买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国南方航空股份有限公司

摘要：本发明公开了一种航班机型调整优化方法，包括：步骤S1、在航班计划日期，从目标航空公司的数据库中读取目标航空公司的数据；步骤S2、预测出：目标航班f的预测上座人数和预测收入，采用机型k的可执飞飞机执飞时的预测成本；并根据预测结果计算预测收益；步骤S3、求解得到满足约束条件和目标函数的最优航班机型调度计划；步骤S4、按照最优航班机型调度计划，为目标航班f调度相应机型k的可执飞飞机进行执飞。本发明能够自动生成满足预定约束条件和目标函数的最优航班机型调度计划，以按该计划为目标航班集合F中的目标航班f调度相应机型k的可执飞飞机进行执飞，具有效率高、效果好的优点，能够适应目前规模越来越大的航线网络。

主权项：1.一种航班机型调整优化方法，其特征在于，包括：步骤S1、将机型调整目标日期的结束时刻往前的第T天记为航班计划日期，T≥1，所述机型调整目标日期的时长小于T的取值；在所述航班计划日期，读取目标航空公司的以下数据：起飞时间在所述机型调整目标日期的目标航班集合F，能够在所述机型调整目标日期执飞的全部可执飞飞机的机型集合K，以及，与所述目标航班集合F相关的历史航班数据；步骤S2、基于所述历史航班数据，预测出：所述目标航班集合F中的每一趟目标航班f的预测上座人数和预测收入，以及，每一趟所述目标航班f采用机型k的可执飞飞机执飞时的预测成本，k∈K；并且，根据预测结果，计算每一趟所述目标航班f采用机型k的可执飞飞机执飞时的预测收益所述步骤S2中，采用步骤S2-1的上座人数预测方法预测任意一趟所述目标航班f的预测上座人数；步骤S2-1、所述上座人数预测方法，包括：步骤S2-1-1、已训练上座率线性回归模型的训练步骤：步骤S2-1-1A、建立上座率线性回归模型：yload＝bload+bT_loadxT_load；式中，yload表示航班在起飞日的预测上座率，xT_load表示航班在预定日的预定上座率，所述起飞日往前的第T天即为所述预定日，T≥1；bload和bT_load分别表示待回归的截距和系数；步骤S2-1-1B、从所述航班计划日期前60天内的历史航班数据中，依次按照以下四个筛选条件进行筛选，以将首个符合样本数量要求的筛选条件所筛选出的上座率历史航班数据作为训练数据，对所述上座率线性回归模型的截距bload和系数bT_load进行一阶线性拟合，得到所述已训练上座率线性回归模型；其中，所述上座率历史航班数据包括：历史航班在其预定日的预定上座率作为所述预定上座率xT_load，历史航班在其起飞日的实际上座率作为所述预测上座率yload；并且，应用所述已训练上座率线性回归模型预测所述目标航班f的预测上座人数时，所述目标航班f在所述航班计划日期的预定上座率用于代入所述预定上座率xT_load，计算得到的预测上座率yload与相应执飞飞机座位数的乘积即为所述目标航班f的预测上座人数；所述样本数量要求为：筛选条件所筛选出的上座率历史航班数据数量在预设的最小训练样本数量阈值以上；所述四个筛选条件依次为：第一筛选条件：历史航班的航班号相同、航段相同，并且，历史航班的实际上座率与预定上座率的偏差在正负10％以内；第二筛选条件：历史航班的航段相同，历史航班的预定上座等级与所述目标航班f的预定上座等级相同，所述预定上座等级包含预定上座率分别为0～20％、21～40％、41～60％、61～80％、81～100％该五个等级；第三筛选条件：历史航班的起飞机场相同，历史航班的预定上座等级与所述目标航班f的预定上座等级相同；第四筛选条件：历史航班的预定上座等级与所述目标航班f的预定上座等级相同；步骤S2-1-2、已训练上座人数DOW线性回归模型的训练步骤：步骤S2-1-2A、建立上座人数DOW线性回归模型： 