韧性导向的机场航空器滑行路径及停机位分配联合优化

寇伟彬; 于凯任; 王佳玉; 张宇辉

doi:10.13700/j.bh.1001-5965.2023.0801

韧性导向的机场航空器滑行路径及停机位分配联合优化

doi: 10.13700/j.bh.1001-5965.2023.0801

1.
中国民航大学交通科学与工程学院，天津 300300
2.
陆军军事交通学院，天津 300161

基金项目:

国家重点研发计划(2021YFB2600500)；天津市教委科研计划(2023KJ224)

详细信息

通讯作者:
E-mail：wbkou@cauc.edu.cn

中图分类号: V355.2；U8
计量
- 文章访问数: 514
- HTML全文浏览量: 92
- PDF下载量: 3
- 被引次数: 0
出版历程
- 收稿日期: 2023-12-09
- 录用日期: 2024-02-02
- 网络出版日期: 2024-02-27
- 整期出版日期: 2026-02-28

Resilience-oriented joint optimization of aircraft taxiing route and apron assignment in airport

1.
College of Transportation Science and Engineering，Civil Aviation University of China，Tianjin 300300，China
2.
Army Military Transportation University，Tianjin 300161，China

Funds:

National Key Research and Development Program of China (2021YFB2600500); Scientific Research Program of Tianjin Municipal Education Commission (2023KJ224)

More Information

Corresponding author: E-mail：wbkou@cauc.edu.cn

摘要

摘要:
为改善恶劣天气对航空器场面滑行的干扰程度，提升机场场面运行系统的恢复力，基于航空器滑行时间表征场面运行系统性能，通过刻画系统性能损失与恢复动态过程量化场面运行系统韧性。根据场面跑道、滑行道与停机坪间的拓扑网络结构，以韧性的提升作为优化核心，建立考虑滑行时间、旅客登机时间与系统韧性的航空器场面滑行路径及停机位分配联合优化模型。考虑到模型为复杂非线性规划模型，开发基于线性迭代的三阶段算法。结合天津滨海国际机场数据进行案例分析，结果表明：优化后的场面运行系统平均性能提升20.68%，恢复速率提升16.67%，系统韧性均值提升20.33%，韧性恢复速率提升27.15%。优化后的航空器场面滑行路径及停机位分配方案能够加快系统对恶劣天气的干扰适应，减少适应阶段性能损失，提升系统性能恢复速率，保障系统性能相对稳定。
- 恶劣天气 /
- 滑行路径 /
- 停机位分配 /
- 韧性 /
- 线性迭代算法
Abstract:
A joint apron-taxiway assignment model is designed with an emphasis on improving system resilience in order to alleviate the impact of severe weather on aircraft taxiing and enhance the resilience of airport surface operations. Firstly, the performance of the surface operation system is characterized by the taxiing time of aircraft, and the resilience is quantified by the loss and recovery of system performance. Then, based on the topological network structure among the runway, taxiway, and apron, the joint apron-taxiway assignment model is established considering the taxiing time, passenger boarding time and system operation resilience. A three-step algorithm based on linear iteration is developed, taking into account the complex nonlinear model. Finally, a case study based on the Tianjin Binhai International Airport is conducted. The surface operating system’s recovery speed is enhanced by 16.67% and its average performance is raised by 20.68% following optimization. In addition, the average resilience and recovery speed are increased by 20.33% and 27.15%, separately. It indicates that the optimized scheme can facilitate the system’s adaptation to severe weather, reduce the performance loss in the adaptive period, propel the recovery speed of system performance, and ensure its relative stability.
- severe weather /
- taxiing route /
- apron assignment /
- resilience /
- linear iterative algorithm

HTML全文

图 1 系统韧性

Figure 1. System resilience

下载: 全尺寸图片幻灯片

图 2 快速出口滑行道分配原则

Figure 2. Principle of fast exit taxiway assignment

下载: 全尺寸图片幻灯片

图 3 滑行路径集合与停机位区域匹配

Figure 3. Taxiing route set and apron aera correlation

下载: 全尺寸图片幻灯片

图 4 线性迭代过程

Figure 4. Linear iterative process

下载: 全尺寸图片幻灯片

图 5 2023年8月1日8:00—21:00天津市东丽区小时降雨量

Figure 5. Hourly rainfall in Dongli District, Tianjin from 8:00 to 21:00 on August 1, 2023

下载: 全尺寸图片幻灯片

图 6 天津滨海国际机场跑滑系统拓扑过程

Figure 6. Topology process of Tianjin Binhai International Airport runway-taxiway-apron system

下载: 全尺寸图片幻灯片

图 7 不同方案系统韧性过程对比

Figure 7. Comparison of system resilience process of different schemes

下载: 全尺寸图片幻灯片

图 8 算法优化效果对比

Figure 8. Comparison of algorithm optimization effects

下载: 全尺寸图片幻灯片

表 1 滑行速度折减系数

Table 1. Taxi speed reduction factor

天气状况	折减系数
小雨	0.017
中雨	0.163
大雨	0.4
暴雨	0.8

下载: 导出CSV

表 2 2023年8月1日天津滨海国际机场各研究时段航班信息（局部）

Table 2. Flight schedule in Tianjin Binhai International Airport for each study period on August 1, 2023 (partial)

