基于情景应对的飞机与旅客一体化干扰恢复的优化决策系统的制作方法

1.本发明属于基于情景应对的优化决策技术领域，具体涉及一种基于情景应对的飞机与旅客一体化干扰恢复的优化决策系统。


背景技术：

2.随着我国经济的不断发展以及人民生活水平的提高，人们对于民航出行的需求不断增加，航空运输业也进入了一个快速发展期。据《中国民航报》公布的数据显示，截至2021年年初，我国民航机队规模达6747架，全国千万级机场达到39个，总体运输规模已稳居世界第二。然而由于近年来极端恶劣天气频发、组织规模臃肿等众多不利因素的存在，航空公司经常遭受各种干扰事件的影响，造成大量航班延误或取消，给航空公司与旅客都带来巨大的经济损失。因此对于航空公司而言，如何在机场、飞机或者航班受到干扰时，快速制定高质量的恢复方案，减少旅客滞留时间与航班取消数量，已成为航空公司运营管理中的关键一环。
3.早期关于受干扰的航班以及旅客的恢复，许多航空公司都是由aocc(运行控制中心)的相关人员通过手工编排的方式重新制定新的恢复方案。一般而言，工作人员先根据干扰情景确定与之受干扰的相关航班，然后通过航班延迟起飞、飞机路线交换以及航班取消等措施重新制定新的航班飞行计划，继而根据新的航班飞行计划确定受干扰旅客的行程安排。这种恢复方法虽然在一定程度上能够减少航空公司的损失，但往往耗时较长且恢复方案的质量不高，慢慢被航空公司所抛弃。后来随着商业运筹学软件以及启发式算法在企业运营管理领域的广泛运用，近年来一些航空公司已经开始使用相关的辅助决策软件帮助其制定干扰后的恢复计划，但这些软件更多的是帮助航空公司进行实时决策，即相关人员输入航班与旅客相关数据以及干扰情景，软件通过内部设置好的算法进行求解。虽然在求解速度与恢复方案的质量上较传统的手工编排已有了显著的改进，但当干扰规模以及航班数量较多时，相关软件的求解效率依旧不高，有时候无法满足航空公司的现实需要。因此需要一种更为快速的求解方法，辅助航空公司进行干扰恢复决策。
4.目前，通过公开的资料可以查找到许多关于航班干扰恢复的的相关专利申请以及学术期刊论文。其中专利方面，包括公布号为cn113139703a的“用于不正常航班恢复的决策支持系统、方法以及存储介质”，公布号为cn112862258a的“基于风险管控的区域多机场不正常航班恢复方法”。在学术期刊方面，何坚等在期刊《北京航空航天大学学报》发表论文《基于有效中转时间预测的不正常航班恢复技术》，杨新湦等在期刊《科学技术与工程》发表论文《巡航速度控制下航空公司受扰航班一体化恢复》。虽然上述专利与公开论文分别从不同条件和视角下辅助航空公司设计了不同的恢复方法，但都存在着一些不足之处，例如，从内容上看，干扰情景设置的过于简单，没有考虑到复杂的干扰情景对航空公司所产生的严重影响。从算法效率上，求解效率不高，对于多达上百架飞机的大型航空公司而言有可能满足不了其现实需要。


技术实现要素：

5.本发明的目的在于提供一种基于情景应对的飞机与旅客一体化干扰恢复的优化决策系统。
6.一种基于情景应对的飞机与旅客一体化干扰恢复的优化决策系统，包括情景-方案库构建模块、情景匹配模块、情景应对模块、情景评估模块；
7.所述情景-方案库构建模块用于构建航空公司以往以及预计未来可能遭受的干扰情景以及与之相对应的恢复方案，生成情景-方案库sp；情景-方案库sp中的每个元素为spi＝(li,si,pi)；li表示干扰类型标签；si表示干扰恢复对象属性，具体包括待恢复机队数量flt_size以及相关旅客的行程计划iti_size；pi则表示对应的恢复方案；
8.所述情景匹配模块用于当航空公司遭受到现有干扰情景sp
now
＝(l
now
,s
now
)影响时，根据干扰类型标签l
now
以及干扰恢复对象属性s
now
与情景-方案库sp中的元素进行快速匹配，判断是否有高度相似的元素存在；
9.所述情景应对模块用于根据航空公司所遭受的干扰情景获取与之相对应的恢复方案；若情景匹配模块中判断预先生成的情景-方案库sp中存在与干扰情景sp
now
＝(l
now
,s
now
)高度相似的元素spj，则情景应对模块通过调整spj中的恢复方案pj,来获取对应于干扰情景sp
now
的最终恢复方案p
now
；若未匹配到高度相似的元素，则情景应对模块进行实时响应操作，建立飞机与旅客一体化干扰恢复模型求解最优恢复方案；
10.所述情景评估模块用于情景-方案库sp的更新与维护。
11.进一步地，所述情景-方案库构建模块中生成情景-方案库sp的方法具体为：
12.步骤1.1：设置干扰类型标签li；
13.干扰类型标签分为三类，分别为机场干扰ed、飞机干扰ad以及航班干扰fd；对于航空公司常见的干扰情况可以用干扰类型标签l＝{ed,ad,fd}来进行表示；当不存在某一类型干扰时，将其设置为空集φ；
14.其中，机场干扰用符号ed{(ar),(tw),(l)}表示；ar表示机场序号；tw表示干扰时间窗；l表示机场起飞或降落跑道容量损失比例，当l＝1时则表示机场完全关闭，不允许任何一架飞机起飞与降落；
15.飞机干扰用符号ad{(ac),(tw)}表示，ac表示飞机序号；tw表示飞机受干扰的时间窗；
16.航班干扰则用符号fd{(f),(dt)}表示，f表示受干扰的航班序号；dt表示干扰类型，包括航班延迟起飞d或者取消c这两种；
17.步骤1.2：确定干扰恢复对象属性si；
18.设ds(l
now
)表示受干扰情景l
now
影响而涉及到机队规模，在确定flt_size
now
时，至少应满足flt_size
now
≥ds(l
now
)，才能保证所有受干扰航班都被考虑进去；考虑到不同机队之间在一定条件下是允许互相交换航线的，因此随着flt_size
now
