CN111783357A - 一种基于减少旅客延误的中转行程优化方法及*** - Google Patents
一种基于减少旅客延误的中转行程优化方法及*** Download PDFInfo
- Publication number
- CN111783357A CN111783357A CN202010613632.0A CN202010613632A CN111783357A CN 111783357 A CN111783357 A CN 111783357A CN 202010613632 A CN202010613632 A CN 202010613632A CN 111783357 A CN111783357 A CN 111783357A
- Authority
- CN
- China
- Prior art keywords
- flight
- transit
- passenger
- time
- delay
- 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.)
- Granted
Links
- 238000012546 transfer Methods 0.000 title claims abstract description 58
- 238000005457 optimization Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000009467 reduction Effects 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 230000010006 flight Effects 0.000 claims description 63
- 238000013459 approach Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 150000001875 compounds Chemical class 0.000 claims description 12
- 230000001934 delay Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 210000000349 chromosome Anatomy 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于减少旅客延误的中转行程优化方法及***,获取航班运行数据信息;将航班运行数据信息输入至预先构建的以中转旅客总延误时间最小为目标的目标函数以及满足航班运行限制的约束条件为基础的行程优化模型;采用遗传算法对行程优化模型进行求解;根据求解的结果,比较换乘航班调整后增加的旅客延误与不采取调整方案时产生的中转旅客延误;根据比较的结果决定航班是否采用调整方案,若增加的延误小于中转乘客延误,则采用调整后的方案,否则不采用。优点:本发明以中转旅客的延误最小为目标制定调整方案后,再根据调整后产生的中转航班乘客延误来优化调整方案,为中转行程的优化提供了一种实现方法,具有重要的实际意义和应用价值。
Description
技术领域
本发明涉及一种基于减少旅客延误的中转行程优化方法及***,属于航空运输规划技术领域。
背景技术
航空运输业的迅速发展促使旅客对民航出行的需求与日俱增,但目前航空运输企业的运营、管理与协调能力,同日益增长的旅客运输量之间还存在巨大的矛盾,造成了大量航班和旅客延误的情况。由此产生的旅客满意度降低,有损航司形象,降低民航竞争力,同时也为旅客带来了许多不便。
旅客作为航班运行过程中的重要组成部分,由航班延误造成的旅客延误也受到了广泛的研究,但目前的研究主要是从减少航班延误的角度出发,通过减少航班延误来减少旅客延误,而对旅客行程的研究较少,并且没有对旅客的中转行程进行研究。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷,提供一种基于减少旅客延误的中转行程优化方法及***。
为解决上述技术问题,本发明提供一种基于减少旅客延误的中转行程优化方法,
获取航班运行数据信息;
将航班运行数据信息输入至预先构建的以中转旅客总延误时间最小为目标的目标函数以及满足航班运行限制的约束条件为基础的行程优化模型;
采用遗传算法对行程优化模型进行求解;
根据求解的结果,比较换乘航班调整后增加的旅客延误与不采取调整方案时产生的中转旅客延误;
根据比较的结果决定航班是否采用调整方案,若增加的延误小于中转乘客延误,则采用调整后的方案,否则不采用。
