公开/公告号CN116362415B
专利类型发明专利
公开/公告日2023.08.22
原文格式PDF
申请/专利权人 广东工业大学;
申请/专利号CN202310519000.1
申请日2023.05.10
分类号G06Q10/04(2023.01);G06Q10/0631(2023.01);G06Q10/0635(2023.01);G06Q10/1093(2023.01);G06Q50/30(2012.01);
代理机构北京集佳知识产权代理有限公司 11227;
代理人任文生
地址 510060 广东省广州市越秀区东风东路729号大院
入库时间 2023-09-15 19:05:41
法律状态公告日
法律状态信息
法律状态
2023-08-22
授权
发明专利权授予
技术领域
本申请涉及交通资源配置技术领域,尤其涉及面向机场地勤人员的班次方案生成方法及装置。
背景技术
随着航空业的快速发展,对于航空业任务型的班次设计,比较常用的手段是:首先,将需要完成的任务集合中的任务组成多条任务串;然后,使用集合覆盖模型生成相应的班次表。
但是,现有班次涉及方法并没有考虑到现实任务中任务开始时间与结束时间的波动性,都是依赖确定性的任务信息进行班次设计。当任务的时间信息发生扰动时,工作人员很难使用当前的班次表进行任务调整,所以,得到的班次表可能根本就无法应用在实际情景中。
发明内容
本申请提供了面向机场地勤人员的班次方案生成方法及装置,用于解决现有技术设计出的班级方案无法应对外在扰动,导致班次方案缺乏鲁棒性的技术问题。
有鉴于此,本申请第一方面提供了面向机场地勤人员的班次方案生成方法,包括:
基于预置历史任务数据,采用轮盘赌算法生成多种任务情景,得到任务情景集合,所述任务情景包括任务开始时间、任务结束时间和所需人力;
将所述任务情景集合和预置备选班次集合输入预设班次优化模型中进行优化求解,得到初始班次方案,所述预设班次优化模型包括多个优化条件;
通过校验任务情景数据对所述初始班次方案进行校验,若不通过,则增加预置倍数量的任务情景至所述任务情景集合,并返回所述优化求解的步骤,直至校验通过,得到目标班次方案。
优选地,所述基于预置历史任务数据,采用轮盘赌算法生成多种任务情景,得到任务情景集合,包括:
对每个历史任务的历史开始时间和历史结束时间进行核密度估计,得到对应的时间概率密度函数;
通过时间离散化的方式根据所述时间概率密度函数分别计算所述历史开始时间和所述历史结束时间在不同时段的概率,得到时段概率;
采用轮盘赌算法根据所述时段概率模拟生成多种任务情景,得到任务情景集合。
优选地,所述将所述任务情景集合和预置备选班次集合输入预设班次优化模型中进行优化求解,得到初始班次方案,包括:
基于人力、任务情景和班次之间的关系构建班次优化模型,并配置多个优化条件,得到预设班次优化模型;
将所述任务情景集合和预置备选班次集合输入预设班次优化模型中进行优化求解,得到初始班次方案。
优选地,所述将所述任务情景集合和预置备选班次集合输入预设班次优化模型中进行优化求解,得到初始班次方案,之前还包括:
根据预置业务班次要求生成多个班次,形成预置备选班次集合,所述预置业务班次要求包括班次长度上限和班次可选开始时间。
优选地,所述通过校验任务情景数据对所述初始班次方案进行校验,若不通过,则增加预置倍数量的任务情景至所述任务情景集合,并返回所述优化求解的步骤,直至校验通过,得到目标班次方案,包括:
根据校验任务情景数据和初始班次方案计算方案风险值;
若所述方案风险值小于或等于风险阈值,则校验通过,将所述初始班次方案作为目标班次方案;
若所述方案风险值大于所述风险阈值,则校验不通过,增加预置倍数量的任务情景至所述任务情景集合中,并返回所述优化求解的步骤。
本申请第二方面提供了面向机场地勤人员的班次方案生成装置,包括:
任务生成单元,用于基于预置历史任务数据,采用轮盘赌算法生成多种任务情景,得到任务情景集合,所述任务情景包括任务开始时间、任务结束时间和所需人力;
