CN115640878A - 用于机场航班时刻优化的树型防火墙容量配置方法 - Google Patents
用于机场航班时刻优化的树型防火墙容量配置方法 Download PDFInfo
- Publication number
- CN115640878A CN115640878A CN202211206784.4A CN202211206784A CN115640878A CN 115640878 A CN115640878 A CN 115640878A CN 202211206784 A CN202211206784 A CN 202211206784A CN 115640878 A CN115640878 A CN 115640878A
- Authority
- CN
- China
- Prior art keywords
- capacity
- airport
- firewall
- time
- tree
- 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 33
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 238000003066 decision tree Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims description 5
- 238000013138 pruning Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000010006 flight Effects 0.000 description 4
- 230000001934 delay Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种用于机场航班时刻优化的树型防火墙容量配置方法,涉及空中交通管理与规划技术领域,能够为机场运营者和时隙协调人员提供灵活的容量配置文件及高满意度的航班时刻分配方案。本发明包括:获取机场时隙协调参数数据和机场初始航班计划;利用所述机场时隙协调参数数据建立机场容量场景集;获取所述容量场景集对应的期望延误水平;利用所述容量场景集和所述容量场景集对应的期望延误水平,建立训练数据集;利用所述训练数据集,基于决策树算法训练初始决策树;利用所述初始决策树获取融合防火墙的树型容量配置文件;利用所述树型容量配置文件建立航班时刻优化模型。
Description
技术领域
本发明涉及空中交通管理与规划技术领域,尤其涉及一种用于机场航班时刻优化的树型防火墙容量配置方法。
背景技术
近年来,空中交通延误频发给社会与环境带来巨大负担。机场容需不平衡是导致航班延误的主要因素之一。单一的供给端措施由于实施时间长、资本密集程度高等特点,难以快速有效解决地这一迫切的现实问题。因此,需求管理成为解决空中交通延误的关键着力点。其中,以IATA WSG为指导的航班时刻分配机制,被广泛应用于包括中国在内的繁忙机场。在航班时刻分配过程中,机场容量配置方案的选择直接决定了机场、航空公司等利益相关方对分配结果的满意程度。
目前机场容量配置方案通常表示为常数,即在一天中,设置每个时段相等的容量值。当这一常数值设置过低时,造成了容量资源难以充分利用;设置过高时,则易引发航班延误与延误传播现象。此外,在当前IATA WSG机制下,机场容量配置方案在航空公司提交请求时刻之前公布。这使得目前预先设定的单一的容量配置方案无法捕捉未来航季的需求特征,从而难以最大化航空公司诉求。因此,需要研究一种更灵活有效的机场容量配置方式,以适应航空公司对各时段的偏好,并将其应用于航班时刻分配任务,从而最终扩大机场容量配置的应用范围。
发明内容
本发明的实施例提供一种用于树型机场航班时刻优化的融合防火墙容量配置方法,能够为机场运营者和时隙协调人员提供灵活的容量配置文件及高满意度的航班时刻分配方案。
为达到上述目的,本发明的实施例采用如下技术方案:
S1、获取机场时隙协调参数数据和机场初始航班计划;
S2、利用所述机场时隙协调参数数据建立机场容量场景集;
S3、获取所述容量场景集对应的期望延误水平;
S4、利用所述容量场景集和所述容量场景集对应的期望延误水平,建立训练数据集;
S5、利用所述训练数据集,基于决策树算法训练初始决策树;
S6、利用所述初始决策树获取融合防火墙的树型容量配置文件;
S7、利用所述树型容量配置文件建立航班时刻优化模型。
本发明实施例提供的用于树型机场航班时刻优化的融合防火墙容量配置方法,获取机场时隙协调参数数据与机场初始航班计划,其中所述机场时隙协调参数数据包括机场公布容量、机场协调时段、机场繁忙时段、机场期望防火墙时段、机场可接受延误水平以及机场最小周转时间;利用所述机场繁忙时段、机场期望防火墙时段以及机场公布容量,构造机场容量场景集;利用所述机场容量场景集,基于排队理论,计算所述容量场景集内各元素的期望延误水平;利用所述容量场景集及对应的期望延误水平,构造“容量特征-期望延误”数据集;利用所述“容量特征-期望延误”数据集,基于决策树算法,训练初始决策树;利用所述初始决策树,确定融合防火墙的树型容量配置文件;利用所述机场初始航班计划与机场可接受延误水平,从所述树型容量配置文件中提取可用路径,建立多个航班时刻优化模型;求解对比所述航班时刻优化模型的目标值,获取优化后航班时刻分配方案。
