CN117892985B - 面向应急突发情况下的机场航空器滑行动态恢复调度方法 - Google Patents
面向应急突发情况下的机场航空器滑行动态恢复调度方法 Download PDFInfo
- Publication number
- CN117892985B CN117892985B CN202410301329.5A CN202410301329A CN117892985B CN 117892985 B CN117892985 B CN 117892985B CN 202410301329 A CN202410301329 A CN 202410301329A CN 117892985 B CN117892985 B CN 117892985B
- Authority
- CN
- China
- Prior art keywords
- time
- aircraft
- taxiing
- queuing
- traffic
- 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
- 238000011084 recovery Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000002156 mixing Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 4
- 230000001364 causal effect Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 230000029305 taxis Effects 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及面向应急突发情况下的机场航空器滑行动态恢复调度方法,当监测到交通事件时,根据历史数据预测其持续时间,分析交通事件对航空器滑行网络在不同时间和空间尺度的排队长度、等待时间的影响,据此建立基于航班延误极小化的机场航空器滑行动态恢复调度模型,生成一个调整的可行航空器滑行调度方案。本发明能够帮助机场调度人员进行面向应急突发情况下的机场航空器滑行动态恢复调度,为机场滑行调度的精细化管理提供数据支撑。
Description
技术领域
本发明涉及智慧民航领域,尤其涉及面向应急突发情况下的机场航空器滑行动态恢复调度方法。
背景技术
滑行轨迹规划是一个人、机、路和环境等多主体资源协调运行的动态与静态相互协调关联的复杂大系统。它处于不确定环境中,存在大量交通事件,包括:跑道入侵、航空器故障、越界和碰撞等,其特点决定了调度的复杂性、随机性、突发性、多目标和约束性、大规模性等,依靠人工方式很难在交通事件发生时主动地感知交通事件的时空分布对航空器滑行网络在不同时间和空间尺度的排队长度、等待时间的影响;同时,人工方式费时费力编制的恢复方案没有时效性,不仅无法充分发挥系统效率,而且与实际运营调度存在一定偏差。随着场面运行的复杂度增加,借助5GAeroMACS、大数据和人工智能等先进技术,亟待研究面向应急突发情况下的智能化日常动态恢复调度运营管理,主动地感知环境变化识别其运行瓶颈,并快速生成一个适于环境变化的调度方案,减少航空器滑行时间,避免冲突,通过提高机场场面滑行运行的效率减少航空器地面拥堵。
发明内容
为了分析机场滑行网络在不同时间和空间尺度的微宏观运行拥堵状态,本发明提供了面向应急突发情况下的机场航空器滑行动态恢复调度方法,该方法结合机载多源传感器数据,融合大数据和人工智能方法,识别交通事件的发生事件、发生地点、类型,预测交通事件的时间和空间演变规律,据此分析交通事件对航空器滑行网络在不同时间和空间尺度的排队长度、等待时间的影响,通过人机交互选取不同机场航空器滑行动态恢复调度模型,导入数据并设置运行参数,生成一个调整的航空器滑行调度方案。
为了上述发明目的,本申请采用如下技术方案:
面向应急突发情况下的机场航空器滑行动态恢复调度方法,包括:交通事件检测模块、交通事件预测模块、交通事件影响评估模块以及基于排队论的机场航空器滑行动态恢复模块,所述调度方法具体步骤包括:
步骤1:交通事件检测模块融合多源传感器数据分析,监测交通事件的发生时间和发生地点,以及识别交通事件的类型和程度;
步骤2:交通事件预测模块根据交通事件的类型和程度,结合历史数据,
预测交通事件的持续时间;
步骤3:交通事件影响评估模块根据交通事件的发生时间、发生地点和持续
时间,结合当前进离场航空器的滑行预案,从排队论角度,计算全部航空器在滑行路网的各个节点和边于不同时刻的排队长度和、
等待时间和,确定全部航空器的起始排队、最拥堵队列和队列消散时
间;其中:是滑行路网的节点集合,是滑行路网的边集合,是全部航空器在滑
