考虑任务均衡的加油车动态调度问题研究
发布时间：2021-07-06 06:46
为了提高机场的资源利用率以及航班的准点率,应该大力提升对机场地面任务的执行效率。本课题研究了机场加油车的动态调度问题,即规划加油车的行驶路径,让加油车高效有序的执行不断到来的航班加注燃油任务。在路径规划的过程中,需要知道航班执行加注燃油任务所需的时长等信息。而任务的时长由航班加注燃油量决定。但是在实际情况中,航班的计划加注燃油量与实际加注燃油量有时相差较大。所以课题其中一个研究重点是,对航班加注燃油量的预测。根据航班历史加注燃油数据序列的波动情况,分解出导致数据序列波动的因素,针对数据特点构建出LSTM-Prophet预测模型,该模型特别为节假日因素导致的异常波动点建立了独立模型。实验采用华北某机场的历史航班燃油数据作为算例,验证了LSTM-Prophet加权组合预测模型相比于LSTM、Prophet以及ARIMA模型具有更好的泛化能力。第二个研究重点是,机场加油车的动态调度问题。通过建立时间片,将动态问题划分为多个连续的静态问题。对于每个静态问题,首先,利用动态规划时间窗捕捉等待被执行加注燃油任务的航班。其次,为这些航班构建机场加油车调度问题的数学模型。然后,采用课题所提出的自适应分...
【文章来源】：中国民航大学天津市
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
加油员使用加油车执行航班加注燃油任务
怂统刀咏?跷镌怂透?突А：侠淼墓婊?刀拥脑怂吐废撸?诼?憧突в肱渌椭行?的约束条件下将货物运送给客户，最终实现车辆行驶的距离最少、花费时间最少、配送中心的成本花销最小等目的。复杂的VRP被定义为多个旅行商问题（TravellingSalesmanProblem，TSP）[39-44]的组合。所以车辆路径问题同样为NP难问题。该问题的求解难度大但对于问题的研究有非常重要的现实意义。例如，日常所需的物流配送、GPS导航等；在高科技应用领域之中，有无人机躲避障碍飞行、机器人无碰撞行走等。所以对车辆路径问题的深入研究是十分有价值的。图1-2表示一个车辆路径规划的实例,其中D表示车场，R表示路径。图1-2车辆路径规划实例2．车辆路径问题分类VRP问题分类为静态车辆路径问题（StaticVehicleRouteProblem，SVRP）[45-49]和动态车辆路径问题（DynamicVehicleRoutingProblem，DVRP）[50-54]。以物流配送问题为例，SVRP一般在规划车辆路径之前就已经收到所有客户配送的请求，知道所有客户的坐标、运送量、运送时间等信息。针对这些已知信息分配人员车辆、规划车辆路线前往执行配送任务。而DVRP问题被描述为，提前收到一些客户的配送请求并规划了车辆的运送路线。但在这个过程当中会不断的收到一些客户的配送请求。需要对这些随机的的配送任务结合之前还未完成的配送任务重新规划车辆路线直至完成所有配送任务。现实情况中，客户往往要求货物必须在一个时间区间内送达。这就催生出了带时间窗的车辆路径问题（VehicleRoutingProblemwithTimeWindows，VRPTW）[55-59]，该问题根据是否有客户请求的动态加入，又可以将VRPTW分为带时间窗的静态车辆路径问题
中国民航大学硕士学位论文12，，（2.12）公式中，表示为LSTM-Prophet组合加权预测模型的预测值。通过动态调整参数、以达到最优的模型。图2-1LSTM-Prophet组合加权预测模型将时间序列通过Prophet模型分解方法，将航线加注燃油量的序列分解为趋势项、周期项以及节假日项。（1）时刻的趋势项势。根据历史数据趋势得到势趋势值。（2）时刻的周期项可以细分为季节性的周期项以及以周为单位的周期项。预测得到周期项(,)。（3）时刻的节假日项预测获得。随机波动由节假日因素导致的随机波动应该将它们标记下来。通过以上说明可以将公式（2.12）转化为公式（2.13）。势，，（2.13）2.5实验分析本文采用华北某机场的实际航班加注燃油数据。由于航线数量众多且方法都一致就不做一一的展示分析。这里详细分析华北某机场到上海虹桥机场（机场三字码表示为SJW-SHA）这条航线。将这条航线从2015年1月1日至2018年12月31日的所有航班
