一种基于统计学习模型的停机位分配方法
【技术领域】
[0001] 本发明属于智能计算技术领域，具体涉及一种基于统计学习模型的停机位分配方 法。
【背景技术】
[0002] 随着国民经济的发展和人民生活水平的提高，人们生活节奏加快、时间价值观念 越来越强，越来越多旅客选择飞机出行。由于当前机场停机位、登机口等资源已经相当有 限，但是随着飞机数量的快速增长，而机场规模不能无限扩大，这将造成机场停机位资源紧 张，制约我国民航运输发展。停机位是机场的重要资源，是实现航班快速安全的停靠，保证 航班之间的有效衔接，提高整个机场系统容量和服务效率的一个关键因素。机场停机位分 配问题己经成为制约机场发展的瓶颈之一。
[0003]目前，解决机场停机位资源紧缺问题主要有两种方法：一、从硬件方面增加停机位 资源，即扩建停机坪或新建机场。但是这需要投入大量的资金、人力、物力，同时需要占用 大量的土地，并对周围社会环境有着极大的影响，这种改扩建需要一个长期的战略性考虑。 二、从软件方面提高停机位资源的优化配置。可以在停机位资源紧张无法解决的情况下，通 过科学、合理的方法对现有的停机位资源进行高效的优化分配来提高机场停机位利用率及 均衡度。针对停机位分配问题，国外在这一领域已进行了大量研宄，主要研宄方法有：关键 路径法，分支定界法，整数规划法，专家系统，启发式算法，网络流，多目标规划等。
[0004] 停机位分配是整个机场地面运行组织的关键要素之一，由于机场信息系统的复杂 性，国内所研制的信息系统中的停机位的分配绝大多数只达到半自动化程度，即提供各种 分配方案给机场调度人员选择，然后再进行人工调整。现今，各大中型机场的停机位分配基 本上还是调度人员根据个人的经验，通过简单的计算机辅助以人工排序方式进行分配，难 以保证机场停机位资源的合理分配。在规模较大、而且日益繁忙的干线机场，这种方式已经 成为机场运营的薄弱环节，不能适应民航业整体的健康发展。
【发明内容】
[0005] 本发明的目的是提供一种基于统计学习模型的停机位分配方法，解决了现有由于 大量航班延误导致的停机位调整次数较高、停机位利用率低的问题。
[0006] 本发明所采用的技术方案是：一种基于统计学习模型的停机位分配方法，具体包 括以下步骤：
[0007] 步骤1，根据航班历史数据计算其他机场航班到本场的起飞时间差值概率分布 Dep；
[0008] 步骤2,根据航班历史数据计算其他机场航班到本场的飞行时间差值概率分布 Fly；
[0009] 步骤3,补全步骤1得到的Dep和步骤2得到的Fly，使之均成为全时刻表，其中 Dep和Fly不含的时刻对应的概率均用0补全；利用补全后的Dep和Fly计算从某一机场 到本场的航班落地时间差值概率分布Arr，选择Dep和Fly中起飞机场、落地机场相同的数 据进行时间相加，概率相乘的方式进行计算，得到Arr;
[0010] 步骤4,对次日航班按本场计划落地时间进行排序，依次选择Arr中起飞机场、落 地机场、机型均与其航班一致的数据，进而对其的计划到站时间进行累加，预测其到站时间 的概率分布表；
[0011] 步骤5,将步骤4的航班到站时间的概率表分布加入各指廊的空闲机位时刻表中， 相同的到站时间其概率进行累加运算，然后利用各指廊的到站时间概率计算各指廊的停机 位空闲度Emp;
[0012] 步骤6,对比步骤5计算得到的各指廊空闲度Emp，将航班分配到Emp最大的指廊 中，在指廊中将航班的机型与停机位的大小进行匹配，如果各停机位均不受此航班机型限 制则进行轮流分配。
[0013] 本发明的特点还在于，
[0014] 步骤1中历史数据包括航班起飞站、经停站、落地站、机型、计划起飞时间、实际起 飞时间。
[0015] 步骤1具体按照以下算法实施：设同一机场到本场的航班起飞时间差值有m个，则 2 . 起飞时间差td对应的概率为=i其中21(1为时间差值均为td的个数，Dep为一个 m， 概率集合D印={ntd，tdG[-8, 287]} 〇
[0016] 步骤2中历史数据包括航班起飞站、经停站、落地站、机型、计划起飞时间、实际起 飞时间。
[0017] 步骤2具体按照以下算法实施：设同一机场到本场的航班飞行时间差值有n个，则 飞行时间差tf对应的概率为/7i-1其中stf用来统计满足时间差值为tf的数据个 Hi j n 数，Fly为一个概率集合Fly= {ntf，tfG[-8, 287]}。
[0018] 步骤3具体按照以下算法实施：分别设从某一机场到本场的航班的Arr中差值有 h个，则对应概率即为h个，h=mXn，对应的时间差ta=tdi+tfj(iG[0,m],jG[0,n])， 时间差的概率为
【主权项】