的增大，原本被取消航班有可能被其他机型的飞机执行而最终不被取消，得到更优的恢复方案，但与此同时恢复难度会急剧增大，导致短时间内无法获得恢复方案，因此在该框架下，干扰恢复对象属性si的确定在满足flt_size≥ds(l
now
)的条件下，是一个超参数，需由航空公司定夺；
19.步骤1.3：确定干扰恢复方案pi。
20.进一步地，所述情景-方案库构建模块中，在建立完生成情景-方案库sp的基础之
上，为了加速现有干扰情景sp
now
与情景方案库sp在后续匹配的速度，将sp库分别设置3个子库，其中第一子库按照机场干扰对sp中的所有元素以机场序号进行排序，第二子库按照飞机序号对sp中的所有元素以机场序号进行排序，第三子库则根据航班序号排序。
21.进一步地，所述情景匹配模块则根据干扰类型标签l
now
以及干扰恢复对象属性s
now
与情景-方案库sp中的元素进行快速匹配，判断是否有高度相似的元素存在的方法具体为：
22.步骤2.1：定义匹配度公式；
23.定义内匹配公式与外匹配公式，内匹配公式用于对s
now
进行匹配，定义为：
[0024][0025]
当且仅当s
now
＝＝sj时，即恢复对象涉及到的机队规模相同时，内匹配度为1；
[0026]
在外匹配公式方面，根据l
now
中存在三种不同的干扰情景，分别定义不同的相似度公式：
[0027]
a.机场干扰相似度公式：
[0028][0029]
b.飞机干扰相似度公式：
[0030][0031]
c.航班干扰相似度公式：
[0032][0033]
d.外匹配相似度公式：
[0034][0035]
公式a为机场干扰的匹配度公式，其中a∈sp
now
(ed)表示提取sp
now
中关于机场干扰情景的相关元素；||a||表示由于受机场干扰直接影响的航班数量；[starta,enda]表示现有机场干扰情景的干扰时间窗；[startb,endb]则表示所与之匹配元素的干扰时间窗；若两个干扰时间窗完全相同，则lqa表示机场容量损失值；if(a＝＝b)表示判断是否是同一个机场；
[0036]
公式b为飞机干扰的匹配度公式，其中||c||表示受机场干扰所直接影响的航班数量；if(c＝＝d)表示判断是否是同一架飞机；
[0037]
公式c为航班干扰匹配度公式，其中del(f)表示航班f的延迟时间；is_same(f,h)函数表示判断两个航班是否一致，如果一致取值为1，否则取值为0；
[0038]
公式d中分母||sp
now
||表示受现有干扰情景直接影响的所有航班数量，分子是三种干扰情景匹配值的加和；根据公式a、b、c三者的定义可以保证o_match(sp
now
,spj)∈[0,1]；
[0039]
步骤2.2：定义匹配算法；
[0040]
根据现有干扰情景sp
now
分别计算因ed、ad、fd三种干扰影响的航班数量，并分别记为||a||、||c||、||f||，计算相应的权重w
||a||
、w
||b||
、w
||c||
：
[0041][0042]
如果w
||a||
相对于w
||b||
、w
||c||
较大，则将sp
now
中ed的元素先与第一子库按照机场干扰相似度函数p
ed
(sp
now
,spj)进行计算，将排名靠前的作为候选对象；随后再将sp
now
中的ad元素与候选对象进行飞机干扰相似度函数p
ad
(sp
now
,spj)进行计算，再挑选排名靠前的作为新候选对象，随后再将sp
now
中的fd元素与新候选对象进行航班干扰相似度函数p
fd
(sp
now
,spj)进行计算，再挑选排名靠前的作为最终候选对象；最后，运用外部匹配公式o_match(sp
now
,spj)，将最终候选对象与sp
now
进行匹配计算，根据排名第一的匹配值大小确定是否存在高度相似的元素spj；
[0043]
如果w
||a||
、w
||b||
、w
||c||
三者数值相差不大，则采取并行计算的方法分别将sp
now
中的ed元素与第一子库进行匹配，ad元素与第二子库进行匹配，fd元素与第三子库进行匹配；将分别生成的三个候选集合取交集观察是否为空；若为空，则表明sp库中不存在与相关高匹配对象；否则，运用外部匹配公式o_match(sp
now
,spj)，将交集元素与sp
now
进行匹配计算，计算出总的匹配值，根据排名第一的匹配值大小确定是否存在高度相似的元素spj。
[0044]
进一步地，所述情景应对模块中，若未匹配到高度相似的元素，则情景应对模块进行实时响应操作，建立飞机与旅客一体化干扰恢复模型求解最优恢复方案的方法具体为：
[0045]
步骤3.1：运用时空网络技术，根据航空公司的原始航班飞行计划，为每个航班构建原始航班弧以及延迟航班弧；
[0046]
步骤3.2：根据干扰情景sp
now
＝(l
now
,s
now
)与步骤3.1中生成的航班网络确定直接受影响的航班弧集合，将其记为df；将df以及原始航班计划的相关参数代入纯飞机流网络模型进行求解，获得因航班网络涟漪效应而受影响的所有航班集合，记为df；根据df确定与之相关的受干扰的旅客行程集合，并根据步骤3.1中生成的航班网络以及满足相邻两个航班所需最短连接时间以及机场相同的情况下，分别为这些行程生成可以改签的路线集合，记为tl；
[0047]
步骤3.3：在获知df、tl以及与航班和旅客相关的参数的基础之上，构建飞机与旅客一体化干扰恢复模型，求解恢复方案；若恢复方案中受干扰的航班集合与df一致，则求解完毕，该方案为最终的恢复方案；否则，返回步骤3.2，重新为之前未考虑到的受干扰的旅客行程重新安排可以改签的路线集合。
[0048]
进一步地，所述情景应对模块中，若匹配到高度相似的元素，则采用启发式调整算法，通过调整spj中的恢复方案pj,来获取对应于干扰情景sp
now
的最终恢复方案p
now
；
[0049]
步骤4.1：根据干扰标签lj与l
now
以及待恢复对象sj与s
now