进一步的,所述航班运行数据信息包括载有中转旅客的航班的计划起降时间、实际起降时间、机型、中转旅客人数的航班运行信息,中转旅客换乘航班的计划起飞时间、机型、载客人数的航班运行信息,历史旅客换乘情况的旅客信息,跑道容量、设施使用情况信息。
进一步的,所述以中转旅客总延误时间最小为目标的目标函数为:
式中,FA表示前序航班集合,FD表示后序航班集合,Zj表示在划定的时间窗t内建立的后序航班的副本集合,表示前序航班i上的错过中转至航班j的副本z的旅客人数,表示旅客错过中转航班后等到下一中转航班的平均时间,是决策变量,表示如下:
进一步的,所述满足航班运行限制的约束条件为:
①航班限制约束,
后序航班j只能有一个副本作为前序航班i的中转航班,表示如下:
②旅客人数约束,
前序航班i上的错过中转至航班j的副本z的旅客人数应小于需要从前序航班i中转至后序航班j的旅客人数,表示如下:
③容量约束,
每个时间窗内的进场航班总数与离场航班总数受到最大进场容量和最大离场容量的限制,表示如下:
④航班连续性约束,
同一架飞机在按照时刻表进行飞行时,如果其中一个航班被调整,那么后续其他航班也会受到影响,所以在调整的时候应该对航班的时间间隔进行限制,连续性航班应满足航班最大最小中转时间的约束,表示如下:
⑤正整数约束,表示如下:
i,j,z∈N+。
进一步的,所述根据求解的结果,比较换乘航班调整后增加的旅客延误与不采取调整方案时产生的中转旅客延误的过程包括:
根据所述求解的结果得到经过调整后后序航班的离场时间,计算后序航班调整后增加的旅客延误,表示如下:
不采取优化方案调整时产生的错过中转旅客延误如下:
将后序航班旅客延误与错过中转旅客延误相比较。
一种基于减少旅客延误的中转行程优化***,包括:
获取模块,用于获取航班运行数据信息;
模型处理模块,用于将航班运行数据信息输入至预先构建的以中转旅客总延误时间最小为目标的目标函数以及满足航班运行限制的约束条件为基础的行程优化模型;采用遗传算法对行程优化模型进行求解;
比较模块,用于根据求解的结果,比较换乘航班调整后增加的旅客延误与不采取调整方案时产生的中转旅客延误;
控制模块,用于根据比较的结果决定航班是否采用调整方案,若增加的延误小于中转乘客延误,则采用调整后的方案,否则不采用。
进一步的,所述获取模块获取的航班运行数据信息包括载有中转旅客的航班的计划起降时间、实际起降时间、机型、中转旅客人数的航班运行信息,中转旅客换乘航班的计划起飞时间、机型、载客人数的航班运行信息,历史旅客换乘情况的旅客信息,跑道容量、设施使用情况信息。
进一步的,所述模型处理模块还包括目标函数确定模块,用于确定以中转旅客总延误时间最小为目标的目标函数,表示为:
式中,FA表示前序航班集合,FD表示后序航班集合,Zj表示在划定的时间窗t内建立的后序航班的副本集合,表示前序航班i上的错过中转至航班j的副本z的旅客人数,表示旅客错过中转航班后等到下一中转航班的平均时间,是决策变量,表示如下:
进一步的,所述模型处理模块还包括约束条件确定模块,用于确定满足航班运行限制的约束条件,表示为:
①航班限制约束,
后序航班j只能有一个副本作为前序航班i的中转航班,表示如下:
②旅客人数约束,
前序航班i上的错过中转至航班j的副本z的旅客人数应小于需要从前序航班i中转至后序航班j的旅客人数,表示如下:
③容量约束,
每个时间窗内的进场航班总数与离场航班总数受到最大进场容量和最大离场容量的限制,表示如下:
④航班连续性约束,
同一架飞机在按照时刻表进行飞行时,如果其中一个航班被调整,那么后续其他航班也会受到影响,所以在调整的时候应该对航班的时间间隔进行限制,连续性航班应满足航班最大最小中转时间的约束,表示如下:
⑤正整数约束,表示如下:
i,j,z∈N+。
进一步的,所述比较模块还包括:
第一计算模块,用于根据所述求解的结果得到经过调整后后序航班的离场时间,计算后序航班调整后增加的旅客延误,表示如下:
第一计算模块,用于计算不采取优化方案调整时产生的错过中转旅客延误:
输出模块,用于将后序航班旅客延误与错过中转旅客延误相比较,并将比较的结果输出给控制模块。
本发明所达到的有益效果:
本发明研究综合考虑了中转旅客的延误时间与中转航班上旅客的延误时间,从中转的角度出发,提出了一种基于减少旅客延误的中转行程优化方法,以中转旅客的延误最小为目标制定调整方案后,再根据调整后产生的中转航班乘客延误来优化调整方案,为中转行程的优化提供了一种实现方法,具有重要的实际意义和应用价值。
附图说明
图1是本发明提出的基于减少旅客延误的中转行程优化方法流程图。
图2是航班中转过程示意图。