优化求解单元,用于将所述任务情景集合和预置备选班次集合输入预设班次优化模型中进行优化求解,得到初始班次方案,所述预设班次优化模型包括多个优化条件;
方案校验单元,用于通过校验任务情景数据对所述初始班次方案进行校验,若不通过,则增加预置倍数量的任务情景至所述任务情景集合,并触发所述优化求解单元,直至校验通过,得到目标班次方案。
优选地,所述任务生成单元,包括:
密度估计子单元,用于对每个历史任务的历史开始时间和历史结束时间进行核密度估计,得到对应的时间概率密度函数;
概率计算子单元,用于通过时间离散化的方式根据所述时间概率密度函数分别计算所述历史开始时间和所述历史结束时间在不同时段的概率,得到时段概率;
任务生成子单元,用于采用轮盘赌算法根据所述时段概率模拟生成多种任务情景,得到任务情景集合。
优选地,所述优化求解单元,具体用于:
基于人力、任务情景和班次之间的关系构建班次优化模型,并配置多个优化条件,得到预设班次优化模型;
将所述任务情景集合和预置备选班次集合输入预设班次优化模型中进行优化求解,得到初始班次方案。
优选地,还包括:
班次生成单元,用于根据预置业务班次要求生成多个班次,形成预置备选班次集合,所述预置业务班次要求包括班次长度上限和班次可选开始时间。
优选地,所述方案校验单元,具体用于:
根据校验任务情景数据和初始班次方案计算方案风险值;
若所述方案风险值小于或等于风险阈值,则校验通过,将所述初始班次方案作为目标班次方案;
若所述方案风险值大于所述风险阈值,则校验不通过,增加预置倍数量的任务情景至所述任务情景集合中,并触发所述优化求解单元。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请中,提供了面向机场地勤人员的班次方案生成方法,包括:基于预置历史任务数据,采用轮盘赌算法生成多种任务情景,得到任务情景集合,任务情景包括任务开始时间、任务结束时间和所需人力;将任务情景集合和预置备选班次集合输入预设班次优化模型中进行优化求解,得到初始班次方案,预设班次优化模型包括多个优化条件;通过校验任务情景数据对初始班次方案进行校验,若不通过,则增加预置倍数量的任务情景至任务情景集合,并返回优化求解的步骤,直至校验通过,得到目标班次方案。
本申请提供的面向机场地勤人员的班次方案生成方法,通过预设班次优化模型基于任务情景集合和备选班次集合随机选取最优班次,并不是基于确定信息进行班次设计;而且,还通过校验数据对设计的班次方案进行校验,通过校验才可以实施,能够避免设计方案无法适应应用场景的问题;还可以灵活调节班级方案,以应对外在扰动。因此,本申请能够解决现有技术设计出的班级方案无法应对外在扰动,导致班次方案缺乏鲁棒性的技术问题。
附图说明
图1为本申请实施例提供的面向机场地勤人员的班次方案生成方法的流程示意图;
图2为本申请实施例提供的面向机场地勤人员的班次方案生成装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了便于理解,请参阅图1,本申请提供的面向机场地勤人员的班次方案生成方法的实施例,包括:
步骤101、基于预置历史任务数据,采用轮盘赌算法生成多种任务情景,得到任务情景集合,任务情景包括任务开始时间、任务结束时间和所需人力。
进一步地,步骤101,包括:
对每个历史任务的历史开始时间和历史结束时间进行核密度估计,得到对应的时间概率密度函数;
通过时间离散化的方式根据时间概率密度函数分别计算历史开始时间和历史结束时间在不同时段的概率,得到时段概率;
采用轮盘赌算法根据时段概率模拟生成多种任务情景,得到任务情景集合。
