基于数字孪生的航班链延误动态预测模型

针对复杂多变的航班运行环境，提出一种基于数字孪生的航班链延误动态预测模型，以改善传统预测方法的精度及自适应性。模型基于数字孪生航班链系统构建，采用滑动窗口下的多通道特征建模完成单元级航班延误预测，并提出一种混合优化策略进行模型参数的动态优化，最后通过孪生数据驱动的链式分析方法实现了全航班链的延误分析与修正。采用国内航班数据进行实验，得到在各个窗口下的航班延误平均绝对误差（Mean absolute error, MAE）为11.79 min，低于其他基线模型和静态模型；且引入孪生数据驱动分析和修正后，紧随其后的航班预测误差比此前进一步降低了6.44%。结果表明，模型有利于数字孪生航班链系统实现虚实交互，并具有优良的预测精度和自适应性。     

基于贝叶斯网的航班过站时间动态估计

一架飞机每天要执行多个航班,从而 形成航班链。前序航班进港后,若估计出飞机在机场的过站时间,后续航班的离港时间便可 较准确给出。文中选取了对航班过站时间影响较为显著的几个因素,运用历史数据,采用最 大似然估计进行贝叶斯网参数学习并获得不同情况下过站时间的估计值。同时,利用贝叶斯 网增量学习的特性,运用航班增量数据基于贝叶斯估计修正贝叶斯网参数,并用新的学习 结果更新过站时间估计值。实验数据表明,所提出的方法能较好地对飞机过站时间进行估计。最后,对影响过站时间的各因素进行了灵敏度分析对比。     

基于容流匹配的进离场航班调度优化模型和算法

综合考虑机场的空中等待航班数量、空域容量、场面容量以及机场起飞需求等约束条件,以可变的优先级为调配手段,以总延误时间最短为目标函数,建立了一个新的基于容流匹配的进离场航班调度优化模型。引入合作型协同进化遗传算法,设计了用一对代表个体形成合作团体的新选择方式,有效解决了传统遗传算法种群多样性低、易早熟等问题。仿真结果表明,该模型能够在满足机场容量限制的同时,有效降低航班的总延误时间。     

基于RS-PSO-SVM的航材消耗预测模型

针对航材消耗预测影响因素多,结合航材消耗特点,研究粗糙集（Rough set, RS）与支持向量机（Support vector machine, SVM）相互融合的航材消耗预测问题。通过RS不完备信息系统的属性约简剔除航材消耗信息系统中冗余的定量因素,在属性重要性基础上将7个影响因素约简为3个影响因素,保留了该系统的核心知识。引入粒子群算法（Particle swarm optimization, PSO）优化SVM模型,寻优得到的参数组合,建立RS-PSO-SVM航材消耗预测模型。实例分析表明,RS-PSO-SVM模型的预测准确度较好,相比较于PSO-SVM、RS-BP（Back propagation）预测性能更佳。     

终端区动态容量预测模型

为有效预测终端区动态容量,提出了一种危险天气影响下的动态容量预测模型。该模型根据危险天气预报概率的大小,将受影响空域的范围做区间化处理,认为危险天气预报概率大于70%的空域为完全避让空域,危险天气预报概率在70%以下的空域为可能避让空域。引入航班进离场优化排序和危险天气避让路径规划策略,以平均航班延误最小为目标,采用捕食搜索算法予以求解;并根据终端区实际容量评估的一般流程,运用仿真方法预测一定延误水平下的动态容量区间。以某机场终端区为例,验证了模型的有效性。     

基于LightGBM的航班延误多分类预测

航班延误是民航业的一大难题,提前对航班的延误情况进行预测,以采取合理的应对措施,对缓解航班延误产生的负面影响有着重要意义。为提升预测性能,提出一种基于轻量级梯度提升机（Light gradient boosting machine,LightGBM）的航班延误多分类预测模型。该模型结合航班信息与天气信息,运用方差过滤与递归特征消除进行特征筛选,并采用合成少数过采样技术（Synthetic minority oversampling technique,SMOTE）与Tomek Link对数据进行不平衡处理,最后使用LightGBM进行建模,实现对航班延误时长的多分类预测。为验证模型的合理性,将所提模型与其他先进算法构建的模型进行对比。实验结果表明,所提模型在各种预测性能指标上结果更优,将预测精度提升至90%以上,同时大幅度降低了训练时间成本。     

可变优先级的静态随机地面等待问题研究

研究了一个可变优先级的静态随机模型在单机场地面等待中的应用。可变优先级是指航班随着等待时间的延长,优先级也会随之增大,并且在计算优先级的同时考虑了航班的总延误时间和总延误费用的影响。静态不变性是指在一个给定的时间范围内要求所有的决策都要预先给出。随机性是指考虑了未来容量的自然随机性。此模型在已知降落航班序列的基础上,结合机场容量的各种可能情况以及发生概率的集合,用整数规划求解各时段基于集合的降落航班数,并最终结合实际的数据通过仿真验证了其可行性。     