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总体流程示意图;
图2为本发明实施例提供的初始决策树示意图;
图3为本发明实施例提供的树型机场容量配置文件示意图;
图4为本发明实施例提供的初始与优化后航班计划与分布示意图。
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树型机场航班时刻优化的融合防火墙容量配置方法,如图1所示,包括:
S1、获取机场时隙协调参数数据和机场初始航班计划。
其中,所述机场时隙协调参数数据包括:机场公布容量、机场协调时段、机场繁忙时段、机场期望防火墙时段、机场可接受延误水平和机场最小周转时间。机场时隙协调参数数据、机场初始航班计划均可以从机场的空管***中获取。
S2、利用所述机场时隙协调参数数据建立机场容量场景集。
S3、获取所述容量场景集对应的期望延误水平。
S4、利用所述容量场景集和所述容量场景集对应的期望延误水平,建立训练数据集。
S5、利用所述训练数据集,基于决策树算法训练初始决策树。
其中,利用分类回归树算法,输入所述“容量特征-期望延误”数据集中的容量特征数据作为解释变量,输入所述“容量特征-期望延误”数据集中的期望延误数据作为解释变量,训练获得初始决策树。
S6、利用所述初始决策树获取融合防火墙的树型容量配置文件。
S7、利用所述树型容量配置文件建立航班时刻优化模型。
本实施例中,在S2中,包括:
S21、利用所述机场公布容量,确定机场期望防火墙时段的容量取值范围,得到防火墙容量集。具体的,在S21中,包括:设置机场期望防火墙时段可能取得的容量最大值为cmax=cd,cd表示所述机场公布容量,设置机场期望防火墙时段可能取得的容量最小值为cmin=round(0.8cd),round(·)表示取整运算,从而获得机场期望防火墙时段的容量取值范围为[cmin,cmax],防火墙容量集为Cf={cmin,cmin+1,...,cmax},n表示元素个数。
S22、在机场繁忙时段内,将期望防火墙时段的容量设置为防火墙容量集内的元素,并将机场高峰时段的容量设置为机场公布容量,获得包含所有防火墙容量组合的容量场景集作为所述容量场景集。具体的,在S22中,包括:设置机场期望防火墙时段fg,则fg∈F的容量为cf,cf∈Cf,Cf表示防火墙容量集其中,所述机场繁忙时段为H={h1.h2,...,hL},所述机场期望防火墙时段为F={f1,f2,...,fG},L表示一天中的时段个数,hL表示第L个时段,G表示防火墙时段的个数,fG表示第G个防火墙时段。和,设置机场高峰时段hl,hl∈H/F的容量为cd,遍历所有可能的机场容量配置方案,获得容量场景集其中,表示第nG个容量场景。
本实施例中,在S3中,包括:利用随机动态排队模型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,分别计算每个容量场景的平均延误时间,M(t)表示到达时间间隔服从指数分布,Ek(t)表示服务时间服从k阶Erlang分布,t表示排队模型具有动态性,即服务率和到达率会随着时间变化。所述随机动态排队模型中的服务率记为μ。其中,将容量场景集数据作为到达率输入所述动态排队模型后,计算每个容量场景的平均延误时间,获得容量场景集内各元素的期望延误水平 表示第nG个容量场景对应的期望延误水平。
本实施例中,在S4中,包括:
提取容量场景集的容量特征,所述容量场景集的容量特征包括:每个防火墙的容量与容量场景的总容量,其中容量场景的总容量为容量场景内各时段容量之和。例如:提取容量场景集的容量特征,记为其中,表示第η个容量场景中第g个防火墙的容量,为第η个容量场景的总容量,其值等于第η个容量场景内各时段容量之和,η∈[1,2,...,nG],g∈[1,2,...,G]。
以容量场景集内的每个容量场景对应的容量特征和期望延误作为一条数据记录,建立反映了容量特征与期望延误对应关系的训练数据集。例如:以容量场景集内每个容量场景对应的容量特征和期望延误为一个记录,建立“容量特征-期望延误”数据集,记为
本实施例中,在S5中,包括:通过所述决策树算法中的分类回归树,将输入所述训练数据集中的容量特征数据FC作为解释变量,将输入所述训练数据集中的期望延误数据D作为解释变量。
在训练分类回归树的过程中,不断调整所述分类回归树的深度并禁用剪枝策略,直至获取精度为1的初始决策树,例如图2所示,其叶节点数记为K=4。
本实施例中,在S6中,包括:
检索获取初始决策树中每个叶节点包含的样本,并提取样本的容量特征边界,其中包括总容量的最大值,以及各个防火墙容量的最大值与最小值。
串联每个叶节点及其容量特征边界,获取新路径。
取所有新路径中总容量特征的最大值作为父节点,并将每个叶节点的新路径并联,得到所述融合防火墙的树型容量配置文件,其中,每个路径表示相同期望延误水平下多种容量配置方案的组合,叶节点表示期望延误水平。
进一步的,在S7中,包括:计算初始航班计划的总需求,并从树型容量配置文件中选择可用路径,其中,所述可用路径的最大总容量大于等于初始航班计划总需求,和,期望延误水平小于等于机场可接受延误水平。针对每个可用路径,构造航班时刻优化模型,并计算初始航班计划的最小总偏移量。在S7之后,还包括:通过比较各路径构造航班时刻优化模型所获目标值的最小值,确定优化后的航班时刻分配方案。
