發(fā)布時間：2021-07-06 06:46

　　為了提高機場的資源利用率以及航班的準點率,應該大力提升對機場地面任務的執(zhí)行效率。本課題研究了機場加油車的動態(tài)調(diào)度問題,即規(guī)劃加油車的行駛路徑,讓加油車高效有序的執(zhí)行不斷到來的航班加注燃油任務。在路徑規(guī)劃的過程中,需要知道航班執(zhí)行加注燃油任務所需的時長等信息。而任務的時長由航班加注燃油量決定。但是在實際情況中,航班的計劃加注燃油量與實際加注燃油量有時相差較大。所以課題其中一個研究重點是,對航班加注燃油量的預測。根據(jù)航班歷史加注燃油數(shù)據(jù)序列的波動情況,分解出導致數(shù)據(jù)序列波動的因素,針對數(shù)據(jù)特點構(gòu)建出LSTM-Prophet預測模型,該模型特別為節(jié)假日因素導致的異常波動點建立了獨立模型。實驗采用華北某機場的歷史航班燃油數(shù)據(jù)作為算例,驗證了LSTM-Prophet加權(quán)組合預測模型相比于LSTM、Prophet以及ARIMA模型具有更好的泛化能力。第二個研究重點是,機場加油車的動態(tài)調(diào)度問題。通過建立時間片,將動態(tài)問題劃分為多個連續(xù)的靜態(tài)問題。對于每個靜態(tài)問題,首先,利用動態(tài)規(guī)劃時間窗捕捉等待被執(zhí)行加注燃油任務的航班。其次,為這些航班構(gòu)建機場加油車調(diào)度問題的數(shù)學模型。然后,采用課題所提出的自適應分... 

【文章來源】：中國民航大學天津市

【文章頁數(shù)】：52 頁

【學位級別】：碩士

【部分圖文】：

加油員使用加油車執(zhí)行航班加注燃油任務

慫統(tǒng)刀詠?蹺鐫慫透?突�。簜b淼墓婊?刀擁腦慫吐廢擼?諑?憧突в肱淥橢行?的約束條件下將貨物運送給客戶，最終實現(xiàn)車輛行駛的距離最少、花費時間最少、配送中心的成本花銷最小等目的。復雜的VRP被定義為多個旅行商問題（TravellingSalesmanProblem，TSP）[39-44]的組合。所以車輛路徑問題同樣為NP難問題。該問題的求解難度大但對于問題的研究有非常重要的現(xiàn)實意義。例如，日常所需的物流配送、GPS導航等；在高科技應用領域之中，有無人機躲避障礙飛行、機器人無碰撞行走等。所以對車輛路徑問題的深入研究是十分有價值的。圖1-2表示一個車輛路徑規(guī)劃的實例,其中D表示車場，R表示路徑。圖1-2車輛路徑規(guī)劃實例2．車輛路徑問題分類VRP問題分類為靜態(tài)車輛路徑問題（StaticVehicleRouteProblem，SVRP）[45-49]和動態(tài)車輛路徑問題（DynamicVehicleRoutingProblem，DVRP）[50-54]。以物流配送問題為例，SVRP一般在規(guī)劃車輛路徑之前就已經(jīng)收到所有客戶配送的請求，知道所有客戶的坐標、運送量、運送時間等信息。針對這些已知信息分配人員車輛、規(guī)劃車輛路線前往執(zhí)行配送任務。而DVRP問題被描述為，提前收到一些客戶的配送請求并規(guī)劃了車輛的運送路線。但在這個過程當中會不斷的收到一些客戶的配送請求。需要對這些隨機的的配送任務結(jié)合之前還未完成的配送任務重新規(guī)劃車輛路線直至完成所有配送任務�，F(xiàn)實情況中，客戶往往要求貨物必須在一個時間區(qū)間內(nèi)送達。這就催生出了帶時間窗的車輛路徑問題（VehicleRoutingProblemwithTimeWindows，VRPTW）[55-59]，該問題根據(jù)是否有客戶請求的動態(tài)加入，又可以將VRPTW分為帶時間窗的靜態(tài)車輛路徑問題