式中，ynum表示航班在起飞日的预测上座人数，xT_num表示航班在预定日的预定上座人数，所述起飞日往前的第T天即为所述预定日，T≥1；表示与预测上座人数ynum所对应航班具有相同航班号且在该对应航班之起飞日的h天前起飞的航班的实际上座人数；bnum表示待回归的截距，bT_num和均表示待回归的系数，且如果hT，则直接取值为0；步骤S2-1-2B、从所述航班计划日期前60天内的历史航班数据中，依次按照所述四个筛选条件进行筛选，以将首个符合所述样本数量要求的筛选条件所筛选出的上座人数历史航班数据作为训练数据，对所述上座人数DOW线性回归模型的截距bnum、系数bT_num和系数进行一阶线性拟合，得到所述已训练上座人数DOW线性回归模型；其中，所述上座人数历史航班数据包括：历史航班在其预定日的预定上座人数作为所述预定上座人数xT_num，历史航班在其起飞日的实际上座率作为所述预测上座人数ynum，与该历史航班具有相同航班号且在该历史航班之起飞日的h天前起飞的航班的实际上座人数作为所述实际上座人数并且，应用所述已训练上座人数DOW线性回归模型预测所述目标航班f的预测上座人数时，所述目标航班f在所述航班计划日期的预定上座人数用于代入所述预定上座人数xT_num，与所述目标航班f具有相同航班号且在该目标航班f之起飞日的h天前起飞的航班的实际上座人数用于代入所述实际上座人数计算得到的预测上座人数ynum即为所述目标航班f的预测上座人数；步骤S2-1-3、建立上座人数均值模型： 式中，ynum2表示被测航班在其起飞日的预测上座人数，表示在所述起飞日前30天内与所述被测航班具有相同航班号和相同航段的航班集合，表示航班集合中的航班数量，f′表示航班集合中的航班，表示航班f′的实际上座人数；其中，所述被测航班为所述历史航班数据中历史航班或所述目标航班f；步骤S2-1-4、建立上座人数DOW均值模型： 式中，ynum3表示被测航班在其起飞日的预测上座人数，Fi表示在所述起飞日前30天内与所述被测航班具有相同航班号、相同航段、相同起飞日星期数的航班集合，表示航班集合Fi中的航班数量，f′表示航班集合Fi中的航班，表示航班f′的实际上座人数；其中，所述被测航班为所述历史航班数据中历史航班或所述目标航班f；步骤S2-1-5、用所述航班计划日期前90天内的历史航班数据，对XGBOOST模型进行训练，以得到已训练上座人数XGBOOST模型，该已训练上座人数XGBOOST模型以被测航班在其起飞日往前第T天的预定上座人数、所述被测航班是否直飞的信息、所述被测航班是否经停长段作为输入，以所述被测航班的预测上座人数作为输出；其中，所述被测航班为所述历史航班数据中历史航班或所述目标航班f；步骤S2-1-6、用历史航班数据，计算所述已训练上座率线性回归模型、已训练上座人数DOW线性回归模型、上座人数均值模型、上座人数DOW均值模型、已训练上座人数XGBOOST模型该五个上座人数预测模型的根均方差，将其中根均方差最小的模型记为最优上座人数预测模型；步骤S2-1-7、用所述最优上座人数预测模型预测所述目标航班f的预测上座人数；所述步骤S2中，采用步骤S2-2的收入预测方法预测任意一趟所述目标航班f的预测收入；步骤S2-2、所述收入预测方法，包括：步骤S2-2-1、已训练收入线性回归模型的训练步骤：步骤S2-2-1A、建立收入线性回归模型： 