在优选方案中,在计算初始航班计划的最小总偏移量的过程中,包括:在所述航班时刻优化模型中,每个航班只获得一个时刻,每个航班对的时间间隔不小于所述机场最小周转时间。将路径对应的容量特征边界值,作为航班时刻优化模型中防火墙时段容量约束上限,非防火墙时段的容量约束上限设置为机场公布容量。
具体举例来说,本实施例在实际应用中,可以实现为下述S1~S20的过程,
S1:所述机场公布容量记为cd,设置机场期望防火墙时段可能取得的容量最大值为cmax=cd,设置机场期望防火墙时段可能取得的容量最小值为cmin=round(0.8cd),其中round(·)表示取整运算,获得机场期望防火墙时段的容量取值范围为[cmin,cmax],防火墙容量集为Cf={cmin,cmin+1,...,cmax},其元素个数记为n。
S2:记所述机场繁忙时段为H={h1.h2,...,hL},记所述机场期望防火墙时段为F={f1,f2,...,fG},设置机场期望防火墙时段fg,fg∈F的容量为cf,cf∈Cf,设置机场高峰时段hl,hl∈H/F的容量为cd,遍历所有可能的机场容量配置方案,获得容量场景集
S3:所述随机动态排队模型M(t)/Ek(t)/1中Erlang阶数记为k,服务率记为μ,将容量场景集数据作为到达率输入所述动态排队模型,计算每个容量场景的平均延误时间,获得容量场景集内各元素的期望延误水平,记为
S4:提取容量场景集的容量特征,记为
S5:以容量场景集内每个容量场景对应的容量特征和期望延误为一个记录,建立“容量特征-期望延误”数据集,记为
步骤五、利用所述“容量特征-期望延误”数据集,基于决策树算法,训练初始决策树。具体包含以下S6-S7分步骤:
S6:利用所述决策树算法中的分类回归树,输入所述“容量特征-期望延误”数据集中的容量特征数据FC作为解释变量,输入所述“容量特征-期望延误”数据集中的期望延误数据D作为解释变量。
S7:调整所述分类回归树的深度,禁用剪枝策略,训练分类回归树,获得精度为1的初始决策树,如图2所示,其叶节点数记为K=4。
S10:执行步骤S8-S9获得所有叶节点的容量特征边界。
S11:串联每个叶节点及其容量特征边界,可获得一条新的路径。
S12:执行步骤S11共获得K条路径。
S13:取所有新路径中总容量特征的最大值作为父节点,并联步骤S12获得的每个路径,获得最终的融合防火墙的树型容量配置文件,如图3所示,其中,第一层节点表示树型容量配置文件能够实现的最大容量,第二层节点表示每条路径能够实现的最大容量,第三、四、五层分别表示第一、二、三个防火墙的容量边界,最后一层的叶节点表示按其路径的容量特征值部署机场容量时,获得的延误水平。
S14:计算所述初始航班计划的总需求,记为mtot,从所述树型容量配置文件中选择路径最大总需求大于等于初始航班计划总需求以及期望延误水平小于等于机场可接受延误水平的路径,记为可用路径P={p1,p2,...,pR}。
S15:对于路径pr,pr∈P,其总容量上界记为Ctotal,第g个防火墙容量特征边界记为令T={0,1,...,n}表示每天协调时间片集合,每个时间片的持续时间为5分钟。Z表示机场一天中协调时段的集合,令td表示每个时段的持续时间,令表示Z中第l个时段的起点,zl∈Z/F,则第z个时段所占的时间片可表示为令表示第g个防火墙的起点,则第g个防火墙所占的时间片可表示为记M为初始航班计划,AD为初始航班计划中航班对的集合,a、b表示其中一对进场离场航班,tad表示这对航班的最小周转时间。记tm为初始航班计划中航班m的时刻。定义决策变量表示第g个防火墙的容量。定义0-1决策变量当时表示将时刻t分配给航班m,否则
S16:对于路径pr,pr∈P,构建航班时刻优化模型,表示为:
其中目标函数(a)最小化初始航班计划的总偏移,约束(b)确保每个航班能且只能获得一个时刻,约束(c)表示每个时段的航班量都不超过机场公布容量,约束(d)表示防火墙时段的航班量不超过防火墙容量,约束(e)表示每个航班对的周转时间必须大于等于最小周转时间。
S19:对于可用路径集P中的每个路径,按步骤S15-S18,构建航班时刻优化模型并求解,共获得R个航班时刻分配方案和目标函数值。
S20:比较R个目标函数值,其中最小目标函数值对应的航班时刻分配方案即为最终结果,如图4所示。
本实施例设计了一种融合时隙防火墙的树型机场容量配置文件与航班时刻优化方法,主要应用在空中交通管理与规划***上,可以为机场运营者和时隙协调人员提供了灵活机场容量配置文件与高满意度的航班时刻分配方案。
具体来说,本实施例的方案中,获取机场时隙协调参数数据与机场初始航班计划,其中所述机场时隙协调参数数据包括机场公布容量、机场协调时段、机场繁忙时段、机场期望防火墙时段、机场可接受延误水平以及机场最小周转时间;利用所述机场繁忙时段、机场期望防火墙时段以及机场公布容量,构造机场容量场景集;利用所述机场容量场景集,基于排队理论,计算所述容量场景集内各元素的期望延误水平;利用所述容量场景集及对应的期望延误水平,构造“容量特征-期望延误”数据集;利用所述“容量特征-期望延误”数据集,基于决策树算法,训练初始决策树;利用所述初始决策树,确定融合防火墙的树型容量配置文件;利用所述机场初始航班计划与机场可接受延误水平,从所述树型容量配置文件中提取可用路径,建立多个航班时刻优化模型;求解对比所述航班时刻优化模型的目标值,获取优化后航班时刻分配方案。
