CN116934046A - 一种基于机器学习与运筹优化的智能调度方法 - Google Patents
一种基于机器学习与运筹优化的智能调度方法 Download PDFInfo
- Publication number
- CN116934046A CN116934046A CN202310965845.3A CN202310965845A CN116934046A CN 116934046 A CN116934046 A CN 116934046A CN 202310965845 A CN202310965845 A CN 202310965845A CN 116934046 A CN116934046 A CN 116934046A
- Authority
- CN
- China
- Prior art keywords
- data
- scheduling
- task
- time
- scheme
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000010801 machine learning Methods 0.000 title claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 60
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000010006 flight Effects 0.000 claims description 19
- 238000009825 accumulation Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000012797 qualification Methods 0.000 description 13
- 230000003111 delayed effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063118—Staff planning in a project environment
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063114—Status monitoring or status determination for a person or group
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于机器学习与运筹优化的智能调度方法,该方法包括步骤:预先调度:通过对未来预定时间范围内的航班计划、人员排班计划、任务保障计划进行人员‑任务排班的最佳资源调度,识别并保障资源需求;实时调度优化:平台通过采集动态变化数据,实时分析监控预先资源调度方案产生的冲突,通过更新产出实时优化的最佳资源调度方案解决冲突;调度绩效评价:平台根据最佳资源调度方案计算统计最佳资源调度方案运行后的指标评分,对最佳资源调度方案进行评估;仿真模拟:平台将最佳资源调度方案处理为仿真系统的输入,获得仿真系统模拟真实运行效果,对最佳资源调度方案进行评估。本发明可以提升调度效率和准确性。
Description
技术领域
本发明涉及机坪智能调度技术领域,尤其涉及一种基于机器学习与运筹优化的智能调度方法。
背景技术
随着机场机坪范围不断扩大,机场航班保障涉及的区域增加,机场三级指挥管控能力不足以满足机场的航班保障要求;调度人员需要掌控更大的机坪范围,指挥更多的保障人员,已超过调度人员的指挥能力,特别是航班高峰期时,保障任务量大、航班动态变化频繁,调度频繁出错,指挥合理性下降,需要由信息系统替代调度人员,提升机场调度指挥能力。
发明内容
鉴于此,本发明的目的在于提供一种基于机器学习与运筹优化的智能调度方法,以解决或至少部分解决现有技术所存在的上述问题。
为实现上述发明目的,本发明提供一种基于机器学习与运筹优化的智能调度方法,所述方法包括以下步骤:
预先调度:通过对未来预定时间范围内的航班计划、人员排班计划、任务保障计划进行人员-任务排班的最佳资源调度,识别并保障资源需求;
实时调度优化:平台通过采集动态变化数据,实时分析监控预先资源调度方案产生的冲突,通过更新产出实时优化的最佳资源调度方案解决冲突;
调度绩效评价:平台根据最佳资源调度方案计算统计最佳资源调度方案运行后的指标评分,对最佳资源调度方案进行评估;
仿真模拟:平台将最佳资源调度方案处理为仿真系统的输入,获得仿真系统模拟真实运行效果,对最佳资源调度方案进行评估。
进一步的,预先调度具体包括以下步骤:
S101、采集计划数据,所述计划数据包括未来N小时的业务数据、静态数据、航班相关数据、任务特性配置数据;
S102、获取航班计划和保障协议数据,生成航班数据,通过人员排班计划数据,生成人员-时间数据矩阵;
S103、获取静态数据,所述静态数据包括航班旅客信息、货邮信息、行李信息和机场环境信息;
S104、获取机位数据和登机口数据,生成机位数据矩阵、登机口数据矩阵;
S105、利用历史数据通过机器学习模型预测在不同组合因素下航班需要保障的任务数量及任务保障时长,生成需要决策调度的任务-时间数据矩阵;