行路网的各个节点于不同时刻的等待时间,是全部航空器在
滑行路网的各个边于不同时刻的等待时间;
步骤4:基于排队论的机场航空器滑行动态恢复模块基于两种策略“保持滑行路径
不变、仅调整滑行时间”以及“同时调整滑行路径和滑行时间”,考虑优先级,建立基于交通
事件的机场航空器滑行动态恢复调度模型,基于预先方案生成一个调整
的可行航空器的滑行调度方案,追求排队消散时间最短。
优选地,所述的交通事件检测模块融合ADS-B设备、滑行路网GIS以及机载监控视
频的数据,根据滑行路网的节点和边于不同时刻的排队长度和变化确定交通事件的发生时间、地点,据此利用机载监控视频识别
交通事件的类型和程度,具体步骤如下:
步骤11:结合滑行路网GIS,根据全部机载ADS-B设备确定不同航空器在滑行路网
的位置和时间,据此汇总滑行路网的节点和边在不同时刻的
排队长度和;
步骤12:当滑行路网的节点和边在不同时刻的排队
长度和超过阈值时,确定交通事件的发生时间和发生地点;
步骤13:根据交通事件的发生时间和发生地点确定全部航空器,利用它们
的机载监控视频的不同传感器进行数据融合,识别不同交通事件的类型和程度。
优选地,所述交通事件预测模块根据交通事件的类型和程度,结合历史
数据,预测交通事件的持续时间,具体包括如下步骤:
步骤21:根据历史数据,利用机器学习方法,挖掘滑行路网结构、航班计划、全部交
通事件的发生地点、发生时间、类型和程度以及交通事件持续时间之间因果关系,生成一系
列交通事件预测关联规则;
步骤22:根据当前交通事件的发生时间、发生地点、类型和程度,搜
索匹配的若干个预测关联规则;
步骤23:输出每个匹配预测关联规则针对当前交通事件
的持续时间及其发生概率。
优选地,所述步骤3的交通事件影响评估模块中,任意一架航空器在滑行路网的各个节点和边排队过程如下:
步骤31:若滑行路网的各个节点和边发生交通事件,
将其服务台的服务时间增加交通事件的持续时间;
步骤32:当一架航空器按照既定的滑行方案离开滑行路网的上一个节点和边后,达到滑行路网的当前节点和边(服务台)时,按照先到先服务策略,若其服务台中有航空器正在服务,则等待一段时间直至服务台为空闲;否则,进入服务台进行服务,通过滑行路网的各个节点和边,更新离开时间;
步骤33:计算交通事件引起全部航空器在滑行路网的各个节点
和边于不同时刻的排队长度和、等待时间和
,确定它们的起始排队、最拥堵队列和队列消散时间。
优选地,所述基于排队论的机场航空器滑行动态恢复模块基于两种策略“保持滑
行路径不变、仅调整滑行时间”以及“同时调整滑行路径和滑行时间”,考虑优先级,建立基
于交通事件的机场航空器滑行动态恢复调度模型,基于预先方案生成一
个调整的可行航空器滑行调度方案,追求排队消散时间最短,具体步骤包括:
步骤41:基于两种策略“保持滑行路径不变、仅调整滑行时间”以及“同时调整滑行
路径和滑行时间”,建立基于排队论的机场航空器滑行动态恢复混合整数规划模型和,考虑不同航空器的优先级,以追求排队消散时间最短为
目标;
步骤42:利用Gurobi分别生成上述两种恢复策略的混合整数规划模型和的求解LP文件,定义LP文件的滑行路网、航空器滑行方
案、交通事件等输入以及调度目标阈值的数据交互接口;
步骤43:基于人机交互选取不同和的求解模型LP
文件,通过数据交互接口设置交通事件的驱动下的不同调度目标和约束条件排队长度阈
值,导入输入数据,基于预先方案生成一个调整的可行航空器滑行调度方案,计
算全部航空器在滑行路网的节点和边于不同时刻的排队长度和等排队指标,并与调整前的滑行方案排队指标进行对比,从而验证调整方
案的有效性。
本发明的有益效果在于:本发明题融合运筹优化、人工智能和大数据等技术,以交通事件驱动下的航空器滑行动态恢复调度为主要研究目标,接入航空器多源传感数据,融合大数据和人工智能方法,围绕机场滑行网络的交通事件识别、预测、评估和动态恢复调度,从运行效率、排放和安全等角度,建立面向应急突发情况下的机场航空器滑行动态恢复调度方法,通过分析交通事件、滑行道布局、滑行网络排队和滑行方案等之间的内在关联,自动化生成一个调整的航空器滑行调度方案,能够帮助机场调度人员进行面向应急突发情况下的机场航空器滑行动态恢复调度,为机场滑行调度的精细化管理提供数据支撑。
附图说明
为了更清楚地说明本申请实施方式中的技术方案,下面将对实施方式描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,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为本发明机场航空器滑行动态恢复调度方法的框架流程示意图;
图2为本发明机场航空器滑行动态恢复调度方法的流程示意图;
图3为本发明的交通事件预测模块的流程示意图;