中國民航大學碩士學位論文12，，（2.12）公式中，表示為LSTM-Prophet組合加權(quán)預測模型的預測值。通過動態(tài)調(diào)整參數(shù)、以達到最優(yōu)的模型。圖2-1LSTM-Prophet組合加權(quán)預測模型將時間序列通過Prophet模型分解方法，將航線加注燃油量的序列分解為趨勢項、周期項以及節(jié)假日項。（1）時刻的趨勢項勢。根據(jù)歷史數(shù)據(jù)趨勢得到勢趨勢值。（2）時刻的周期項可以細分為季節(jié)性的周期項以及以周為單位的周期項。預測得到周期項(,)。（3）時刻的節(jié)假日項預測獲得。隨機波動由節(jié)假日因素導致的隨機波動應該將它們標記下來。通過以上說明可以將公式（2.12）轉(zhuǎn)化為公式（2.13）。勢，，（2.13）2.5實驗分析本文采用華北某機場的實際航班加注燃油數(shù)據(jù)。由于航線數(shù)量眾多且方法都一致就不做一一的展示分析。這里詳細分析華北某機場到上海虹橋機場（機場三字碼表示為SJW-SHA）這條航線。將這條航線從2015年1月1日至2018年12月31日的所有航班

【參考文獻】：
期刊論文
[1]Prophet model and Gaussian process regression based user traffic prediction in wireless networks[J]. Yu LI,Ziang MA,Zhiwen PAN,Nan LIU,Xiaohu YOU.  Science China（Information Sciences）. 2020(04)
[2]基于同態(tài)濾波和遺傳閾值的憎水性自動檢測方法研究[J]. 張廣東,張玉剛,溫定筠,姚境,王曉飛,高立超,郭陸.  計算技術(shù)與自動化. 2019(04)
[3]基于LSTM-RNN的配電變壓器負荷預測模型研究[J]. 孫朝輝,徐蕊,馮靖.  機電信息. 2020(02)
[4]基于改進高斯過程回歸的短期負荷概率區(qū)間預測方法[J]. 劉升偉,王星華,魯?shù)?彭顯剛,鄭偉欽.  電力系統(tǒng)保護與控制. 2020(01)
[5]基于ADGA-BP神經(jīng)網(wǎng)絡模型的金融產(chǎn)業(yè)發(fā)展趨勢仿真與預測[J]. 張品一,梁鍶.  管理評論. 2019(12)
[6]基于雙BP神經(jīng)網(wǎng)絡的撲翼飛行器氣動參數(shù)辨識[J]. 韓建福,杜昌平,葉志賢,宋廣華,鄭耀.  計算機應用. 2019(S2)
[7]General Method of Building a Real-Time Optimization Policy for Dynamic Vehicle Routing Problem[J]. Hao XIONG,Huili YAN.  Journal of Systems Science and Information. 2019(06)
[8]基于Attenton-LSTM神經(jīng)網(wǎng)絡的船舶航行預測[J]. 徐國慶,馬建文,吳晨輝,張安西.  艦船科學技術(shù). 2019(23)
[9]基于Bi-RNN的風電機組主軸承溫度預警方法研究[J]. 尹詩,侯國蓮,于曉東,李寧,王其樂,弓林娟.  鄭州大學學報(工學版). 2019(05)
[10]基于多變量LSTM的工業(yè)傳感器時序數(shù)據(jù)預測[J]. 易利容,王紹宇,殷麗麗,楊青,顧欣.  智能計算機與應用. 2018(05)

博士論文
[1]針對若干數(shù)據(jù)挖掘問題的量子算法研究[D]. 吁超華.北京郵電大學 2019
[2]動態(tài)車輛路徑問題建模與優(yōu)化算法研究[D]. 陳世峰.大連海事大學 2018
[3]車輛路徑問題的研究[D]. 劉霞.華中科技大學 2007

碩士論文
[1]基于RNN神經(jīng)網(wǎng)絡的短期電力負荷預測模型研究[D]. 白芬玉.成都理工大學 2019
[2]基于改進RNN的風電功率短期預測算法研究[D]. 宋瑞宵.華北電力大學(北京) 2019
[3]基于混合深度學習模型的蛋白質(zhì)磷酸化和羥基化位點預測算法研究[D]. 徐興宇.浙江理工大學 2019
[4]流形學習與稀疏回歸算法在圖像監(jiān)督分類上的應用研究[D]. 張興瑞.哈爾濱工業(yè)大學 2018
[5]復雜數(shù)據(jù)特征選擇與回歸預測的研究和應用[D]. 崔國慶.上海交通大學 2017
[6]面向TLE數(shù)據(jù)的多變量時序數(shù)據(jù)分類算法研究[D]. 吳俊鋒.國防科學技術(shù)大學 2016



本文編號：3267750