多跑道机场离场航班排序优化方法研究

本文建立了以旅客总延误时间成本最小化为目标函数的多跑道机场离场航班排序优化模型，并考虑航路流控的影响，通过回溯算法求解，融合位置约束交换算法优先处理受流控影响的航班，最后采用南京禄口国际机场为例进行算例验证。与先进先出模式相比，优化后的离场模式降低航班延误时间效果显著，旅客总延误成本减少了44.81%，所提方法可显著提升多跑道协同运行能力，为当前多跑道机场的调度排序提供了思路与方法。     

机场进离场流量协同分配策略

为充分利用机场容量、减少航班延误,把进离场视为互相影响的两个过程,研究机场流量与容量匹配问题,给出了一种进离场流量协同分配模型。基于机场容量动态限制,模型以最小化进离场航班总延误损失为目标,协同优化进离场流量分配策略;通过引入航班延误损失系数,作为航空公司协同决策的偏好信息以兼顾其利益。针对模型特点设计了遗传算法予以实现。实例仿真结果表明,模型不仅能使流量与容量协调匹配,而且能够使延误损失降到最小且能兼顾航空公司的利益,验证了所提策略的有效性。     

枢纽机场空侧容量利用和流量分配优化模型

通过引入满意度函数,以航班流量和容量利用满意度最大化为目标,建立了机场空侧定位点流量分配和跑道容量利用的多目标优化模型。利用ILOG对模型算例进行了求解。结果表明,采用本文模型求解得到的各个定位点的整体航班需求排队队列比Gilbo模型的结果减少了10%。在研究时间段内(3 h),通过优化分配各个时间间隔(15 min)各定位点的进离港航班流量,所有航班需求得到满足且在最后的时间间隔没有产生延误队列,从而又保证了一定的容量利用满意度(h=0.75),实现了机场终端区某一特定时段内现有容量更有效的利用,减少了航班延误。     

基于免疫克隆选择算法的繁忙时刻场面航空器调度优化(英文)

为减少大型枢纽机场拥堵和航空器地面等待,以总调度时间最小为目标,提出了航空器地面滑行调度模型并应用于首都机场航班调度。模型参考经典的车间调度思想,将滑行过程中的3类特殊的场面冲突作为约束条件。针对模型NP难解的特征,设计了免疫克隆选择优化算法求解模型。通过北京国际机场仿真实验表明,相比先到先服务(First-come-first-served,FCFS)策略,本模型将一个高峰时段的航班调度时间减少了13.6min,平均每架航空器的总滑行调度时间减少45.3s,提高了跑道容量和机场运行效率。     

基于排队论的终端区航班进场时间预测

为了提高终端区航班运行效率,本文将基于排队模型对终端区航班进场时间进行预测,以便尽早发现进场时间过长、进场效率低的航班,从而提前采取应对措施,确保航班正常运转。以天津滨海国际机场为例的研究结果表明,终端区内航班到达规律服从泊松分布,服务时间服从Gamma分布,本文建立的一般服务时间M/G/1排队模型能较好地预测航班进场时间,以15 min为单位的终端区航班进场时间预测的平均绝对误差在1 min左右。本文所建排队模型通过抓住进场交通流的整体流动特征来对进场时间进行预测,降低了现有模型难度,预测结果可以为改善管制工作带来更直接的指导建议。     

基于冲突避免的滑行路径动态分配问题研究

在保证地面飞行安全的前提下,为解决机场容量不足,减少航班延误,本文提出基于冲突避免的滑行道分配问题研究。在改进的Dijkstra算法的基础之上,结合机场场面运行规则、滑行冲突以及优先级限制等因素构建滑行道动态网络模型,给出不同冲突类型下的滑行时间求解方法。仿真实验表明,与未考虑滑行冲突的固定路径相比,动态滑行路径计算方法计算出的滑行路径可避免滑行冲突,一定程度上可缓解机场地面繁忙状态。     

民用机场停机位优化配置

停机位配置指为到港或离港航班指定适宜的登机口,确保航班正点。航班停机位的高效、合理安排是机场地面作业中的一项核心任务。本文在系统分析国内繁忙机场停机位配置情况的基础上,提出以旅客登转机时间(旅客满意度)、机型与停机位类型匹配(机场效益)为优化目标,同时考虑航班类型(国内短途、国际长途)、航班数量与密度(忙时、闲时)、停机时间的停机位配置的数学模型,并设计求解模型的禁忌搜索(TS)算法。数值仿真证明了模型和算法的有效性。     