S106、设置约束、目标数据矩阵,根据历史数据进行模拟调度,输出在不同保障模式下的决策影响约束、目标和权重值;
S107、根据步骤S102~S106所获得的数据形成调度算法所需数据输入,形成多目标AASP(Airport apron scheduling problem,机场机坪调度问题)算法模型,输出最佳资源调度方案。
进一步的,实时调度优化具体包括以下步骤:
S201、通过手持终端设备实时采集人员、设备的定位数据和任务下发反馈状态数据;
S202、获取航班动态数据、人员动态数据和任务实际执行状态数据;
S203、根据步骤S201和S202获取的数据,自动识别调度计划与实时运行的冲突;
S204、设置考虑全局目标最优的资源调度方案条件下的方案最小调整目标,将方案最小调整目标添加到AASP模型中进行调度以解决冲突,更新并输出经过实时优化的最佳资源调度方案。
进一步的,所述调度绩效评价具体为:对最佳资源调度方案的绩效评价指标进行统计分析,输出最佳资源调度方案和相应的绩效评价信息,收集相应的任务状态反馈信息。
进一步的,所述仿真模拟具体为:将步骤S107或S204输出的最佳资源调度方案输入仿真系统,对最佳资源调度方案运行效果进行模拟,输出模拟运行指标统计结果。
进一步的,所述步骤S105具体包括:获取预设时间范围内步骤S102、S103所对应的历史积累数据,对历史积累数据进行特性分析,构建预测分析模型,拟合生成航班各类型任务数量、任务耗时公式,根据任务相关性数据,设定任务开始时间由配置生成,根据任务开始时间与预测得到的任务耗时得到任务结束时间,形成决策调度输入所需的任务数据矩阵和资源数据矩阵。
进一步的,所述步骤S106具体包括:获取预设时间范围内步骤S102、S103、S104、S105所对应的历史积累数据,生成约束和目标影响数据,根据历史积累数据分析模拟调度,模拟生成机场不同保障模式下的资源调度方案,通过调整约束、目标和权重值达到最佳资源调度方案,记录此次最佳资源调度方案的约束、目标和权重值,形成不同保障模式下决策调度所需的约束、目标、权重值数据。
进一步的,所述步骤S107具体包括:将任务数据矩阵、资源数据矩阵、约束、目标、权重值输入到AASP模型,初始化AASP模型的约束、目标、权重值,设置模型搜索时间上限和首个方案搜索策略,基于首个方案搜索策略搜索出首个可行的资源调度方案,在搜索出的首个资源调度方案的基础上基于元启发式搜索策略进行搜索,输出最佳资源调度方案。
进一步的,步骤S106中,目标通过赋予惩罚值进行控制和优化,根据各目标预设的惩罚值规则确定目标值,设置目标值的上下限约束,根据惩罚值计算式给予模型惩罚值,惩罚值计算式具体为:惩罚值=(实际值-目标值)×目标惩罚权重系数×基准数值。
进一步的,在首个资源调度方案的基础上基于元启发式搜索策略进行搜索,具体为根据首个方案搜索策略和元启发式搜索策略形成两两匹配矩阵,即形成一个首个方案搜索策略对应一个元启发式搜索策略的二维数组组合,循环二维数组组合,每次循环通过一个线程进行方案搜索,得到每个组合对应的资源调度方案,选择惩罚值最小的资源调度方案输出。
与现有技术相比,本发明的有益效果是:
本发明提供的一种基于机器学习与运筹优化的智能调度方法,运用智能技术提升了调度的效率和精确性,降低了机场地勤服务的成本,可以确保地勤服务的高效性和准确性,减少旅客排队时间、提高行李运输效率,从而提升旅客的出行体验和满意度,并且所述方法的应用还可以提高地勤人员的工作满意度和生活质量,通过自动化的调度和优化资源利用,可以减少地勤人员的工作压力和工作量,提高工作效率,增强地勤人员的工作积极性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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优选实施例,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他的附图。
图1是本发明实施例提供的一种基于机器学习与运筹优化的智能调度方法整体流程示意图。
图2是本发明实施例提供的预先调度阶段流程示意图。
图3是本发明实施例提供的实时调度优化阶段流程示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所列举实施例只用于解释本发明,并非用于限定本发明的范围。
参照图1,本实施例提供一种基于机器学习与运筹优化的智能调度方法,所述方法应用于基于机器学习与运筹优化的双引擎智能调度平台,所述平台包括WEB端和服务端。
其中WEB端主要用于机场调度人员设置任务预测配置和调度排班配置,平台根据配置进行任务数量、保障时间节点预测,并预排未来任务保障排班计划,平台支持输出排班各统计指标评分及仿真模拟运行,调度人员可手动调整或者平台自动根据航班动态变更进行调度监控及预警,自动重新预排班。
服务端由算法服务和OpenAPI服务组成,算法服务提供大数据预测分析及运筹优化算法服务,支撑平台任务预测及调度排班;OpenAPI服务提供标准化的API接口,支持不同机场机坪保障业务系统快速接入,实现机坪保障智能调度需求。
