CN115662192B - 一种用于航班时刻分配场景的机场时隙防火墙设置方法 - Google Patents
一种用于航班时刻分配场景的机场时隙防火墙设置方法 Download PDFInfo
- Publication number
- CN115662192B CN115662192B CN202211210725.4A CN202211210725A CN115662192B CN 115662192 B CN115662192 B CN 115662192B CN 202211210725 A CN202211210725 A CN 202211210725A CN 115662192 B CN115662192 B CN 115662192B
- Authority
- CN
- China
- Prior art keywords
- airport
- capacity
- firewall
- busy
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000010006 flight Effects 0.000 claims abstract description 10
- 230000001934 delay Effects 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 5
- 230000009977 dual effect Effects 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例公开了一种用于航班时刻分配场景的机场时隙防火墙设置方法,涉及空中交通管理与规划技术领域,能够减少建设成本并提高普及程度。本发明包括:获取机场历史航班计划数据、机场历史航班实际运行数据和机场公布容量数据;利用历史航班计划数据,获取需求特征,并确定在典型繁忙日的繁忙时段总需求;利用繁忙时段和防火墙预设位置点,构造融合时隙防火墙的容量配置方案集;利用历史航班实际运行数据,识别繁忙时段的容量场景和各个场景的概率;利用容量配置方案集和容量配置方案集内各元素的期望延误,获取双目标数据集;利用在典型繁忙日的繁忙时段总需求,搜索双目标数据集的帕累托前沿,并建立容量配置方案集的索引。
Description
技术领域
本发明涉及空中交通管理与规划技术领域,尤其涉及一种用于航班时刻分配场景的机场时隙防火墙设置方法。
背景技术
近年来,空中交通不断增长的需求与容量短期内难以提升的矛盾日渐突出,由此导致的容需不匹配引发了严重的航班延误现象。机场容需管理是解决这一问题的着力点。其中,航班时刻分配因其短时有效性的优点,成为广泛采用的容需管理措施。IATA将全球198个机场列入level3,作为实施的时隙协调的对象。在航班时刻分配过程中,机场容量配置方案决定了供给端上限,是航班时刻分配问题的关键约束。
目前,融合防火墙的机场容量配置方案已被应用至包括日本成田、爱尔兰都柏林在内的全球多个机场。通过在一天中的几个时段设置低于公布容量的限制,以起到吸收延误、缓解机场延误时序传播的功能。有研究表明,引入时隙防火墙能够有效减小机场延误状况。时隙防火墙设置的适宜性直接影响未来航季机场需求的满足程度与机场延误水平。
然而,应用时隙防火墙的机场多是根据机场自身需求与容量特性配置机场时隙防火墙,很多方案难以直接复制套用至其它机场,等于是每一个机场都需要专门定制一套自己的时隙防火墙,建设成本高且普及程度不高。因此,需要研究用于指导航班时刻的分配任务的机场时隙防火墙设置的一般性方案,从而减少建设成本并提高普及程度。
发明内容
本发明的实施例提供一种用于航班时刻分配场景的机场时隙防火墙设置方法,可以应用于航班时刻分配的机场时隙防火墙设置,实现了一种指导航班时刻的分配任务的机场时隙防火墙设置的一般性方案,为机场时隙协调人员提供了合理的容量配置方案参考,从而减少建设成本并提高普及程度。
为达到上述目的,本发明的实施例采用如下技术方案:
S1、获取机场历史航班计划数据、机场历史航班实际运行数据和机场公布容量数据,其中,所述机场历史航班计划数据包括航班计划起降时间,所述机场历史航班实际运行数据包括航班实际起降时间;
S2、利用所述机场历史航班计划数据,获取机场需求特征,所述机场需求特征包括:典型繁忙日和繁忙时段;
S3、根据所述机场需求特征,确定机场在典型繁忙日的繁忙时段总需求;
S4、利用所述繁忙时段和防火墙预设位置点,构造融合时隙防火墙的容量配置方案集;
