發(fā)布時(shí)間：2021-07-06 06:46

　　為了提高機(jī)場的資源利用率以及航班的準(zhǔn)點(diǎn)率,應(yīng)該大力提升對(duì)機(jī)場地面任務(wù)的執(zhí)行效率。本課題研究了機(jī)場加油車的動(dòng)態(tài)調(diào)度問題,即規(guī)劃加油車的行駛路徑,讓加油車高效有序的執(zhí)行不斷到來的航班加注燃油任務(wù)。在路徑規(guī)劃的過程中,需要知道航班執(zhí)行加注燃油任務(wù)所需的時(shí)長等信息。而任務(wù)的時(shí)長由航班加注燃油量決定。但是在實(shí)際情況中,航班的計(jì)劃加注燃油量與實(shí)際加注燃油量有時(shí)相差較大。所以課題其中一個(gè)研究重點(diǎn)是,對(duì)航班加注燃油量的預(yù)測。根據(jù)航班歷史加注燃油數(shù)據(jù)序列的波動(dòng)情況,分解出導(dǎo)致數(shù)據(jù)序列波動(dòng)的因素,針對(duì)數(shù)據(jù)特點(diǎn)構(gòu)建出LSTM-Prophet預(yù)測模型,該模型特別為節(jié)假日因素導(dǎo)致的異常波動(dòng)點(diǎn)建立了獨(dú)立模型。實(shí)驗(yàn)采用華北某機(jī)場的歷史航班燃油數(shù)據(jù)作為算例,驗(yàn)證了LSTM-Prophet加權(quán)組合預(yù)測模型相比于LSTM、Prophet以及ARIMA模型具有更好的泛化能力。第二個(gè)研究重點(diǎn)是,機(jī)場加油車的動(dòng)態(tài)調(diào)度問題。通過建立時(shí)間片,將動(dòng)態(tài)問題劃分為多個(gè)連續(xù)的靜態(tài)問題。對(duì)于每個(gè)靜態(tài)問題,首先,利用動(dòng)態(tài)規(guī)劃時(shí)間窗捕捉等待被執(zhí)行加注燃油任務(wù)的航班。其次,為這些航班構(gòu)建機(jī)場加油車調(diào)度問題的數(shù)學(xué)模型。然后,采用課題所提出的自適應(yīng)分... 

【文章來源】：中國民航大學(xué)天津市

【文章頁數(shù)】：52 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

加油員使用加油車執(zhí)行航班加注燃油任務(wù)

慫統(tǒng)刀詠?蹺鐫慫透?突А：俠淼墓婊?刀擁腦慫吐廢擼?諑?憧突в肱淥橢行?的約束條件下將貨物運(yùn)送給客戶，最終實(shí)現(xiàn)車輛行駛的距離最少、花費(fèi)時(shí)間最少、配送中心的成本花銷最小等目的。復(fù)雜的VRP被定義為多個(gè)旅行商問題（TravellingSalesmanProblem，TSP）[39-44]的組合。所以車輛路徑問題同樣為NP難問題。該問題的求解難度大但對(duì)于問題的研究有非常重要的現(xiàn)實(shí)意義。例如，日常所需的物流配送、GPS導(dǎo)航等；在高科技應(yīng)用領(lǐng)域之中，有無人機(jī)躲避障礙飛行、機(jī)器人無碰撞行走等。所以對(duì)車輛路徑問題的深入研究是十分有價(jià)值的。圖1-2表示一個(gè)車輛路徑規(guī)劃的實(shí)例,其中D表示車場，R表示路徑。圖1-2車輛路徑規(guī)劃實(shí)例2．車輛路徑問題分類VRP問題分類為靜態(tài)車輛路徑問題（StaticVehicleRouteProblem，SVRP）[45-49]和動(dòng)態(tài)車輛路徑問題（DynamicVehicleRoutingProblem，DVRP）[50-54]。以物流配送問題為例，SVRP一般在規(guī)劃車輛路徑之前就已經(jīng)收到所有客戶配送的請(qǐng)求，知道所有客戶的坐標(biāo)、運(yùn)送量、運(yùn)送時(shí)間等信息。針對(duì)這些已知信息分配人員車輛、規(guī)劃車輛路線前往執(zhí)行配送任務(wù)。而DVRP問題被描述為，提前收到一些客戶的配送請(qǐng)求并規(guī)劃了車輛的運(yùn)送路線。但在這個(gè)過程當(dāng)中會(huì)不斷的收到一些客戶的配送請(qǐng)求。需要對(duì)這些隨機(jī)的的配送任務(wù)結(jié)合之前還未完成的配送任務(wù)重新規(guī)劃車輛路線直至完成所有配送任務(wù)�，F(xiàn)實(shí)情況中，客戶往往要求貨物必須在一個(gè)時(shí)間區(qū)間內(nèi)送達(dá)。這就催生出了帶時(shí)間窗的車輛路徑問題（VehicleRoutingProblemwithTimeWindows，VRPTW）[55-59]，該問題根據(jù)是否有客戶請(qǐng)求的動(dòng)態(tài)加入，又可以將VRPTW分為帶時(shí)間窗的靜態(tài)車輛路徑問題

