基于优先级的航班到达调度算法

随着空中交通流量的迅猛增长,终端区空中交通拥堵以及由此导致的航班延误现象日益突出,甚至危及航空安全,航运效益也随之受到巨大的损失。作为终端区流量管理的核心,航班到达调度旨在为终端区待着陆的航班安排合理的着陆顺序和降落时刻,在确保安全的前提下提高进港航班运行效率。基于优先级思想,文章提出了PBSA和PBSA-CPS两种航班到达调度算法,并引入约束位置交换概念,以提高调度结果对于管制员的可操作特性。最后以首都机场为例进行了仿真,并与现行的先到先服务算法FCFS进行了对比。仿真结果表明,通过对航班赋予相应的优先级,有助于优化调配到达航班队列的降落时隙分配结果,提高终端区运行效率,减少延误损失。     

终端区飞机排序的人工蜂群算法

摘 要：为缓解终端区空中交通压力,研究了人工蜂群算法在终端区飞机降落排序中的应用。建立以航班总延误时间最小为目标函数的规划模型,运用人工蜂群算法,对着陆飞机排序问题进行了仿真计算,并与先到先服务算法、模拟退火算法、蚁群算法进行了对比研究。仿真结果表明：在双跑道模型下,人工蜂群算法比先到先服务算法,延误减少了48%。与模拟退火算法和蚁群算法相比,人工蜂群算法求解的结果最优且用时最少。说明应用人工蜂群算法求解终端区飞机排序问题是可行的。     

基于改进遗传算法的航空器载重平衡

为优化研究航空公司所遇到的飞机载重平衡问题,建立了以业载量最大和重心偏移量最小的多目标载重平衡模型,考虑了单舱位限重、多舱位限重、重心限制等约束,运用遗传算法对模型求解,为加快算法寻优能力和加快收敛速度,在普通遗传算法的基础上添加了进化逆转操作算子。最后运用波音757-200F作仿真优化实例,计算结果显示业载量平均可达21 281kg,重心偏移量平均为2.31%MAC,验证了模型的有效性和合理性。     

基于安全约束的停机位分配问题的研究

停机位在机场运作系统中扮演着重要的角色,如果没有制定高效合理的停机位分配方案,航班便不能按原计划准时到达预定的停机位.随着航班数量的不断增加,机场运作效率的提高面临重大挑战,因此需要对航班进行停机位的合理分配.同时,合理地控制各个停机位的空闲时间可以避免相邻机位航班的运行冲突.考虑到机场系统的安全运行约束,建立避免冲突的停机位分配模型,引入实例,采用遗传算法进行求解,得出停机位分配的甘特图,验证了模型的合理性与有效性,更加贴近实际,提高了机场运行效率.     

基于最小费用流模型的不正常航班恢复问题研究

突发事件会导致航班计划无法按原计划执行,给航空公司及旅客带来巨大损失。而航班恢复问题的难点除了相关因素的复杂性,主要的体现在恢复方案的即时性。因此,为了提出快速有效的航班恢复方案,以降低损失,笔者通过时空网络技术对不正常航班的恢复问题进行描述,实现了对航班在空间和时间上的追踪。基于最小费用流模型,建立了以最小总延误时间为目标函数的整数规划模型,模型同时考虑了航班延误,飞机置换及航班取消的调度策略,并提出采用Floyd-Warshall算法对建立的模型进行求解。最后,通过算例对模型及算法进行验证。研究结果表明：针对突发状况,建立的模型及算法可提出合理的航班恢复方案,证明了模型及算法的可行性及有效性。建立的模型具有普适性,对不正常航班恢复问题的研究具有借鉴意义。     

一种基于反向神经网络的航空器飞行轨迹预测

为了缓解终端区空域拥堵和降低航空器运行风险,提出一种基于反向神经网络(BP)的航空器飞行轨迹预测模型。首先,对航空器历史数据进行筛选和降噪处理,得到基准轨迹;其次,建立基于Hausdorff距离的轨迹相似性矩阵,采用模糊C-均值聚类(FCM)对所有轨迹进行自动分类;最后,综合考虑飞行轨迹的三维位置、速度和航向特征,利用BP神经网络对轨迹特征进行训练学习,建立飞行轨迹预测模型,用于对未来时刻的短期飞行轨迹多维特征进行预测。试验结果表明:该网络模型预测误差小、预测效果好,可以更加准确地进行航空器的飞行轨迹预测。     

高速客运通道上多种运输方式的分担率分析

为预测高速铁路建成后高速客运通道上各种运输方式的分担率,优化高速客运的资源配置,面向具有高速出行需求的乘客实施SP(Stated Preference)问卷调查,利用调查数据构建Logit模型,分析高速客运通道上各种运输方式的分担率.针对高速铁路和民航的出行耗时、票价和发班频率等参数进行敏感性分析,得出高速客运需求对两种运输方式各种属性的敏感程度.基于竞合博弈模式提出哈-大高速客运通道上高速客运服务商应该采取的运营策略,以实现该通道上高速客运资源配置的整体优化.     

面向拥堵问题的枢纽航线网络优化模型

为解决枢纽机场客流拥堵问题,提高机场运行效率,减少运营成本,提出了一种面向拥堵问题的枢纽航线网络优化模型。该模型基于非严格枢纽航线网络结构,以不同运输方式的费用和流量为约束条件,以枢纽航线网络成本最低为目标,设计了能够减少求解运算的复杂变量表示方法,以及减少陷入局部最优解概率的模拟退火粒子群优化(simulated annealing particle swarm optimization, SAPSO)算法。实验结果表明,相较于严格的枢纽航线网络,所提优化模型能够显著地缓解枢纽机场的拥堵,均衡枢纽机场间客流量,减少网络成本;同时,所提算法具有较快的收敛速度和良好的稳定性。     

终端区交通态势识别研究

终端区交通态势日益拥挤,严重制约了航空运输业的快速健康发展。为了科学评估空中交通状态,提高空域资源的利用率,对终端区交通态势进行了研究。提取影响终端区的属性指标,运用模糊C-均值聚类(FCM)对数据进行分类离散化,采用粗糙集理论分析各属性的权重,并结合模糊关系矩阵构建终端区交通态势识别模型。采用FCM和FCM-粗糙集两种识别方法对终端区交通态势进行识别。结果表明FCM-粗糙集模型既可避免人为因素干扰,还可解决数据多属性冗余问题,使交通状态判断更加准确可信;终端区交通态势分四类时,效果最好。该模型为终端区交通态势识别提供了新的研究方法。     

基于动态时间规整和长短期记忆的空中交通流量短期预测

空中交通流量短期预测对于精准实施空中交通流量管理具有重要意义。为提高空中交通流量短期预测准确性,充分利用历史运行数据,提出了基于动态时间规整和长短期记忆(dynamic time warping-long short-term memory, DTW-LSTM)的空中交通流量短期预测模型。首先,分析了空中交通流的时空相关性特征,采用DTW算法衡量扇区之间交通流相关性;其次,依据相关性度量结果构建数据集,在不同输入条件下建立LSTM网络预测模型;最后,在不同时空参数组合模型间展开预测性能对比及分析。实验结果表明,相较于不考虑时空相关性的LSTM模型,本模型平均绝对误差(mean absolute error, MAE)降低24.5%,均方根误差(root mean squared error, RMSE)降低31.4%,相较于时空相关性的支持向量回归(support vector regression, SVR)模型,MAE降低36.4%,RMSE降低30.6%。由此可见,通过考虑交通流时空相关性可以有效提升流量短期预测的准确性,为空中交通流预测提供有益参考。