S5、利用所述机场历史航班实际运行数据,识别所述机场繁忙时段的容量场景和各个场景的概率;
S6、利用所述容量配置方案集和所述容量配置方案集内各元素的期望延误,获取双目标数据集;
S7、利用机场在典型繁忙日的繁忙时段总需求,搜索所述双目标数据集的帕累托前沿,并建立所述容量配置方案集的索引,并获得符合条件的数据点,之后将符合条件的数据点对应的容量配置方案集作为最终的融合防火墙的容量配置方案。
本发明实施例提供的用于航班时刻分配场景的机场时隙防火墙设置方法,获取机场历史实际与计划运行数据、以及机场公布容量;利用所述机场历史计划运行数据,识别机场繁忙时段、机场繁忙时段需求低谷点、以及典型繁忙日;利用所述机场繁忙时段以及典型繁忙日,计算典型繁忙日的繁忙时段总需求;利用所述机场公布容量、机场繁忙时段与机场繁忙时段需求低谷点,构造容量配置方案集;利用所述机场历史实际运行数据,基于动态时间规整的K均值聚类算法,识别机场繁忙时段典型容量场景及概率;利用所述容量配置方案集和机场繁忙时段典型容量场景及概率,计算各容量配置方案的期望延误;利用所述机场公布容量、容量配置方案集及其对应的期望延误,获得双目标数据集;搜索所述双目标数据集,获得帕累托前沿,结合所述机场典型繁忙日的繁忙时段总需求,获得机场可接受的防火墙增加量;搜索所述帕累托前沿数据,索引容量配置方案集,即可获得引入防火墙的机场容量配置方案。本发明适用于空中交通管理与规划,可以应用于航班时刻分配的机场时隙防火墙设置,实现了一种指导航班时刻的分配任务的机场时隙防火墙设置的一般性方案,为机场时隙协调人员提供了合理的容量配置方案参考,从而减少建设成本并提高普及程度。
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具体实例的总体流程图;
图2为本发明实施例提供的具体实例的机场需求特征图;
图3为本发明实施例提供的具体实例的平均轮廓系数演化图;
图4为本发明实施例提供的具体实例的机场容量场景图;
图5为本发明实施例提供的具体实例的支配解与帕累托前沿图;
图6为本发明实施例提供的具体实例的融合防火墙的容量配置方案图;
图7为本发明实施例提供的方法流程示意图。
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航班时刻分配场景的机场时隙防火墙设置方法,如图7所示,包括:
S1、获取机场历史航班计划数据、机场历史航班实际运行数据和机场公布容量数据,其中,所述机场历史航班计划数据包括航班计划起降时间,所述机场历史航班实际运行数据包括航班实际起降时间;
其中,“索引”的作用是建立“双目标数据集”中的点和容量配置方案的关系,以便于在获取某个数据点后,可以利用该索引找到这个数据点对应的容量配置方案。
S2、利用所述机场历史航班计划数据,获取机场需求特征,所述机场需求特征包括:典型繁忙日和繁忙时段;
其中,利用所述机场历史航班计划数据,识别机场需求特征的过程,具体可以包括:识别机场繁忙时段;识别机场繁忙时段的需求低谷点,作为容量配置方案中防火墙预设位置点;识别机场典型繁忙日。
S3、根据所述机场需求特征,确定机场在典型繁忙日的繁忙时段总需求。
其中,利用所述机场繁忙时段与机场典型繁忙日,计算机场典型繁忙日的繁忙时段总需求,记为dtot。
S4、利用所述繁忙时段和防火墙预设位置点,构造融合时隙防火墙的容量配置方案集;
S5、利用所述机场历史航班实际运行数据,识别所述机场繁忙时段的容量场景和各个场景的概率;
S6、利用所述容量配置方案集和所述容量配置方案集内各元素的期望延误,获取双目标数据集;
其中,可以利用所述机场历史航班实际运行数据,识别所述机场繁忙时段的容量场景及其概率;之后计算所述容量配置方案集内各元素的期望延误;再利用所述容量配置方案集和所述容量配置方案集内各元素的期望延误,形成双目标数据集。
S7、利用机场在典型繁忙日的繁忙时段总需求,搜索所述双目标数据集的帕累托前沿,并建立所述容量配置方案集的索引,并获得符合条件的数据点,之后将符合条件的数据点对应的容量配置方案集作为最终的融合防火墙的容量配置方案。具体是将容量配置方案集中一个子集作为最终的融合防火墙的容量配置方案。
其中,计算所述双目标数据集的帕累托前沿;再利用所述机场典型繁忙日的繁忙时段总需求,搜索所述双目标数据集的帕累托前沿,索引所述容量配置方案集,获得融合防火墙的容量配置方案。
本实施例中,在S2中,利用所述机场历史航班计划数据,获取机场的繁忙时段,包括:
