刻优化模型所获目标值的最小值，确定优化后的航班时刻分配方案。

10.根据权利要求9所述的方法，其特征在于，在计算初始航班计划的最小总偏移量的过程中，包括：

在所述航班时刻优化模型中，每个航班只获得一个时刻，每个航班对的时间间隔不小于所述机场最小周转时间；

将路径对应的容量特征边界值，作为航班时刻优化模型中防火墙时段容量约束上限，非防火墙时段的容量约束上限设置为机场公布容量。

Images