基于时序数据挖掘的航班时刻规划方法分析
丁蓉蓉 朱金福
摘 要： 航空运输业的供求矛盾逐年加深，为了解决这个问题，提出基于时序数据挖掘的航班时刻规划方法。在时序数据挖掘中，采用因果规划方法直接关联航班时刻规划因素进行规划，通过时间序列规划方法同时关联航班时刻规划因素和随机变量进行规划。为了验证两种方法的实用性，构建一个分析模型，给出分析指标权重。分析结果显示，时间序列规划方法的规划结果与实际情况相符，排除因果规划方法，又通过实验验证出方法规划结果对原始航班时刻改动小，既符合航线要求，又协调了供求矛盾。
关键词： 时序数据挖掘； 因果规划； 时间序列规划； 航班时刻规划； 分析模型
中图分类号： TN919.6?34； F562 文献标识码： A 文章编号： 1004?373X（2017）16?0129?03
Abstract： In order to weaken the contradiction between supply and demand of aviation transportation industry， a flight schedule planning method based on time series data mining is put forward. For the time series data mining， the causal planning method is used to relate the flight schedule planning factors directly for planning. The time series planning method is used to relate to the flight schedule planning factors and random variable for planning. To verify the practicability of the two methods， an analysis model was constructed， and the weight of analysis index is given. The analysis results show that the planning result of the time series planning method is compatible with the actual result， which is better than the causal planning method. The experimental results show that， in comparison with the original flight schedule， the planning result of the flight schedule planning method is changed little， which conforms to the requirements of the flight course， and coordinates the contradiction between supply and demand.
Keywords： time series data mining； causal planning； time series planning； flight schedule planning； analysis model
航班時刻是指航空公司定义的飞机起飞和降落计划。随着航空运输业的不断发展，机场载客量和载货量逐年攀升，航班供与求之间的关系变得紧张，旅客对航班延误等现象的投诉率已成为制约航空公司未来发展的主要原因。航班时刻规划不但决定着机场输送效率，更影响着航空运输安全，航班时刻规划问题不容小觑[1]。
1 基于时序数据挖掘的航班时刻规划方法分析
1.1 分析模型
为了分析时序数据挖掘中因果规划和时间序列规划哪个更适合进行航班时刻规划，构建一个分析模型，模型结构见图1。分析模型中分析指标的权重分配情况如表1所示。
通过图1、表1能够发现，航班延误率、机场规模、新接入航班、机场疏散效率和市场潜力将对基于时序数据挖掘的航班时刻规划方法的规划效果造成不良影响。航班延误率的影响最大，权重[2]为0.60，其他因素权重均未高出0.15，可见必须重点分析航班延误率。航班延误率的计算方式是将延误航班班次除以规划班次，理想的航班延误率计算结果应最大限度地贴近实际情况。
1.2 实例规划与分析
取北京航空公司2016年国庆节期间的航班时刻，在SQL数据库的运行环境中进行规划，统计产品与服务解决方案软件（SPSS）对时序挖掘数据进行统计和解释[3]。因果规划方法和时间序列规划方法共同就5项航班时刻规划因素进行规划，规划结果受分析指标的干扰情况见表2、表3，航班延误率干扰情况见图2。
通过各图表内容能够发现，与实际情况最接近的是时间序列规划方法提出的航班时刻规划结果，因果规划方法漏掉了很大一部分的干扰比例，根据这个结论，排除因果规划方法，时序数据挖掘选择时间序列规划方法规划航班时刻。
2 实验结果与讨论
对本文提出的基于时序数据挖掘的航班时刻规划方法进行实验验证，仍然规划北京航空公司2016年国庆节期间的航班时刻。本文方法与专家规划系统以及遗传算法[4]的航班延误率干扰对比如图3所示，能够发现本文方法依旧与实际情况最接近。专家系统的规划结果也与实际情况相差不大，但需要一个规划时间来调整系统状态，所以前两天的规划结果与实际情况严重不符，最好应用在长周期的航班时刻规划中。