S201、根据所述机场历史航班计划数据,并计算所有小时需求的40%分位点,作为典型高峰小时的需求,记为dpeak;
S202、统计历史日内每个小时40%分位点的需求,形成小时典型需求,所述小时典型需求记为向量Dh=[d0,d1,...,di,...,dj,...,d23],其中元素的下标为小时;
S203、将所述小时典型需求中的元素依次对比dpeak,获得机场的繁忙时段。例如:以Dh中的d0为例,假如有365个历史日,将365个日期的零时的需求排列,求其40%分位点。
具体的,在S203中,包括从向量Dh的前端,搜索第一个大于dpeak的元素,记为di;再从向量Dh的后端,搜索第一个大于dpeak的元素,记为dj,i和j都为0至23中的整数;将时间段Tb={i,...,j}记录为机场的繁忙时段,繁忙时段的典型需求记为Db=[di,...,dj]。
S204、获取所述繁忙时段的典型需求的中位数。
具体的,计算所述机场繁忙时段典型需求Db=[di,...,dj]的中位数,记为dm。
S205、搜索机场的繁忙时段,将典型需求小于所述中位数的时段作为所述防火墙预设位置点。具体的,搜索所述机场繁忙时段Tb={i,...,j}内,典型需求小于dm的低谷时间点,记为元素个数记为m,/>将需求低谷点Tf作为时隙防火墙预设位置点。实际应用中,所述繁忙时段的需求低谷点可以作为防火墙预设位置点。
进一步的,在S2中,利用所述机场历史航班计划数据,获取机场的典型繁忙日,包括:
S206,根据所述机场历史航班计划数据,统计机场每日总需求;
S207,计算机场每日总需求的80%分位点,并将其对应的日作为典型繁忙日。其中,机场一天的总需求等于该日所有计划航班架次总和,例如:历史数据包含了一年的数据量,“机场每日总需求的80%分位点”则为365个数据点按从小到大的顺序排列后,有80%的数据都小于该值的数据点;此时,若以历史数据中的每日总需求80%分为点,则对应的那一天作为典型繁忙日,在最后选择最终设定的容量配置方案时要利用该日的总需求作为参考,可以将其命名为“典型繁忙日”。
本实施例中,在S4中包括:
S408,根据所述机场公布容量数据,确定防火墙容量的上限和下限,并根据所述防火墙容量的上限和下限,进一步获取防火墙预设位置点容量取值集合;
S409,对所述繁忙时段中的非防火墙预设位置点,配置所述机场公布容量数据中记载的机场公布容量;对所述繁忙时段中的防火墙预设位置点,配置防火墙容量。
其中,利用所述机场公布容量,设置所述防火墙预测位置点的容量上下限,利用容量上下限生成防火墙容量取值集合;对所述机场繁忙时段中的非防火墙预设位置点,配置机场公布容量,对所述机场繁忙时段中的防火墙预设位置点,配置可能的防火墙容量,生成容量配置方案集。具体的,所述机场公布容量记为cd,取防火墙容量的下限为lc=round(0.6cd),防火墙容量的上限为uc=round(0.9cd),其中round(·)表示取整运算,构建防火墙预设位置点容量取值集合Cf={cf|cf=lc+2(x-1),cf≤uc,x∈Z+},其元素个数记为n;对Tb中的非防火墙预设位置点tb,tb∈Tb且配置机场公布容量cd,对每个防火墙预设位置点tf,tf∈Tf配置防火墙容量cf,cf∈Cf,共生成元素个数为nm的容量配置方案集S={s1,s2,...,snm}。
本实施例中,在S5中,包括:
S510,利用所述机场历史航班实际运行数据,统计机场实际小时吞吐量,并得到所述繁忙时段的小时吞吐量的数据集;
S511,利用基于动态时间规整的k-means聚类模型,对数据集中的样本点进行筛选,得到新的数据集;
S512,重复执行S511,直至直到聚类簇内的样本点个数均大于10,记录此时的聚类中心作为所述机场繁忙时段的容量场景,并得到各个场景的概率。
其中,统计机场小时吞吐量,利用所述繁忙时段,截取获得机场繁忙时段小时吞吐量数据;利用机场小时吞吐量数据,构建基于动态时间规整的k-means聚类模型,识别获得繁忙时段典型的机场容量场景以及概率。具体的,利用所述机场历史航班实际运行数据,统计机场实际小时吞吐量,截取繁忙时段内的机场小时吞吐量数据,获得机场繁忙时段小时吞吐量数据集M,元素m∈M为j-i+1维时间序列,表示一天内繁忙时段的吞吐量;对数据集M,利用基于动态时间规整的k均值聚类算法,分别计算聚类簇数k=3,...,10时的样本平均轮廓系数,选择平均轮廓系数取最大值时的聚类簇数k*,统计每个簇内的样本点个数,当簇内样本点个数小于等于10时,从数据M中删去该簇内的样本点,形成新的数据集M';将M←M',上述过程,直到聚类簇数取k*,即平均轮廓系数最大值时的聚类簇数,每个簇内的样本点个数均大于10时,确定最终聚类簇数为k*,其聚类中心即为机场容量场景容量场景的概率为/>