所述方法具体包括以下四个阶段:
预先调度:通过对未来预定时间范围内的航班计划、人员排班计划、任务保障计划进行人员-任务排班的最佳资源调度,识别并保障资源需求。
实时调度优化:平台通过监听机场航班计划变更、人员在岗计划变更等动态变化数据引起的航班时间变更、任务执行时间变更、任务-人员安排变更等,实时分析监控预先资源调度方案产生的冲突,通过更新产出实时优化的最佳资源调度方案解决冲突。
调度绩效评价:平台根据最佳资源调度方案计算统计最佳资源调度方案运行后的指标评分,对最佳资源调度方案进行评估。
仿真模拟:平台将最佳资源调度方案处理为仿真系统的输入,获得仿真系统模拟真实运行效果,对最佳资源调度方案进行评估。
参照图2,预先调度阶段具体包括以下步骤:
S101、采集计划数据,所述计划数据包括未来N小时的航班计划、保障协议、人员排班等业务数据;机场机位、登机口、跑道等静态数据;历史航班动态、航班保障任务时长、航空器滑行路径和滑行时长、航班客货量、气象等航班相关数据;任务特性配置数据。
S102、获取航班计划和保障协议数据,生成航班数据,通过人员排班计划数据,生成人员-时间数据矩阵。该步骤具体包括:获取预定时间范围内航班计划,在岗保障人员,机位移动距离,登机口移动距离,保障人员历史工作量,人员资质,人员岗位,任务类型,任务特性等数据,对数据进行格式化,标准化处理形成静态决策数据。
S103、获取静态数据,所述静态数据包括航班旅客信息、货邮信息、行李信息和机场环境信息,例如航班进港旅客、离港旅客、进港货邮重量、离港货邮重量、进港行李重量、离港行李重量、机场天气、机场风向、机场风速、机场跑道、航班起飞跑道、航班降落跑道、航班滑行距离、航班时刻、航季等数据,对数据进行格式化,标准化处理形成影响因素数据。
S104、获取机位数据和登机口数据,生成机位数据矩阵、登机口数据矩阵。该步骤具体包括:获取机位、登机口等航班相关地面保障资源数据,形成机位数据矩阵、登机口数据矩阵。机位数据矩阵包括机位编码、机位区域、机位坐标、机位之间距离;登机口数据矩阵包括登机口编码、登机口区域、登机口坐标、登机口之间距离。
S105、利用历史数据通过机器学习模型预测在不同机型、使用跑道、停靠机位和气象等组合因素下航班需要保障的任务数量及任务保障时长,生成需要决策调度的任务-时间数据矩阵。
步骤S105具体包括:获取预设时间范围内步骤S102、S103所对应的历史积累数据,对历史积累数据进行特性分析,构建预测分析模型,拟合生成航班各类型任务数量、任务耗时公式,根据任务相关性数据,设定任务开始时间由配置生成,根据任务开始时间与预测得到的任务耗时得到任务结束时间,形成决策调度输入所需的任务数据矩阵和资源数据矩阵。任务数据矩阵包括任务编码、任务名称、任务耗时、任务开始时间、任务结束时间、任务所在机位、任务所在登机口、任务所需资质、任务所需岗位等;资源数据矩阵包括人员编码、人员名称、人员资质、人员岗位、人员上班开始时间、人员上班结束时间、人员历史工作量、人员工作状态等。
S106、设置约束、目标数据矩阵,根据历史数据进行模拟调度,输出在不同保障模式下的决策影响约束、目标和权重值。所述保障模式包括高峰、平峰。
步骤S106具体包括:获取预设时间范围内步骤S102、S103、S104、S105所对应的历史积累数据,生成约束和目标影响数据,根据历史积累数据分析模拟调度,模拟生成机场不同保障模式下的资源调度方案,通过调整约束、目标和权重值达到最佳资源调度方案,记录此次最佳资源调度方案的约束、目标和权重值,形成不同保障模式下决策调度所需的约束、目标、权重值数据。所述约束包括资质、岗位、工作时长、在岗时段等。所述目标包括移动距离最短、工作次数均衡、工作时长均衡、休息间隔均衡、加班时长均衡、最小保障时间、优先保障航班、优先延误航班、岗位优先级、最佳资源调度方案最小调整等。
S107、根据步骤S102~S106所获得的数据形成调度算法所需数据输入,形成多目标AASP(Airport apron scheduling problem,机场机坪调度问题)算法模型,输出最佳资源调度方案。
步骤S107具体包括:将任务数据矩阵、资源数据矩阵、约束、目标、权重值输入到AASP模型,初始化AASP模型的约束、目标、权重值,设置模型搜索时间上限和首个方案搜索策略,基于首个方案搜索策略搜索出首个可行的资源调度方案,在搜索出的首个资源调度方案的基础上基于元启发式搜索策略进行搜索,输出最佳资源调度方案。
示例性的,首个方案搜索策略可以从以下策略中选择:
GLOBAL_CHEAPEST_ARC:迭代连接生成最便宜的路由段的两个节点。
LOCAL_CHEAPEST_ARC:选择第一个具有未绑定后继节点的节点,并将其连接到产生最便宜的路由段的节点。
PATH_CHEAPEST_ARC:从路由“start”节点开始,连接到生成最便宜的路由段的节点,然后通过迭代添加到该路由的最后一个节点来扩展该路由。
PATH_MOST_CONSTRAINED_ARC:与PATH_CHEAPEST_ARC类似,但弧线是使用基于比较的选择器求值的,它将优先用于限制程度最高的弧线。