1. 一种基于统计学习模型的停机位分配方法，其特征在于，具体包括以下步骤： 步骤1，根据航班历史数据计算其他机场航班到本场的起飞时间差值概率分布Dep ; 步骤2,根据航班历史数据计算其他机场航班到本场的飞行时间差值概率分布Fly ; 步骤3,补全步骤1得到的Dep和步骤2得到的Fly，使之均成为全时刻表，其中Dep和 Fly不含的时刻对应的概率均用O补全；利用补全后的Dep和Fly计算从某一机场到本场 的航班落地时间差值概率分布Arr，选择Dep和Fly中起飞机场、落地机场相同的数据进行 时间相加，概率相乘的方式进行计算，得到Arr ; 步骤4,对次日航班按本场计划落地时间进行排序，依次选择Arr中起飞机场、落地机 场、机型均与其航班一致的数据，进而对其的计划到站时间进行累加，预测其到站时间的概 率分布表； 步骤5,将步骤4的航班到站时间的概率表分布加入各指廊的空闲机位时刻表中，相同 的到站时间其概率进行累加运算，然后利用各指廊的到站时间概率计算各指廊的停机位空 闲度Emp ; 步骤6,对比步骤5计算得到的各指廊空闲度Emp，将航班分配到Emp最大的指廊中，在 指廊中将航班的机型与停机位的大小进行匹配，如果各停机位均不受此航班机型限制则进 行轮流分配。
2. 如权利要求1所述的一种基于统计学习模型的停机位分配方法，其特征在于，所述 步骤1中历史数据包括航班起飞站、经停站、落地站、机型、计划起飞时间、实际起飞时间。
3. 如权利要求1或2所述的一种基于统计学习模型的停机位分配方法，其特征在于，所 述步骤1具体按照以下算法实施：设同一机场到本场的航班起飞时间差值有m个，则起飞时 间差td对应的概率为
其中Σ td为时间差值均为td的个数，Dep为一个概率集 合 Dep = { n td，td e [-8, 287]}。
4. 如权利要求1所述的一种基于统计学习模型的停机位分配方法，其特征在于，所述 步骤2中历史数据包括航班起飞站、经停站、落地站、机型、计划起飞时间、实际起飞时间。
5. 如权利要求1或4所述的一种基于统计学习模型的停机位分配方法，其特征在于， 所述步骤2具体按照以下算法实施：设同一机场到本场的航班飞行时间差值有η个，则飞行 时间差tf对应的概率为
，其中Σ"用来统计满足时间差值为tf的数据个数，Fly 为一个概率集合 Fly = { n tf，tf e [-8, 287]}。
6. 如权利要求1所述的一种基于统计学习模型的停机位分配方法，其特征在于，所述 步骤3具体按照以下算法实施：分别设从某一机场到本场的航班的Arr中差值有h个，则对 应概率即为h个，h = mXn，对应的时间差ta = tdi+tfj (i e [〇, m], j e [〇, η])，时间差的 概率为
因为ta的集合中有相同的值，则对 相同差值的概率相乘即为最终差值的概率值，去除h中相同的值则Arr中差值有h'个，Arr 为一个概率集合 Arr = { n ta, ta e [-16, 287]}。
7. 如权利要求1所述的一种基于统计学习模型的停机位分配方法，其特征在于，所述 步骤5具体按照以下算法实施： 步骤5. 1，将各指廊中已分配的航班的到站时间概率表进行整合，即为一个二维矩阵 A[p，q]，p代表各航班的到站时间概率，为指廊中的现有航班个数，q代表到站时间差值，q =288+16 ； 步骤5. 2,将此航班的到站时间概率表加入各指廊的航班到站概率矩阵中，此时矩阵变 为 B' [p+1，q]; 步骤5.3,将矩阵B'[p+l，q]转换为一维数组B" [q]，其中各数值为B'中对应列中所 有行值的和； 步骤5. 4,利用各指廊的到站时间概率计算各指廊的停机位空闲度Emp，计算公式为
其中16+287为整个指廊中航班可能到站时间范围，f为整个指 廊的航班数量，η为该时刻对应的到站概率。
【专利摘要】本发明公开了一种基于统计学习模型的停机位分配方法，采用先验概率预测模型，根据某航班历史飞行情况产生起飞时间差值概率集合、飞行时间差值概率集合、落地时间差值概率集合，从而预测该航班的到站时间概率分布以及停机坪指廊空闲度，从而进行航班停机位分配。本发明一种基于统计学习模型的停机位分配方法，基于指廊分配，有利于航班只做相近停机位的调整，缩短了旅客的步行距离，同时，方便对停机位使用情况的进行整体评估；基于概率分配，可以按照航班的计划落地时间概率进行分配，提高了停机位分配的准确性，降低了因航班延误导致的停机位调整次数，同时提高了旅客的满意度；综合提高了停机位的利用率，保证停机位资源的合理分配。
【IPC分类】G08G5-00
【公开号】CN104751681
【申请号】CN201510102718
【发明人】王磊, 茹星星, 李妍, 黑新宏, 费蓉
【申请人】西安理工大学
【公开日】2015年7月1日
【申请日】2015年3月9日