需要说明的是,轮盘赌算法(Roulette Wheel Selection)是遗传算法中的一种选择算法,也被用于其他优化算法中;轮盘赌算法的优点是简单易懂、易于实现,而且在大多数情况下表现良好。它模拟了轮盘赌的过程,将每个个体的适应度值作为其在轮盘上对应的面积,然后根据适应度值大小选择个体。具体的过程可以简单描述为:计算每个个体的适应度值;将所有适应度值相加,得到总适应度值;计算每个个体在轮盘上所占的面积,即该个体适应度值除以总适应度值的比例;生成一个随机数,落在哪个个体所占的面积范围内,则选择该个体;重复上一操作步骤,直到选择足够数量的个体为止。
核密度估计(Kernel Density Estimation)是一种非参数统计方法,用于估计未知的概率密度函数。核密度估计的基本思想是在每个数据点处放置一个核函数,然后将所有核函数加起来得到概率密度函数的估计。核密度估计的带宽是一个关键参数,它控制了核函数的宽度。带宽过大会导致估计结果过于平滑,失去了对实际密度函数的细节捕捉能力;带宽过小则会导致估计结果过于敏感,容易受到随机误差的影响。
在本实施例中,预置历史任务数据可以直接获取得到,而且,预置历史任务数据中包含每个历史任务的历史开始时间和历史结束时间,基于这些数据信息可以进行核密度估计,从而确定任务集中每个任务的历史开始时间和历史结束时间发生在各个时段的概率,即时段概率。然后采用轮盘赌算法根据开始时间或者结束时间分别在不同时段的概率特性模拟生成多种不同的情景,这些不同的情景都是可能发生的情况。可以理解的是,任务情景包括任务开始时间、任务结束时间和所需人力。
时间离散化具体可以是将一天24小时以5分钟为基准进行时段划分,得到288个时段,然后在此基础上计算历史任务开始时间和结束时间发生在不同时间段内的概率。
步骤102、将任务情景集合和预置备选班次集合输入预设班次优化模型中进行优化求解,得到初始班次方案,预设班次优化模型包括多个优化条件。
进一步地,步骤102,包括:
基于人力、任务情景和班次之间的关系构建班次优化模型,并配置多个优化条件,得到预设班次优化模型;
将任务情景集合和预置备选班次集合输入预设班次优化模型中进行优化求解,得到初始班次方案。
基于人力、任务情景和班次之间的关系构建的班次优化模型表达为:
需要说明的是,班次优化模型是由班次成本、人力不足的期望成本和人力过盈的期望成本构成的资源成本函数。
配置的优化条件包括:
其中,
需要说明的是,优化条件中的第一个函数表示在任意情景
在本实施例中,将任务情景集合和预置备选班次集合输入预设班次优化模型中,配合优化条件进行优化求解。本实施例为了降低模型求解计算复杂度和难度,采用拉格朗松弛算法将第五个约束函数转换成目标函数,即模型函数的一部分,然后再进行基于优化条件的模型求解,得到初始班次方案。
进一步地,步骤102,之前还包括:
根据预置业务班次要求生成多个班次,形成预置备选班次集合,预置业务班次要求包括班次长度上限和班次可选开始时间。
预置备选班次也是预先生成的班次集合,基于给出的预置业务班次要求随机生成多个符合要求的备选班次。其中,预置业务班次要求主要是每个班次在时间长度的限制,以及班次可以开始的时间范围,例如上午4点才能开始,班次时长限制为8-12小时等;还可以根据需要设置其他相关要求,合乎实际情况即可。
步骤103、通过校验任务情景数据对初始班次方案进行校验,若不通过,则增加预置倍数量的任务情景至任务情景集合,并返回优化求解的步骤,直至校验通过,得到目标班次方案。
进一步地,步骤103,包括:
根据校验任务情景数据和初始班次方案计算方案风险值;
若方案风险值小于或等于风险阈值,则校验通过,将初始班次方案作为目标班次方案;
若方案风险值大于风险阈值,则校验不通过,增加预置倍数量的任务情景至任务情景集合中,并返回优化求解的步骤。
校验任务情景数据可以在历史任务数据中获取得到的相关数据,主要用于校验生成的初始班次方案是否能够满足各个情景的需求,反映在计算量上就是计算得到的风险值是否在风险阈值范围以内,若是,则说明初始班次方案合格,可以作为目标班次方案应用在实际工作中,若否,则说明初始班次方案不合格,需要重新进行优化求解,求解前需要增加任务情景集合中的情景数量,以便适应多种不同的情景状况。可以理解的是,风险阈值一般根据实际情况设置,不作具体限定。