的差异部分对初始干扰恢复方案pj进行初步调整；
[0050]
步骤4.1.1：找出lj中特有的干扰情景，用符号表示l
now
与lj之间的相
同的干扰情景，ldj＝l
j-l
common
表示lj所特有的干扰情景，按照原先航班恢复计划对这些特有干扰情景中所涉及的航班全部进行调整；
[0051]
步骤4.1.2：找出sj中特有的部分并按照s
now
进行调整，用符号表示s
now
与sj之间的相同部分，sdj＝s
j-s
now
表示sj所特有的干扰情景；对sj中存在但s
now
中没有的旅客行程进行剔除，根据s
now
中各行程的旅客人数对pj中相对应的旅客人数进行更新；将获取的初步调整恢复方案记为
[0052]
步骤4.2：确定干扰恢复范围，包括航班干扰恢复限定范围以及旅客行程恢复限定范围；由于已经有了初步调整恢复方案因此无需对全部航班以及旅客行程进行优化，采取局部优化的方式获取最终恢复方案p
now
；
[0053]
首先根据l
now
中所特有的干扰情景ld
now
＝l
now-l
common
确定受影响的航班集合，然后再由这些航班集合确定相关飞机集合，提取这些飞机在当日所执行的航班串，作为航班干扰恢复限定范围，记为uf；根据航班干扰恢复限定的范围所包含的行程来确定旅客行程恢复限定范围，记为ui；
[0054]
步骤4.3：获取最终恢复方案；
[0055]
步骤4.3.1：从初步调整恢复方案中剔除uf以及ui，记为为uf集合中的所有航班建立时空网络模型，为ui集合中包含的旅客行程安排好可改签路线；
[0056]
步骤4.3.2：运用实时响应操作中飞机与旅客一体化干扰恢复模型进行求解得出航班恢复方案suf以及旅客行程恢复发难sui；
[0057]
步骤4.3.3：将sui、suf与进行合并得到最终恢复方案p
now
。
[0058]
进一步地，所述情景评估模块中对情景-方案库sp的更新与维护的方法具体为：
[0059]
若情景匹配模块中，sp
now
＝(l
now
,s
now
)与情景-方案库sp匹配后不存在高度相似的元素，则将情景应对模块中所获取的恢复方案p
now
,一同加入情景-方案库sp中；
[0060]
若情景匹配模块中，sp
now
＝(l
now
,s
now
)与情景-方案库sp匹配后存在高度相似的元素；则执行以下步骤：
[0061]
步骤5.1：对于高度相似区间[k1,1]，划分为两个子区间，分别为[k1,k2]、[k1,1]；
[0062]
步骤5.2：获取情景匹配模块计算出的情景-方案库sp中的元素与sp
now
的匹配值分别落入区间[k1,k2]和[k1,1]的个数，将其分别记为n1,n2；
[0063]
步骤5.3：设n＝n1 n2，nk2为高匹配度最大领域数量；如果n2≥nk2，那么不考虑将其纳入情景方案库中；如果n2＜nk2，则产生一个随机数，以ε的概率接受它，δ为规模控制影响因子，其数值越大，情景-方案库sp的总体规模越小。
[0064]
本发明的有益效果在于：
[0065]
本发明包括情景-方案库构建模块、情景匹配模块、情景应对模块、情景评估模块四部分。针对航空公司以往经常遭受的干扰情景预先生成相应的恢复方案，并将其保存到情景-方案库中；当航空公司遭受现有干扰情景时，首先将其与情景-方案库中元素进行匹配，若有高度相似的元素存在，则提取该元素所对应的方案，通过启发式算法进行调整以获取最终恢复方案；若不存在，则通过建立运筹学模型进行精确求解，并将其保存至情景-方
案库。本发明相比与传统恢复方法，能够进一步提高求解效率，快速获取高质量的飞机与旅客一体化恢复方案，满足航空公司的现实需要。本发明能够辅助航空公司快速制定航班恢复计划，减少航空公司与旅客的损失。
附图说明
[0066]
图1是本发明的框架流程图。
[0067]
图2是lj与l
now
共同干扰情景以及特有干扰情景示意图
[0068]
图3是本发明启发式调整算法中航班干扰恢复限定范围示意图。
具体实施方式
[0069]
下面结合附图对本发明做进一步描述。
[0070]
本发明公开了一种基于情景应对的飞机与旅客一体化干扰恢复的优化决策系统，能够辅助航空公司快速制定航班恢复计划，减少航空公司与旅客的损失。本发明包括情景-方案库构建模块、情景匹配模块、情景应对模块、情景评估模块四部分。针对航空公司以往经常遭受的干扰情景预先生成相应的恢复方案，并将其保存到情景-方案库中；当航空公司遭受现有干扰情景时，首先将其与情景-方案库中元素进行匹配，若有高度相似的元素存在，则提取该元素所对应的方案，通过启发式算法进行调整以获取最终恢复方案；若不存在，则通过建立运筹学模型进行精确求解，并将其保存至情景-方案库。本发明相比与传统恢复方法，能够进一步提高求解效率，快速获取高质量的飞机与旅客一体化恢复方案，满足航空公司的现实需要。
[0071]
本发明包含以下四个模块：
[0072]
s1：情景-方案库构建模块。该模块主要用于构建航空公司以往以及预计未来可能遭受的干扰情景以及与之相对应的恢复方案。令sp为某航空公司情景-方案库，其里面的每个元素则由三部分组成，其中li表示干扰类型标签，si表示干扰恢复对象属性(具体包括待恢复机队数量(flt_size)以及相关旅客的行程计划(iti_size))，pi则表示与之相对应的恢复方案。li与si的具体数值可以由航空公司自己设定，恢复方案的pi获取可以通过构建数学模型运用商业软件求解获得。
[0073]
s2：情景匹配模块。该模块的主要功能是将航空公司遭受的现有干扰情景sp
now
＝(l
now
,s
now
)与情景-方案库sp里的元素进行匹配，判断是否存在与sp
now
＝(l
now
,s
now
)高度相似的元素的存在。如果有，则提取该元素所对应的恢复方案，通过s3中提及的启发式调整算法进行调正，获得最终恢复方案，若没有，则运用s3中的实时响应操作获取最终恢复方案。