图3是遗传算法步骤图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明具体实施方式提供了一种基基于减少旅客延误的中转行程优化方法,如图1和图2所示,分别是本发明方法的流程示意图和航班运行过程示意图,所述方法包括如下步骤:
步骤1:建立机场航班数据实时采集***,获取航班运行数据信息。
步骤2:根据航班中转过程,以中转乘客总延误时间最小为目标建立目标函数。
步骤3:构建满足有效性的约束条件。
步骤4:根据步骤2确定的目标函数与步骤3提出的约束条件,建立基于减少旅客延误的行程优化模型。
步骤5:采用遗传算法对步骤4建立的行程优化模型进行求解。
步骤6:根据求解结果,比较换乘航班调整后增加的旅客延误与不采取调整方案时产生的中转旅客延误。
步骤7:根据步骤6的比较结果,若增加的延误小于中转乘客延误,则采用调整后的方案,否则不采用。
在步骤1中,机场航班数据实时采集***所获取的航班运行数据信息包括载有中转旅客的航班的计划起降时间、实际起降时间、机型、中转旅客人数的航班运行信息,中转旅客换乘航班的计划起飞时间、机型、载客人数的航班运行信息,历史旅客换乘情况的旅客信息,跑道容量、设施使用情况等机场信息。
在步骤2中,根据航班中转调整过程,以错过中转旅客总延误时间最小为目标建立的目标函数。
如图2所示,为航班中转调整过程示意图。图中f1表示前序航班,f2表示后序航班,f1和f2在同一中转行程中。由于前序航班f1的延误,导致f2的离场时间与f1的实际到达时间的差值小于旅客中转需要的最小中转时间,f1上的中转旅客错过中转的后序航班,需要等待下一合适的航班,将会造成大量的中转旅客延误。这种中转旅客延误可通过调整后序航班的离场时间减少,以15分钟为区间建立时间窗,在时间窗内对每个后序航班以1分钟为间隔建立供选择的副本f2,z,表示后序航班f2可以调整的离场时间。
以错过中转旅客总延误时间最小为目标建立的目标函数为:
式中,FA表示前序航班集合,FD表示后序航班集合,Zj表示在划定的时间窗内建立的后序航班的副本集合,表示前序航班i上的错过中转至航班j的副本z的旅客人数,表示旅客错过中转航班后等到下一中转航班的平均时间,是决策变量,表示如下:
可以根据历史的旅客数据,统计固定时间段内错过中转航班的旅客等到下一中转航班的时间,取平均值得到。采用历史数据平均值是因为中转旅客在等待下一中转航班时,中转航班班次及其进场时间难以确定,而历史数据具有一定代表性,所以本研究选择历史数据平均值计算延误时间。
在步骤3中,构建满足有效性的约束条件:
①航班限制约束。后序航班j只能有一个副本作为前序航班i的中转航班,表示如下:
②旅客人数约束。前序航班i上的错过中转至航班j的副本z的旅客人数应小于需要从前序航班i中转至后序航班j的旅客人数,表示如下:
③容量约束。每个时间窗内的进场航班总数与离场航班总数受到最大进场容量和最大离场容量的限制,表示如下:
④航班连续性约束。同一架飞机在按照时刻表进行飞行时,如果其中一个航班被调整,那么后续其他航班也会受到影响,所以在调整的时候应该对航班的时间间隔进行限制,连续性航班应满足航班最大最小中转时间的约束,表示如下:
⑤正整数约束,表示如下:
i,j,z∈N+
在步骤4中,根据步骤2确定的目标函数与步骤3提出的约束条件,建立基于减少旅客延误的行程优化模型。
通过建立的中转行程优化模型选择一个合适的后序航班f2的副本,使得f2的离场时间与f1的实际到达时间的差值大于旅客中转需要的最小中转时间,从而减少旅客错过中转的产生的延误。
在步骤5中,如图3所示,采用遗传算法对行程优化模型进行求解,实现减少中转旅客延误。根据最小中转时间为每个后序中转航班生成z个副本,然后从中寻找最优的航班副本。具体算法步骤如下:
①编码。所述算法采用二进制编码。对于本研究提出的中转行程优化问题,每个后序中转航班的副本构成解的集合,所以选择二进制编码,基因片段数由航班副本数决定,每个片段采用01编码,编码后染色体一一对应每个航班副本。
②初始化种群。种群的初始化将从后序中转航班j的所有副本z中随机选择组成初始个体,所得到的种群就是一个可行解的集合,在可行解集合中初始化将有利于种群的快速进化。
③适应度函数设计。根据中转旅客的延误时间构建适应度函数,设置其为目标函数的倒数。
④算子设计。通过变异和重组得到子代群体,并与父代群体之前执行交叉操作。
⑤精英保留策略。对于不满足约束条件的染色体合并处理后的子代种群和父代种群,通过计算染色体的适应度值和精英保留策略保留较优解对应的染色体,生成新种群作为新的父代种群。
在步骤6中,根据求解结果比较后序中转航班优化后增加的旅客延误与不采取调整方案时产生的中转旅客延误。