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 (10)
1.一种用于机场航班时刻优化的树型防火墙容量配置方法,其特征在于,包括:
S1、获取机场时隙协调参数数据和机场初始航班计划;
S2、利用所述机场时隙协调参数数据建立机场容量场景集;
S3、获取所述容量场景集对应的期望延误水平;
S4、利用所述容量场景集和所述容量场景集对应的期望延误水平,建立训练数据集;
S5、利用所述训练数据集,基于决策树算法训练初始决策树;
S6、利用所述初始决策树获取融合防火墙的树型容量配置文件;
S7、利用所述树型容量配置文件建立航班时刻优化模型。
2.根据权利要求1所述的方法,其特征在于,所述机场时隙协调参数数据包括:机场公布容量、机场协调时段、机场繁忙时段、机场期望防火墙时段、机场可接受延误水平和机场最小周转时间。
3.根据权利要求2所述的方法,其特征在于,在S2中,包括:
S21、利用所述机场公布容量,确定机场期望防火墙时段的容量取值范围,得到防火墙容量集;
S22、在机场繁忙时段内,将期望防火墙时段的容量设置为防火墙容量集内的元素,并将机场高峰时段的容量设置为机场公布容量,获得包含所有防火墙容量组合的容量场景集作为所述容量场景集。
4.根据权利要求3所述的方法,其特征在于,在S21中,包括:设置机场期望防火墙时段可能取得的容量最大值为cmax=cd,cd表示所述机场公布容量,设置机场期望防火墙时段可能取得的容量最小值为cmin=round(0.8cd),round(·)表示取整运算,从而获得机场期望防火墙时段的容量取值范围为[cmin,cmax],防火墙容量集为Cf={cmin,cmin+1,...,cmax},n表示元素个数;
6.根据权利要求2所述的方法,其特征在于,在S4中,包括:
提取容量场景集的容量特征,所述容量场景集的容量特征包括:每个防火墙的容量与容量场景的总容量,其中容量场景的总容量为容量场景内各时段容量之和;
以容量场景集内的每个容量场景对应的容量特征和期望延误作为一条数据记录,建立反映了容量特征与期望延误对应关系的训练数据集。
7.根据权利要求1所述的方法,其特征在于,在S5中,包括:
通过所述决策树算法中的分类回归树,将输入所述训练数据集中的容量特征数据FC作为解释变量,将输入所述训练数据集中的期望延误数据D作为解释变量;
在训练分类回归树的过程中,不断调整所述分类回归树的深度并禁用剪枝策略,直至获取精度为1的初始决策树。
8.根据权利要求1所述的方法,其特征在于,在S6中,包括:
检索获取初始决策树中每个叶节点包含的样本,并提取样本的容量特征边界;
串联每个叶节点及其容量特征边界,获取新路径;
取所有新路径中总容量特征的最大值作为父节点,并将每个叶节点的新路径并联,得到所述融合防火墙的树型容量配置文件。
9.根据权利要求1所述的方法,其特征在于,在S7中,包括:
计算初始航班计划的总需求,并从树型容量配置文件中选择可用路径,其中,所述可用路径的最大总容量大于等于初始航班计划总需求,和,期望延误水平小于等于机场可接受延误水平;
针对每个可用路径,构造航班时刻优化模型,并计算初始航班计划的最小总偏移量;
在S7之后,还包括:通过比较各路径构造航班时刻优化模型所获目标值的最小值,确定优化后的航班时刻分配方案。
10.根据权利要求9所述的方法,其特征在于,在计算初始航班计划的最小总偏移量的过程中,包括:
在所述航班时刻优化模型中,每个航班只获得一个时刻,每个航班对的时间间隔不小于所述机场最小周转时间;
将路径对应的容量特征边界值,作为航班时刻优化模型中防火墙时段容量约束上限,非防火墙时段的容量约束上限设置为机场公布容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211206784.4A CN115640878A (zh) | 2022-09-30 | 2022-09-30 | 用于机场航班时刻优化的树型防火墙容量配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211206784.4A CN115640878A (zh) | 2022-09-30 | 2022-09-30 | 用于机场航班时刻优化的树型防火墙容量配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115640878A true CN115640878A (zh) | 2023-01-24 |
Family
ID=84942097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211206784.4A Pending CN115640878A (zh) | 2022-09-30 | 2022-09-30 | 用于机场航班时刻优化的树型防火墙容量配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115640878A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050216317A1 (en) * | 2004-03-25 | 2005-09-29 | International Business Machines Corporation | System and method for providing an airline variable routed capacity management system |