本实施例中,在S6中,包括:
S613、将所述容量配置方案集的元素作为动态时变排队模型的到达率,将机场容量场景作为所述动态时变排队模型的服务率,得到每个容量场景下的每个容量配置方案对应的平均等待时间;
S614、利用所述机场繁忙时段的各个场景的概率,对每个容量配置方案在不同容量场景下的平均等待时间进行加权处理,得到容量配置方案的期望延误时间
S615、根据容量配置方案的期望延误时间,确定所述容量配置方案集内各元素的期望延误。
其中,利用动态时变排队模型M(t)/Ek(t)/1,将所述容量配置方案集的元素作为M(t)/Ek(t)/1模型的到达率,将机场容量场景作为M(t)/Ek(t)/1的服务率,分别计算每个容量场景下的每个容量配置方案对应的平均等待时间;利用所述机场容量场景概率,加权每个容量配置方案在不同容量场景下的平均等待时间,加权之和为容量配置方案的期望延误时间。具体的,对于容量配置方案s,s∈S,将其动态时变排队模型的M(t)/Ek(t)/1顾客到达率,将机场容量场景作为M(t)/Ek(t)/1的服务率,分别计算每个容量场景cs,cs∈CS下的平均等待时间,即为容量配置方案s在容量场景cs下的平均延误时间,容量配置方案s在每个容量场景下的延误记为容量配置方案s的期望延误时间为,计算容量配置方案集内各元素的期望延误,可获得
具体的,所述获取双目标数据集,包括:
S616:计算不含防火墙的容量配置方案下的总容量;
S617:计算容量配置方案集内每条容量配置方案构型的总容量;
S618:计算容量配置方案集内每个容量配置方案的防火墙增加量;
S619:根据容量配置方案的期望延误数据与容量配置方案的防火墙的增加量,得到双目标数据集。
其中,可以利用所述机场公布容量和所述机场繁忙时段,计算获得不含防火墙的容量配置方案下的总容量;利用所述容量配置方案集,计算容量配置方案集内每条容量配置方案的总容量;利用所述不含防火墙的容量配置方案下的总容量与所述容量配置方案构型的总容量,计算容量配置方案集内每个容量配置方案的防火墙增加量;融合所述容量配置方案防火墙增加量数据与所述容量配置方案期望延误数据,形成双目标数据集。
具体的,计算不含防火墙的容量配置方案下的总容量ctd=cd(i-j+1);计算容量配置方案集内每条容量配置方案构型的总容量,记为;计算容量配置方案集内每个容量配置方案的防火墙增加量/>另记为/>融合容量配置方案的期望延误数据W与容量配置方案的防火墙的增加量INC,,形成“时隙防火墙增加量-容量配置方案期望延误”双目标数据集之后,将时隙防火墙设置转化为多目标优化问题,即希望使时隙防火墙的增加量与时隙期望延误两者尽量小,以满足机场能够分配较多的需求的同时实现较小的延误。
本实施例中,可以利用帕累托最优化理论,计算所述双目标数据集的帕累托前沿。计算双目标数据集的帕累托前沿。基于帕累托最优化理论,计算获得双目标数据集O的帕累托前沿Opf。因此在S7中,包括:
S720、利用机场在典型繁忙日的繁忙时段总需求,计算机场可接受的防火墙增加量incacp,并搜索帕累托前沿Opf,获取incacp对应的期望延误wacp;
S721、搜索所述容量配置方案集内的总容量CT等于ctd-incacp的元素,并加入集合G1,其中,ctd表示不含防火墙的容量配置方案下的总容量…;和,搜索所述容量配置方案集内的期望延误等于wacp的元素,并加入集合G2,之后取G1与G2的交集为G,基于交集G获取最终容量配置方案。
具体的,利用所述机场典型繁忙日的繁忙时段总需求dtot,计算机场可接受的防火墙增加量为incacp,搜索帕累托前沿Opf,获取incacp对应的期望延误wacp;搜索所述容量配置方案集内各元素的总容量CT内等于ctd-incacp的元素,各元素下标记为集合G1,搜索所述容量配置方案集内各元素的期望延误W内延误等于wacp的元素,各元素下标记为集合G2,取G1与G2的交集为G,利用g∈G索引容量配置方案集,获得容量配置方案sg,其中g∈G,即为最终融合防火墙的容量配置方案。
具体举例来说,本实施例在实际应用中可以实现为如图1所示的具体过程,其中包括如下步骤:
步骤1、获取机场数据集,包括:历史航班实际运行数据,机场公布容量、机场历史航班计划数据、机场历史航班实际运行数据。收集上海浦东机场2019年全年航班运行数据,包含航班计划起降时间、航班实际起降时间。