中國民航大學(xué)碩士學(xué)位論文12，，（2.12）公式中，表示為LSTM-Prophet組合加權(quán)預(yù)測模型的預(yù)測值。通過動(dòng)態(tài)調(diào)整參數(shù)、以達(dá)到最優(yōu)的模型。圖2-1LSTM-Prophet組合加權(quán)預(yù)測模型將時(shí)間序列通過Prophet模型分解方法，將航線加注燃油量的序列分解為趨勢(shì)項(xiàng)、周期項(xiàng)以及節(jié)假日項(xiàng)。（1）時(shí)刻的趨勢(shì)項(xiàng)勢(shì)。根據(jù)歷史數(shù)據(jù)趨勢(shì)得到勢(shì)趨勢(shì)值。（2）時(shí)刻的周期項(xiàng)可以細(xì)分為季節(jié)性的周期項(xiàng)以及以周為單位的周期項(xiàng)。預(yù)測得到周期項(xiàng)(,)。（3）時(shí)刻的節(jié)假日項(xiàng)預(yù)測獲得。隨機(jī)波動(dòng)由節(jié)假日因素導(dǎo)致的隨機(jī)波動(dòng)應(yīng)該將它們標(biāo)記下來。通過以上說明可以將公式（2.12）轉(zhuǎn)化為公式（2.13）。勢(shì)，，（2.13）2.5實(shí)驗(yàn)分析本文采用華北某機(jī)場的實(shí)際航班加注燃油數(shù)據(jù)。由于航線數(shù)量眾多且方法都一致就不做一一的展示分析。這里詳細(xì)分析華北某機(jī)場到上海虹橋機(jī)場（機(jī)場三字碼表示為SJW-SHA）這條航線。將這條航線從2015年1月1日至2018年12月31日的所有航班

【參考文獻(xiàn)】：
期刊論文
[1]Prophet model and Gaussian process regression based user traffic prediction in wireless networks[J]. Yu LI,Ziang MA,Zhiwen PAN,Nan LIU,Xiaohu YOU.  Science China（Information Sciences）. 2020(04)
[2]基于同態(tài)濾波和遺傳閾值的憎水性自動(dòng)檢測方法研究[J]. 張廣東,張玉剛,溫定筠,姚境,王曉飛,高立超,郭陸.  計(jì)算技術(shù)與自動(dòng)化. 2019(04)
[3]基于LSTM-RNN的配電變壓器負(fù)荷預(yù)測模型研究[J]. 孫朝輝,徐蕊,馮靖.  機(jī)電信息. 2020(02)
[4]基于改進(jìn)高斯過程回歸的短期負(fù)荷概率區(qū)間預(yù)測方法[J]. 劉升偉,王星華,魯?shù)?彭顯剛,鄭偉欽.  電力系統(tǒng)保護(hù)與控制. 2020(01)
[5]基于ADGA-BP神經(jīng)網(wǎng)絡(luò)模型的金融產(chǎn)業(yè)發(fā)展趨勢(shì)仿真與預(yù)測[J]. 張品一,梁鍶.  管理評(píng)論. 2019(12)
[6]基于雙BP神經(jīng)網(wǎng)絡(luò)的撲翼飛行器氣動(dòng)參數(shù)辨識(shí)[J]. 韓建福,杜昌平,葉志賢,宋廣華,鄭耀.  計(jì)算機(jī)應(yīng)用. 2019(S2)
[7]General Method of Building a Real-Time Optimization Policy for Dynamic Vehicle Routing Problem[J]. Hao XIONG,Huili YAN.  Journal of Systems Science and Information. 2019(06)
[8]基于Attenton-LSTM神經(jīng)網(wǎng)絡(luò)的船舶航行預(yù)測[J]. 徐國慶,馬建文,吳晨輝,張安西.  艦船科學(xué)技術(shù). 2019(23)
[9]基于Bi-RNN的風(fēng)電機(jī)組主軸承溫度預(yù)警方法研究[J]. 尹詩,侯國蓮,于曉東,李寧,王其樂,弓林娟.  鄭州大學(xué)學(xué)報(bào)(工學(xué)版). 2019(05)
[10]基于多變量LSTM的工業(yè)傳感器時(shí)序數(shù)據(jù)預(yù)測[J]. 易利容,王紹宇,殷麗麗,楊青,顧欣.  智能計(jì)算機(jī)與應(yīng)用. 2018(05)

博士論文
[1]針對(duì)若干數(shù)據(jù)挖掘問題的量子算法研究[D]. 吁超華.北京郵電大學(xué) 2019
[2]動(dòng)態(tài)車輛路徑問題建模與優(yōu)化算法研究[D]. 陳世峰.大連海事大學(xué) 2018
[3]車輛路徑問題的研究[D]. 劉霞.華中科技大學(xué) 2007

碩士論文
[1]基于RNN神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測模型研究[D]. 白芬玉.成都理工大學(xué) 2019
[2]基于改進(jìn)RNN的風(fēng)電功率短期預(yù)測算法研究[D]. 宋瑞宵.華北電力大學(xué)(北京) 2019
[3]基于混合深度學(xué)習(xí)模型的蛋白質(zhì)磷酸化和羥基化位點(diǎn)預(yù)測算法研究[D]. 徐興宇.浙江理工大學(xué) 2019
[4]流形學(xué)習(xí)與稀疏回歸算法在圖像監(jiān)督分類上的應(yīng)用研究[D]. 張興瑞.哈爾濱工業(yè)大學(xué) 2018
[5]復(fù)雜數(shù)據(jù)特征選擇與回歸預(yù)測的研究和應(yīng)用[D]. 崔國慶.上海交通大學(xué) 2017
[6]面向TLE數(shù)據(jù)的多變量時(shí)序數(shù)據(jù)分類算法研究[D]. 吳俊鋒.國防科學(xué)技術(shù)大學(xué) 2016



本文編號(hào)：3267750