US20120173131A1 (en) * | 2011-01-05 | 2012-07-05 | Metron Aviation, Inc. | Airport Demand Management Method |
CN105956621A (zh) * | 2016-04-29 | 2016-09-21 | 南京航空航天大学 | 一种基于进化欠抽样集成学习的航班延误预警方法 |
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 |
CN110428665A (zh) * | 2019-07-29 | 2019-11-08 | 中国电子科技集团公司第二十八研究所 | 一种航路与机场时隙协同分配的随机双层规划方法 |
CN113449915A (zh) * | 2021-06-28 | 2021-09-28 | 中国电子科技集团公司第二十八研究所 | 一种基于知识图谱的航班延误预测方法 |
CN113657671A (zh) * | 2021-08-18 | 2021-11-16 | 北京航空航天大学 | 一种基于集成学习的航班延误预测方法 |
CN113987406A (zh) * | 2021-09-18 | 2022-01-28 | 南京航空航天大学 | 一种考虑优先级的航班时刻弹性优化方法 |
US20220092442A1 (en) * | 2020-09-21 | 2022-03-24 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems, methods, and apparatuses for evaluating wait times and queue lengths at multi-station and multi-stage screening zones via a determinisitc decision support algorithm |
CN114464017A (zh) * | 2022-01-27 | 2022-05-10 | 南京航空航天大学 | 一种基于排队论的机场群航班延误估算方法 |
CN114693142A (zh) * | 2022-04-06 | 2022-07-01 | 南京工业职业技术大学 | 一种考虑运行效能的单机场航班时刻配置方法 |
CN114758528A (zh) * | 2022-03-31 | 2022-07-15 | 中国民用航空飞行学院 | 一种基于服务资源供需平衡的机场终端区容量预测方法 |
CN114819510A (zh) * | 2022-03-28 | 2022-07-29 | 南京航空航天大学 | 一种多目标航班时刻优化方法 |
-
2022
- 2022-09-30 CN CN202211206784.4A patent/CN115640878A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050216317A1 (en) * | 2004-03-25 | 2005-09-29 | International Business Machines Corporation | System and method for providing an airline variable routed capacity management system |
US20120173131A1 (en) * | 2011-01-05 | 2012-07-05 | Metron Aviation, Inc. | Airport Demand Management Method |
CN105956621A (zh) * | 2016-04-29 | 2016-09-21 | 南京航空航天大学 | 一种基于进化欠抽样集成学习的航班延误预警方法 |
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 |
CN110428665A (zh) * | 2019-07-29 | 2019-11-08 | 中国电子科技集团公司第二十八研究所 | 一种航路与机场时隙协同分配的随机双层规划方法 |
US20220092442A1 (en) * | 2020-09-21 | 2022-03-24 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems, methods, and apparatuses for evaluating wait times and queue lengths at multi-station and multi-stage screening zones via a determinisitc decision support algorithm |
CN113449915A (zh) * | 2021-06-28 | 2021-09-28 | 中国电子科技集团公司第二十八研究所 | 一种基于知识图谱的航班延误预测方法 |
CN113657671A (zh) * | 2021-08-18 | 2021-11-16 | 北京航空航天大学 | 一种基于集成学习的航班延误预测方法 |