具体的验证计算过程,是将校验任务情景数据和初始班次方案输入班次优化模型中进行校验计算:
其中,
校验过程中的目标是求得当前设计的初始班次方案的最小风险值,即方案风险值;然后与风险阈值对比,从而判断校验是否通过;实质是验证人力不足的风险有多大,不能超过一个风险阈值。若是超过了,则增加预置倍数量的任务情景,以此更新任务情景集合;例如本实施例在首次优化过程中的任务情景数量是100,在不满足风险校验要求后,可以增加初始数量的0.5倍的任务情景数量,即50,那么任务情景集合中共有150个任务情景,基于此再次优化求解,就可以得到新的班次方案;预置倍是相对于初始的任务情景数量而言的,可以自行设置,本实施例的0.5仅为示例。
可以理解的是,情景批量和增量与任务列表中的任务个数相关,任务个数越多,所需的情景批量和增量越多。每次求解都能得到一个新的班次方案,优化求解到后面,得到的班次方案在各个情景中的表现越稳定,方案的人力不足的风险距离给定的风险值的偏差越小。
本申请实施例提供的面向机场地勤人员的班次方案生成方法,通过预设班次优化模型基于任务情景集合和备选班次集合随机选取最优班次,并不是基于确定信息进行班次设计;而且,还通过校验数据对设计的班次方案进行校验,通过校验才可以实施,能够避免设计方案无法适应应用场景的问题;还可以灵活调节班级方案,以应对外在扰动。因此,本申请实施例能够解决现有技术设计出的班级方案无法应对外在扰动,导致班次方案缺乏鲁棒性的技术问题。
为了便于理解,请参阅图2,本申请提供了面向机场地勤人员的班次方案生成装置的实施例,包括:
任务生成单元201,用于基于预置历史任务数据,采用轮盘赌算法生成多种任务情景,得到任务情景集合,任务情景包括任务开始时间、任务结束时间和所需人力;
优化求解单元202,用于将任务情景集合和预置备选班次集合输入预设班次优化模型中进行优化求解,得到初始班次方案,预设班次优化模型包括多个优化条件;
方案校验单元203,用于通过校验任务情景数据对初始班次方案进行校验,若不通过,则增加预置倍数量的任务情景至任务情景集合,并触发优化求解单元,直至校验通过,得到目标班次方案。
进一步地,任务生成单元201,包括:
密度估计子单元2011,用于对每个历史任务的历史开始时间和历史结束时间进行核密度估计,得到对应的时间概率密度函数;
概率计算子单元2012,用于通过时间离散化的方式根据时间概率密度函数分别计算历史开始时间和历史结束时间在不同时段的概率,得到时段概率;
任务生成子单元2013,用于采用轮盘赌算法根据时段概率模拟生成多种任务情景,得到任务情景集合。
进一步地,优化求解单元202,具体用于:
基于人力、任务情景和班次之间的关系构建班次优化模型,并配置多个优化条件,得到预设班次优化模型;
将任务情景集合和预置备选班次集合输入预设班次优化模型中进行优化求解,得到初始班次方案。
进一步地,还包括:
班次生成单元204,用于根据预置业务班次要求生成多个班次,形成预置备选班次集合,预置业务班次要求包括班次长度上限和班次可选开始时间。
进一步地,方案校验单元203,具体用于:
根据校验任务情景数据和初始班次方案计算方案风险值;
若方案风险值小于或等于风险阈值,则校验通过,将初始班次方案作为目标班次方案;
若方案风险值大于风险阈值,则校验不通过,增加预置倍数量的任务情景至任务情景集合中,并触发优化求解单元。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
机译: 机场地面向导支持系统,机场地面向导支持方法和机场地面向导支持装置
机译: 方案生成程序,方案执行程序,方案生成方法,方案执行方法,方案生成装置以及方案执行装置
机译: 面向对象的模型生成装置,面向对象的模型生成方法以及面向对象的模型生成程序