式中，yrevenue表示航班在起飞日的预测收入，表示航班在预定日的预定收入，所述起飞日往前的第T天即为所述预定日，T≥1；brevenue和分别表示待回归的截距和系数；步骤S2-2-1B、从所述航班计划日期前60天内的历史航班数据中，依次按照以下四个筛选条件进行筛选，以将首个符合样本数量要求的筛选条件所筛选出的收入历史航班数据作为训练数据，对所述收入线性回归模型的截距brevenue和系数进行一阶线性拟合，得到所述已训练收入线性回归模型；其中，所述收入历史航班数据包括：历史航班在其预定日的预定收入作为所述预定收入xT_load，历史航班在其起飞日的实际收入作为所述预测收入yload；并且，应用所述已训练收入线性回归模型预测所述目标航班f的预测收入时，所述目标航班f在所述航班计划日期的预定收入用于代入所述预定收入计算得到的预测收入yrevenue即为所述目标航班f的预测收入；所述样本数量要求为：筛选条件所筛选出的收入历史航班数据数量在预设的最小训练样本数量阈值以上；所述四个筛选条件依次为：第一筛选条件：历史航班的航班号相同、航段相同，并且，历史航班的实际上座率与预定上座率的偏差在正负10％以内；第二筛选条件：历史航班的航段相同，历史航班的预定上座等级与所述目标航班f的预定上座等级相同，所述预定上座等级包含预定上座率分别为0～20％、21～40％、41～60％、61～80％、81～100％该五个等级；第三筛选条件：历史航班的起飞机场相同，历史航班的预定上座等级与所述目标航班f的预定上座等级相同；第四筛选条件：历史航班的预定上座等级与所述目标航班f的预定上座等级相同；步骤S2-2-2、已训练收入DOW线性回归模型的训练步骤：步骤S2-2-2A、建立收入DOW线性回归模型： 式中，yrevenue2表示航班在起飞日的预测收入，xT_revenue2表示航班在预定日的预定收入，所述起飞日往前的第T天即为所述预定日，T≥1；表示与预测收入yrevenue2所对应航班具有相同航班号且在该对应航班之起飞日的h天前起飞的航班的实际收入；brevenue2表示待回归的截距，bT_revenue2和均表示待回归的系数，且如果hT，则直接取值为0；步骤S2-2-2B、从所述航班计划日期前60天内的历史航班数据中，依次按照所述四个筛选条件进行筛选，以将首个符合所述样本数量要求的筛选条件所筛选出的收入历史航班数据作为训练数据，对所述收入DOW线性回归模型的截距brevenue2、系数bT_revenue2和系数进行一阶线性拟合，得到所述已训练收入DOW线性回归模型；其中，所述收入历史航班数据包括：历史航班在其预定日的预定收入作为所述预定收入xT_revenue2，历史航班在其起飞日的实际上座率作为所述预测收入yrevenue2，与该历史航班具有相同航班号且在该历史航班之起飞日的h天前起飞的航班的实际收入作为所述实际收入并且，应用所述已训练收入DOW线性回归模型预测所述目标航班f的预测收入时，所述目标航班f在所述航班计划日期的预定收入用于代入所述预定收入xT_revenue2，与所述目标航班f具有相同航班号且在该目标航班f之起飞日的h天前起飞的航班的实际收入用于代入所述实际收入计算得到的预测收入yrevenue2即为所述目标航班f的预测收入；步骤S2-2-3、建立收入均值模型： 式中，yrevenue3表示被测航班在其起飞日的预测收入，表示在所述起飞日前30天内与所述被测航班具有相同航班号和相同航段的航班集合，表示航班集合中的航班数量，f′表示航班集合中的航班，表示航班f′的实际收入；其中，所述被测航班为所述历史航班数据中历史航班或所述目标航班f；步骤S2-2-4、建立收入DOW均值模型： 式中，yrevenue4表示被测航班在其起飞日的预测收入，Fi表示在所述起飞日前30天内与所述被测航班具有相同航班号、相同航段、相同起飞日星期数的航班集合，表示航班集合Fi中的航班数量，f′表示航班集合Fi中的航班，表示航班f′的实际收入；其中，所述被测航班为所述历史航班数据中历史航班或所述目标航班f；步骤S2-2-5、用所述航班计划日期前90天内的历史航班数据，对XGBOOST模型进行训练，以得到已训练收入XGBOOST模型，该已训练收入XGBOOST模型以被测航班在其起飞日往前第T天的预定收入、所述被测航班是否直