[0074]
s3：情景应对模块。该模块主要负责根据航空公司所遭受的干扰情景获取与之相对应的恢复方案。根据s2匹配过程中，现有干扰情景sp
now
＝(l
now
,s
now
)与情景-方案库sp里的元素是否有高度相似的元素存在，情景应对模块所采用的恢复方法不同。当有高度相似的元素存在时，此时运用启发式调整算法通过调整spj中的恢复方案pj,来获取对应于sp
now
＝(l
now
,s
now
)的最终恢复方案p
now
；若没有匹配到高度相似的元素，则通过建立飞机与旅客一体化干扰恢复模型并设计一种迭代求解算法并借助商业求解软件快速获取最优恢复方案，这一求解过程称之为实时响应操作。
[0075]
s4：情景评估模块。该模块主要用于情景-方案库的更新与维护。作为本发明的一
大创新点，情景-方案库的建立在航空公司干扰管理方面可以起到“未雨绸缪”的作用，在恢复方案的快速获取上则充分体现“以空间换时间”的思想。对于情景-方案库而言，其多样性与完备性对该框架的实施效果起着关键性作用。为了控制情景-方案库sp规模的同时，增加多样性与完备性，情景评估模块主要通过判断新元素spi＝(li,si,pi)是否可以纳入情景-方案库以维护情景-方案库的多样性与完备性。
[0076]
进一步地，上面所述情景-方案库构建模块中，具体执行以下步骤：
[0077]
s1.1干扰类型标签(li)的设置。在干扰类型标签(li)的设置方面，通过查询近年来我国民航的相关资料获知，天气、航空公司自身管理以及空中管制是造成我国航空公司经常出现不正常航班的三大原因。因此在干扰类型标签设置上面主要西方为三类，其分别为机场干扰(简写为ed)、飞机干扰(ad)以及航班干扰(fd)。其中机场干扰用符号ed{(ar),(tw),(l)}表示，其中表示ar机场序号，tw表示干扰时间窗，l则表示机场起飞或降落跑道容量损失比例，当l＝1时则表示机场完全关闭，不允许任何一架飞机起飞与降落。飞机干扰用符号ad{(ac),(tw)}表示，其中ac表示飞机序号，tw表示飞机受干扰的时间窗。航班干扰则用符号fd{(f),(dt)}，其中f表示受干扰的航班序号，dt表示干扰类型，其中包括航班延迟起飞d或者取消c这两种。对于航空公司常见的干扰情况可以用干扰类型标签l＝{ed,ad,fd}来进行表示。当不存在某一类型干扰时，可以将其设置为空集φ。
[0078]
s1.2干扰恢复对象属性(si)的确定。干扰恢复对象si主要涉及到机队的规模(flt_size)以及与之相对应的旅客的行程规模(iti_size)。设ds(l
now
)表示受干扰情景l
now
影响而涉及到机队规模，那么在确定flt_size
now
时，至少应满足flt_size
now
≥ds(l
now
)，才能保证所有受干扰航班都被考虑进去。当然考虑到不同机队之间在一定条件下是允许互相交换航线的，因此随着flt_size
now
的增大，原本被取消航班有可能被其他机型的飞机执行而最终不被取消，得到更优的恢复方案，但与此同时恢复难度会急剧增大，导致短时间内无法获得恢复方案。因此在该框架下，干扰恢复对象属性(si)的确定在满足flt_size≥ds(l
now
)的条件下，是一个超参数，需由航空公司定夺。
[0079]
s1.3干扰恢复方案(pi)的确定。在确定(l
now
,s
now
)的情况下，p
now
的获取主要根据模块s2、s3获取，具体会在后文进行阐述。
[0080]
在建立完航空公司情景-方案库sp的基础之上，为了加速现有干扰情景sp
now
与情景方案库sp在后续匹配的速度，本发明将sp库分别设置3个子库，其中第一个子库按照机场干扰对sp中的所有元素以机场序号进行排序，第二个子库按照飞机序号对sp中的所有元素以机场序号进行排序，第三个子库则根据航班序号排序。
[0081]
进一步地，上面所述情景匹配模块中，具体执行以下步骤：
[0082]
s2.1匹配度公式的定义。为了能将现有干扰情景sp
now
＝(l
now
,s
now
)与情景-方案库sp的进行匹配，在此定义了内匹配公式与外匹配公式两种。其中内匹配公式主要用于对s
now
进行匹配。其定义为：
[0083][0084]
当且仅当s
now
＝＝sj时，即恢复对象涉及到的机队规模相同时，内匹配度为1。
[0085]
在外匹配公式方面，则根据l
now
中存在三种不同的干扰情景，分别定义不同的相似度公式：
[0086]
a.机场干扰相似度公式：
[0087][0088]
b.飞机干扰相似度公式：
[0089][0090]
c.航班干扰相似度公式：
[0091][0092]
d.外匹配相似度公式：
[0093][0094]
在上述公式中sp
now
表示航空公司正在面临的干扰情景，其包含(l
now
,s
now
)两部分，spj则表示情况-方案库中的第i个元素，其包含(li,si,pi)三部分。公式d中分母||sp
now
||表示受现有干扰情景直接影响的所有航班数量，分子是三种干扰情景匹配值的加和。根据公式a、b、c三者的定义可以保证o_match(sp
now
,spj)∈[0,1]。公式a为机场干扰的匹配度公式，其中a∈sp
now
(ed)表示提取sp
now
中关于机场干扰情景的相关元素(例如：a＝ed{(萧山机场)，(9:00-10:00),(1)})，||a||表示由于受机场干扰直接影响的航班数量，[starta,enda]表示现有机场干扰情景的干扰时间窗，[startb,endb]则表示所与之匹配元素的干扰时间窗，若两个干扰时间窗完全相同，则lqa表示机场容量损失值，a＝＝b判断是否是同一个机场。公式b为飞机干扰的匹配度公式，其中||c||表示受机场干扰所直接影响的航班数量，c＝＝d判断是否是同一架飞机，其余部分均与公式a类似。公式c为航班干扰匹配度公式，其中del(f)表示航班f的延迟时间，is_same(f,h)函数使用判断两个航班是否一致，如果一致取值为1，否则取值为0。