由于调整后会使后序航班的离场时间延后,这将会使原本乘坐后序航班j的旅客产生延误,如果因为调整中转航班使得后序航班j的旅客延误增加超过减少的中转旅客延误,总体上来看旅客延误是增加的,并没有从根本上达到中转行程的优化。所以分别计算后序中转航班调整后增加的旅客延误与不采取调整方案时产生的中转旅客延误并进行比较,为每个航班安排离场时间。
根据步骤5中遗传算法的求解结果可以得到每个后序中转航班j的副本选择情况,即经过中转行程优化模型调整后后序中转航班的离场时间,计算后序中转航班调整后增加的旅客延误,表示如下:
不采取调整方案时中转旅客将会错过中转,产生的中转旅客延误表示如下:
将计算得到的后序中转航班调整后增加的旅客延误与不采取调整方案时产生的中转旅客延误进行比较。
在步骤7中,根据比较结果决定航班是否采用调整方案。若航班调整后增加的旅客延误小于中转旅客延误,则采用调整后的方案,否则则不采用。即当Tj<MTi j时,对该航班j采取调整后的优化方案;否则该航班不做调整。
相应的,本发明还提供一种基于减少旅客延误的中转行程优化***,包括:
获取模块,用于获取航班运行数据信息;
模型处理模块,用于将航班运行数据信息输入至预先构建的以中转旅客总延误时间最小为目标的目标函数以及满足航班运行限制的约束条件为基础的行程优化模型;采用遗传算法对行程优化模型进行求解;
比较模块,用于根据求解的结果,比较换乘航班调整后增加的旅客延误与不采取调整方案时产生的中转旅客延误;
控制模块,用于根据比较的结果决定航班是否采用调整方案,若增加的延误小于中转乘客延误,则采用调整后的方案,否则不采用。
所述获取模块获取的航班运行数据信息包括载有中转旅客的航班的计划起降时间、实际起降时间、机型、中转旅客人数的航班运行信息,中转旅客换乘航班的计划起飞时间、机型、载客人数的航班运行信息,历史旅客换乘情况的旅客信息,跑道容量、设施使用情况信息。
所述模型处理模块还包括目标函数确定模块,用于确定以中转旅客总延误时间最小为目标的目标函数,表示为:
式中,FA表示前序航班集合,FD表示后序航班集合,Zj表示在划定的时间窗t内建立的后序航班的副本集合,表示前序航班i上的错过中转至航班j的副本z的旅客人数,表示旅客错过中转航班后等到下一中转航班的平均时间,是决策变量,表示如下:
所述模型处理模块还包括约束条件确定模块,用于确定满足航班运行限制的约束条件,表示为:
①航班限制约束,
后序航班j只能有一个副本作为前序航班i的中转航班,表示如下:
②旅客人数约束,
前序航班i上的错过中转至航班j的副本z的旅客人数应小于需要从前序航班i中转至后序航班j的旅客人数,表示如下:
③容量约束,
每个时间窗内的进场航班总数与离场航班总数受到最大进场容量和最大离场容量的限制,表示如下:
④航班连续性约束,
同一架飞机在按照时刻表进行飞行时,如果其中一个航班被调整,那么后续其他航班也会受到影响,所以在调整的时候应该对航班的时间间隔进行限制,连续性航班应满足航班最大最小中转时间的约束,表示如下:
⑤正整数约束,表示如下:
i,j,z∈N+。
所述比较模块还包括:
第一计算模块,用于根据所述求解的结果得到经过调整后后序航班的离场时间,计算后序航班调整后增加的旅客延误,表示如下:
第一计算模块,用于计算不采取优化方案调整时产生的错过中转旅客延误:
输出模块,用于将后序航班旅客延误与错过中转旅客延误相比较,并将比较的结果输出给控制模块。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于减少旅客延误的中转行程优化方法,其特征在于,
获取航班运行数据信息;
将航班运行数据信息输入至预先构建的以中转旅客总延误时间最小为目标的目标函数以及满足航班运行限制的约束条件为基础的行程优化模型;
采用遗传算法对行程优化模型进行求解;
根据求解的结果,比较换乘航班调整后增加的旅客延误与不采取调整方案时产生的中转旅客延误;
根据比较的结果决定航班是否采用调整方案,若增加的延误小于中转乘客延误,则采用调整后的方案,否则不采用。
2.根据权利要求1所述的基于减少旅客延误的中转行程优化方法,其特征在于,所述航班运行数据信息包括载有中转旅客的航班的计划起降时间、实际起降时间、机型、中转旅客人数的航班运行信息,中转旅客换乘航班的计划起飞时间、机型、载客人数的航班运行信息,历史旅客换乘情况的旅客信息,跑道容量、设施使用情况信息。
3.根据权利要求1所述的基于减少旅客延误的中转行程优化方法,其特征在于,所述以中转旅客总延误时间最小为目标的目标函数为:
式中,FA表示前序航班集合,FD表示后序航班集合,Zj表示在划定的时间窗t内建立的后序航班的副本集合,示前序航班i上的错过中转至航班j的副本z的旅客人数,表示旅客错过中转航班后等到下一中转航班的平均时间,是决策变量,表示如下:
4.根据权利要求3所述的基于减少旅客延误的中转行程优化方法,其特征在于,所述满足航班运行限制的约束条件为:
①航班限制约束,
后序航班j只能有一个副本作为前序航班i的中转航班,表示如下:
②旅客人数约束,
前序航班i上的错过中转至航班j的副本z的旅客人数应小于需要从前序航班i中转至后序航班j的旅客人数,表示如下:
③容量约束,
每个时间窗内的进场航班总数与离场航班总数受到最大进场容量和最大离场容量的限制,表示如下:
④航班连续性约束,
同一架飞机在按照时刻表进行飞行时,如果其中一个航班被调整,那么后续其他航班也会受到影响,所以在调整的时候应该对航班的时间间隔进行限制,连续性航班应满足航班最大最小中转时间的约束,表示如下:
⑤正整数约束,表示如下:
i,j,z∈N+。
5.根据权利要求3所述的基于减少旅客延误的中转行程优化方法,其特征在于,所述根据求解的结果,比较换乘航班调整后增加的旅客延误与不采取调整方案时产生的中转旅客延误的过程包括:
根据所述求解的结果得到经过调整后后序航班的离场时间,计算后序航班调整后增加的旅客延误,表示如下:
不采取优化方案调整时产生的错过中转旅客延误如下:
将后序航班旅客延误与错过中转旅客延误相比较。
6.一种基于减少旅客延误的中转行程优化***,其特征在于,包括:
获取模块,用于获取航班运行数据信息;
模型处理模块,用于将航班运行数据信息输入至预先构建的以中转旅客总延误时间最小为目标的目标函数以及满足航班运行限制的约束条件为基础的行程优化模型;采用遗传算法对行程优化模型进行求解;
比较模块,用于根据求解的结果,比较换乘航班调整后增加的旅客延误与不采取调整方案时产生的中转旅客延误;
控制模块,用于根据比较的结果决定航班是否采用调整方案,若增加的延误小于中转乘客延误,则采用调整后的方案,否则不采用。
7.根据权利要求6所述的基于减少旅客延误的中转行程优化***,其特征在于,所述获取模块获取的航班运行数据信息包括载有中转旅客的航班的计划起降时间、实际起降时间、机型、中转旅客人数的航班运行信息,中转旅客换乘航班的计划起飞时间、机型、载客人数的航班运行信息,历史旅客换乘情况的旅客信息,跑道容量、设施使用情况信息。
8.根据权利要求6所述的基于减少旅客延误的中转行程优化***,其特征在于,所述模型处理模块还包括目标函数确定模块,用于确定以中转旅客总延误时间最小为目标的目标函数,表示为:
式中,FA表示前序航班集合,FD表示后序航班集合,Zj表示在划定的时间窗t内建立的后序航班的副本集合,表示前序航班i上的错过中转至航班j的副本z的旅客人数,表示旅客错过中转航班后等到下一中转航班的平均时间,是决策变量,表示如下:
9.根据权利要求8所述的基于减少旅客延误的中转行程优化***,其特征在于,所述模型处理模块还包括约束条件确定模块,用于确定满足航班运行限制的约束条件,表示为:
①航班限制约束,
后序航班j只能有一个副本作为前序航班i的中转航班,表示如下:
②旅客人数约束,
前序航班i上的错过中转至航班j的副本z的旅客人数应小于需要从前序航班i中转至后序航班j的旅客人数,表示如下:
③容量约束,
每个时间窗内的进场航班总数与离场航班总数受到最大进场容量和最大离场容量的限制,表示如下:
④航班连续性约束,
同一架飞机在按照时刻表进行飞行时,如果其中一个航班被调整,那么后续其他航班也会受到影响,所以在调整的时候应该对航班的时间间隔进行限制,连续性航班应满足航班最大最小中转时间的约束,表示如下:
式中,FCTmin表示航班最小中转时间,FCTmax表示航班最大中转时间,yi j是决策变量,表示如下:
⑤正整数约束,表示如下:
i,j,z∈N+。
10.根据权利要求6所述的基于减少旅客延误的中转行程优化***,其特征在于,所述比较模块还包括:
第一计算模块,用于根据所述求解的结果得到经过调整后后序航班的离场时间,计算后序航班调整后增加的旅客延误,表示如下:
第一计算模块,用于计算不采取优化方案调整时产生的错过中转旅客延误:
输出模块,用于将后序航班旅客延误与错过中转旅客延误相比较,并将比较的结果输出给控制模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010613632.0A CN111783357B (zh) | 2020-06-30 | 2020-06-30 | 一种基于减少旅客延误的中转行程优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010613632.0A CN111783357B (zh) | 2020-06-30 | 2020-06-30 | 一种基于减少旅客延误的中转行程优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111783357A true CN111783357A (zh) | 2020-10-16 |
CN111783357B CN111783357B (zh) | 2024-05-24 |
Family
ID=72760865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010613632.0A Active CN111783357B (zh) | 2020-06-30 | 2020-06-30 | 一种基于减少旅客延误的中转行程优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783357B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112651530A (zh) * | 2021-01-18 | 2021-04-13 | 中国民航信息网络股份有限公司 | 一种中转旅客的中转决策方法及相关设备 |
CN112801455A (zh) * | 2020-12-31 | 2021-05-14 | 携程旅游网络技术(上海)有限公司 | 航班密度调整方法、***、电子设备和存储介质 |
CN112800382A (zh) * | 2021-01-14 | 2021-05-14 | 南京航空航天大学 | 一种基于航班离场成本的推出时隙分配优化方法及*** |
CN112819317A (zh) * | 2021-01-29 | 2021-05-18 | 同济大学 | 一种不正常航班飞机、旅客及机务一体化恢复*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704949A (zh) * | 2017-09-12 | 2018-02-16 | 中国船舶重工集团公司第七0九研究所 | 基于历史数据驱动的航班进离场调度优化方法及*** |
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 |
-
2020
- 2020-06-30 CN CN202010613632.0A patent/CN111783357B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704949A (zh) * | 2017-09-12 | 2018-02-16 | 中国船舶重工集团公司第七0九研究所 | 基于历史数据驱动的航班进离场调度优化方法及*** |
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 |
Non-Patent Citations (2)
Title |
---|
焦潇冰等: "基于改进的遗传算法航班进港排序模型研究", 计算机技术与发展, vol. 24, no. 2, pages 246 - 249 * |
马正平等: "机场航班延误优化模型", 清华大学学报(自然科学版), vol. 44, no. 4, pages 474 - 477 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801455A (zh) * | 2020-12-31 | 2021-05-14 | 携程旅游网络技术(上海)有限公司 | 航班密度调整方法、***、电子设备和存储介质 |
CN112800382A (zh) * | 2021-01-14 | 2021-05-14 | 南京航空航天大学 | 一种基于航班离场成本的推出时隙分配优化方法及*** |
CN112800382B (zh) * | 2021-01-14 | 2022-03-11 | 南京航空航天大学 | 一种基于航班离场成本的推出时隙分配优化方法及*** |
CN112651530A (zh) * | 2021-01-18 | 2021-04-13 | 中国民航信息网络股份有限公司 | 一种中转旅客的中转决策方法及相关设备 |
CN112819317A (zh) * | 2021-01-29 | 2021-05-18 | 同济大学 | 一种不正常航班飞机、旅客及机务一体化恢复*** |