步骤2、提取机场繁忙时段、防火墙预设位置点、以及机场典型繁忙日。具体包含以下S1-S5分步骤:
子步骤1:统计数据集中机场每日的小时需求,即每小时的计划起降航班量,计算所有小时需求的40%分位点,作为典型高峰小时的需求,记为dpeak;
子步骤2:统计历史日内每个小时40%分位点的需求,形成小时典型需求,记为,向量Dh=[d0,d1,...,di,...,dj,...,d23],元素的下标为小时,如图2所示;
子步骤3:从向量前端,搜索第一个大于dpeak的元素,记为di,类似地,从向量后端,搜索第一个大于dpeak的元素,记为dj,时间段Tb={i,...,j}即为机场繁忙时段,如图2所示8-21时即为繁忙时段,相应地,繁忙时段典型需求记为Db=[di,...,dj],如图2中8-21时对应的需求;
子步骤4:计算繁忙时段典型需求Db=[di,...,dj]的中位数,记为dm;
子步骤5:搜索时段Tb={i,...,j}内,典型需求小于dm的低谷时间点,记为元素个数记为m,/>将需求低谷点Tf作为时隙防火墙预设位置点,如图2所示,10时、13时、16时、19时即为时隙防火墙预设位置点。
子步骤6:利用所述机场历史航班计划数据,统计机场每日总需求;
子步骤7:计算每日总需求的80%分位点,其对应的日即为典型繁忙日;
步骤3、机场典型繁忙日的繁忙时段总需求。具体包括:利用所述机场繁忙时段与机场典型繁忙日,计算机场典型繁忙日的繁忙时段总需求dtot,记为1051架次。
步骤4、构造融合防火墙的容量配置方案集。具体包含以下子步骤8-子步骤9分步骤:
子步骤8:机场公布容量cd记为78架次/小时,取防火墙容量的下限为lc=round(0.6cd),防火墙容量的上限为uc=round(0.9cd),其中round(·)表示取整运算,构建防火墙容量取值集合Cf={cf|cf=lc+2(x-1),cf≤uc,x∈Z+},其元素个数记为n;
子步骤9:对Tb中的非防火墙预设位置点tb,tb∈Tb且配置机场公布容量cd,对每个防火墙预设位置点tf,tf∈Tf配置防火墙容量cf,cf∈Cf,共生成元素个数为nm的容量配置方案集/>
步骤5、识别繁忙时段典型容量场景。具体包含以下子步骤10-子步骤12分步骤:
子步骤10:利用所述机场历史航班实际运行数据,统计机场实际小时吞吐量,截取繁忙时段内的机场小时吞吐量数据,获得机场繁忙时段小时吞吐量数据集M,元素m∈M为j-i+1维时间序列,表示一天内繁忙时段的吞吐量;
子步骤11:对数据集M,利用基于动态时间规整的k均值聚类算法,分别计算聚类簇数k=3,...,10时的样本平均轮廓系数,选择平均轮廓系数取最大值时的聚类簇数k*,统计每个簇内的样本点个数,当簇内样本点个数小于等于10时,从数据M中删去该簇内的样本点,形成新的数据集M';
子步骤12:将M←M',重复步骤子步骤11,直到聚类簇数取k*时,每个簇内的样本点个数均大于10,如图3所示,确定最终聚类簇数为k*,如图4所示,其聚类中心即为机场容量场景容量场景的概率为/>
步骤6、计算容量配置方案集内各容量配置方案的期望延误。具体包含以下子步骤13-子步骤15分步骤:
子步骤13:对于容量配置方案s,s∈S,将其动态时变排队模型的M(t)/Ek(t)/1顾客到达率,将机场容量场景作为M(t)/Ek(t)/1的服务率,分别计算每个容量场景cs,cs∈CS下的平均等待时间,即为容量配置方案s在容量场景cs下的平均延误时间,容量配置方案s在每个容量场景下的延误记为
子步骤14:容量配置方案s的期望延误时间为,
子步骤15:计算容量配置方案集内各元素的期望延误,可获得
步骤7:形成“时隙防火墙增加量-容量配置方案期望延误”双目标数据集。具体包含以下子步骤16-子步骤19分步骤:
子步骤16:计算不含防火墙的容量配置方案下的总容量ctd=cd(i-j+1);
子步骤17:计算容量配置方案集内每条容量配置方案构型的总容量,记为
子步骤18:计算容量配置方案集内每个容量配置方案的防火墙增加量另记为/>
子步骤19:融合容量配置方案的期望延误数据W与容量配置方案的防火墙的增加量INC,如图5所示,形成“时隙防火墙增加量-容量配置方案期望延误”双目标数据集
将时隙防火墙设置转化为多目标优化问题,即希望使时隙防火墙的增加量与时隙期望延误两者尽量小,以满足机场能够分配较多的需求的同时实现较小的延误。
步骤8:计算双目标数据集的帕累托前沿。基于帕累托最优化理论,计算获得双目标数据集O的帕累托前沿Opf,如图5所示。
步骤9:确定融合防火墙的容量配置方案。具体包含以下子步骤20-子步骤21分步骤:
子步骤20:利用所述机场典型繁忙日的繁忙时段总需求dtot=1051,计算其可接受的防火墙增加量为incacp,搜索帕累托前沿Opf,获取incacp对应的期望延误wacp;
子步骤21:搜索所述容量配置方案集内各元素的总容量CT内等于ctd-incacp的元素,各元素下标记为集合G1,搜索所述容量配置方案集内各元素的期望延误W内延误等于wacp的元素,各元素下标记为集合G2,取G1与G2的交集为G,利用g∈G索引容量配置方案集,最终获得两种满足机场需求的融合防火墙的容量配置方案,如图6所示。
本发明实施例提供的用于航班时刻分配场景的机场时隙防火墙设置方法,获取机场历史实际与计划运行数据、以及机场公布容量;利用所述机场历史计划运行数据,识别机场繁忙时段、机场繁忙时段需求低谷点、以及典型繁忙日;利用所述机场繁忙时段以及典型繁忙日,计算典型繁忙日的繁忙时段总需求;利用所述机场公布容量、机场繁忙时段与机场繁忙时段需求低谷点,构造容量配置方案集;利用所述机场历史实际运行数据,基于动态时间规整的K均值聚类算法,识别机场繁忙时段典型容量场景及概率;利用所述容量配置方案集和机场繁忙时段典型容量场景及概率,计算各容量配置方案的期望延误;利用所述机场公布容量、容量配置方案集及其对应的期望延误,获得双目标数据集;搜索所述双目标数据集,获得帕累托前沿,结合所述机场典型繁忙日的繁忙时段总需求,获得机场可接受的防火墙增加量;搜索所述帕累托前沿数据,索引容量配置方案集,即可获得引入防火墙的机场容量配置方案。本发明适用于空中交通管理与规划,可以应用于航班时刻分配的机场时隙防火墙设置,为机场时隙协调人员提供了合理的容量配置方案参考。
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 (5)
1.一种用于航班时刻分配场景的机场时隙防火墙设置方法,其特征在于,包括:
S1、获取机场历史航班计划数据、机场历史航班实际运行数据和机场公布容量数据,其中,所述机场历史航班计划数据包括航班计划起降时间,所述机场历史航班实际运行数据包括航班实际起降时间;
S2、利用所述机场历史航班计划数据,获取机场需求特征,所述机场需求特征包括:典型繁忙日和繁忙时段;
S3、根据所述机场需求特征,确定机场在典型繁忙日的繁忙时段总需求;
S4、利用所述繁忙时段和防火墙预设位置点,构造融合时隙防火墙的容量配置方案集;
S5、利用所述机场历史航班实际运行数据,识别所述机场繁忙时段的容量场景和各个场景的概率;
S6、利用所述容量配置方案集和所述容量配置方案集内各元素的期望延误,获取双目标数据集,并建立所述容量配置方案集的索引;
S7、利用机场在典型繁忙日的繁忙时段总需求,搜索所述双目标数据集的帕累托前沿,并获得符合条件的数据点,之后将符合条件的数据点对应的容量配置方案集作为最终的融合防火墙的容量配置方案;
在S4中包括:
S408,根据所述机场公布容量数据,确定防火墙容量的上限和下限,并根据所述防火墙容量的上限和下限,进一步获取防火墙预设位置点容量取值集合;
S409,对所述繁忙时段中的非防火墙预设位置点,配置所述机场公布容量数据中记载的机场公布容量;对所述繁忙时段中的防火墙预设位置点,配置防火墙容量;
在S5中,包括:
S510,利用所述机场历史航班实际运行数据,统计机场实际小时吞吐量,并得到所述繁忙时段的小时吞吐量的数据集;
S511,利用基于动态时间规整的k-means聚类模型,对数据集中的样本点进行筛选,得到新的数据集;
S512,重复执行S511,直至直到聚类簇内的样本点个数均大于10,记录此时的聚类中心作为所述机场繁忙时段的容量场景,并得到各个场景的概率;
在S6中,包括:
S613、将所述容量配置方案集的元素作为动态时变排队模型的到达率,将机场容量场景作为所述动态时变排队模型的服务率,得到每个容量场景下的每个容量配置方案对应的平均等待时间;
S614、利用所述机场繁忙时段的各个场景的概率,对每个容量配置方案在不同容量场景下的平均等待时间进行加权处理,得到容量配置方案的期望延误时间
S615、根据容量配置方案的期望延误时间,确定所述容量配置方案集内各元素的期望延误;
所述获取双目标数据集,包括:
S616:计算不含防火墙的容量配置方案下的总容量;
S617:计算容量配置方案集内每条容量配置方案构型的总容量;
S618:计算容量配置方案集内每个容量配置方案的防火墙增加量;
S619:根据容量配置方案的期望延误数据与容量配置方案的防火墙的增加量,得到双目标数据集;