ALL_UNPERFORMED:将所有节点设为非活动状态。仅当节点为可选时才是解法。
BEST_INSERTION:以最便宜的位置插入最便宜的节点,反复构建解决方案;插入费用取决于路由模型的全局成本函数。
PARALLEL_CHEAPEST_INSERTION:通过将费用最低的节点插入成本最低的位置反复构建解决方案;插入费用取决于弧线函数。
LOCAL_CHEAPEST_INSERTION:通过将每个节点以最低成本插入来迭代构建解决方案;插入费用取决于弧线函数。
FIRST_UNBOUND_MIN_VALUE:选择具有未绑定后继的第一个节点,并将其连接到第一个可用节点。
SAVINGS:储蓄算法。
CHRISTOFIDES:克里斯托维德算法。
SWEEP:扫描算法。
所述元启发式搜索策略可以从以下策略中选择:
GREEDY_DESCENT:接受改进(降低费用)本地搜索邻居,直到达到本地极小值。
GUIDED_LOCAL_SEARCH:引导局部搜索。
SIMULATED_ANNEALING:模拟退火。
TABU_SEARCH:禁忌搜索。
GENERIC_TABU_SEARCH:一般禁忌搜索。
参照图3,实时调度优化阶段具体包括以下步骤:
S201、通过手持终端设备实时采集人员、设备的定位数据和任务下发反馈状态数据。工作人员通过手持终端实时上报定位数据,用于平台更精准地计算工作人员移动距离,更精准地分配实时任务。通过手持终端实时反馈保障流程节点接受,完成状态反馈,以便于平台实时获取人员闲时、忙时状态,更精准地计算人员工作量、工作时长,更合理地分配实时任务。
S202、获取航班动态数据、人员动态数据和任务实际执行状态数据,具体包括获取预设时间范围内航班计划变更、在岗保障人员变更等动态数据,对数据进行格式化,标准化处理形成动态决策数据。
S203、根据步骤S201和S202获取的数据,自动识别调度计划与实时运行的冲突。
S204、设置考虑全局目标最优的资源调度方案条件下的方案最小调整目标,将方案最小调整目标添加到AASP模型中进行调度以解决冲突,更新并输出经过实时优化的最佳资源调度方案。
在步骤S203和S204中,通过监听航班动态、人员在岗动态,实时变更资源调度结果,生成方案最小调整目标,输入AASP模型,适配预定时间范围内航班人员、人员在岗时段的变化,重新计算最佳资源调度方案。
在调度评价阶段,平台对最佳资源调度方案的绩效评价指标进行统计分析,输出最佳资源调度方案和相应的绩效评价信息,收集相应的任务状态反馈信息。平台统计分析本次最佳资源调度方案指标输出,包括评价指标:工作时长标准差、工作此次标准差、休息时长标准差、总距离、各人员移动距离、加班总时长、个人加班时长、延误任务次数、延误任务时长、未安排任务数量、低优先级岗位保障任务次数、补充人员数量;绩效目标:任务及时率(R=1-延误任务数量/总任务次数)、航班准点率(R=1-延误航班架次/总航班架次)、人均工作时长、人均任务间隔时长、作业效率(R=任务总时长/参与保障人数)、运行成本(参与保障人数、设备);运行情况:各员工工作总时长、员工任务分配甘特图、任务资质岗位与人员匹配程度、资源投入情况、航班保障完成时间、高峰期降低资源需求次数。所述输出最佳资源调度方案,包括:任务编码、任务名称、任务开始时间、任务结束时间、任务耗时、分配的人员编码、人员名称、分配状态、完成状态等数据,并下发任务分配,实时接收人员接受任务状态,完成任务反馈状态。
在仿真模拟阶段,将步骤S107或S204输出的最佳资源调度方案输入仿真系统,对最佳资源调度方案运行效果进行模拟,输出模拟运行指标统计结果。仿真系统实现接口查询预定范围内任务人员分配情况,仿真系统请求该接口获取人员分配任务数据矩阵,模拟人员保障任务情况,输出分析指标。分析指标包括:最小等待时间、最大等待时间、平均等待时间、计划航班数量、等待航班数量等。
机场地面保障任务量大,航班变化频繁,调度频繁出错,指挥不合理,需要综合考虑各保障任务类型,人员岗位,人员资质,实时获取人员、设备定位信息,人员历史工作量等数据,综合考虑任务资质,任务岗位,任务保障时限,人员在岗时间,人员加班时间等约束条件,综合考虑人员移动距离最短,工作次数、工作时长、休息间隔、加班时长均衡,航班最小保障时间等目标,构建机场地面保障任务调度数据矩阵,形成多目标优化的AASP算法模型,输出最佳资源调度方案。基于机场历史沉淀数据,进行模拟调度,输出机场不同保障模式(高峰,平峰)下的决策影响因子、目标、权重值,用户可以随时手动调整。在多目标优化的AASP算法模型的基础上,实时监控机场航班变更、人员在岗变更等动态信息,增加方案最小调整目标,重新添加到AASP优化模型中计算,输出在原最佳资源调度方案上进行微调并且涵盖了此次变更的新的最佳资源调度方案。
下面将结合具体实施步骤来说明如何达成所述输出最佳资源调度方案和实现方案最小调整目标的新的最佳资源调度方案:
1.获取任务基本信息、机场基本信息形成元数据矩阵。
1.1初始化任务类型、岗位、资质元数据。获取任务类型数据,包含:任务编码、任务名称、任务所需资质、任务所需岗位,形成任务元数据矩阵。
1.2初始化机位数据。获取机位数据,包含:机位编码,机位区域,机位与机位距离矩阵,形成机位元数据矩阵。