Also Published As
Publication number | Publication date |
---|---|
CN111783357B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783357A (zh) | 一种基于减少旅客延误的中转行程优化方法及*** | |
Zhang et al. | Intelligent electric vehicle charging recommendation based on multi-agent reinforcement learning | |
Nitisiri et al. | A parallel multi-objective genetic algorithm with learning based mutation for railway scheduling | |
CN111862579A (zh) | 一种基于深度强化学习的出租车调度方法及*** | |
Tavakkoli-Moghaddam et al. | Solving a multi-objective job shop scheduling problem with sequence-dependent setup times by a Pareto archive PSO combined with genetic operators and VNS | |
CN110739696B (zh) | 智能配网环境中需求侧资源与可再生能源的集成调度方法 | |
CN112070355A (zh) | 一种机场摆渡车的分配调度方法 | |
CN109214559B (zh) | 物流业务的预测方法及装置、可读存储介质 | |
Wang et al. | Optimization of bus bridging service under unexpected metro disruptions with dynamic passenger flows | |
CN111563636A (zh) | 一种三阶段元启发式停机位分配优化方法 | |
CN114664119B (zh) | 一种航班跑道排序与优化调度方法 | |
CN111291969B (zh) | 基于遗传算法的汽车重排序方法 | |
Hani et al. | Simulation based optimization of a train maintenance facility | |
CN115577833A (zh) | 应用于求解协同配送的路径规划的粒子群优化方法和*** | |
CN113525462B (zh) | 延误情况下的时刻表调整方法、装置和电子设备 | |
CN115016913A (zh) | 基于数字孪生模型的机场特种车辆实时调度方法及*** | |
Lv et al. | A variable neighborhood search algorithm for airport ferry vehicle scheduling problem | |
CN113313451A (zh) | 一种基于改进布谷鸟算法的多目标优化物流调度方法 | |
Kim et al. | A branch-and-price approach for airport gate assignment problem with chance constraints | |
Hu et al. | A multi-objective scheduling model for solving the resource-constrained project scheduling and resource leveling problems | |
CN110060514B (zh) | 航班调度方法和装置 | |
CN112016750A (zh) | 一种改进的解决带约束车辆路径问题的方法 | |
CN116070814A (zh) | 基于大数据处理的多式联运路径多冲突目标动态优化方法 | |
CN115731748A (zh) | 航班跑道排序方法及存储介质 | |
Liu et al. | A hybrid brain storm optimization algorithm for dynamic vehicle routing problem With time windows |
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 |