基于交通场景的进离场航班联合调度双层规划模型（英文）

为适应协同决策需要,考虑进离场运行不同交通场景下空管、航司、机场和旅客的诉求差异,对进离场航班联合调度问题进行了系统的研究。根据容流匹配程度,判定进场/离场运行的交通状态为高峰或非高峰,分析不同交通状态下进场/离场运行各方诉求的差异,分别建立了各交通状态下进场/离场航班调度的数学模型;针对进场/离场运行交通状态组合所得的4种进离场联合运行交通场景,分别建立了相应的进离场航班联合调度双层规划模型并设计精英保留的遗传算法求解。结果表明:较先到先服务方法,在进场高峰/离场非高峰和进场高峰/离场高峰场景下,优化调度结果中离场航班均衡满意度得到提升,离场航班流的跑道占用时间减少了38.8%;在进场非高峰/离场非高峰和离场高峰/进场非高峰的场景下,优化调度结果中进场航班均衡延误时间大幅减少,离场航班均衡满意度提升了77.6%,离场航班流的跑道占用时间减少了46.6%。与其他4种策略相比,优化调度方法更好地权衡了公平与效率,调度结果更加合理可行。     

基于模糊免疫策略的机场航班延误自适应实时预测方法

为了对航班实时延误情况做出准确的预测,在生物免疫检测的基础上,借鉴模糊隶属度的思想,提出了模糊免疫预测方法.给出了自体/非自体、抗体/抗原的定义以及抗体对延误航班集合的隶属度函数.在预测过程中,实时监测外界环境变化,自适应调整λ-截集,选取符合当前置信度的检测器,克服了基于确定性模型的局限性.对国内某大型机场做仿真实验表明,该方法比简单使用生物免疫方法更具适应性,能较准确地预测全天各个时段航班的延误数量.     

基于遗传EM算法的航班延误状态空间模型(英文)

航班运行过程的高度动态性和随机性,航班延误因素的复杂性和不确定性导致航班延误实时预测成为难题。控制领域的动态数据驱动方法为该问题提供了一种解决方案。然而,要想运用动态数据驱动方法,首先必须建立航班延误状态空间模型来表示系统状态之间、状态与系统输入输出之间的关系。本文对单机延误事件序列进行了分析,创建了一种航班延误状态空间模型,并对其中的输入控制量进行了重点建模。在历史航班运行数据集上,采用遗传EM算法对模型参数进行了极大似然估计,并同时验证了遗传EM算法在优化参数估计和提高计算效率方面的优势。最后,采用Kol-mogorov-Smirnov方法对模型实例进行了假设检验,检验结果表明,所选模型具有较好的拟合优度。     

高功率密度斜向支柱锥齿轮辐板结构设计优化（英文）

为满足直升机传动系统对复杂工况下齿轮轻量化设计的迫切需求,提出了一种高功率密度斜向支柱锥齿轮辐板结构的设计优化方法。基于考虑应力约束的变密度法,对锥齿轮辐板进行了拓扑优化与重构,得到一种新颖的突破传统构型的高功率密度斜向支柱锥齿轮辐板结构。在传统粒子群优化（Particle swarm optimization,PSO）算法的基础上,引入马尔可夫链和进化因子,自适应地选择跳变策略和延迟信息,进而发展了智能先进的时滞跳变粒子群优化（Switching delayed PSO,SDPSO）算法,并将其应用于斜向支柱锥齿轮辐板结构的尺寸优化。优化后,锥齿轮辐板质量共减小了19.24%,所有工况的最大von Mises应力共减小了7.27%,各工况应力分布更加均匀,证明了所设计的锥齿轮辐板的结构优势和所提出的设计优化方法的先进性。     

基于传递闭包法的航班分类模型及在航班排序中的应用

提出了一种基于传递闭包法的进/离场航班分类方法.首先对模糊集合理论和传递闭包算法作了简要的介绍,然后在考虑4种不同因素的条件下建立了航班分类模型,并给出了各类航班单位时间延误成本的计算公式.最后以终端区航班排序模型为例,对该方法进行了仿真,并与传统航班延误成本分类方法进行了比较.仿真结果表明,该方法有助于减少航班延误损失,优化进/离场航班队列,提高空中交通管理效率.     

基于PSO-SVR的飞行员工作负荷预测

飞行员工作负荷是影响飞机运行安全的重要因素。开展飞行员工作负荷预测是适航审定过程中,验证驾驶舱设计是否符合适航规章的重要手段。本文针对某型民用飞机设计了模拟飞行试验,用于采集飞行员生理指标数据和国家航空航天局任务负荷指数（National Aeronautics and Space Administration task lood index, NASA-TLX）量表评价数据。以飞行员生理指标数据为输入,NASA-TLX量表主观评价数据为输出,建立了基于粒子群算法优化的支持向量回归机（Particle swarm optimization-support vector regression, PSO-SVR）模型的飞行员工作负荷预测模型。对本文建立的PSO-SVR模型与默认参数的支持向量回归机（Support vector regression, SVR）模型的预测精度进行了对比,针对4个不同场景,预测精度分别提高了7.5%、9.5%、7%和5.8%,结果表明基于PSO-SVR的预测模型得到的飞行员工作负荷预测值精度更高。