1.3初始化登机口数据。获取登机口数据,包含:登机口编码,登机口区域,登机口与登机口距离矩阵,形成登机口元数据矩阵。
1.4统一配置任务配置数据,设置各任务类型任务生成规则,设定任务数量、任务开始时间、任务耗时,任务结束时间,任务下发时间,任务窗口开始时间,任务窗口结束时间,任务资源释放时间等配置数据。作为任务数据、距离数据影响数据。
1.5实时采集人员、设备位置数据。平台通过GIS平台和人员手持终端实时获取人员,设备准确位置信息,实时生成人员、设备、任务距离矩阵,作为人员-位置数据矩阵。
2.生成预定时间段内航班保障任务信息和人员在岗信息,生成决策数据矩阵。
2.1生成航班保障任务信息。获取航班计划数据,包含:航班号,航班日,航班计划、预计、实际到达、起飞时间,旅客人数、货邮重量、航班保障协议等,结合1.1的任务配置数据,生成航班任务信息,生成任务-时间窗口矩阵,包含:航班号、航班日、任务编码、任务类型、任务开始时间、任务结束时间、任务耗时等数据。
2.2生成在岗人员信息。获取人员排班计划数据,形成人员-时间窗口矩阵信息,包含:人员编号、人员资质、人员岗位、工作日期,工作开始时间,工作结束时间,工作状态等数据。
3.权重数据准备,形成决策影响约束、目标、权重值矩阵。
3.1定义权重影响因子。结合1的数据,平台定义权重影响因子包含约束和目标,约束包含:资质、岗位、工作时长,在岗时段等,目标包含:移动距离最短,工作次数均衡,工作时长均衡,休息间隔均横,加班时长均衡,最小保障时间,优先保障航班,优先延误航班,岗位优先级,最佳资源调度方案最小调整等。
3.2模拟设置。平台通过历史积累数据,模拟每日排班调度及每日排班变更调度,输出历史排班数据和绩效评价与历史当天排班结果数据和绩效评价进行比对,确定各影响约束、目标、权重值,每个目标、权重值通过标准差公式:标准差=方差开平方求得,形成机场不同保障模式(高峰,平峰)下的目标、权重值。
3.3用户修改。平台默认使用根据历史经验设置的目标、权重值,进行决策影响求得最佳资源调度方案,也支持用户在线修改目标、权重值调整最佳资源调度方案。
4.输出预分配调度。平台根据机场任务保障数据及需求特性,设计多目标优化的AASP模型进行最佳方案求解,根据预定时间范围内的数据进行预分配方案求解。
4.1算法输入。结合1,2,3的数据,形成的任务-时间窗口数据矩阵,人员-时间窗口数据矩阵,目标、权重值数据矩阵,人员-位置数据矩阵,输入算法。
4.2算法求解
4.2.1算法初始化数据。将输入的数据初始化为AASP模型数据。
4.2.2算法构建约束与目标。根据模型数据构造AASP模型约束与目标。目标通过赋予惩罚值的形式来进行控制和优化。根据各目标的惩罚值规则确定好目标值,设置目标值的上下限约束,按照:惩罚值=(实际值-目标值)×目标惩罚权重系数×基准数值的公式来给予模型惩罚值。惩罚值越小则说明方案越好。基准数值的大小根据目标不同定义。
4.2.3设定模型搜索参数。设定模型搜索的时间限制,搜索次数、首个方案搜索策略、元启发式搜索策略,时间设置越长,搜索次数越多搜索出的方案越好。
4.2.4首个方案搜索策略搜索。AASP模型首先根据首个方案搜索策略搜索出初始的可行的解决方案。可行的解决方案输出包含:初始的任务-人员分配矩阵数据、方案的惩罚值,通过任务-人员分配甘特图、相关指标(资质岗位匹配,人员工作时长等)分析,可得知该方案满足AASP模型的约束及目标。
4.2.5元启发式搜索策略搜索。AASP模型在首个方案搜索策略的初始可行的解决方案的基础上,启用元启发式算法,搜索出最佳资源调度方案,最佳资源调度方案输出包含:任务-人员分配矩阵数据,方案的惩罚值。启用元启发式算法搜索,是指模型通过构建启发式算法(GREEDY_DESCENT、GUIDED_LOCAL_SEARCH、SIMULATED_ANNEALING、TABU_SEARCH、GENERIC_TABU_SEARCH等)输入,算法搜索输出问题的最优解。
4.2.6多线程搜索。平台根据AASP模型支持的首个方案搜索策略和元启发式搜索策略等形成两两匹配矩阵,即形成1个首个方案搜索策略对应1个元启发式搜索策略的二维数组组合,循环该数组,每次循环起1个线程进行方案搜索,得出每个组合的方案,最后选择惩罚值最小(即最好)的方案输出。
4.3算法输出。算法求解得出最佳资源调度方案,平台统计整合,输出整体方案数据,包含:任务-人员分配数据矩阵,被抛弃的任务,未安排的人员,延误的任务、延误的时长,任务实际开始时间,任务实际结束时间,求解所用约束、目标、权重值矩阵等。
5.输出实时分配调度。平台实时监控预定时间范围内的机场航班变更,人员变更等动态数据,触发4输出的分配方案的变更:任务提前、延后造成任务-人员分配数据冲突,人员请假造成任务无人安排等机场复杂运行情况,进行实时分配调度调整。
5.1算法输入。同4.1输入,更新变更后的任务-时间窗口数据矩阵,人员-时间窗口数据矩阵,人员-实时位置数据矩阵。
5.2算法求解。同4.2。
5.3算法输出。同4.3。
6.输出方案评价。平台输出4,5选出的最佳资源调度方案各项指标评价。
6.1评价指标:工作时长标准差、工作次数标准差、休息时长标准差,总移动距离,各人员移动距离,加班总时长,各人员加班时长,延误任务数量,延误总时长等。