图4为本发明的交通事件影响评估模块的流程示意图;
图5为本发明的基于排队论的机场航空器滑行动态恢复模块的流程示意图。
具体实施方式
下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式是本申请一部分实施方式,而不是全部的实施方式。基于本申请中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本申请保护的范围。
如图1所示,本实施例提供面向应急突发情况下的机场航空器滑行动态恢复调度方法,包括交通事件检测模块、交通事件预测模块、交通事件影响评估模块以及基于排队论的机场航空器滑行动态恢复模块。
所述交通事件检测模块融合多源传感器数据分析,监测交通事件的发生时间
和发生地点,以及识别交通事件的类型和程度。
所述多源传感器数据来源于ADS-B、滑行路网以及机载监控设备。
ADS-B指广播式自动相关监视,是指在具有广播位置报告能力的飞机之间互相进行空对空的交通监视。ADS-B的主要信息是飞机的四维位置信息(经度、纬度、高度和时间)和其它可能附加信息(冲突告警信息,飞行员输入信息,航迹角,航线拐点等信息)以及飞机的识别信息和类别信息。此外,还可能包括一些别的附加信息,如航向、空速、风速、风向和飞机外界温度等。
滑行路网为航空器滑行路线规划提供数据基础。滑行路网由节点和边构成,其中,
节点指停机位、跑道出入口以及边与边的交点;边指连接两节点的滑行线,其具有始末节
点、滑行线、距离、连通条件等属性。其中,滑行线是停机位引导线、滑行道引导线、滑行道中
线和跑道中线的统称。因此滑行路网在图论中可以表示为A=(E,V),其中E为滑行路网中的
节点集合,也就是包含所有的停机位、跑道出入口以及边与边的交点;V为滑行路网中的边
集合,也就是包含滑行路网中两节点之间存在的滑行线。对于任意一个节点,节点与
节点之间的一条边。
机载监控设备主要指飞行器上对内部或外部进行实时监控的成套设备。
所述交通事件预测模块根据交通事件的类型和程度,结合历史数据,预
测交通事件的持续时间。
所述交通事件影响评估模块根据交通事件的发生时间、发生地点和持续时
间,结合当前进离场航空器的滑行预案,从排队论角度,计算全部航空器在滑行路网的各个节点和边于不同时刻的排队长度和、
等待时间和,确定全部航空器的起始排队、最拥堵队列和队列消散时
间。
所述基于排队论的机场航空器滑行动态恢复模块基于两种策略“保持滑行路径不
变、仅调整滑行时间”以及“同时调整滑行路径和滑行时间”,考虑优先级,建立基于交通事
件的机场航空器滑行动态恢复调度模型,基于预先方案(航空器访问
滑行路径边)生成一个调整的可行航空器滑行调度方案,追求排队消散时间
最短。
如图2所示,本实施例提供的面向应急突发情况下的机场航空器滑行动态恢复调度方法,在ADS-B设备、滑行路网GIS以及机载监控视频的数据接入平台后,实施流程主要包括:
步骤S11:动态跟踪不同航空器在滑行路网的位置和时间。
步骤S12:汇总滑行路网的节点和边在不同时刻的排
队长度和。
步骤S13:当滑行路网的节点和边在不同时刻的排队
长度和超过阈值时,确定交通事件的发生时间和发生地点。
也就是说如果滑行路网中的某个位置排队时间太长,超过设定的排队长度阈值时,即和时,可以推断该位置存在拥堵,可能存在交通事件。
步骤S14:根据交通事件的发生时间和发生地点,确定全部航空器,利用他
们的机载监控视频等不同传感器进行数据融合,识别不同交通事件的类型和程度。比如:机载监控视频识别跑道入侵、航空器越界、碰撞等事件,机载运行状态监控传感
器识别航空器故障等。
存在交通事件时,通过航空器上机载监控设备所采取的图像或视频等信息可以识别出交通事件的具体情况,然后对其类型和程度进行分类。
步骤S15:基于历史数据挖掘的交通事件预测关联规则,根据交通事件的发生
地点、发生时间、类型和程度,结合历史数据,预测交通事件的持续时间。
步骤S16:根据当前交通事件的发生地点、发生时间和持续时间,结合当前
进离场航空器的滑行预案,按照先到先服务策略,计算全部航空器在滑行路网
的各个节点和边于不同时刻的排队长度和、等待时间和确定它们的起始排队、最拥堵队列和队列消散时间。
步骤S17:基于人机交互选取不同求解模型LP文件,通过数据交互接口设置交通事
件驱动下的不同调度目标和约束条件阈值,导入输入数据,基于预先方案生成一个调整
的可行航空器滑行调度方案(即:航空器访问滑行路径边)。
步骤S18:针对调整的可行航空器滑行调度方案,计算全部航空器在滑行路网的各个节点和边于不同时刻的排队长度、等待时间等排队指
标,并与调整前的滑行方案排队指标进行对比,从而验证调整方案的有效性。
如图3所示,本实施例提供的面向应急突发情况下的机场航空器滑行动态恢复调度方法中,交通事件预测模块主要过程和步骤包括:
步骤S151:收集样本数据,输入指标涉及滑行路网结构、航班计划、全部交通事件
的发生地点、发生时间、类型和程度,输出指标涉及交通事件的持续时间,
挖掘它们之间因果关系。
上述样本数据来自历年或者过去一段时间所有发生的交通事件,当然,对于一些不满足历史样本数据的交通事件可以进行过滤。
步骤S152:将样本数据分为训练样本和测试样本,利用不同机器学习方法,生成一
系列交通事件预测关联规则并进行检验,确定这些输入和输出指标
之间量化函数关系。
如果样本数据数量不足,可以进行样本数据扩增。
步骤S153:根据当前交通事件的发生地点、发生时间、类型和程度,
搜索匹配的若干个预测关联规则,输出每个匹配预测关联规则针对当前交通事件的持续
时间及其发生概率。
如图4所示,本实施例提供的面向应急突发情况下的机场航空器滑行动态恢复调度方法,交通事件影响评估模块主要过程和步骤包括:
步骤S161:根据交通事件的发生地点和发生时间,结合航空器运行性能,根
据排队服务情况,计算每一个航空器达到和离开滑行路网的相邻节点和边的时
间。
计算交通事件的航空器离开滑行路网的相邻节点和边的时间具体包括:
当一架航空器按照既定的滑行方案离开滑行路网的上一个节点和边后,达到滑行路网的当前节点和边时,按照先到先服务策略,若其服务台中有航空器正在服务,则等待一段时间直至服务台为空闲;否则,进入服务台进行服务,通过滑行路网的各个节点和边,更新离开时间。
步骤S162:汇总全部航空器在滑行路网的各个节点和边在不同时刻的排队长度、等待时间。
步骤S163:确定滑行路网的各个节点和边的起始排
队、最拥堵队列和队列消散时间。
步骤S164:根据设定阈值,输出拥堵滑行路网的各个节点和边。
如图5所示,本实施例提供的面向应急突发情况下的机场航空器滑行动态恢复调度方法,基于排队论的机场航空器滑行动态恢复模块主要过程和步骤包括:
步骤S171:建立基于排队论的机场航空器滑行动态恢复混合整数规划模型和及其Gurobi求解LP(线性规划)文件,包括基于两种策略
“保持滑行路径不变、仅调整滑行时间”以及“同时调整滑行路径和滑行时间”,以追求排队
消散时间最短为目标;
为基于策略“保持滑行路径不变、仅调整滑行时间”的机场航空器
滑行动态恢复混合整数规划模型,为基于“同时调整滑行路径和滑行时间”
的机场航空器滑行动态恢复混合整数规划模型,和均是追
求排队消散时间最短为目标。
Gurobi是一种商业优化软件,用于解决各种数学规划和整数规划问题。它提供了高性能的数学规划求解器,可用于最大化或最小化目标函数的线性规划、混合整数规划、二次规划、约束规划等问题。当然除了采用Gurobi这种软件外,还可以采用其它优化求解器,比如商业软件CPLEX,MOSEK等。
步骤S172:建立不同模型LP文件的调研数据格式与路径;
步骤S173:定义不同模型LP文件的滑行路网、航空器滑行方案、交通事件等输入以及调度目标阈值的数据交互接口;
步骤S174:基于人机交互选取不同求解模型LP文件,通过数据交互接口设置交通
事件驱动下的不同调度目标和约束条件排队长度阈值,导入输入数据,基于预先方案生成一个调整的可行航空器滑行调度方案;
步骤S175:计算全部航空器在滑行路网的各个节点和边于不同时刻的排队长度和、等待时间和等排
队指标,并与调整前的滑行方案排队指标进行对比,从而验证调整方案的有效性。
本申请采用了上述几种措施进行改进,主要涉及面向应急突发情况下的机场航空器滑行动态恢复调度方法,包括交通事件检测模块、交通事件预测模块、交通事件影响评估模块、基于排队论的机场航空器滑行动态恢复模块,针对滑行路网交通事件驱动下的识别、预测、评估与动态恢复调度,融合大数据和人工智能算法,从滑行路网的整体排队角度,分析交通事件的时间和空间演变规律对航空器滑行网络在不同时间和空间尺度的排队长度、等待时间的影响,并动态生成一个调整的基于排队最小的航空器滑行调度方案,提供一套完整的解决方案和思路。
上述实施例只是本发明的较佳实施例,并不是对本发明技术方案的限制,只要是不经过创造性劳动即可在上述实施例的基础上实现的技术方案,均应视为落入本发明专利的权利保护范围内。
Claims (4)
1.面向应急突发情况下的机场航空器滑行动态恢复调度方法,其特征在于,包括:交通事件检测模块、交通事件预测模块、交通事件影响评估模块以及基于排队论的机场航空器滑行动态恢复模块,所述调度方法具体步骤包括:
步骤1:交通事件检测模块融合多源传感器数据分析,监测交通事件的发生时间/>和发生地点/>,以及识别交通事件/>的类型/>和程度/>;
步骤2:交通事件预测模块根据交通事件的类型/>和程度/>,结合历史数据,预测交通事件/>的持续时间/>;
