一种机场群航班协同放行排序方法与流程

1.本发明涉及航班放行，具体涉及一种机场群航班协同放行排序方法。


背景技术：

2.随着机场群在国内的逐渐成熟，加快建设京津冀、长三角和粤港澳大湾区等世界级机场群成为近几年我国民航的重要任务。机场群中的机场由于地理上位置较为接近，给机场之间的时刻调整、协同放行等工作带来较大不便。因此，针对机场群航班协同放行的研究具有较大的现实意义，机场群航班协同放行的相关平台建设也迫在眉睫。
3.针对机场群航班协同放行问题，当前研究缺乏对于多个优化目标的综合考虑，并且涉及到的约束条件也大多停留在理论层面，使得求解结果无法为当前机场群航班协同放行提供辅助决策。


技术实现要素：

4.(一)解决的技术问题
5.针对现有技术所存在的上述缺点，本发明提供了一种机场群航班协同放行排序方法，能够有效克服现有技术所存在的求解结果无法为当前机场群航班协同放行提供辅助决策的缺陷。
6.(二)技术方案
7.为实现以上目的，本发明通过以下技术方案予以实现：
8.一种机场群航班协同放行排序方法，包括以下步骤：
9.s1、以机场群的航班总延误时间、航班总延误成本最小化作为双优化目标，并确定约束条件，建立协同放行模型；
10.s2、获取所有离场机场的航班计划，进行预处理后作为协同放行模型的输入；
11.s3、利用遗传算法求解得到最优航班排序，实现机场群航班协同放行排序。
12.优选地，所述机场群的航班总延误时间y(t)采用下式计算：
[0013][0014]
其中，m为机场群集合，m为机场群集合中的机场，fm为机场m在未来t时间段内的离场航班集合，f
im
为机场m中第i个离场航班，t为起飞时间，为机场m中第i个离场航班的计算起飞时间，为机场m中第i个离场航班的预计起飞时间；
[0015]
预计起飞时间为预计撤轮挡时间与机场平均滑行时间之和，机场平均滑行时间为机场m所选取时段内所有离场航班的滑行时间均值；
[0016]
所述机场群的航班总延误成本c(t)采用下式计算：
[0017]
[0018]
其中，ch为航司h每个航班的平均延误成本。
[0019]
优选地，所述机场群的航班总延误成本包括地面延误成本和旅客延误成本，单个航班在单位时间内的地面延误成本ag采用下式计算：
[0020][0021]
其中，oc为航司每年运营成本，n为航班架次，t1为每架航班平均运行时间，每架航班平均运行时间t1统一设置为2h；
[0022]
单位时间内的旅客延误成本v
p
采用下式计算：
[0023]vp
＝η
·wavg
/t2[0024]
其中，η为根据旅客出行目的差异确定的时间价值系数，w
avg
为全国职工年均工资，t2为一年有效工时均值，t2＝2000；
[0025]
单个航班在单位时间内的旅客延误成本β
t
采用下式计算：
[0026]
β
t
＝n'
·
ω
·vp
[0027]
其中，n’为该航班的座位数，ω为该航班的客座率。
[0028]
优选地，s1中确定约束条件，包括：
[0029]
以跑道放行间隔作为约束条件，相继起飞的两架航班之间需要满足尾流间隔标准，采用下式表示：
[0030]
t
f'
≥tf+σ
[0031]
其中，tf为航班f的起飞时间，t
f'
为航班f后续航班f’的起飞时间，σ为需要保持的尾流时间间隔。
[0032]
优选地，s1中确定约束条件，包括：
[0033]
以跑道动态小时容量作为约束条件，获取所有航班所属的小时时段，根据高峰月的历史航班计划，统计每个小时时段的跑道离场流量，针对任一小时时段，对该小时时段统计的跑道离场流量进行顺序排列，选取合适的跑道离场流量作为该小时时段的跑道容量，将所有小时时段对应的跑道容量结果作为跑道动态小时容量，并满足下式：
[0034][0035]
其中，m为机场群集合，m为机场群集合中的机场，p
mt'
为t’时段内机场m的跑道离场流量，d
mt'
为t’时段内机场m的跑道容量。