6.2绩效目标:任务及时率,航班准点率,人均工作时长,人均任务间隔时长,作业效率,运行成本等。其中:任务及时率=1-延误任务次数/总任务次数,航班准点率=1-延误航班架次/总航班架次,作业效率=任务总时长/参与保障人数,运行成本=参与保障人数(车辆)。
6.3运行情况:各员工工作总时长,员工排班甘特图,任务资质、岗位与人员匹配程度,资源投入情况,航班保障完成时间等。
6.4方案评分。综合各项指标,计算该方案得分。公式:评分=工作时长分数+工作次数分数+加班总时长分数+延误次数分数+延误时长分数+任务及时率分数+作业效率分数+运行成本分数,其中:工作时长分数=100-1*工作时长标准差之和,工作次数标准差=100-11*工作次数标准差之和,加班总时长分数=100-1*加班总时长,延误次数分数=100-50*延误次数,延误时长分数=100-2*延误总时长;任务及时率分数=100-100*任务及时率;作业效率分数=100-100/作业效率,运行成本分数=100-10*运行成本。
7.输出仿真模拟
7.1最佳方案数据接口。平台根据仿真系统需求数据结果,将5,6输出的最佳资源调度方案输出接口。
7.2输入仿真系统运行。
仿真系统输出运行指标。指标包含:最小等待时间、最大等待时间、平均等待时间、计划航班数量、等待航班数量等。
本实施例所提供的方法在社会、经济和技术方面都带来了重要的效果和影响。
从社会角度来看:
1、提升旅客体验:所述方法可以确保地勤服务的高效性和准确性,减少旅客排队时间、提高行李运输效率,从而提升旅客的出行体验和满意度。
2、提高安全性:所述方法能够实时监控航班信息、资源状态和作业情况,确保地勤服务的安全性和可靠性,减少事故和安全风险。
3、优化资源配置:所述方法能够智能化地分配和管理地勤人员、设备和车辆等资源,提高资源利用效率,减少资源浪费,促进资源的合理配置。
从经济角度来看:
1、降低成本:所述方法通过优化作业流程、减少人工干预和资源浪费,可以降低机场地勤服务的成本,提高经济效益。
2、提高效率:所述方法能够自动化处理航班调度、机位分配和行李搬运等任务,提高地勤服务的效率,缩短航班停留时间,增加机场的运营能力。
3、促进机场发展:所述方法能够提高机场地勤服务的质量和效率,提升机场的竞争力和吸引力,促进机场的发展和业务增长。
从技术角度来看:
1、运用智能算法和人工智能技术:所述方法借助智能算法和人工智能技术,可以实现智能化的排班规划和资源调度,提高调度的精确性和效率。
2、实时监控和调整:所述方法可以实时监控航班和资源状态,根据实际情况进行调整和重新安排,提高调度的实时性和灵活性。
3、数据分析和决策支持:所述方法能够收集和分析大量的数据,为决策提供科学依据,优化资源配置和调度策略,提升运营效果和决策的准确性。
综上所述,所述方法在社会、经济和技术方面都能够带来积极的效果。它提高了旅客的出行体验和安全性,降低了机场地勤服务的成本,推动了机场的发展和创新,并运用智能技术提升了调度的效率和精确性。此外,所述方法的应用还可以提高地勤人员的工作满意度和生活质量。通过自动化的调度和优化资源利用,平台可以减少地勤人员的工作压力和不必要的加班,提高工作效率和生活质量,增强员工的工作积极性和满意度。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (10)
1.一种基于机器学习与运筹优化的智能调度方法,其特征在于,所述方法包括以下步骤:
预先调度:通过对未来预定时间范围内的航班计划、人员排班计划、任务保障计划进行人员-任务排班的最佳资源调度,识别并保障资源需求;
实时调度优化:平台通过采集动态变化数据,实时分析监控预先资源调度方案产生的冲突,通过更新产出实时优化的最佳资源调度方案解决冲突;
调度绩效评价:平台根据最佳资源调度方案计算统计最佳资源调度方案运行后的指标评分,对最佳资源调度方案进行评估;
仿真模拟:平台将最佳资源调度方案处理为仿真系统的输入,获得仿真系统模拟真实运行效果,对最佳资源调度方案进行评估。
2.根据权利要求1所述的一种基于机器学习与运筹优化的智能调度方法,其特征在于,预先调度具体包括以下步骤:
S101、采集计划数据,所述计划数据包括未来N小时的业务数据、静态数据、航班相关数据、任务特性配置数据;
S102、获取航班计划和保障协议数据,生成航班数据,通过人员排班计划数据,生成人员-时间数据矩阵;
S103、获取静态数据,所述静态数据包括航班旅客信息、货邮信息、行李信息和机场环境信息;
S104、获取机位数据和登机口数据,生成机位数据矩阵、登机口数据矩阵;
S105、利用历史数据通过机器学习模型预测在不同组合因素下航班需要保障的任务数量及任务保障时长,生成需要决策调度的任务-时间数据矩阵;
S106、设置约束、目标数据矩阵,根据历史数据进行模拟调度,输出在不同保障模式下的决策影响约束、目标和权重值;
S107、根据步骤S102~S106所获得的数据形成调度算法所需数据输入,形成多目标AASP(Airport apron scheduling problem,机场机坪调度问题)算法模型,输出最佳资源调度方案。