【参考文献】：
期刊论文
[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]基于同态滤波和遗传阈值的憎水性自动检测方法研究[J]. 张广东,张玉刚,温定筠,姚境,王晓飞,高立超,郭陆. 计算技术与自动化. 2019(04)
[3]基于LSTM-RNN的配电变压器负荷预测模型研究[J]. 孙朝辉,徐蕊,冯靖. 机电信息. 2020(02)
[4]基于改进高斯过程回归的短期负荷概率区间预测方法[J]. 刘升伟,王星华,鲁迪,彭显刚,郑伟钦. 电力系统保护与控制. 2020(01)
[5]基于ADGA-BP神经网络模型的金融产业发展趋势仿真与预测[J]. 张品一,梁锶. 管理评论. 2019(12)
[6]基于双BP神经网络的扑翼飞行器气动参数辨识[J]. 韩建福,杜昌平,叶志贤,宋广华,郑耀. 计算机应用. 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神经网络的船舶航行预测[J]. 徐国庆,马建文,吴晨辉,张安西. 舰船科学技术. 2019(23)
[9]基于Bi-RNN的风电机组主轴承温度预警方法研究[J]. 尹诗,侯国莲,于晓东,李宁,王其乐,弓林娟. 郑州大学学报(工学版). 2019(05)
[10]基于多变量LSTM的工业传感器时序数据预测[J]. 易利容,王绍宇,殷丽丽,杨青,顾欣. 智能计算机与应用. 2018(05)
博士论文
[1]针对若干数据挖掘问题的量子算法研究[D]. 吁超华.北京邮电大学 2019
[2]动态车辆路径问题建模与优化算法研究[D]. 陈世峰.大连海事大学 2018
[3]车辆路径问题的研究[D]. 刘霞.华中科技大学 2007
硕士论文
[1]基于RNN神经网络的短期电力负荷预测模型研究[D]. 白芬玉.成都理工大学 2019
[2]基于改进RNN的风电功率短期预测算法研究[D]. 宋瑞宵.华北电力大学(北京) 2019
[3]基于混合深度学习模型的蛋白质磷酸化和羟基化位点预测算法研究[D]. 徐兴宇.浙江理工大学 2019
[4]流形学习与稀疏回归算法在图像监督分类上的应用研究[D]. 张兴瑞.哈尔滨工业大学 2018
[5]复杂数据特征选择与回归预测的研究和应用[D]. 崔国庆.上海交通大学 2017
[6]面向TLE数据的多变量时序数据分类算法研究[D]. 吴俊锋.国防科学技术大学 2016
本文编号：3267750
【文章来源】：中国民航大学天津市
【文章页数】：52 页
【学位级别】：硕士
【部分图文】：
加油员使用加油车执行航班加注燃油任务
怂统刀咏?跷镌怂透?突А：侠淼墓婊?刀拥脑怂吐废撸?诼?憧突в肱渌椭行?的约束条件下将货物运送给客户，最终实现车辆行驶的距离最少、花费时间最少、配送中心的成本花销最小等目的。复杂的VRP被定义为多个旅行商问题（TravellingSalesmanProblem，TSP）[39-44]的组合。所以车辆路径问题同样为NP难问题。该问题的求解难度大但对于问题的研究有非常重要的现实意义。例如，日常所需的物流配送、GPS导航等；在高科技应用领域之中，有无人机躲避障碍飞行、机器人无碰撞行走等。所以对车辆路径问题的深入研究是十分有价值的。图1-2表示一个车辆路径规划的实例,其中D表示车场，R表示路径。图1-2车辆路径规划实例2．车辆路径问题分类VRP问题分类为静态车辆路径问题（StaticVehicleRouteProblem，SVRP）[45-49]和动态车辆路径问题（DynamicVehicleRoutingProblem，DVRP）[50-54]。以物流配送问题为例，SVRP一般在规划车辆路径之前就已经收到所有客户配送的请求，知道所有客户的坐标、运送量、运送时间等信息。针对这些已知信息分配人员车辆、规划车辆路线前往执行配送任务。而DVRP问题被描述为，提前收到一些客户的配送请求并规划了车辆的运送路线。但在这个过程当中会不断的收到一些客户的配送请求。需要对这些随机的的配送任务结合之前还未完成的配送任务重新规划车辆路线直至完成所有配送任务。现实情况中，客户往往要求货物必须在一个时间区间内送达。这就催生出了带时间窗的车辆路径问题（VehicleRoutingProblemwithTimeWindows，VRPTW）[55-59]，该问题根据是否有客户请求的动态加入，又可以将VRPTW分为带时间窗的静态车辆路径问题