除了通过分析模型的分析指标衡量航班时刻规划方法外，原始航班时刻改动程度同样起到重要的衡量作用，原因是对航空公司的固定旅客而言，当航班时刻出现大变动，旅客惯性乘机计划受到影响，有可能改乘其他航空公司航班[5]。以目前北京航空公司使用的夏季航班时刻为例，下午2点20分拥有飞行任务的飞机有8架，规划情况见表4，航班时刻规划结果见表5～表7。
通过表4～表7能够发现，专家规划系统规划提出，为保证最大限度飞行安全，保留重要城市航班，删除到达时间邻近的航班，将原来的8架飞机改为4架。遗传算法删除了到达时间邻近的航班，剩余6架。对于没有改动飞机数量的本文方法，通过改变机型提高飞行效率，既符合航线要求，又协调了航班时刻与旅客需求间的供求矛盾。
3 结 论
本文从旅客需求、飞行能力、航线要求、机场营业时间和特殊航班安排角度提出航班规划问题，介绍了时序数据挖掘中因果规划和时间序列规划两个定量规划方法的规划步骤。利用分析模型阐述了航班延误率、机场规模、新接入航班、机场疏散效率和市场潜力5个分析指标，给出分析指标的权重分配情况，进行因果规划方法和时间序列规划方法的实例计算，最后选择时间序列规划方法为最优方法。实验将时间序列规划方法同专家规划系统、遗传算法进行了对比，显示出时间序列规划方法的规划结果与实际情况相似程度高，对原始航班时刻改动程度小。
参考文献
[1] 董兵.空中交通复杂度测度分析及航班监测预警研究[J].科学技术与工程，2015，15（16）：175?180.
[2] 邓芳.大型物联网电子设备的海量数据高效挖掘方法研究[J].现代电子技术，2016，39（4）：159?162.
[3] 张军.衰落噪声干扰下网络攻击数据散布特征挖掘算法[J].科技通报，2015，31（12）：260?262.
[4] 郑一鸣，孙翔.基于多源监测数据挖掘的电力设备状态诊断[J].浙江电力，2016，35（5）：1?6.
[5] 甘杨兰，赵梅，牛森，等.基于云仿真环境数据挖掘的服务分类方法[J].计算机仿真，2014，31（10）：460?465.
[6] 隆忠华，王祥.基于模糊时间序列的车辆检测器数据修补方法研究[J].物联网技术，2016，6（6）：21?24.
摘 要： 航空运输业的供求矛盾逐年加深，为了解决这个问题，提出基于时序数据挖掘的航班时刻规划方法。在时序数据挖掘中，采用因果规划方法直接关联航班时刻规划因素进行规划，通过时间序列规划方法同时关联航班时刻规划因素和随机变量进行规划。为了验证两种方法的实用性，构建一个分析模型，给出分析指标权重。分析结果显示，时间序列规划方法的规划结果与实际情况相符，排除因果规划方法，又通过实验验证出方法规划结果对原始航班时刻改动小，既符合航线要求，又协调了供求矛盾。
关键词： 时序数据挖掘； 因果规划； 时间序列规划； 航班时刻规划； 分析模型
中图分类号： TN919.6?34； F562 文献标识码： A 文章编号： 1004?373X（2017）16?0129?03
Abstract： In order to weaken the contradiction between supply and demand of aviation transportation industry， a flight schedule planning method based on time series data mining is put forward. For the time series data mining， the causal planning method is used to relate the flight schedule planning factors directly for planning. The time series planning method is used to relate to the flight schedule planning factors and random variable for planning. To verify the practicability of the two methods， an analysis model was constructed， and the weight of analysis index is given. The analysis results show that the planning result of the time series planning method is compatible with the actual result， which is better than the causal planning method. The experimental results show that， in comparison with the original flight schedule， the planning result of the flight schedule planning method is changed little， which conforms to the requirements of the flight course， and coordinates the contradiction between supply and demand.