在S7中,包括:
S720、利用机场在典型繁忙日的繁忙时段总需求,计算机场可接受的防火墙增加量incacp,并搜索帕累托前沿Opf,获取incacp对应的期望延误wacp;
S721、搜索所述容量配置方案集内的总容量CT等于ctd-incacp的元素,并加入集合G1,其中,ctd表示不含防火墙的容量配置方案下的总容量;和,搜索所述容量配置方案集内的期望延误等于wacp的元素,并加入集合G2,之后取G1与G2的交集为G,基于交集G获取最终容量配置方案。
2.根据权利要求1所述的方法,其特征在于,在S2中,利用所述机场历史航班计划数据,获取机场的繁忙时段,包括:
S201、根据所述机场历史航班计划数据,并计算所有小时需求的40%分位点,作为典型高峰小时的需求,记为dpeak;
S202、统计历史日内每个小时40%分位点的需求,形成小时典型需求,所述小时典型需求记为向量Dh=[d0,d1,...,di,...,dj,...,d23],其中元素的下标为小时;
S203、将所述小时典型需求中的元素依次对比dpeak,获得机场的繁忙时段。
3.根据权利要求2所述的方法,其特征在于,在S203中,包括
从向量Dh的前端,搜索第一个大于dpeak的元素,记为di;
再从向量Dh的后端,搜索第一个大于dpeak的元素,记为dj,i和j都为0至23中的整数;
将时间段Tb={i,...,j}记录为机场的繁忙时段,繁忙时段的典型需求记为Db=[di,...,dj]。
4.根据权利要求2或3所述的方法,其特征在于,还包括:
S204、获取所述繁忙时段的典型需求的中位数;
S205、搜索机场的繁忙时段,将典型需求小于所述中位数的时段作为所述防火墙预设位置点。
5.根据权利要求1所述的方法,其特征在于,在S2中,利用所述机场历史航班计划数据,获取机场的典型繁忙日,包括:
S206,根据所述机场历史航班计划数据,统计机场每日总需求;
S207,计算机场每日总需求的80%分位点,并将其对应的日作为典型繁忙日。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211210725.4A CN115662192B (zh) | 2022-09-30 | 2022-09-30 | 一种用于航班时刻分配场景的机场时隙防火墙设置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211210725.4A CN115662192B (zh) | 2022-09-30 | 2022-09-30 | 一种用于航班时刻分配场景的机场时隙防火墙设置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115662192A CN115662192A (zh) | 2023-01-31 |
CN115662192B true CN115662192B (zh) | 2024-02-13 |
Family
ID=84985054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211210725.4A Active CN115662192B (zh) | 2022-09-30 | 2022-09-30 | 一种用于航班时刻分配场景的机场时隙防火墙设置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115662192B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025805A (zh) * | 2017-04-23 | 2017-08-08 | 温州云航信息科技有限公司 | 基于候补机制的协同决策系统时刻计算方法及对应系统 |
CN107944625A (zh) * | 2017-11-23 | 2018-04-20 | 南京航空航天大学 | 基于历史运行数据驱动的单机场航班换季时隙优化方法 |
CN109711619A (zh) * | 2018-12-26 | 2019-05-03 | 南京航空航天大学 | 考虑空地运行限制的多机场战略航班时刻协同优化方法 |
CN109740871A (zh) * | 2018-12-18 | 2019-05-10 | 温州云航信息科技有限公司 | 一种基于缓冲机制的航班时隙资源利用方法及对应系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9640078B2 (en) * | 2015-06-19 | 2017-05-02 | Amadeus S.A.S. | Authority issued slot assignment optimization |