[0095]
在匹配过程中，本发明所提出的框架先用内匹配度公式进行计算，从情景-方案库中挑选机队数量相同的作为候选对象，然后再运用外部匹配公式确定是否存在高度相似的元素spj，若存在，则并提取其恢复方案pj作为现有干扰情景初始恢复方案。
[0096]
s2.2匹配算法的定义。由于情景-方案库sp的规模很大，如果简单地遍历整个情景-方案库耗时较长，无法快速制定干扰恢复方案。因此为了加快匹配的速度，快速获知匹配后的结果，匹配算法按照如下步骤进行操作：
[0097]
a.根据现有干扰情景sp
now
分别计算因ed、ad、fd三种干扰影响的航班数量，并分别记为||a||、||c||、||f||，然后那种下面公式计算相应的权重：
[0098][0099]
b.w按照数值大小进行降序排序。不妨设排序完的顺序为w
||a||w||b||w||c||
。
[0100]
b.1如果w
||a||
相对于w
||b||
、w
||c||
较大，则sp
now
将中ed的元素先与子库1的按照机场干扰相似度函数进行计算，将排名较前的作为候选对象。随后再将sp
now
中的ad元素与上一步生成候选对象进行飞机干扰相似度函数进行计算，再挑选排名较前作为新候选对象，依次类推，直到生成最终候选对象，并根据排名第一的匹配值大小判断是否提取其恢复方案作为sp
now
的初始恢复方案。
[0101]
b.2如果w
||a||
、w
||b||
、w
||c||
三者数值相差不大，则采取并行计算的方法分别将sp
now
中的ed元素与子库1进行匹配，ad元素与子库2进行匹配，以此类推。将分别生成的三个候选集合取交集观察是否为空。若为空，则表明sp库中不存在与相关高匹配对象。否则将交集元素sp
now
与进行匹配计算，计算出总的匹配值，根据排名第一的匹配值大小判断是否提取其恢复方案作为的初始恢复方案。
[0102]
通过上述两步匹配操作能够快速获知现有干扰情景sp
now
与情景-方案库sp匹配后结果，从而根据结果在后续情景应对模块中采取不同的恢复方法，快速获取最终恢复方案。
[0103]
进一步地，上面所述情景应对模块中，具体执行以下步骤：
[0104]
s3.1实时响应操作。当在s2进行情景匹配的操作后，不存在高度相似的干扰情景时，此时则采用实时响应操作来获取与现有干扰情景sp
now
相对应的恢复方案。实时响应操作具体内容如下。
[0105]
a.运用传统的时空网络技术，根据航空公司的原始航班飞行计划，为每个航班构建原始航班弧以及延迟航班弧。
[0106]
b.根据干扰情景sp
now
＝(l
now
,s
now
)与a中生成的航班网络确定直接受影响的航班弧集合，不妨将其记为df。然后将df以及原始航班计划的相关参数代入纯飞机流网络模型进行求解，获得因航班网络涟漪效应而受影响的所有航班集合(记为df,一般而言df≥df)。然后根据df确定与之相关的受干扰的旅客行程集合，并根据a中生成的航班网络，在满足相邻两个航班所需最短连接时间以及机场相同的情况下，分别为这些行程生成可以改签的路线集合(记为tl)。
[0107]
c.在获知df、tl以及与航班和旅客相关的参数的基础之上，构建飞机与旅客一体化干扰恢复模型，运用商业求解软件获取恢复方案。若恢复方案中受干扰的航班集合与df一致，则求解完毕，该方案为最终的恢复方案，若不一致则返回b，且重新为之前未考虑到的受干扰的旅客行程重新安排可以改签的路线集合，并在c中运用飞机与旅客一体化干扰恢复模型获取最优改签方案。
[0108]
s3.2启发式调整算法。当在s2进行情景匹配的操作后，发现情景-方案库sp有存在高度相似的元素spj时，本发明则采用启发式调整算法通过调整pj来获取最终恢复方案。启发式调整算法具体内容如下。
[0109]
a.初步调整。根据干扰标签lj与l
now
以及待恢复对象sj与s
now
的差异部分对初始干扰恢复方案pj进行调整。1)首先找出lj中特有的干扰情景(本发明用符号表示l
now
与lj之间的相同的干扰情景，ldj＝l
j-l
common
表示lj所特有的干扰情景)，并按照原先航班恢复计划对这些特有干扰情景中所涉及的航班全部进行调整。例如lj存在第6架飞机在
[9:00-10:00]内无法正常使用故障，但l
now
中并没有这一干扰情景，因此可知ad＝{6,[9:00-10:00]}∈ldj，在初步调整时就将pj中对第6架飞机恢复计划调整为第6架飞机的原先飞行计划，并将第6架飞机所涉及到的旅客行程也进行响应的更新。2)找出sj中的所特有部分并按照s
now
进行调整(本发明用符号表示s
now
与sj之间的相同部分，sdj＝s
j-s
now
表示sj所特有的干扰情景)。例如对sj中存在但s
now
中没有的旅客行程进行剔除，以及根据s
now
中各行程的旅客人数对pj中相对应的旅客人数进行更新等。通过这些操作后获取的恢复方案，本发明记为初步调整恢复方案，并用进行表示。
[0110]
b.干扰恢复范围的确定。干扰恢复范围的确定具体包括航班干扰恢复限定范围以及旅客行程恢复限定范围两部分。由于已经有了初步调整恢复方案因此无需对全部航班以及旅客行程进行优化，而主要采取局部优化的方式获取最终恢复方案p
now
。1)首先根据l
now
中所特有的干扰情景ld
now
＝l
now-l
common
确定受影响的航班集合，然后再由这些航班集合确定相关飞机集合，提取这些飞机在当日所执行的航班串，作为航班干扰恢复限定范围(记为uf)。2)旅客行程恢复限定范围的确定则是根据航班干扰恢复限定的范围所包含的行程来确定(记为ui)。