[0036]
优选地，s1中确定约束条件，包括：
[0037]
以扇区动态小时容量作为约束条件，根据高峰月的历史航班计划，将航班匹配至相应的小时时段进行离场流量汇总，针对任一小时时段，对该小时时段内的离场流量进行顺序排列，选取合适的离场流量作为该小时时段的离场容量，扇区内的各航路交通流量之和不大于扇区的离场容量，采用下式表示：
[0038][0039]
其中，k为扇区内的航路数量，ni为各航路在未来t时间段内的交通流量，为扇区s在未来t时间段内的离场容量。
[0040]
优选地，s1中确定约束条件，包括：
[0041]
以流控情况下的航路过点间隔作为约束条件，受流控影响，某些航路的过点间隔会受到一定程度的限制，即相邻航班之间需要保持一定的时间间隔，采用下式表示：
[0042][0043]
其中，为机场m中第i个、第i+1个离场航班的计算起飞时间，分别为机场m中第i个、第i+1个离场航班到达离场点pi的飞行时间，ωpi(t”)为离场点pi在t”时段的放行时间间隔。
[0044]
优选地，s1中确定约束条件，包括：
[0045]
以过点顺序不变作为约束条件，不同机场经过同一离场点的航班顺序需要保持一致，采用下式表示：
[0046][0047]
其中，为经过离场点pi航班的原始顺序集合中第k个航班的顺序，为经过离场点pi航班的最新顺序集合中第k个航班的顺序。
[0048]
优选地，s1中确定约束条件，包括：
[0049]
以航班顺序最大偏移量作为约束条件，为了避免航班调整幅度过大而影响管制工作的正常进行，需要限制单个航班顺序最大偏移量，采用下式表示：
[0050]
0≤δ≤20
[0051]
其中，δ为航班在原始离场顺序集合中的序号与最新离场顺序集合中的序号差值的绝对值。
[0052]
优选地，s3中利用遗传算法求解得到最优航班排序，实现机场群航班协同放行排序，包括：
[0053]
s31、对机场群所有高峰时段的离场航班的离场延误时间序列进行编码，并将每个可行的离场延误时间序列作为一个染色体，即种群个体；
[0054]
s32、对航班总延误时间、航班总延误成本组成的双优化目标进行归一化，通过设定比例系数来体现优化方案对减少延误时间、减少延误成本的偏好，构造符合放行目标的适应度函数；
[0055]
s33、从种群中选择适应度函数值较大的种群个体作为解集，并以一定概率对解集中两个父代个体的部分染色体进行交叉重组，形成新的种群个体；
[0056]
s34、以一定概率对解集中的离场延误时间序列中的某个离场延误时间进行单点变异；
[0057]
s35、进入s33，直至满足遗传算法的终止条件，输出最优航班排序；
[0058]
其中，适应度函数f(t)采用下式表示：
[0059][0060]
其中，y(t)为机场群的航班总延误时间，c(t)为机场群的航班总延误成本，ω1、ω2分别为航班总延误时间、航班总延误成本的比例系数。
[0061]
(三)有益效果
[0062]
与现有技术相比，本发明所提供的一种机场群航班协同放行排序方法，既可以兼
顾机场群航班运行效率和运行成本两方面的优化，同时又确定跑道放行间隔、跑道动态小时容量、扇区动态小时容量、流控情况下的航路过点间隔、过点顺序不变、航班顺序最大偏移量等充分结合实际运行情况的约束条件，使得输出的最优航班排序能够为当前机场群航班协同放行提供辅助决策，促使机场群建立良好的航班协同放行秩序。
附图说明
[0063]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0064]
图1为本发明的流程示意图；
[0065]
图2为本发明中利用遗传算法求解得到最优航班排序的流程示意图。
具体实施方式
[0066]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0067]
