基于强化学习的终端区离场排序研究

为提升多机场终端区离场排序的智能化水平,减小航班延误,建立多机场终端区离场航班强化学习模型。根据离场航班实际运行过程,确定了强化学习模型状态、动作、Agent等各个参数。模型考虑了航空器尾流间隔、管制移交间隔、离场时间窗、航空器最大受限位移等约束条件,并以RECAT-CN作为航空器尾流间隔标准;使用成都终端区离场航班数据对模型进行验证;用传统的先到先服务(FCFS)排序结果与强化学习优化结果进行对比分析,结果表明:在调整较少航班的前提下,模型可减小航班延误26.3%,随着离场航班架次的增加优化效果更明显,且可减少延误飞机数量,降低平均延误时间。可以为管制员实际工作提供决策支持。

基于优化AC-BiLSTM模型的机场终端区流量预测

将深度学习用于机场终端区流量预测研究。神经网络具有复杂的网络拓扑结构和较多的超参数,这使得超参数的选择很困难。以往神经网络模型的超参数通常是根据经验来调整的,因此,为了解决超参数搜索问题,引入粒子群算法(PSO)。针对基本粒子群算法(Basic PSO,BPSO)的缺点和不足,提出一种基于自适应惯性权重的混沌粒子群优化(AWCPSO)算法,该算法在基本PSO的基础上进行了改进和优化。具体方法是,使用一种新的动态自适应惯性权重在全局寻优和局部寻优之间取得平衡;进而将混沌思想和粒子群算法相结合,解决粒子群算法易陷入局部最优的问题。实验表明,AWCPSO算法用于AC-BiLSTM模型的超参数寻优时,既解决了BPSO算法的早熟收敛问题,又提高了流量预测的精度。