[0111]
c.最终恢复方案的获取。1)首先从初步调整恢复方案中剔除uf以及ui，并记为并为uf集合中的所有航班建立时空网络模型，为ui集合中包含的旅客行程安排好可改签路线。2)然后运用实时响应操作中飞机与旅客一体化干扰恢复模型进行求解得出航班恢复方案suf以及旅客行程恢复方案sui。3)将sui、suf与进行合并也就最终恢复方案p
now
。
[0112]
进一步地，上面所述情景评估模块中，具体执行以下步骤：
[0113]
a.若sp
now
＝(l
now
,s
now
)与情景-方案库匹配后不存在高匹配情况，则将情景应对模块中所获取的恢复方案p
now
,一同假如情景-方案库中，并对三个子库重新进行排序。
[0114]
b.若与情景-方案库匹配后存在高匹配情况，那么则采取下面方法进行处理：
[0115]
b1.对于高匹配区间[k1,1]，我们可以事先划分为两个子区间，其分别为[k1,k2]、[k1,1]。
[0116]
b2.根据情景匹配模块，计算出情景-方案库中的元素与sp
now
进行匹配其值分别落入区间[k1,k2]和[k1,1]的个数，将其分别记为n1,n2。
[0117]
b3.设n＝n1 n2，nk2为高匹配度最大领域数量。如果n2≥nk2，那么不考虑将其纳入情景方案库中，算法终止。否则如果n2＜nk2，则那么随机产生一个随机数，以ε的概率接受它，其中δ为规模控制影响因子，其数值越大，sp的总体规模会更小)。
[0118]
实施例1：
[0119]
本发明的目的在于辅助航空公司针对日常经常遭受干扰情景，快速制定高质量恢复方案，减少航空公司的运营成本以及干扰事件对旅客出行计划的影响。
[0120]
本发明采用计算机技术，通过建立优化模型，设计优化算法等技术手段，自动实现受干扰飞机、航班以及旅客行程的恢复。如图1所示，包括情景-方案库构建、情景匹配、情景应对以及情景评估四大模块。
[0121]
a.情景-方案库的构建实质上就是对不同干扰情景预先制定与之相对应的恢复方案的过程。其里面的每个元素由三部分组成，其中li表示干扰类型标签，表示si干扰恢复对象属性(具体包括待恢复机队数量以及相关旅客的行程计划)，pi表示与之相对应的恢复方案。后续的情景匹配模块本质上就是判断现有干扰情景sp
now
＝(l
now
,s
now
)与spi＝(li,si)的相似程度。情景应对模块的主要工作也就是快速获得一体化干扰恢复方案pi的过程。另外，为了后续能够加速匹配过程，除了构建sp库，本发明还额外根据sp库分别设置3个子库，其中第一个子库按照机场干扰对sp中的所有元素以机场序号进行排序，第二个子库按照飞机序号对sp中的所有元素以机场序号进行排序，第三个子库则根据航班序号排序。
[0122]
b.情景-方案库匹配模块主要包含两部分：b.1相似度公式的定义以及b.2匹配算法
[0123]
b.1相似度公式的定义，就是从情景-方案库sp中找寻与现有干扰情景sp
now
＝(l
now
,s
now
)高度相似的元素spi＝(li,si)。因为sp
now
中包含两部分，因此需分别对待恢复对象(s
now
,si)以及干扰情景(l
now
,li)进行一对一匹配。针对这两种不同的匹配，本发明中将其命名为内匹配与外匹配。
[0124]
其中内匹配的定义如下：
[0125][0126]
当且仅当s
now
＝＝sj时，即恢复对象涉及到的机队规模相同时，内匹配度为1，其余都为0。
[0127]
在外匹配公式方面，则根据三种不同的干扰情景，分别定义不同的相似度公式：
[0128]
b.1.1机场干扰相似度公式：
[0129][0130]
b.1.2飞机干扰相似度公式：
[0131][0132]
b.1.3航班干扰相似度公式：
[0133][0134]
b.1.4外匹配相似度公式：
[0135][0136]
公式b.1.4就是总的外匹配公式，公式b.1.1-b.1.3都是对公式b.1.4中分子部分
的详细说明，分母||sp
now
||表示受现有干扰情景l
now
直接影响的所有航班数量，因此公式b.1.4可以保证o_match(sp
now
,spj)∈[0,1]。在公式b.1.1中，考虑到机场干扰中因为涉及干扰机场号、干扰时间窗以及干扰程度大小三部分内容，因此公式b.1.1等于这三部分内容的匹配乘积在乘以受机场干扰而影响的航班数量(||a||)。飞机干扰主要只涉及干扰飞机号、干扰时间窗，因此公式b.1.2包括这两部分的乘积再乘以受飞机干扰而影响的航班数量(||c||)，公式b.1.3的定义与公式b.1.1和b.1.2类似，在此不在赘述。
[0137]
b.2匹配算法的定义。匹配算法主要用以解决如何快速匹配出高质量匹配结果这一难题。区别于简单地对整个情景-方案库sp元素进行一一遍历匹配这一种耗时地做法。本发明提出的匹配算法其具体细节如下：
[0138]
b.2.1首先现有干扰情景sp
now
中的s
now
运用内匹配公式，找寻干扰情景库sp中与s
now
相同的元素集合，记为cansp。其所对应的三个子库分别记为cansp1、cansp2、cansp3[0139]
b.2.2然后现有干扰情景sp
now
中的l
now
分别计算因ed、ad、fd三种干扰影响的航班数量，并分别记为||a||、||c||、||f||，然后那种下面公式计算相应的权重：
[0140][0141]
b.2.3将w按照数值大小进行降序排序。不妨设排序完的顺序为w
||a||
≥w
||b||
≥w
||c||
。
[0142]
如果w
||a||
≥0.6相对于w
||b||
、w
||c||
较大(意味着w
||a||
w
||b||
≤0.4)，则sp
now
将中ed的元素先与cansp1中的元素按照机场干扰相似度函数进行计算，将排名较前的作为候选对象。随后再将sp
now