一种机场群航班协同放行排序方法，如图1所示，s1、以机场群的航班总延误时间、航班总延误成本最小化作为双优化目标，并确定约束条件，建立协同放行模型；
[0068]
s2、获取所有离场机场的航班计划，进行预处理后作为协同放行模型的输入；
[0069]
s3、利用遗传算法求解得到最优航班排序，实现机场群航班协同放行排序。
[0070]
本技术技术方案中，考虑到机场群航班运行效率和运行成本两方面的因素，设置双优化目标，以最大限度地满足多方利益，兼顾协同放行策略的效率性与经济成本，并通过调节双优化目标在放行目标中的比重来体现协同放行策略对减少延误时间、减少延误成本的偏好，双优化目标包括：
[0071]
①
机场群的航班总延误时间y(t)采用下式计算：
[0072][0073]
其中，m为机场群集合，m为机场群集合中的机场，fm为机场m在未来t时间段内的离场航班集合，f
im
为机场m中第i个离场航班，t为起飞时间，为机场m中第i个离场航班的计算起飞时间，t
efim
为机场m中第i个离场航班的预计起飞时间；
[0074]
预计起飞时间为预计撤轮挡时间与机场平均滑行时间之和，机场平均滑行时间为机场m所选取时段内所有离场航班的滑行时间均值；
[0075]
②
机场群的航班总延误成本c(t)采用下式计算：
[0076][0077]
其中，ch为航司h每个航班的平均延误成本。
[0078]
上述技术方案，机场群的航班总延误成本包括地面延误成本和旅客延误成本：
[0079]
1)地面延误成本指地面等待而产生的成本，该损失与航班运营成本直接相关，航班运营成本包括航油成本、起降及停机费用、折旧费用、飞机保养维修费用、员工薪酬费用等；
[0080]
单个航班在单位时间内的地面延误成本ag采用下式计算：
[0081][0082]
其中，oc为航司每年运营成本，n为航班架次，t1为每架航班平均运行时间，每架航班平均运行时间t1统一设置为2h；
[0083]
经过提取国航、东航、南航、海航、山航、春秋、吉祥和华夏等国内主要航空公司的财报数据，计算各家航空公司的各项成本均值，可以获得单个航班在单位时间内的地面延误成本(元/小时)，如表1所示：
[0084]
表1国内主要航空公司单个航班在单位时间内的地面延误成本
[0085][0086][0087]
2)旅客延误成本指航班延误占用了旅客的时间，耽误旅客创造更多的价值，单位时间内的旅客延误成本v
p
采用下式计算：
[0088]vp
＝η
·wavg
/t2[0089]
其中，η为根据旅客出行目的差异确定的时间价值系数，η是决定旅客时间价值大小的关键参数，根据飞常准capse调查统计的数据，民航旅客出行目的主要分为公务出行、旅游休闲和探亲访友，这三类出行目的在整个民航业所占的比重为3.7：2：1，根据相关文献的研究，这三类出行目的对应旅客时间价值的比重为14：5：5；
[0090]wavg
为全国职工年均工资(根据国家统计局数据，2021年全国职工年均工资为88115元)，t2为一年有效工时均值，t2＝2000；
[0091]
单个航班在单位时间内的旅客延误成本β
t
采用下式计算：
[0092]
β
t
＝n'
·
ω
·vp
[0093]
其中，n’为该航班的座位数，ω为该航班的客座率。
[0094]
本技术技术方案中，约束条件包括：
[0095]
①
以跑道放行间隔作为约束条件，相继起飞的两架航班之间需要满足尾流间隔标准，采用下式表示：
[0096]
t
f'
≥tf+σ
[0097]
其中，tf为航班f的起飞时间，t
f'
为航班f后续航班f’的起飞时间，σ为需要保持的
尾流时间间隔；
[0098]
对于跑道放行间隔约束条件，实施最新尾流间隔标准(recat)的机场，遵循recat的标准，如表2、表3所示：
[0099]
表2 recat对于机型的最新分类
[0100][0101][0102]
表3 recat规定的尾流间隔标准(公里)
