技术领域
本发明涉及延误传播技术领域,尤其涉及一种分析航班延误传播规律的方法。
背景技术
随着我国航空运输量的持续增长,空域容量趋于饱和,空域容量与流量不平衡的状况日趋严重,如果有恶劣天气或者航空管制等突发事件发生时,会导致大面积的航班延误传播。航班延误不仅严重影响了旅客的出行计划,也给航空公司和社会带来了巨大的经济损失,并且会造成社会影响。
发明内容
本发明的目的是提供一种分析航班延误传播规律的方法,以航班延误在航空网络中的传播情况作为研究对象,基于D-SEIR模型分析不同状态的航班节点的转换规律,为解决航班延误问题提供参考。
本发明为实现上述发明目的采用如下技术方案:
本发明提供了一种分析航班延误传播规律的方法,包括:
以某一时刻的不同状态的航班集密度作为节点,各个航班集的转化概率作为边,来构成机场之间的航班网络;
以预设时间为间隔来统计处在不同状态航班集的转化概率,以及各个航班集节点密度的比例系数;
以不同状态的航班集的转化概率和航班集的节点密度之间的关系建立基于D-SEIR模型的航班延误传播模型,通过分析各参数大小对航班集节点密度的影响,来得出航班延误传播规律。
进一步地,以预设时间为间隔来统计处在不同状态航班集的转化概率的方法包括:
对初始时刻t
把一天按照预设时间的间隔进行分段统计不同状态转化的航班集的转化概率。
进一步地,对初始时刻t
机场的正常计划的航班集自发转化为潜在延误航班集概率λ
进一步地,把一天按照预设时间的间隔进行分段统计不同状态转化的航班集的转化概率的方法包括:
把一天按照15分钟的间隔进行分段,共分为96个时段;
统计下一阶段为t=t
直到t=1440,停止统计。
进一步地,以预设时间为间隔来统计各个航班集节点密度的比例系数的方法包括:
统计初始时刻t
统计具有潜伏传播能力的航班集在航班总数中所占比例E(t
统计具有延误传播能力的航班集在航班总数中所占比例I(t
统计正常完成的航班集在航班总数中所占比例R(t
若t<1440统计该时刻的四种不同状态的航班集节点密度:S(t),E(t),I(t),R(t);
直到t=1440,停止统计。
进一步地,基于D-SEIR模型的航班延误传播模型的公式如下:
式中:参数λ控制对节点密度的影响分析,λ表示正常计划航班集因自发延误转化为具有潜在延误传播能力的航班集的概率;参数α控制对节点密度的影响分析,α表示正常计划航班集没有延误影响,成为正常完成航班集的概率;参数μ控制对节点密度的影响分析,μ表示具有潜在延误传播能力的航班集转为具有延误传播能力的航班集的概率;参数β控制对节点密度的影响分析,β表示具有潜在延误传播能力的航班集转为正常完成航班集的概率;参数θ控制对节点密度的影响分析,θ表示具有次衍生性延误的航班集,且具有潜在延误传播能力的航班的概率。
本发明的有益效果如下:
本发明以某一时刻的不同状态的航班集密度作为节点,各个航班集的联系作为边,来构成机场之间的航班网络,并将航班延误分段考虑,不仅考虑到航班之间的自发延误,也考虑到航班之间的联系造成的次衍生航班延误;
以不同状态的航班集的转化概率和航班集的节点密度之间的关系建立基于D-SEIR模型的航班延误传播模型,通过分析各参数大小对节点密度的影响,来探索航班延误传播规律。
附图说明
图1为根据本发明实施例提供的D-SEIR模型的节点之间的转换图;
图2为根据本发明实施例提供的流程图;
图3为根据本发明实施例提供的航班集延误的阶段划分图。
具体实施方式
参照图1至图3,根据本发明实施例提供的一种分析航班延误传播规律的方法,包括:
步骤一:以一个机场某一时刻的不同状态的航班集密度作为节点,各个航班集的转化概率作为边来构成机场的航班网络,对初始时刻t
把一天按照15分钟的间隔进行分段,一天共分为96个时段。统计下一阶段t=t
其中因累计延误、飞行需求超过空域流量,航班延误航班飞行时刻被压缩后的等事发过程形成具有延误传播衍生性的航班集统计,是根据前序航班集在t
步骤二:进一步按照15分钟的时间间隔对五种比例系数进行统计:统计初始时刻t
步骤三:基于上述,建立基于D-SEIR模型的航班延误传播模型,包括:
航班分类,依据航班延误过程中航班状态存在转化关系,将航班集划分为:
正常计划航班集S:从延误发生时起,正常计划的还未执行的航班集;
潜在延误航班集E:已经发生航班延误,但还不具有传播能力的航班集,;
延误传播航班集I:具有延误传播能力航班集;
正常到达的航班集R:延误发生后正常到达目的地的航班集。
参数说明
免疫系数α:单位时间内正常计划航班不受延误影响的航班比例系数;
正常转换延误系数λ:因空域单元限制的原因,单位时间内正常计划航班转为延误航班的数量与正常计划航班的总数成一定比例系数;
无延误传播能力系数β:单位时间内无传播能力的航班延误转为正常航班的数量占不具有传播能力的延误航班总数的比例;
具有次衍生能力系数θ:单位时间内因为前序航班延误消散后,造成累计延误、飞行需求超过空域流量,航班延误航班飞行时刻被压缩等事发过程,造成航班延误的衍生性,形成具有次衍生性延误的航班数量占航班延误总数的比例;
延误传播系数μ:单位时间内因延误传播造成的航班延误数量占航班延误总数的比例;
延误消散系数γ:单位时间内感染延误航班转化为正常航班完成航班的数量占延误传播航班总数的比例。
模型建立
模型公式如下:
步骤四:D-SEIR模型参数调整
参数λ控制对节点密度的影响分析。λ表示正常计划航班集因自发延误转化为具有潜在延误传播能力的航班集的概率。令其他五个参数保持不变的情况下,当不同的λ值时,与延误传播节点和免疫节点的密度关系,判断因λ值大小的变化,曲线的变化情况;
参数α控制对节点密度的影响分析。α表示正常计划航班集没有延误影响,成为正常完成航班集的概率。令其他五个参数保持不变的情况下,当不同的α值时,与免疫节点的密度关系,判断因α值大小的变化,免疫节点的变化情况;
参数μ控制对节点密度的影响分析。μ表示具有潜在延误传播能力的航班集转为具有延误传播能力的航班集的概率。令其他五个参数保持不变的情况下,当不同的μ值时,与免疫节点的关系,判断因μ值大小的变化,免疫节点密度的变化情况。
参数β控制对节点密度的影响分析。β表示具有潜在延误传播能力的航班集转为正常完成航班集的概率。令其他五个参数保持不变的情况下,当不同的β值时,与延误传播航班节点的密度关系,判断因β值大小的变化,延误传播航班节点密度的变化情况。
参数θ控制对节点密度的影响分析。θ表示当前序航班集延误消散后,成为正常完成航班集时,而后序同架飞机的航班因累计延误、飞行需求超过空域流量,航班飞行时刻被压缩后等过程,形成具有次衍生性延误的航班集,且具有潜在延误传播能力的航班的概率。令其他五个参数保持不变的情况下,当不同的θ值时,与延误传播航班节点密度的关系,判断因θ值大小的变化,延误传播航班节点密度的变化情况。
最终根据参数的大小与节点密度的关系,来探索航班延误传播。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
机译: 实时预防航班延误的系统和方法
机译: 基于实时数据的航班延误预测系统和方法
机译: 航班延误的系统和方法