步骤3:交通事件影响评估模块根据交通事件的发生时间/>、发生地点/>和持续时间,结合当前进离场航空器的滑行预案,从排队论角度,计算全部航空器在滑行路网的各个节点/>和边/>于不同时刻/>的排队长度/>和/>、等待时间/>和/>,确定全部航空器的起始排队、最拥堵队列和队列消散时间;其中:/>是滑行路网的节点集合,/>是滑行路网的边集合,/>是全部航空器在滑行路网/>的各个节点/>于不同时刻/>的等待时间,/>是全部航空器在滑行路网/>的各个边/>于不同时刻/>的等待时间;
步骤4:基于排队论的机场航空器滑行动态恢复模块基于两种策略“保持滑行路径不变、仅调整滑行时间”以及“同时调整滑行路径和滑行时间”,考虑优先级,建立基于交通事件的机场航空器滑行动态恢复调度模型,基于预先方案/>生成一个调整的可行航空器/>的滑行调度方案/>,追求排队消散时间最短;
其中,步骤4中,所述基于排队论的机场航空器滑行动态恢复模块基于两种策略“保持滑行路径不变、仅调整滑行时间”以及“同时调整滑行路径和滑行时间”,考虑优先级,建立基于交通事件的机场航空器滑行动态恢复调度模型,基于预先方案/>生成一个调整的可行航空器滑行调度方案/>,追求排队消散时间最短,具体步骤包括:
步骤41:基于两种策略“保持滑行路径不变、仅调整滑行时间”以及“同时调整滑行路径和滑行时间”,建立基于排队论的机场航空器滑行动态恢复混合整数规划模型和/>,考虑不同航空器的优先级,以追求排队消散时间最短为目标;
步骤42:利用Gurobi分别生成上述两种恢复策略的混合整数规划模型和/>的求解LP文件,定义LP文件的滑行路网、航空器滑行方案、交通事件输入以及调度目标阈值的数据交互接口;
步骤43:基于人机交互选取不同和/>的求解模型LP文件,通过数据交互接口设置交通事件/>的驱动下的不同调度目标和约束条件排队长度阈值/>,导入输入数据,基于预先方案/>生成一个调整的可行航空器滑行调度方案/>,计算全部航空器在滑行路网/>的节点/>和边/>于不同时刻/>的排队长度和/>排队指标,并与调整前的滑行方案排队指标进行对比,从而验证调整方案的有效性。
2.根据权利要求1所述的面向应急突发情况下的机场航空器滑行动态恢复调度方法,其特征在于,所述的交通事件检测模块融合ADS-B设备、滑行路网GIS以及机载监控视频的数据,根据滑行路网的节点/>和边/>于不同时刻/>的排队长度和/>变化确定交通事件/>的发生时间/>、地点/>,据此利用机载监控视频识别交通事件的类型/>和程度/>,具体步骤如下:
步骤11:结合滑行路网GIS,根据全部机载ADS-B设备确定不同航空器在滑行路网的位置和时间,据此汇总滑行路网的节点/>和边/>在不同时刻/>的排队长度/>和/>;
步骤12:当滑行路网的节点/>和边/>在不同时刻/>的排队长度和/>超过阈值/>时,确定交通事件/>的发生时间/>和发生地点/>;
步骤13:根据交通事件的发生时间/>和发生地点/>确定全部航空器,利用它们的机载监控视频的不同传感器进行数据融合,识别不同交通事件/>的类型/>和程度/>。
3.根据权利要求1所述的面向应急突发情况下的机场航空器滑行动态恢复调度方法,其特征在于,所述交通事件预测模块根据交通事件的类型/>和程度/>,结合历史数据,预测交通事件的持续时间/>,具体包括如下步骤:
步骤21:根据历史数据,利用机器学习方法,挖掘滑行路网结构、航班计划、全部交通事件的发生地点、发生时间、类型和程度以及交通事件持续时间之间因果关系,生成一系列交通事件预测关联规则;
步骤22:根据当前交通事件的发生时间/>、发生地点/>、类型/>和程度/>,搜索匹配的若干个预测关联规则/>;
步骤23:输出每个匹配预测关联规则针对当前交通事件/>的持续时间/>及其发生概率。
4.根据权利要求1所述的面向应急突发情况下的机场航空器滑行动态恢复调度方法,其特征在于,所述步骤3的交通事件影响评估模块中,任意一架航空器在滑行路网的各个节点/>和边/>排队过程如下:
步骤31:若滑行路网的各个节点/>和边/>发生交通事件,将其服务台的服务时间增加交通事件的持续时间;
步骤32:当一架航空器按照既定的滑行方案离开滑行路网的上一个节点和边后,达到滑行路网的当前节点和边时,按照先到先服务策略,若其服务台中有航空器正在服务,则等待一段时间直至服务台为空闲;否则,进入服务台进行服务,通过滑行路网的各个节点和边,更新离开时间;