3.根据权利要求2所述的一种基于机器学习与运筹优化的智能调度方法,其特征在于,实时调度优化具体包括以下步骤:
S201、通过手持终端设备实时采集人员、设备的定位数据和任务下发反馈状态数据;
S202、获取航班动态数据、人员动态数据和任务实际执行状态数据;
S203、根据步骤S201和S202获取的数据,自动识别调度计划与实时运行的冲突;
S204、设置考虑全局目标最优的资源调度方案条件下的方案最小调整目标,将方案最小调整目标添加到AASP模型中进行调度以解决冲突,更新并输出经过实时优化的最佳资源调度方案。
4.根据权利要求1所述的一种基于机器学习与运筹优化的智能调度方法,其特征在于,所述调度绩效评价具体为:对最佳资源调度方案的绩效评价指标进行统计分析,输出最佳资源调度方案和相应的绩效评价信息,收集相应的任务状态反馈信息。
5.根据权利要求3所述的一种基于机器学习与运筹优化的智能调度方法,其特征在于,所述仿真模拟具体为:将步骤S107或S204输出的最佳资源调度方案输入仿真系统,对最佳资源调度方案运行效果进行模拟,输出模拟运行指标统计结果。
6.根据权利要求2所述的一种基于机器学习与运筹优化的智能调度方法,其特征在于,所述步骤S105具体包括:获取预设时间范围内步骤S102、S103所对应的历史积累数据,对历史积累数据进行特性分析,构建预测分析模型,拟合生成航班各类型任务数量、任务耗时公式,根据任务相关性数据,设定任务开始时间由配置生成,根据任务开始时间与预测得到的任务耗时得到任务结束时间,形成决策调度输入所需的任务数据矩阵和资源数据矩阵。
7.根据权利要求6所述的一种基于机器学习与运筹优化的智能调度方法,其特征在于,所述步骤S106具体包括:获取预设时间范围内步骤S102、S103、S104、S105所对应的历史积累数据,生成约束和目标影响数据,根据历史积累数据分析模拟调度,模拟生成机场不同保障模式下的资源调度方案,通过调整约束、目标和权重值达到最佳资源调度方案,记录此次最佳资源调度方案的约束、目标和权重值,形成不同保障模式下决策调度所需的约束、目标、权重值数据。
8.根据权利要求7所述的一种基于机器学习与运筹优化的智能调度方法,其特征在于,所述步骤S107具体包括:将任务数据矩阵、资源数据矩阵、约束、目标、权重值输入到AASP模型,初始化AASP模型的约束、目标、权重值,设置模型搜索时间上限和首个方案搜索策略,基于首个方案搜索策略搜索出首个可行的资源调度方案,在搜索出的首个资源调度方案的基础上基于元启发式搜索策略进行搜索,输出最佳资源调度方案。
9.根据权利要求7所述的一种基于机器学习与运筹优化的智能调度方法,其特征在于,步骤S106中,目标通过赋予惩罚值进行控制和优化,根据各目标预设的惩罚值规则确定目标值,设置目标值的上下限约束,根据惩罚值计算式给予模型惩罚值,惩罚值计算式具体为:惩罚值=(实际值-目标值)×目标惩罚权重系数×基准数值。
10.根据权利要求9所述的一种基于机器学习与运筹优化的智能调度方法,其特征在于,在首个资源调度方案的基础上基于元启发式搜索策略进行搜索,具体为根据首个方案搜索策略和元启发式搜索策略形成两两匹配矩阵,即形成一个首个方案搜索策略对应一个元启发式搜索策略的二维数组组合,循环二维数组组合,每次循环通过一个线程进行方案搜索,得到每个组合对应的资源调度方案,选择惩罚值最小的资源调度方案输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310965845.3A CN116934046A (zh) | 2023-08-01 | 2023-08-01 | 一种基于机器学习与运筹优化的智能调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310965845.3A CN116934046A (zh) | 2023-08-01 | 2023-08-01 | 一种基于机器学习与运筹优化的智能调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116934046A true CN116934046A (zh) | 2023-10-24 |
Family
ID=88384227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310965845.3A Pending CN116934046A (zh) | 2023-08-01 | 2023-08-01 | 一种基于机器学习与运筹优化的智能调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116934046A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522176A (zh) * | 2024-01-08 | 2024-02-06 | 中国电子科技集团公司第十五研究所 | 基于多智能体系统的多项目资源调度评估系统 |
CN117973806A (zh) * | 2024-03-28 | 2024-05-03 | 浙江大有实业有限公司杭州科技发展分公司 | 一种面向保电drs计划生成的方法及系统 |