飞的信息、所述被测航班是否经停长段作为输入，以所述被测航班的预测收入作为输出；其中，所述被测航班为所述历史航班数据中历史航班或所述目标航班f；步骤S2-2-6、用历史航班数据，计算所述已训练收入线性回归模型、已训练收入DOW线性回归模型、收入均值模型、收入DOW均值模型、已训练收入XGBOOST模型该五个收入预测模型的根均方差，将其中根均方差最小的模型记为最优收入预测模型；步骤S2-2-7、用所述最优收入预测模型预测所述目标航班f的预测收入；步骤S2-2-8、采用所述历史航班数据，计算与所述目标航班f具有相同航班号的航班的历史平均票价，并将步骤S2-2-7的计算结果除以所述目标航班f的预测上座人数得到预测票价；如果所述预测票价与历史平均票价的偏差在预设的收入偏差阈值以内，则直接以步骤S2-2-7的计算结果作为所述目标航班f的预测收入；否则，以所述目标航班f的预测上座人数与历史平均票价的乘积作为所述目标航班f的预测收入；所述步骤S2中，采用步骤S2-3的成本预测方法预测任意一趟所述目标航班f采用飞机型号为机型k的飞机执飞时的预测成本；步骤S2-3、所述成本预测方法，包括：步骤S2-3-1、计算机型均值成本预测结果ycost1和机型均值波动率A1； 式中，F1，30表示在所述目标航班f起飞前30天内与所述目标航班f具有相同航线并采用相同机型的飞机执飞的航班集合，|F1，30|表示航班集合F1，30中的航班数量，f′表示航班集合F1，30中的航班，表示航班f′的实际成本；并且，判断机型均值波动率A1是否大约预设的波动率阈值；如果判断结果为否，则以所述机型均值成本预测结果ycost1作为所述目标航班f采用飞机型号为机型k的飞机执飞时的预测成本；如果判断结果为是，则转到步骤S2-3-2；步骤S2-3-2、计算座位等级均值成本预测结果ycost2和座位等级均值波动率A2； 式中，表示在所述目标航班f起飞前30天内与所述目标航班f具有相同航线且执飞飞机具有相同座位数量等级的航班集合，且任意前后相邻两个所述座位数量等级之间均相差10个座位，表示航班集合中的航班数量，f′表示航班集合中的航班，表示航班f′的实际成本；并且，判断座位等级均值波动率A2是否大约预设的波动率阈值；如果判断结果为否，则以所述座位等级均值成本预测结果ycost2作为所述目标航班f采用飞机型号为机型k的飞机执飞时的预测成本；如果判断结果为是，则转到步骤S2-3-3；步骤S2-3-3、用已训练成本线性回归模型计算所述目标航班f采用飞机型号为机型k的飞机执飞时的预测成本，包括：步骤S2-3-3A、建立成本线性回归模型：ycost＝bcost+bdistancexdistance；式中，ycost表示航班的预测飞行成本，xdistance表示航班的飞行距离；bcost和bdistance分别表示待回归的截距和系数；步骤S2-3-3B、从所述航班计划日期前60天内的历史航班数据中，依次按照以下三个筛选条件进行筛选，以将首个符合成本预测样本数量要求的筛选条件所筛选出的成本历史航班数据作为训练数据，对所述成本线性回归模型的截距bcost和系数bdistance进行一阶线性拟合，得到所述已训练成本线性回归模型；其中，所述成本历史航班数据包括：历史航班的飞行距离作为所述飞行距离xdistance，历史航班的实际飞行成本作为所述预测飞行成本ycost；所述成本预测样本数量要求为：筛选条件所筛选出的成本历史航班数据数量在预设的最小训练样本数量阈值以上；所述三个筛选条件依次为：筛选条件一：历史航班与所述目标航班f的执飞飞机机型相同，且历史航班与所述目标航班f的是否经停分类相同，且历史航班与所述目标航班f的是否国际航班分类相同；筛选条件二：历史航班与所述目标航班f的座位数量等级相同，且历史航班与所述目标航班f的是否经停分类相同，且历史航班与所述目标航班f的是否