惡劣天氣、流量管制等因素常常導致機場容量降低甚至關(guān)閉,從而造成航班難以按照原定計劃進行。而這些事件的發(fā)生往往是不可預期的,因此不正常航班的發(fā)生是難以預見的。當這些擾動因素引發(fā)航班不正常時,傳統(tǒng)的確定性模型在處理不正常航班恢復問題時將存在諸多不足。為了更好的應對不確定條件引起的不正常航班問題,本文引入了機場動態(tài)容量和航班過站時間兩種不確定因素。首先利用民航業(yè)產(chǎn)生的大量歷史數(shù)據(jù),建立航班運行信息數(shù)據(jù)庫。而后根據(jù)機場歷史起降數(shù)據(jù),對影響動態(tài)容量的因素和指標進行了分析,利用支持向量機方法,完成對機場動態(tài)容量的預測。其次以航班為粒度,對影響過站時間的外部和內(nèi)部因素進行了分析,利用貝葉斯網(wǎng)絡結(jié)構(gòu)學習和參數(shù)學習方法,完成對航班過站時間的預測。最后,從機場容量下降導致的不正常航班入手,對飛機路線恢復問題進行了研究,建立了以延誤成本最小化為目標的數(shù)學規(guī)劃模型,并設(shè)計貪婪模擬退火算法進行求解。與傳統(tǒng)確定性模型相比,該模型利用滾動時間窗方法,將機場容量和航班過站時間視為動態(tài)的,不僅降低了恢復方案的成本,也增強了其魯棒性,可以滿足航空公司日常運行的要求。
【學位單位】：南京航空航天大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：F562.6
【部分圖文】：

空管等因素造成的擾動，給旅客帶來的最直觀的感受就是機場被流場容量進行合理預測，并指導不正常航班的恢復，亦是學術(shù)研究的表 1. 1 中國大陸十大機場 2017 年 6 月出港準點率情況機場 實際出港航班量 出港準點率 起飛平均延誤時長（分重慶江北 11431 64.9% 44.2成都雙流 13147 64.1% 44.1昆明長水 14112 61.9% 45.8西安咸陽 12868 61.7% 45.4廣州白云 17013 42.0% 79.3上海浦東 18080 41.8% 67.5深圳寶安 11738 38.8% 93.0北京首都 23151 37.6% 70.8杭州蕭山 9785 36.7% 77.0上海虹橋 10070 33.2% 86.1

圖 2. 2 部分航空公司在 PEK 機場投入的運力占比情況2.3 影響機場容量的因素分析2.3.1 數(shù)據(jù)指標定義由上一節(jié)的定義可知，機場時刻容量則是指民航行業(yè)管理部門根據(jù)評估得出的機場運行容量，綜合各方面因素后確定的機場單位時間起降架次。然而在實際生產(chǎn)中，機場的小時容量是動態(tài)變化的，甚至常常出流量超出容量的情況，從而造成機場擁堵、航班延誤等情況。因此，合理預計機場容量的動態(tài)變化，能夠提前對航班延誤做出應對，亦能使航班恢復更具有魯棒性。本文研究內(nèi)容之一即挖掘某機場歷史起降數(shù)據(jù)的規(guī)律，在給定前若干小時機場起降情況并作為輸入信息時，給出該機場當前時刻起降架次的估計值，即當前時刻的容量。當機場出現(xiàn)擾動因素，需要進行不正常航班恢復時，該容量值可以為航空公司提早預估其可被分配到的時隙數(shù)，進而安排可執(zhí)行性高且魯棒性強的恢復方案。這也可以避免恢復方案設(shè)計好后，容量發(fā)生變化導致恢復方案不能執(zhí)行的情況。根據(jù) FAA 中航空系統(tǒng)性能指標數(shù)據(jù)庫（AviationSystemPerformanceMetrics，ASPM）中機場分析模塊（AirportAnalysis）可知，與機場航班起降架次有關(guān)的數(shù)據(jù)字段主要有以小時為單位

圖 2. 3 運力分析模塊中起降數(shù)據(jù)樣例2.3.2 因素分析由于影響機場容量的因素較多，根據(jù)經(jīng)驗來選擇，無法體現(xiàn)出各影響因素的重要程度，而將所有相關(guān)因素都作為輸入?yún)?shù)，雖然提高了預測精度，但增長了模型的訓練時間且降低了模型的泛化性能。如何提取對機場容量產(chǎn)生較大影響的特征因素組成輸入量，是建立機場單位小時起降架次預測模型的首要問題。一般來說，篩選預測變量子集的算法包括最優(yōu)子集選擇算法和逐步模型選擇算法。假設(shè)與延誤預測模型可能相關(guān)的預測變量有 p 個，最優(yōu)子集選擇的搜索空間由2p個可能模型構(gòu)成，向后逐步選擇則以包含全部 p 個變量的全模型為起點，逐次迭代，每次移除一個對預測模型擬合結(jié)果最不利的變量，具體步驟見表 2.4。因此，向后逐步選擇只需對全模型以及第 k 次迭代包含的 p k個模型進行擬合，擬合次數(shù)為：10( ) 1 ( 1) / 2pkp k p p ，這與全因素輸入相比大大減少了計算時間。表 2. 4 向后逐步選擇算法1. 記包含全部 p 個延誤預測變量的全模型為p。
【參考文獻】

相關(guān)期刊論文 前8條

1 王行甫;俞璐;;混合核函數(shù)中權(quán)重求解方法[J];計算機系統(tǒng)應用;2015年04期

2 陳靜杰;趙冬林;;一種基于SVR的飛機巡航段油耗預測方法[J];航空電子技術(shù);2014年01期

3 王飛;穆巍煒;董健康;;基于多目標優(yōu)化的航空器離場時隙控制方法[J];西南交通大學學報;2012年04期

4 詹晨旭;樂美龍;;非正常航班管理中的飛機恢復問題研究[J];中國民航大學學報;2012年02期

5 唐小衛(wèi);高強;朱金福;;不正常航班恢復模型的貪婪模擬退火算法研究[J];預測;2010年01期

6 徐濤;丁建立;顧彬;王建東;;基于增量式排列支持向量機的機場航班延誤預警[J];航空學報;2009年07期

7 趙秀麗;朱金福;郭梅;;不正常航班延誤調(diào)度模型及算法[J];系統(tǒng)工程理論與實踐;2008年04期

8 張寧,賈自艷,史忠植;數(shù)據(jù)倉庫中ETL技術(shù)的研究[J];計算機工程與應用;2002年24期

相關(guān)博士學位論文 前4條

1 趙征;空域容量評估與預測技術(shù)研究[D];南京航空航天大學;2015年

2 姜洋;面向不確定事件的生產(chǎn)調(diào)度干擾管理方法研究[D];大連理工大學;2013年

3 陳海燕;動態(tài)數(shù)據(jù)驅(qū)動的航班延誤預測關(guān)鍵技術(shù)研究[D];南京航空航天大學;2012年

4 姚韻;航空公司不正常航班管理和調(diào)度算法研究[D];南京航空航天大學;2006年

相關(guān)碩士學位論文 前4條

1 陳燚玲;多尺度核支持向量回歸模型的研究[D];華中科技大學;2016年

2 王楠;航班運行協(xié)同決策系統(tǒng)的研究[D];大連海事大學;2014年

3 戚彥龍;航班延誤分級和過站時間研究[D];南京航空航天大學;2014年

4 楊龍;飛機通信尋址與報告系統(tǒng)的研究與應用[D];山東大學;2013年

本文編號：2848644