基于复杂网络的航班过站保障系统事故、关键致因因素识别

为了探究航班过站保障系统事故潜在致因因素和作用机理,进一步保障民航运行安全,基于系统理论和灰色关联理论并结合航班过站保障作业流程的实际情况,将系统中安全问题转化为控制和反馈问题,绘制安全控制反馈结构。运用复杂网络理论将事故致因及其逻辑关系进行转化,构建有向加权事故致因网络模型,从节点度、网络直径和平均路径长度等不同角度对网络整体特性及各节点的联系展开量化分析,遴选出影响航班过站保障系统的16个重要事故致因因素;通过灰色关联分析判断各致因因素对事故影响程度的大小,最终确定需要防控的关键致因因素。结果表明:人员因素在航班过站保障系统事故中占主导地位,其子因素中超速行驶、人员数量不足、牵引人员失误和人员违规进入控制区是导致事故的关键致因因素。

基于UKDE和XGBoost的航班过站时间动态预测

为了提高机场运行高峰时航班过站时间预测的精度及可靠性,研究了一种结合无偏核密度估计(Unbiased kernel density estimation,UKDE)和极端梯度提升决策树(Extreme gradient boosting,XGBoost)模型的航班过站时间动态预测方法。首先,考虑模型输入变量航班密度的连续性和不确定性变化,利用UKDE法估计机场航班密度,将其作为动态指标输入模型。其次,引入量子粒子群(Quantum particle swarm optimization,QPSO)法优化XGBoost模型。最后,考虑前序航班延误发生前后输入特征的变化,利用初始预测结果对航班密度进行修正,得到二阶段预测结果。研究结果表明:本文方法在高峰时段的预测平均绝对误差为7.365 min,效果优于随机森林(Random forest,RF)、粒子群(Particle swarm optimization,PSO)-XGBoost和XGBoost,修正后的预测结果平均绝对误差减少了3.373 min;模型输入参数按敏感性程度由高到低依次为航班密度、前序航班提前到港时间和延误到港时间。

基于遗传算法的机场客梯车调度

飞机过站保障作业车辆调度是机坪保障的重要环节。针对单一保障责任区内机场客梯车保障作业调度问题,根据费用转换系数的未知性分别建立数学模型1及数学模型2。针对模型1,将客梯车保障作业延误总时长转换为惩罚费用、客梯车行驶总时长转换为行驶费用,以两者费用之和最小为目标函数,基于RAGA算法进行求解;针对模型2,分别以客梯车保障作业延误总时长最小和客梯车行驶总时长最小为目标函数,基于NSGAⅡ算法求解该多目标问题。利用西南某一机场A CDM系统的运行数据,验证了所给算法的有效性,有利于实现机场客梯车的合理调度,减少作业延误,提高运行效率。