[0103][0104]
尚未实施最新尾流间隔标准(recat)的机场依旧遵循ccar-93-r5的规定，如表4所示：
[0105]
表4 ccar-93-r5雷达尾流间隔标准(公里)
[0106][0107]
表4中，mrs代表最小雷达尾流间隔，为6km；j代表空客a380-800；
[0108]
②
以跑道动态小时容量作为约束条件，获取所有航班所属的小时时段，根据高峰月的历史航班计划，统计每个小时时段的跑道离场流量，针对任一小时时段，对该小时时段统计的跑道离场流量进行顺序排列，选取合适的跑道离场流量(选取第95％分位数的跑道离场流量)作为该小时时段的跑道容量，将所有小时时段对应的跑道容量结果作为跑道动态小时容量，并满足下式：
[0109][0110]
其中，m为机场群集合，m为机场群集合中的机场，p
mt'
为t’时段内机场m的跑道离场流量，d
mt'
为t’时段内机场m的跑道容量；
[0111]
对于跑道动态小时容量约束条件，相比传统的静态离场容量，其特点在于，跑道动
态小时容量是将涉及时段划分为以小时为粒度，分别评估小时时段的跑道容量，不同小时时段对应的跑道容量可以反映系统在不同时段内的拥挤程度和延误水平；
[0112]
③
以扇区动态小时容量作为约束条件，根据高峰月的历史航班计划，将航班匹配至相应的小时时段进行离场流量汇总，针对任一小时时段，对该小时时段内的离场流量进行顺序排列，选取合适的离场流量(选取第95％分位数的离场流量)作为该小时时段的离场容量，扇区内的各航路交通流量之和不大于扇区的离场容量，采用下式表示：
[0113][0114]
其中，k为扇区内的航路数量，ni为各航路在未来t时间段内的交通流量，为扇区s在未来t时间段内的离场容量；
[0115]
对于扇区动态小时容量约束条件，其与跑道动态小时容量约束条件类似，扇区动态小时容量也突出了不同时段内扇区的拥挤程度和延误水平；
[0116]
④
以流控情况下的航路过点间隔作为约束条件，受流控影响，某些航路的过点间隔会受到一定程度的限制，即相邻航班之间需要保持一定的时间间隔，采用下式表示：
[0117][0118]
其中，为机场m中第i个、第i+1个离场航班的计算起飞时间，分别为机场m中第i个、第i+1个离场航班到达离场点pi的飞行时间，ωpi(t”)为离场点pi在t”时段的放行时间间隔；
[0119]
⑤
以过点顺序不变作为约束条件，为了保证管制工作的有序进行，不同机场经过同一离场点的航班顺序需要保持一致，采用下式表示：
[0120][0121]
其中，为经过离场点pi航班的原始顺序集合中第k个航班的顺序，为经过离场点pi航班的最新顺序集合中第k个航班的顺序；
[0122]
⑥
以航班顺序最大偏移量作为约束条件，为了避免航班调整幅度过大而影响管制工作的正常进行，需要限制单个航班顺序最大偏移量，采用下式表示：
[0123]
0≤δ≤20
[0124]
其中，δ为航班在原始离场顺序集合中的序号与最新离场顺序集合中的序号差值的绝对值。
[0125]
本技术技术方案中，获取所有离场机场的航班计划，进行预处理后作为协同放行模型的输入，包括：
[0126]
从离场机场获取所有航班起飞跑道的预分配信息，根据机场的运行规定、航班起飞跑道分配情况进行离场点信息匹配，根据历史adsb数据统计每个机场至离场点的平均飞行时间。
[0127]
通过上述过程，最终可以获得所有离场机场的航班计划，航班计划中包含机场、航班号、预计撤轮挡时间、机型(超级重型机j、重型机b、一般重型机c、中型机m和轻型机l)、匹配的起飞跑道号、使用的离场点、机场至离场点的平均飞行时间及所属航司等信息。
[0128]
本技术技术方案中，如图2所示，利用遗传算法求解得到最优航班排序，实现机场群航班协同放行排序，包括：
[0129]