中国民航大学硕士学位论文12，，（2.12）公式中，表示为LSTM-Prophet组合加权预测模型的预测值。通过动态调整参数、以达到最优的模型。图2-1LSTM-Prophet组合加权预测模型将时间序列通过Prophet模型分解方法，将航线加注燃油量的序列分解为趋势项、周期项以及节假日项。（1）时刻的趋势项势。根据历史数据趋势得到势趋势值。（2）时刻的周期项可以细分为季节性的周期项以及以周为单位的周期项。预测得到周期项(,)。（3）时刻的节假日项预测获得。随机波动由节假日因素导致的随机波动应该将它们标记下来。通过以上说明可以将公式（2.12）转化为公式（2.13）。势，，（2.13）2.5实验分析本文采用华北某机场的实际航班加注燃油数据。由于航线数量众多且方法都一致就不做一一的展示分析。这里详细分析华北某机场到上海虹桥机场（机场三字码表示为SJW-SHA）这条航线。将这条航线从2015年1月1日至2018年12月31日的所有航班
【参考文献】：
期刊论文
[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]基于同态滤波和遗传阈值的憎水性自动检测方法研究[J]. 张广东,张玉刚,温定筠,姚境,王晓飞,高立超,郭陆. 计算技术与自动化. 2019(04)
[3]基于LSTM-RNN的配电变压器负荷预测模型研究[J]. 孙朝辉,徐蕊,冯靖. 机电信息. 2020(02)
[4]基于改进高斯过程回归的短期负荷概率区间预测方法[J]. 刘升伟,王星华,鲁迪,彭显刚,郑伟钦. 电力系统保护与控制. 2020(01)
[5]基于ADGA-BP神经网络模型的金融产业发展趋势仿真与预测[J]. 张品一,梁锶. 管理评论. 2019(12)
[6]基于双BP神经网络的扑翼飞行器气动参数辨识[J]. 韩建福,杜昌平,叶志贤,宋广华,郑耀. 计算机应用. 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神经网络的船舶航行预测[J]. 徐国庆,马建文,吴晨辉,张安西. 舰船科学技术. 2019(23)
[9]基于Bi-RNN的风电机组主轴承温度预警方法研究[J]. 尹诗,侯国莲,于晓东,李宁,王其乐,弓林娟. 郑州大学学报(工学版). 2019(05)
[10]基于多变量LSTM的工业传感器时序数据预测[J]. 易利容,王绍宇,殷丽丽,杨青,顾欣. 智能计算机与应用. 2018(05)
博士论文
[1]针对若干数据挖掘问题的量子算法研究[D]. 吁超华.北京邮电大学 2019
[2]动态车辆路径问题建模与优化算法研究[D]. 陈世峰.大连海事大学 2018
[3]车辆路径问题的研究[D]. 刘霞.华中科技大学 2007
硕士论文
[1]基于RNN神经网络的短期电力负荷预测模型研究[D]. 白芬玉.成都理工大学 2019
[2]基于改进RNN的风电功率短期预测算法研究[D]. 宋瑞宵.华北电力大学(北京) 2019
[3]基于混合深度学习模型的蛋白质磷酸化和羟基化位点预测算法研究[D]. 徐兴宇.浙江理工大学 2019
[4]流形学习与稀疏回归算法在图像监督分类上的应用研究[D]. 张兴瑞.哈尔滨工业大学 2018
[5]复杂数据特征选择与回归预测的研究和应用[D]. 崔国庆.上海交通大学 2017
[6]面向TLE数据的多变量时序数据分类算法研究[D]. 吴俊锋.国防科学技术大学 2016
本文编号：3267750
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/3267750.html