-
2023
- 2023-08-01 CN CN202310965845.3A patent/CN116934046A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522176A (zh) * | 2024-01-08 | 2024-02-06 | 中国电子科技集团公司第十五研究所 | 基于多智能体系统的多项目资源调度评估系统 |
CN117522176B (zh) * | 2024-01-08 | 2024-04-12 | 中国电子科技集团公司第十五研究所 | 基于多智能体系统的多项目资源调度评估系统 |
CN117973806A (zh) * | 2024-03-28 | 2024-05-03 | 浙江大有实业有限公司杭州科技发展分公司 | 一种面向保电drs计划生成的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bennell et al. | Dynamic scheduling of aircraft landings | |
CN116934046A (zh) | 一种基于机器学习与运筹优化的智能调度方法 | |
US8082071B2 (en) | System and method of multi-generation positive train control system | |
Beasley et al. | Scheduling aircraft landings—the static case | |
Anagnostakis et al. | Runway operations planning and control sequencing and scheduling | |
Filar et al. | How airlines and airports recover from schedule perturbations: a survey | |
Zhao et al. | An integrated approach of train scheduling and rolling stock circulation with skip-stopping pattern for urban rail transit lines | |
CN103226899B (zh) | 基于空中交通特征的空域扇区动态划分方法 | |
Atkin et al. | Addressing the pushback time allocation problem at Heathrow airport | |
CN107591034A (zh) | 一种进港航班排序的实现方法 | |
CN109741638B (zh) | 一种进离场管理系统一体化协同运行方法 | |
WO2018196700A1 (zh) | 基于候补机制的航班分配系统和方法 | |
CN104751681A (zh) | 一种基于统计学习模型的停机位分配方法 | |
US20080201183A1 (en) | Multi objective national airspace flight path optimization | |
CN105800400A (zh) | 一种优化电梯调度管理的方法 | |
CN112534488A (zh) | 用于提供在途中改变路线的系统和方法 | |
CN110378537A (zh) | 一种机场停机位智能分配的方法及系统 | |
CN113222238B (zh) | 一种枢纽机场值机资源配置优化方法及系统 | |
Yin et al. | Joint apron-runway assignment for airport surface operations | |
Balakrishna et al. | Estimating taxi-out times with a reinforcement learning algorithm | |
Guclu et al. | Analysis of aircraft ground traffic flow and gate utilisation using a hybrid dynamic gate and taxiway assignment algorithm | |
CN115689144A (zh) | 航班运行保障任务智能调整方法、系统、设备和存储介质 | |
CN116341868A (zh) | 关于机场地面航空器过站保障任务最优分派的方法及系统 | |
Çeçen et al. | Optimising aircraft arrivals in terminal airspace by mixed integer linear programming model | |
CN101527087B (zh) | 航班过台间隔的实现方法 |
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 |