Keywords： time series data mining； causal planning； time series planning； flight schedule planning； analysis model
航班時刻是指航空公司定义的飞机起飞和降落计划。随着航空运输业的不断发展，机场载客量和载货量逐年攀升，航班供与求之间的关系变得紧张，旅客对航班延误等现象的投诉率已成为制约航空公司未来发展的主要原因。航班时刻规划不但决定着机场输送效率，更影响着航空运输安全，航班时刻规划问题不容小觑[1]。
1 基于时序数据挖掘的航班时刻规划方法分析
1.1 分析模型
为了分析时序数据挖掘中因果规划和时间序列规划哪个更适合进行航班时刻规划，构建一个分析模型，模型结构见图1。分析模型中分析指标的权重分配情况如表1所示。
通过图1、表1能够发现，航班延误率、机场规模、新接入航班、机场疏散效率和市场潜力将对基于时序数据挖掘的航班时刻规划方法的规划效果造成不良影响。航班延误率的影响最大，权重[2]为0.60，其他因素权重均未高出0.15，可见必须重点分析航班延误率。航班延误率的计算方式是将延误航班班次除以规划班次，理想的航班延误率计算结果应最大限度地贴近实际情况。
1.2 实例规划与分析
取北京航空公司2016年国庆节期间的航班时刻，在SQL数据库的运行环境中进行规划，统计产品与服务解决方案软件（SPSS）对时序挖掘数据进行统计和解释[3]。因果规划方法和时间序列规划方法共同就5项航班时刻规划因素进行规划，规划结果受分析指标的干扰情况见表2、表3，航班延误率干扰情况见图2。
通过各图表内容能够发现，与实际情况最接近的是时间序列规划方法提出的航班时刻规划结果，因果规划方法漏掉了很大一部分的干扰比例，根据这个结论，排除因果规划方法，时序数据挖掘选择时间序列规划方法规划航班时刻。
2 实验结果与讨论
对本文提出的基于时序数据挖掘的航班时刻规划方法进行实验验证，仍然规划北京航空公司2016年国庆节期间的航班时刻。本文方法与专家规划系统以及遗传算法[4]的航班延误率干扰对比如图3所示，能够发现本文方法依旧与实际情况最接近。专家系统的规划结果也与实际情况相差不大，但需要一个规划时间来调整系统状态，所以前两天的规划结果与实际情况严重不符，最好应用在长周期的航班时刻规划中。
除了通过分析模型的分析指标衡量航班时刻规划方法外，原始航班时刻改动程度同样起到重要的衡量作用，原因是对航空公司的固定旅客而言，当航班时刻出现大变动，旅客惯性乘机计划受到影响，有可能改乘其他航空公司航班[5]。以目前北京航空公司使用的夏季航班时刻为例，下午2点20分拥有飞行任务的飞机有8架，规划情况见表4，航班时刻规划结果见表5～表7。
通过表4～表7能够发现，专家规划系统规划提出，为保证最大限度飞行安全，保留重要城市航班，删除到达时间邻近的航班，将原来的8架飞机改为4架。遗传算法删除了到达时间邻近的航班，剩余6架。对于没有改动飞机数量的本文方法，通过改变机型提高飞行效率，既符合航线要求，又协调了航班时刻与旅客需求间的供求矛盾。
3 结 论
本文从旅客需求、飞行能力、航线要求、机场营业时间和特殊航班安排角度提出航班规划问题，介绍了时序数据挖掘中因果规划和时间序列规划两个定量规划方法的规划步骤。利用分析模型阐述了航班延误率、机场规模、新接入航班、机场疏散效率和市场潜力5个分析指标，给出分析指标的权重分配情况，进行因果规划方法和时间序列规划方法的实例计算，最后选择时间序列规划方法为最优方法。实验将时间序列规划方法同专家规划系统、遗传算法进行了对比，显示出时间序列规划方法的规划结果与实际情况相似程度高，对原始航班时刻改动程度小。
参考文献
[1] 董兵.空中交通复杂度测度分析及航班监测预警研究[J].科学技术与工程，2015，15（16）：175?180.
[2] 邓芳.大型物联网电子设备的海量数据高效挖掘方法研究[J].现代电子技术，2016，39（4）：159?162.
[3] 张军.衰落噪声干扰下网络攻击数据散布特征挖掘算法[J].科技通报，2015，31（12）：260?262.
[4] 郑一鸣，孙翔.基于多源监测数据挖掘的电力设备状态诊断[J].浙江电力，2016，35（5）：1?6.
[5] 甘杨兰，赵梅，牛森，等.基于云仿真环境数据挖掘的服务分类方法[J].计算机仿真，2014，31（10）：460?465.
[6] 隆忠华，王祥.基于模糊时间序列的车辆检测器数据修补方法研究[J].物联网技术，2016，6（6）：21?24.