国际航班分类相同；筛选条件三：历史航班与所述目标航班f的座位数量等级相同，且历史航班与所述目标航班f的是否经停分类相同；步骤S2-3-3C、将所述目标航班f的飞行距离代入所述已训练成本线性回归模型的飞行距离xdistance，计算得到的预测飞行成本ycost即为所述目标航班f采用飞机型号为机型k的飞机执飞时的预测成本；步骤S3、建立整数规划模型，并用所述目标航班集合F、机型集合K和预测收益进行求解，以得到满足所述整数规划模型的约束条件和目标函数的最优航班机型调度计划；所述步骤S3中，所述约束条件包括： 所述目标函数包括： 式中，A表示全部所述目标航班f的起降机场集合，a表示起降机场集合A中的起降机场，该起降机场a为起飞机场或降落机场；Nk表示所述机型集合K中全部机型k的可执飞飞机的起降时空节点集合，n表示起降时空节点集合Nk中的起降时空节点，该起降时空节点n为包含起飞时间和起飞机场的起飞时空节点或包含降落时间和降落机场的降落时空节点；表示机型k的可执飞飞机在所述机型调整目标日期所执飞的首趟航班的起飞时空节点；表示所述机型集合K中全部机型k的可执飞飞机在所述机型调整目标日期的凌晨3点时的起降时空节点集合；Ok,n表示采用机型k的可执飞飞机在起降时空节点n起飞的航班集合；Ik,n表示采用机型k的可执飞飞机在起降时空节点n降落的航班集合；Fc表示所述目标航班集合F中可取消的目标航班f的集合；M表示集合Fc中具有相同航班号的航班的集合，m表示集合M的子集，且该子集m中的目标航班f的起飞时间具有相同的星期数； 表示所述目标航班集合F中在起降时空节点n时正在飞行的目标航班f的集合； 表示机型航班决策变量，其中，取值为1时表示采用机型k的可执飞飞机执飞目标航班f，取值为0时表示不采用机型k的可执飞飞机执飞目标航班f；全部所述目标航班f的机型航班决策变量的一种取值组合方式形成所述目标航班集合F的一个航班机型调度计划； 表示机型k的可执飞飞机在起降时空节点n之前的数量；表示机型k的可执飞飞机在起降时空节点n之后的数量； 表示相对于初始数量起降机场a中机型k的可执飞飞机在执行相应航班机型调度计划后的新增数量绝对值；表示相对于初始数量起降机场a中机型k的可执飞飞机在执行相应航班机型调度计划后的减少数量绝对值；所述初始数量为所述起降机场a中机型k的可执飞飞机在执行相应航班机型调度计划之前的数量；N表示预设的机型调整数量上限；Nk表示机型集合K中机型k的可执飞飞机的数量；Nm表示预设的集合M中航班m的最少数量；kf表示目标航班f在执行相应航班机型调度计划之前的原计划中所采用执飞飞机的机型；求解得到所述最优航班机型调度计划的过程为：第一步、在满足公式一至公式六所述约束条件的前提下，通过穷举全部所述目标航班f的机型航班决策变量的取值组合方式，以从中寻找出符合所述公式七的取值组合方式；如果寻找结果仅存在一种取值组合方式，则该取值组合方式即为所述最优航班机型调度计划，求解过程结束；如果寻找结果存在多种取值组合方式，则将寻找出的取值组合方式记为第一目标航班机型调度计划，并执行第二步；第二步、从各个所述第一目标航班机型调度计划中，寻找出符合所述公式八的航班机型调度计划；如果寻找结果仅存在一个航班机型调度计划，则该航班机型调度计划即为所述最优航班机型调度计划，求解过程结束；如果寻找结果存在多个航班机型调度计划，则将寻找出的航班机型调度计划记为第二目标航班机型调度计划，并执行第三步；第三步、从各个所述第二目标航班机型调度计划中，寻找出符合所述公式九的航班机型调度计划，该寻找结果即为所述最优航班机型调度计划；步骤S4、在所述机型调整目标日期，按照所述最优航班机型调度计划，为所述目标航班集合F中的目标航班f调度相应机型k的可执飞飞机进行执飞。

全文数据：

权利要求：

百度查询： 中国南方航空股份有限公司 一种航班机型调整优化方法