中的ad元素与上一步生成候选对象所对应的cansp2中的元素进行飞机干扰相似度函数进行计算，再挑选排名较前作为新候选对象，依次类推再将sp
now
中的fd元素与上一步生成候选对象所对应的cansp3中的元素，直到生成最终候选对象，并根据排名第一的匹配值大小判断是否提取其恢复方案作为sp
now
的初始恢复方案。
[0143]
如果w
||a||
、w
||b||
、w
||c||
,三者数值相差不大，也就是不满足上述条件。那么则采取并行计算的方法分别将sp
now
中的ed元素与cansp1进行匹配，ad元素与cansp2进行匹配，fd元素与cansp3进行匹配。将分别生成的三个候选集合取交集观察是否为空。若为空，则表明sp库中不存在与相关高匹配对象。否则将交集元素sp
now
与进行匹配计算，计算出总的匹配值，根据排名第一的匹配值大小判断是否提取其恢复方案作为的初始恢复方案。
[0144]
c.情景应对模块，主要包含两部分：c.1启发式调整算法以及c.2实时响应操作。
[0145]
根据b情景匹配模块中获取得到的匹配结果的不同，c情景应对模块则会分别采取不同的方法获取与现有干扰情景sp
now
＝(l
now
,s
now
)与之相对应的恢复方案p
now
。当情景方案库sp不存在某一元素spj使得与sp
now
＝(l
now
,s
now
)高度相似时(即)，则采用实时响应操作来获取sp
now
＝(l
now
,s
now
)与之对应的恢复方案p
now
。否则则提取与sp
now
＝(l
now
,s
now
)高度相似的元素spj所对应的恢复方案pj，运用启发式调整算法对其进行调整以获取最终恢复方案p
now
。
[0146]
c.1其中实时响应操作的具体细节如下。
[0147]
c.1.1首先根据航空公司的原始飞行计划、sp
now
中的待恢复对象s
now
、最大允许延误时间、相邻两个航班之间最短周转时间的情况下以及时空网络时间离散度的情况下，构建包含s
now
中所有飞机以及相关联航班的时空网络模型。网络模型中具体包含航班弧、停留
弧两种不同类型的弧；源节点、中间结点以及接受点三种不同的时空点。
[0148]
c.1.2根据干扰情景sp
now
＝(l
now
,s
now
)与c.1.1中生成的航班网络确定直接受影响的航班弧集合，不妨将其记为df。然后将df以及原始航班计划的相关参数(例如航班取消成本、单位时间延迟成本等)代入纯飞机流网络模型进行求解，获得因航班网络涟漪效用而受影响的所有航班集合(记为df,一般而言df≥df)。
[0149]
c.1.3然后根据df确定与之相关的受干扰的旅客行程集合，并根据c.1.1中生成的时空网络，在满足相邻两个航班所需最短连接时间以及机场相同的情况下，分别为这些行程生成可以改签的路线集合(记为tl)。
[0150]
c.1.4在获知df、tl以及与航班和旅客相关的参数的基础之上，构建飞机与旅客一体化干扰恢复模型，运用商业求解软件获取恢复方案。若恢复方案中受干扰的航班集合与df一致，则求解完毕，该方案为最终的恢复方案，若不一致，则返回c.1.2重复相关步骤，为未考虑到受干扰的旅客行程，重新安排可以改签的路线集合，并在c.1.3中运用飞机与旅客一体化干扰恢复模型获取更新后的最优改签方案。
[0151]
在c.1.2中所提及的纯飞机流网络模型具体细节如下：
[0152]
(目标函数)：
[0153]
在纯飞机流网络模型中，其目标主要包括最小化航空公司的航班延误成本以及航班取消成本。nf表示航班f中的旅客人数。cf表示航班f取消成本。表示飞机a是否执行航班f经过时空点i,j所构成的航班弧，取值为1表示是。yf表示航班f是否取消，取值为1表示取消。
[0154]
(模型约束)：
[0155][0156][0157][0158]
上述公式中表示飞机a是否经过时空点i,j所构成的停留弧，表示机场j最终所需停靠机型e的飞机数量。约束(2)具表示每个航班要不有飞机执行要不取消，有且只有这两种情况。约束(3)约束(4)都是飞机流平衡约束，其中约束(3)表示从某一点流进的航班数量等于该点流出的航班数量，约束(4)表示在机场宵禁时间时，每个机场都应停靠一定数量的飞机，用于航空公司第二天的正常运营。
[0159]
在c.1.4中所提及的飞机与旅客一体化模型具体细节如下：
[0160]
(目标函数)：
[0161]
在飞机与旅客一体化干扰恢复模型中，其目标主要包括最小化航空公司的航班延误成本、帮助旅客改签成本以及旅客行程中断成本。不考虑取消成本的原因在于旅客行程中断成本以及包含航班取消成本了。其中c
uv
表示将u行程旅客改签至v行程的相关单位成本，t
uv
则表示改签的人数。表示行程u中断的成本，ru则表示行程u中断的人数。
[0162]
约束方面，除了包含纯飞机流网络模型中的三个约束(2)-(4)之外，其余约束如
下：
[0163][0164][0165][0166][0167][0168]
上述公式中wu表示行程u是否收到中断，若中断取值为1，否则取值为0。nu表示行程u中原本的旅客数量。表示旅客的行程u中是否包含航班f，若包含取值为1，否则取值为0。capa表示飞机a的最大载客量。约束(5)、(6)一起用于确定行程u是否中断，若行程u中相关的航班被取消，那么行程u一定是中断的(约束(5)的含义)，若行程u中相邻两个航班之间的时间间隔太短，那么对了旅客而言没有时间进行转机，因此也是中断的(约束(6)的含义)。约束(7)则是规定对于任意行程的旅客，其最后乘坐航班的人数加上选择退票的人数等于总人数。约束(8)定义了，任何一架飞机所搭载的旅客数量都不允许超过其最大载客量。约束(9)则是规定选择改签的旅客数量应该是小于等于原先该行程的旅客数量。
[0169]
c.2启发式调整算法的具体细节如下。