s31、对机场群所有高峰时段的离场航班的离场延误时间序列进行编码，并将每个可行的离场延误时间序列作为一个染色体，即种群个体(为了扩大问题的解集搜索空间，将该问题的种群规模设置为250)；
[0130]
s32、对航班总延误时间、航班总延误成本组成的双优化目标进行归一化，通过设定比例系数来体现优化方案对减少延误时间、减少延误成本的偏好，构造符合放行目标的适应度函数；
[0131]
s33、从种群中选择适应度函数值较大的种群个体作为解集，并以一定概率对解集中两个父代个体的部分染色体进行交叉重组，形成新的种群个体；
[0132]
s34、以一定概率对解集中的离场延误时间序列中的某个离场延误时间进行单点变异；
[0133]
s35、进入s33，直至满足遗传算法的终止条件(到8000代时遗传算法终止)，输出最优航班排序。
[0134]
适应度函数一般都是由目标函数转换而来的，根据协同放行双优化目标构造相应的适应度函数，以适应度函数值来度量每个染色体代表协同放行策略的优良程度，适应度函数f(t)采用下式表示：
[0135][0136]
其中，y(t)为机场群的航班总延误时间，c(t)为机场群的航班总延误成本，ω1、ω2分别为航班总延误时间、航班总延误成本的比例系数；
[0137]
适应度函数值较大(适应度较高)的种群个体被选中遗传到下一代的概率更大，经过g代遗传后得到的最优中种群个体所代表的协同放行策略即确定为机场群航班协同放行策略。
[0138]
本实施例中，选取了广州、深圳、珠海、惠州和佛山等5座机场作为对象。根据已获取的历史数据，挑选了航班量相对较大、流控相对经典的一天，即2021年5月8号，选取早上6点～10点(早高峰阶段)的航班计划数据，如表5所示：
[0139]
表5航班计划数据表
[0140]
[0141][0142]
除此以外，为了充分验证协同放行模型，加入了该时段关于离场点lmn、yin点的流控作为限制之一进行协同放行策略优化。
[0143]
①
跑道放行间隔约束参数设置
[0144]
根据管制运行经验，采用航空器速度180节，将前后机距离间隔转化为尾流时间间隔，recat尾流距离间隔转化为尾流时间间隔的结果如表6所示：
[0145]
表6 recat尾流距离间隔转化为尾流时间间隔(分钟)
[0146][0147]
ccar-93-r5尾流距离间隔转化为尾流时间间隔的结果如表7所示：
[0148]
表7 ccar-93-r5尾流距离间隔转化为尾流时间间隔(分钟)
[0149][0150]
②
跑道动态小时容量约束参数设置
[0151]
根据2021年4月～5月的历史数据，统计各机场、各跑道的跑道动态小时容量。以广州机场19号跑道为例，展示其在所选取6:00～10:59时段内的跑道动态小时容量值，如表8所示：
[0152]
表8广州机场19号跑道的跑道动态小时容量
[0153]
小时跑道动态小时容量6187288289261028
[0154]
上表中选用的为2021年5月8日的历史数据，广州白云机场使用的跑道为19、20r，
两条跑道都是主用离场跑道；深圳宝安机场使用的跑道为15、16，其中15为主用离场跑道；珠海金湾机场使用的跑道为23；
[0155]
③
流控情况下的航路过点间隔约束参数设置
[0156]
根据选取时段的实际情况，选择了相应的流控措施丰富场景。假设经过lmn点的时间间隔为7min，经过yin点的时间间隔为5min，基于航班的计算起飞时间(ctot)预测航路过点间隔，通过历史adsb数据计算航班从不同机场到达离场点的平均飞行时间，如表9所示：
[0157]
表9航班从不同机场到达离场点的平均飞行时间
[0158][0159][0160]
④
扇区动态小时容量约束参数设置
[0161]
根据航班离场所使用的扇区，以广州01扇区为例，展示其在所选取6:00～10:59时段内的扇区动态小时容量值，如表10所示：
[0162]
表10广州01扇区的扇区动态小时容量值
[0163]