CN113987406A (zh) * | 2021-09-18 | 2022-01-28 | 南京航空航天大学 | 一种考虑优先级的航班时刻弹性优化方法 |
CN114464017A (zh) * | 2022-01-27 | 2022-05-10 | 南京航空航天大学 | 一种基于排队论的机场群航班延误估算方法 |
CN114819510A (zh) * | 2022-03-28 | 2022-07-29 | 南京航空航天大学 | 一种多目标航班时刻优化方法 |
CN114758528A (zh) * | 2022-03-31 | 2022-07-15 | 中国民用航空飞行学院 | 一种基于服务资源供需平衡的机场终端区容量预测方法 |
CN114693142A (zh) * | 2022-04-06 | 2022-07-01 | 南京工业职业技术大学 | 一种考虑运行效能的单机场航班时刻配置方法 |
Non-Patent Citations (2)
Title |
---|
CHUNZHENG WANG: "《Improving the spatial-temporal generalization of flight block time prediction: A development of stacking models》", pages 1 - 17, Retrieved from the Internet <URL:《https://doi.org/10.1016/j.jairtraman.2022.102244》> * |
杨尚文: "终端区动态容量预测模型", 《南京航空航天大学学报》, pages 113 - 116 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108121512A (zh) | 一种边缘计算服务缓存方法、***、装置及可读存储介质 | |
CN114677782A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
CN102662988B (zh) | 一种用于rfid中间件的冗余数据过滤方法 | |
US20240195683A1 (en) | Network management and control method and system, network system, and storage medium | |
CN111163482B (zh) | 数据的处理方法、设备及存储介质 | |
CN110309248A (zh) | 一种基于Voronoi图的交通道路网络自动划分交通小区的方法 | |
CN109672712A (zh) | 数据同步方法、装置、超级控制器、域控制器及存储介质 | |
CN113642809A (zh) | 一种用电量预测方法、装置、计算机设备和存储介质 | |
CN110297713A (zh) | 一种云主机的配置管理***和方法 | |
CN107645400B (zh) | 策略发送、接收方法、装置及控制器 | |
CN109670624A (zh) | 一种预估用餐等候时间的方法及装置 | |
CN108495075A (zh) | 视频通信方法及装置 | |
CN113438620B (zh) | 一种无人机集群中心节点最优选择方法 | |
CN115640878A (zh) | 用于机场航班时刻优化的树型防火墙容量配置方法 | |
CN108574718A (zh) | 一种云主机创建方法及装置 | |
CN112215287B (zh) | 基于距离的多节聚类方法和装置、存储介质及电子装置 | |
EP2804342A2 (en) | Method and device for clearing configuration command in communication equipment | |
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 | |
US5886984A (en) | Method and system for service capacity calculation for multimedia services under aggregate traffic conditions | |
CN111476401A (zh) | 航班时刻表优化方法及*** | |
CN114978982B (zh) | 组播路径的确定方法及装置 | |
US20200133917A1 (en) | Method, device and computer program product for managing data replication | |
CN110322078B (zh) | 扇区边界的航班流量控制方法及计算机存储介质 | |
Charikar et al. | A robust maximum completion time measure for scheduling | |
CN103096380A (zh) | 无线接入点负载均衡优化方法 |
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 |