[0170]
c.2.1初步调整。1)首先找出lj中特有的干扰情景ldj，并按照原先航班恢复计划对这些特有干扰情景中所涉及的航班全部进行调整。例如lj存在航班f1500延迟一小时，但l
now
中没有，因此可知fd＝{f1500,d,60}∈ldj，在初步调整时则可将pj中关于该航班f1500的起飞时间调整为该航班的原先起飞时间，并将与航班相关连的旅客行程也进行响应的调整。2)找出sj中的所特有部分sdj并按照s
now
进行调整(例如对sj中存在但s
now
中没有的旅客行程进行剔除，以及根据s
now
中各行程的旅客人数对pj中相对应行程的旅客人数进行更新等)。通过这些操作获取的恢复方案，记为初步调整恢复方案，并用进行表示。
[0171]
c.2.2干扰恢复范围的确定。干扰恢复范围的确定具体包括航班干扰恢复限定范围以及旅客行程恢复限定范围两部分。1)航班干扰恢复限定范围的确定。根据l
now
中所特有的干扰情景ld
now
＝l
j-l
common
确定受影响的航班集合，然后再由这些航班集合确定相关飞机集合，提取这些飞机在当日所执行的航班串，作为航班干扰恢复限定的范围(记为uf)。如图二所示，假设航班f2受到干扰，那么其影响的机场具体包括airport2与airport3，与airport2、airport3相关联的飞机包括飞机a、b、c，因此飞机a、b、c当日所执行的航班串就是针对航班f2受到干扰二确定的航班干扰恢复限定范围。2)旅客行程恢复限定范围的确定则是根据航班干扰恢复限定的范围所包含的行程来确定(记为ui)。在图二中就是与飞机a、b、c所执行所有航班相关联的行程集合。
[0172]
c.2.3最终恢复方案的获取。1)首先从初步调整恢复方案中剔除这一部分并记为并且根据uf建立时空网络模型，为旅客行程干扰恢复限定范围ui安排好可改签路线。2)运用实时响应操作中飞机与旅客一体化干扰恢复模型进行求解得出航班恢
复方案suf以及旅客行程恢复方案sui。3)将sui、suf与进行合并也就最终恢复方案p
now
。
[0173]
d.情景评估模块：
[0174]
在运用c情景应对模块获得与现有干扰情景sp
now
＝(l
now
,s
now
)相对应的恢复方案p
now
后，需要判断spn'
ow
＝(l
now
,s
now
,p
now
)是都可以纳入现有情景-方案库sp中。对于采用实时响应操作获得的恢复方案，由于情景-方案库中不存在元素与sp
now
＝(l
now
,s
now
)高度相关，因此将spn'
ow
＝(l
now
,s
now
,p
now
)纳入现有情景-方案库sp中有利于提高其完备性。而对于采用启发式调整算法获得的恢复方案，由于现有情景-方案库sp中存在元素与sp
now
＝(l
now
,s
now
)高度相关，因此需进一步进行评估，判断是否将其纳入情景-方案库中。对于步骤具体如下：
[0175]
d.1对于高匹配区间[k1＝0.85,1]，我们可以事先划分为两个子区间，其分别为[k1＝0.85,k2＝0.925]、(k2＝0.925,1]。
[0176]
d.2根据情景匹配模块，计算出情景-方案库中的元素与sp
now
进行匹配其值分别落入区间[k1＝0.85,k2＝0.925](k2＝0.925,1]的个数，将其分别记为n1,n2。
[0177]
d.3令n
now
＝n1 n2，n
now
为情景-方案库sp中与sp
now
＝(l
now
,s
now
)存在高匹配的元素的个数，nh为高匹配度最大领域数量，在本发明中设置其等于5。如果n2≥nh，那么不考虑将其纳入情景方案库中，算法终止。否则如果n2＜nh，则那么随机产生一个随机数，以ε的概率接受它，其中δ为规模控制影响因子，本发明中将其设置为0.8，其数值越大，sp的总体规模会更小)。
[0178]
在实际运行的过程中，运用本发明所需采取的具体步骤如下：
[0179]
(1)在航空公司空闲时期(无干扰期)，通过采集航空公司以往发生的干扰情景以及预测未来可能发生的干扰情景，运用情景应对的方法针对这些干扰情景获取与之对应的干扰恢复方案，然后采用情景评估模块判断该干扰情景以及与此对应的恢复方案是否有必要纳入情景-方案库中以扩充其完备性。
[0180]
(2)当航空公司受到现有干扰事件影响时，首先根据干扰事件确定相对应的干扰情景(机场干扰、飞机干扰还是航班干扰)以及待恢复对象，即sp
now
＝(l
now
,s
now
)。然后区别于以往研究直接建立数学模型进行干扰恢复，在本框架中首先进入的情景匹配模块。该模块主要用于判断情景-方案库中是否存在元素与现有干扰情景sp
now
＝(l
now
,s
now
)高度相似，若存在，则提取该元素其所对应的恢复方案，并运用情景应对模块中所对应的启发式调整算法以获得最终恢复方案。这种方法的效率远远大于直接建立数学模型进行求解。若不存在，则此时采用情景应对模块中的实时响应操作，获取最终恢复方案。
[0181]
(3)当最终恢复方案已获取并用于实际恢复过程中后，接下来有必要判断干扰情景sp
now
＝(l
now
,s
now
)以及与之相对应的恢复方案p
now
有没有必要纳入情景-方案库中。此时继续调用情景评估模块进行评估。
[0182]
(4)当航空公司再次遭受干扰事件影响时，则可以重复上述步骤，获得飞机与旅客一体化干扰恢复方案。
[0183]
以上内容详细描述了本发明——基于情景应对的优化决策框架。从实施效果上看，对于188架飞机、630个航班班次，65710名旅客，687个旅客行程数(其中单行程630个，两
行程57个)，其能在31.088秒内获得最终恢复方案，能够满足航空公司的现实需要。
[0184]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。