步骤33:计算交通事件引起全部航空器在滑行路网的各个节点/>和边于不同时刻/>的排队长度/>和/>、等待时间/>和/>,确定它们的起始排队、最拥堵队列和队列消散时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410301329.5A CN117892985B (zh) | 2024-03-15 | 2024-03-15 | 面向应急突发情况下的机场航空器滑行动态恢复调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410301329.5A CN117892985B (zh) | 2024-03-15 | 2024-03-15 | 面向应急突发情况下的机场航空器滑行动态恢复调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117892985A CN117892985A (zh) | 2024-04-16 |
CN117892985B true CN117892985B (zh) | 2024-05-28 |
Family
ID=90643321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410301329.5A Active CN117892985B (zh) | 2024-03-15 | 2024-03-15 | 面向应急突发情况下的机场航空器滑行动态恢复调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117892985B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778481A (zh) * | 2014-01-23 | 2014-05-07 | 南京航空航天大学 | 一种针对多跑道航班进离场的动态调度方法 |
CN107194581A (zh) * | 2017-05-22 | 2017-09-22 | 中国民航大学 | 一种基于3d技术的机场应急调度管控系统及方法 |
CN107862910A (zh) * | 2017-11-15 | 2018-03-30 | 南京航空航天大学 | 基于机场场面滑行多种冲突模式的滑行延误时间和离场延误时间预测方法 |
WO2023197452A1 (zh) * | 2022-04-11 | 2023-10-19 | 中国电子科技集团公司第二十八研究所 | 一种航班排序信息的时空转换方法 |
-
2024
- 2024-03-15 CN CN202410301329.5A patent/CN117892985B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778481A (zh) * | 2014-01-23 | 2014-05-07 | 南京航空航天大学 | 一种针对多跑道航班进离场的动态调度方法 |
CN107194581A (zh) * | 2017-05-22 | 2017-09-22 | 中国民航大学 | 一种基于3d技术的机场应急调度管控系统及方法 |
CN107862910A (zh) * | 2017-11-15 | 2018-03-30 | 南京航空航天大学 | 基于机场场面滑行多种冲突模式的滑行延误时间和离场延误时间预测方法 |
WO2023197452A1 (zh) * | 2022-04-11 | 2023-10-19 | 中国电子科技集团公司第二十八研究所 | 一种航班排序信息的时空转换方法 |
Non-Patent Citations (1)
Title |
---|
"基于航空器优先级的大型机场场面航空器动态滑行优化研究";贾媛;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20190215(第2019年第02期期);第4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN117892985A (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11847908B2 (en) | Data processing for connected and autonomous vehicles | |
US11501039B2 (en) | Optimizing aircraft flows at airports using data driven predicted capabilities | |
EP3716247A1 (en) | Method and system for detecting and avoiding loss of separation between vehicles and updating the same | |
EP3716246A1 (en) | Method and system for detecting and avoiding loss of separation between vehicles | |
