多机场终端区进离场航班协同排序研究

为了缓解繁忙终端区日益严重的空域拥堵和航班延误现状,研究了多机场终端区进离场航班协同优化排序问题.通过深入分析多机场终端空域结构,以及进离场航班运行特征,综合考虑尾流间隔、移交间隔、放行间隔、多跑道不同运行模式下的运行间隔等约束限制,将多机场终端区视为一个系统,引入"外围航班流"概念,以最小化航班延误为优化目标,建立了多机场终端区进离场航班协同优化排序模型,并采用改进的模拟退火算法对所建模型求解.选取上海终端区为研究对象进行仿真验证,仿真结果表明:利用本文提出的优化方法航班总延误比先到先服务策略减少了37.85%,有效地提高了多机场终端区进离场航班的运行效率.     

采用支持向量机回归的航班延误预测研究

针对航班延误难以预测的问题,采用支持向量机回归方法建立航班到港延误预测模型.首先,采用相空间重构理论计算到港延误的延迟时间、嵌入维数和最大 Lyapunov 指数,发现到港延误时间序列存在混沌特性;将航班到港延误时间序列进行相空间重构,并结合执飞该航班的航空器在上游机场的离港延误构建模型的输入向量;其次,将粒子群算法、差分进化算法和遗传算法进行比较,用于选择最优的模型参数,实验表明,差分进化算法能够以较高概率获得最优的预测模型;最后,比较该模型、单一因素预测模型和相关向量机预测模型的航班延误预测性能.结果表明,该模型的预测性能明显优于另外两种模型,能够有效预测航班延误.     

机场群运行方式下的航班时刻与频率优化模型

针对枢纽机场的拥堵问题,提出了机场群航班时刻与频率优化策略.应用运输需求管理理论,以旅客最小出行损失时间为目标函数,以旅客流失率与航空公司客座率为约束条件,建立了基于机场群运行方式的航班时刻与频率优化模型.根据机场群内5个机场的地面交通时间与枢纽机场的航班数量与平均延误的关系,将机场群内各个机场的旅客需求进行分类,采用k-means聚类算法,计算了航班时刻与频率、旅客出行损失时间、机型与数量分配方式.计算结果表明:在机场群运行方式下,旅客需求分为7类,满足全部旅客需求的航班数量为11个,旅客出行损失时间为123 403 min;在独立运行方式下,旅客需求分为8类,满足全部旅客需求的航班数量为13个,旅客出行损失时间为165343 min;在机场群运行方式下,采用遗传算法求得的满足全部旅客需求的航班数量为11个,旅客出行损失时间为126119 min.     

基于蚁群算法的航班着陆排序

当空中交通拥挤时，对航班的着陆顺序进行的调整，可以缓解拥挤，减少航班延误，提高飞行安全性，本文将蚁群算法用于着陆航班的排序问题，首先，建立以航班延误总时间最小为目标的规划模型，将航班着陆排序问题转化为非对称的TSP问题；然后，用蚁群算法寻找符合实际操作的优化排列；最后，经过对某机场实际数据的仿真计算，并与实际运行相比较，本文应用的算法具有较好的有效性和较强的使用性。     

延误航班机场场面滑行优化调度策略研究

为减少大面积航班延误带来的机场拥堵和安全隐患,提出了将解决延误航班调度过程转化为求解流水车间调度问题（flow-shop scheduling problems,FSP）.以航空器总体调度滑行时间最小为目标,建立延误航班滑行调度模型,设计多粒子群算法求解模型.算例分析表明,该调度模型较之比FCFS方案在一个高峰时段内能减少14.2min调度时间,提高了机场运行效率.     

基于最小延误成本的进港航班公平排序

进港航班排序优化是提高航空公司的经济效益和空中交通流量管理的主要手段。作者在一定假设的条件下,以所有到达航班在机场终端总延误成本最小为目标函数,并在该函数中引进公平性惩罚因子,得到一个带有公平性惩罚因子的航班总延误成本最小进港排序模型。该模型用粒子群算法求解,作者给出了解法步骤。文中列出了两个实例。实例结果表明：在自然状况下,本文模型的总延迟成本显著地下降;与遗传算法的结果比较,两个方法都有效地降低了总延误成本,但是,本文方法的最大延迟顺序小于遗传算法的相应值,结果比较公平;此外,本文方法的计算量相对较小。     

我国航班时刻资源的分布研究

采用中国民航局发布的航班计划数据,分别从航空公司、机场、地区空管局三个角度统计分析我国航班时刻资源的分布情况。通过计算航空公司在各个时间段的起飞降落班次情况、各个机场的计划航班和最大容量差距情况和七大空管局在各时段的航班情况,得到南方航空公司占有的航班时刻资源最多,北京首都机场的航班时刻资源最为紧张,华东、中南、华北区域是我国最繁忙的区域的结果。作者还进一步从航班时刻的角度分析了影响航班准点率,造成航班延误的因素,并给出了相关的对策建议。     

基于航班综合影响因素的延误航班重排问题的整数规划模型

为解决延误航班的恢复问题，以最小化航空公司和乘客损失为目标，构建了延误航班的重 排模型。兼顾航空公司和乘客的利益，通过研究航班干线、VIP 乘客和大飞机等因素对航班重排的影响，构建了目标函数，其中考虑了本场航班离港延误成本、外场航班离港延误成本以及外场 航班进港延误成本三个要素；同时，以机场实际运输能力、航班的进出港时间和重排时刻表的出发时间等作为约束，建立了0-1 整数规划模型。采用昆明机场的实际数据对模型进行测试，运用 Lingo 软件对所建模型进行求解，得到了优化的机场航班重排时刻表，并将计算所得延误损失和机场的实际延误进行了对比分析，结果表明所建模型不仅可以满足更多高优先级乘客的出行需求，也能相应地减少航空公司的损失，从而验证了模型的合理性。     

购火车票将可用刷卡手机互联网等进行

针对社会对航班大面积延误的投诉热点，中国民航局近日重拳出击，要求在航班密度大的航线上，特别是北京、上海、广州三大枢纽机场之间航线上，航空公司预计航班延误超过4个小时，要及时取消相应航班。此外，国航、东航、南航要分别在北京、上海、广州机场各备份一架飞机。     

多跑道航班起降调度优化算法

为了提升大型繁忙机场的运行效率,考虑了多跑道的运行条件和安全要求等因素,以最小航班总延误为目标函数,以最大位置偏移为约束条件,引入滚动时域控制策略,建立了航班动态排序模型。针对多跑道航班调度问题的特点,分别采用基于滚动时域控制策略的遗传算法和现有的先到先服务算法求解模型。计算结果表明:当航班正常时,采用现有的先到先服务算法,航班总延误为1 712s,采用基于滚动时域控制策略的遗传算法,航班总延误为1 080s,与先到先服务算法相比,延误时间减小37.0%;当航班不正常时,采用现有的先到先服务算法,航班总延误为1 658s,采用基于滚动时域控制策略的遗传算法,航班总延误为969s,与先到先服务算法相比,延误减小41.5%。可见,基于滚动时域控制策略的遗传算法有效。