小时扇区动态小时容量6207248249181024
[0164]
⑤
航班顺序最大偏移量约束参数设置
[0165]
为了防止航班逆序排列或者航班顺序调整量过大而影响管制工作的正常进行，限制航班顺序最大偏移量为20。
[0166]
采用python4.0编写针对机场群航班协同放行问题的遗传算法程序，遗传算法中的遗传参数设定如下：种群规模250，最大进化代数8000，交叉概率设置为当进化代数小于2000代时为0.2，进化代数介于2100代～5000代时为0.3，进化代数大于5000代时为0.4)。假设由于特殊情况的影响，各机场的跑道容量在6点时段均减少了1/3，lmn点的过点间隔为7min，yin点的过点间隔为5min，得到最终的机场群航班协同放行策略后双优化目标结果如表11所示：
[0167]
表11双优化目标结果(ω1＝0.5、ω2＝0.5)
[0168][0169][0170]
基于上述双优化目标结果，可以得到：广州白云机场的航班平均延误时间最长，其航班平均延误成本也最大；虽然珠海金湾机场的航班数量不少，但是其航班平均延误时间以及航班平均延误成本均处于最低水平。因此，本技术技术方案中协同放行模型的约束对珠海金湾机场的影响最小，对广州白云机场、深圳宝安机场这种繁忙机场的影响较大。
[0171]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例
对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种机场群航班协同放行排序方法，其特征在于：包括以下步骤：s1、以机场群的航班总延误时间、航班总延误成本最小化作为双优化目标，并确定约束条件，建立协同放行模型；s2、获取所有离场机场的航班计划，进行预处理后作为协同放行模型的输入；s3、利用遗传算法求解得到最优航班排序，实现机场群航班协同放行排序。2.根据权利要求1所述的机场群航班协同放行排序方法，其特征在于：所述机场群的航班总延误时间y(t)采用下式计算：其中，m为机场群集合，m为机场群集合中的机场，f
m
为机场m在未来t时间段内的离场航班集合，f
im
为机场m中第i个离场航班，t为起飞时间，为机场m中第i个离场航班的计算起飞时间，为机场m中第i个离场航班的预计起飞时间；预计起飞时间为预计撤轮挡时间与机场平均滑行时间之和，机场平均滑行时间为机场m所选取时段内所有离场航班的滑行时间均值；所述机场群的航班总延误成本c(t)采用下式计算：其中，c
h
为航司h每个航班的平均延误成本。3.根据权利要求2所述的机场群航班协同放行排序方法，其特征在于：所述机场群的航班总延误成本包括地面延误成本和旅客延误成本，单个航班在单位时间内的地面延误成本a
g
采用下式计算：其中，o
c
为航司每年运营成本，n为航班架次，t1为每架航班平均运行时间，每架航班平均运行时间t1统一设置为2h；单位时间内的旅客延误成本v
p
采用下式计算：v
p
＝η
·
w
avg
/t2其中，η为根据旅客出行目的差异确定的时间价值系数，w
avg
为全国职工年均工资，t2为一年有效工时均值，t2＝2000；单个航班在单位时间内的旅客延误成本β
t
采用下式计算：β
t
＝n'
·
ω
·vp
其中，n’为该航班的座位数，ω为该航班的客座率。4.根据权利要求1所述的机场群航班协同放行排序方法，其特征在于：s1中确定约束条件，包括：以跑道放行间隔作为约束条件，相继起飞的两架航班之间需要满足尾流间隔标准，采用下式表示：t
f'
≥t
f
+σ
其中，t
f
为航班f的起飞时间，t
f'