Ma et al. | Active traffic management strategies for expressways based on crash risk prediction of moving vehicle groups | |
CN101465066B (zh) | 飞机垂直占有率的获取方法 | |
KR102508764B1 (ko) | Ads-b 데이터 기반의 항로 기상 예측 엔진 업데이트 방법, 장치 및 시스템 | |
Yang et al. | Empirical exploration of air traffic and human dynamics in terminal airspaces | |
Deshmukh et al. | Data-driven precursor detection algorithm for terminal airspace operations | |
Chen et al. | Estimating airspace resource capacity for advanced air mobility operations | |
Zhang et al. | Phased flight trajectory prediction with deep learning | |
CN117892985B (zh) | 面向应急突发情况下的机场航空器滑行动态恢复调度方法 | |
Diallo | A predictive aircraft landing speed model using neural network | |
Chang et al. | CAV driving safety monitoring and warning via V2X-based edge computing system | |
Wakatsuki et al. | Improving the accuracy of traffic accident prediction models on expressways by considering additional information | |
Park et al. | Situational Anomaly Detection Using Multi-agent Trajectory Prediction for Terminal Airspace Operations | |
DeCarlo et al. | Modeling the effects of uncertainty on the national airspace system | |
US12026440B1 (en) | Optimizing aircraft flows at airports using data driven predicted capabilities | |
Stewart et al. | Variables influencing RNAV STAR adherence | |
Kim et al. | Reinforcement learning approach to develop variable speed limit strategy using vehicle data and simulations | |
Park | Dispatching and relocation of emergency vehicles on freeways: Theories and applications | |
Yang et al. | Investigating the Critical Characteristics of Pedestrian-Vehicle Game Modes at Unsignalized Crosswalks: Based on MCMC and BP Network | |
Jamal et al. | Machine Learning-based Aircraft Conflict Prediction: A Systematic Literature Review | |
Zhou et al. | A Survey of Machine Learning Algorithms and Techniques for Air Mobility Under Emergency Situations | |
Barik et al. | Density-Based Automatic Traffic Control Using Machine Learning |
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 |