-
2022
- 2022-09-30 CN CN202211210725.4A patent/CN115662192B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025805A (zh) * | 2017-04-23 | 2017-08-08 | 温州云航信息科技有限公司 | 基于候补机制的协同决策系统时刻计算方法及对应系统 |
CN107944625A (zh) * | 2017-11-23 | 2018-04-20 | 南京航空航天大学 | 基于历史运行数据驱动的单机场航班换季时隙优化方法 |
CN109740871A (zh) * | 2018-12-18 | 2019-05-10 | 温州云航信息科技有限公司 | 一种基于缓冲机制的航班时隙资源利用方法及对应系统 |
CN109711619A (zh) * | 2018-12-26 | 2019-05-03 | 南京航空航天大学 | 考虑空地运行限制的多机场战略航班时刻协同优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115662192A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boettcher et al. | Extremal optimization for graph partitioning | |
CN102799486B (zh) | 一种MapReduce系统中的数据采样和划分方法 | |
CN112070355B (zh) | 一种机场摆渡车的分配调度方法 | |
CN110457577B (zh) | 数据处理方法、装置、设备和计算机存储介质 | |
CN109788489A (zh) | 一种基站规划方法及装置 | |
CN108833302B (zh) | 云环境下基于模糊聚类及严格双边匹配的资源分配方法 | |
CN112819054A (zh) | 一种切片模板配置方法及装置 | |
CN106528804A (zh) | 一种基于模糊聚类的用户分群方法 | |
CN113298569A (zh) | 一种基于人工智能的电力需求侧管理方法及系统 | |
CN109002966B (zh) | 一种基于k均值聚类的多星任务规划方法 | |
CN109871488A (zh) | 一种融合可用度和用户偏好的Web服务构建方法及Web服务 | |
CN116050540A (zh) | 一种基于联合双维度用户调度的自适应联邦边缘学习方法 | |
CN103856185A (zh) | 一种基于fpga的粒子滤波权值处理及重采样方法 | |
CN115662192B (zh) | 一种用于航班时刻分配场景的机场时隙防火墙设置方法 | |
CN112508260B (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
CN111385805A (zh) | 射频指纹信息库生成、栅格定位方法及装置 | |
CN117407921A (zh) | 基于必连和勿连约束的差分隐私直方图发布方法及系统 | |
CN111125158B (zh) | 数据表处理方法、装置、介质及电子设备 | |
CN109064353B (zh) | 一种基于改进聚类融合的大型建筑用户行为分析方法 | |
CN108520087B (zh) | 一种机械结构异类多目标性能的稳健性度量与均衡优化设计方法 | |
CN115860388A (zh) | 多元负荷调控方法、装置、终端及存储介质 | |
CN113808287B (zh) | 一种停车场分区域计时计费的管理方法及系统 | |
CN115292361A (zh) | 一种分布式能源异常数据的筛选方法及系统 | |
CN105868435B (zh) | 一种基于线性相关性分析实现光网络建设的高效控制方法 | |
CN109344259A (zh) | 一种基于多层划分框架的rdf分布式存储方法 |
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 |