为航班f后续航班f’的起飞时间，σ为需要保持的尾流时间间隔。5.根据权利要求4所述的机场群航班协同放行排序方法，其特征在于：s1中确定约束条件，包括：以跑道动态小时容量作为约束条件，获取所有航班所属的小时时段，根据高峰月的历史航班计划，统计每个小时时段的跑道离场流量，针对任一小时时段，对该小时时段统计的跑道离场流量进行顺序排列，选取合适的跑道离场流量作为该小时时段的跑道容量，将所有小时时段对应的跑道容量结果作为跑道动态小时容量，并满足下式：其中，m为机场群集合，m为机场群集合中的机场，p
mt'
为t’时段内机场m的跑道离场流量，d
mt'
为t’时段内机场m的跑道容量。6.根据权利要求5所述的机场群航班协同放行排序方法，其特征在于：s1中确定约束条件，包括：以扇区动态小时容量作为约束条件，根据高峰月的历史航班计划，将航班匹配至相应的小时时段进行离场流量汇总，针对任一小时时段，对该小时时段内的离场流量进行顺序排列，选取合适的离场流量作为该小时时段的离场容量，扇区内的各航路交通流量之和不大于扇区的离场容量，采用下式表示：其中，k为扇区内的航路数量，n
i
为各航路在未来t时间段内的交通流量，为扇区s在未来t时间段内的离场容量。7.根据权利要求6所述的机场群航班协同放行排序方法，其特征在于：s1中确定约束条件，包括：以流控情况下的航路过点间隔作为约束条件，受流控影响，某些航路的过点间隔会受到一定程度的限制，即相邻航班之间需要保持一定的时间间隔，采用下式表示：其中，为机场m中第i个、第i+1个离场航班的计算起飞时间，分别为机场m中第i个、第i+1个离场航班到达离场点p
i
的飞行时间，ωp
i
(t”)为离场点p
i
在t”时段的放行时间间隔。8.根据权利要求7所述的机场群航班协同放行排序方法，其特征在于：s1中确定约束条件，包括：以过点顺序不变作为约束条件，不同机场经过同一离场点的航班顺序需要保持一致，采用下式表示：其中，为经过离场点p
i
航班的原始顺序集合中第k个航班的顺序，为经过离场点p
i
航班的最新顺序集合中第k个航班的顺序。9.根据权利要求8所述的机场群航班协同放行排序方法，其特征在于：s1中确定约束条
件，包括：以航班顺序最大偏移量作为约束条件，为了避免航班调整幅度过大而影响管制工作的正常进行，需要限制单个航班顺序最大偏移量，采用下式表示：0≤δ≤20其中，δ为航班在原始离场顺序集合中的序号与最新离场顺序集合中的序号差值的绝对值。10.根据权利要求1所述的机场群航班协同放行排序方法，其特征在于：s3中利用遗传算法求解得到最优航班排序，实现机场群航班协同放行排序，包括：s31、对机场群所有高峰时段的离场航班的离场延误时间序列进行编码，并将每个可行的离场延误时间序列作为一个染色体，即种群个体；s32、对航班总延误时间、航班总延误成本组成的双优化目标进行归一化，通过设定比例系数来体现优化方案对减少延误时间、减少延误成本的偏好，构造符合放行目标的适应度函数；s33、从种群中选择适应度函数值较大的种群个体作为解集，并以一定概率对解集中两个父代个体的部分染色体进行交叉重组，形成新的种群个体；s34、以一定概率对解集中的离场延误时间序列中的某个离场延误时间进行单点变异；s35、进入s33，直至满足遗传算法的终止条件，输出最优航班排序；其中，适应度函数f(t)采用下式表示：其中，y(t)为机场群的航班总延误时间，c(t)为机场群的航班总延误成本，ω1、ω2分别为航班总延误时间、航班总延误成本的比例系数。

技术总结
本发明涉及航班放行，具体涉及一种机场群航班协同放行排序方法，以机场群的航班总延误时间、航班总延误成本最小化作为双优化目标，并确定约束条件，建立协同放行模型；获取所有离场机场的航班计划，进行预处理后作为协同放行模型的输入；利用遗传算法求解得到最优航班排序，实现机场群航班协同放行排序；本发明提供的技术方案能够有效克服现有技术所存在的求解结果无法为当前机场群航班协同放行提供辅助决策的缺陷。辅助决策的缺陷。辅助决策的缺陷。


技术研发人员：郭聪聪 丛玮
受保护的技术使用者：飞友科技有限公司
技术研发日：2023.03.21
技术公布日：2023/7/12