航班号	机型等级	时段
A0001	1	480～540
A0002	1	480～540
A0003	1	480～540
A0004	1	480～540
A0005	1	480～540
A0006	1	480～540
A0007	2	480～540
A0008	1	480～540
A0009	1	540～600
A0010	1	540～600
A0011	2	540～600
A0012	1	540～600
A0013	1	540～600
A0014	1	540～600
A0015	2	540～600
A0016	1	540～600
A0017	1	540～600
A0018	1	600～660
A0019	1	600～660
A0020	1	600～660
$\vdots $

下载: 导出CSV

表 3 拓扑结点（局部）

Table 3. Topological node (partial)

编号	起点	终点	长度/m
0	1	2	200
1	4	5	200
2	36	37	200
3	39	40	200
4	2	3	100
5	5	6a	100
6	7	8	100
7	10	11	100
8	14	15	100
9	19	20	100
10	21	22	100
11	24	25	100
12	28	29	100
13	31	32	100
14	34	35	100
15	40	41	100
16	2	5	400
17	3	6	400
18	5	7	660
19	6	8	660
$\vdots $

下载: 导出CSV

表 4 重要模型参数

Table 4. Key model parameters

航空器滑行速度(m·min⁻¹)			经验系数值
机型等级1	机型等级2	机型等级3	滑行时间系数w₁	步行时间系数w₂
340	320	300	0.7	0.3

下载: 导出CSV

表 5 航空器联合优化分配结果

Table 5. Aircraft joint optimization allocation result

航班	滑行路径	机位	总成本/min	航班	滑行路径	机位	总成本/min
A0001	6b—7—8—11—15—16	3	64.5714 (8:00—9:00)	A0061	6b—7—8—11—15—16	5	185.2886 (14:00—15:00)
A0002	6b—7—8—11—15—16	4		A0062	6b—7—8—11—15—16	3
A0003	6b—7—8—11—15—16	2		A0063	43—42—44—46—48—52—50—53—57	0
A0004	6b—7—10—14—15—17—20—22—25—26	10		A0064	43—42—44—46—48—52—50—53—57	0
A0005	6b—7—8—11—15—16	1		A0065	6b—7—8—11—15—16	4
A0006	43—42—44—46—48—52—50—53—57	19		A0066	43—42—44—46—48—52—50—53—57	0
A0007	4—5—6a—8—11—15—17—20—22—23	9		A0067	6b—7—8—11—15—16	2
A0008	6b—7—8—11—15—16	5		A0068	43—42—44—46—48—52—50—53—57	0	92.4026 (15:00—16:00)
A0009	43—42—44—46—48—52—50—53—57	19	75.4551 (9:00—10:00)	A0069	6b—7—8—11—15—16	5
A0010	6b—7—8—11—15—16	5		A0070	6b—7—8—11—15—16	4
A0011	4—5—6a—8—11—15—17—20—22—23	7		A0071	43—42—44—46—48—52—50—53—57	0
A0012	6b—7—8—11—15—16	4		A0072	6b—7—8—11—15—16	2
A0013	6b—7—10—14—15—17—20—22—25—26	10		A0073	6b—7—8—11—15—16	1
A0014	6b—7—8—11—15—16	3		A0074	4—5—6a—8—11—15—16	3
A0015	4—5—6a—8—11—15—17—20—22—23	9		A0075	6b—7—8—11—15—16	4	53.6186 (16:00—17:00)
A0016	6b—7—8—11—15—16	2		A0076	4—5—6a—8—11—15—16	3
A0017	6b—7—8—11—15—16	1		A0077	43—42—44—46—48—52—50—53—57	0
A0018	6b—7—10—14—15—17—20—22—25—26	9	84.0740 (10:00—11:00)	A0078	4—5—6a—8—11—15—17—20—22—23	9
A0019	6b—7—8—11—15—16	3		A0079	6b—7—8—11—15—16	5
A0020	6b—7—8—11—15—16	5		A0080	6b—7—8—11—15—16	2	78.8442 (17:00—18:00)
A0021	43—42—44—46—48—52—50—53—57	19		A0081	6b—7—8—11—15—16	1
A0022	43—42—44—46—48—52—50—53—57	0		A0082	43—42—44—46—48—52—50—53—57	0
A0023	6b—7—10—14—15—17—20—22—25—26	10		A0083	43—42—44—46—48—52—50—53—57	0
A0024	6b—7—8—11—15—16	2		A0084	4—5—6a—8—11—15—16	3
A0025	6b—7—8—11—15—16	1		A0085	4—5—6a—8—11—15—17—20—22—23	9
A0026	6b—7—10—14—15—17—20—22—25—26	8		A0086	6b—7—8—11—15—16	4
A0027	6b—7—8—11—15—16	4		A0087	6b—7—8—11—15—16	5
A0028	6b—7—8—11—15—16	3	98.6985 (11:00—12:00)	A0088	6b—7—10—14—15—17—20—22—25—26	7	88.3615 (18:00—19:00)
A0029	6b—7—10—14—15—17—20—22—25—26	10		A0089	6b—7—8—11—15—16	4
A0030	43—42—44—46—48—52—50—53—57	19		A0090	6b—7—8—11—15—16	5
A0031	4—5—6a—8—11—15—17—20—22—23	8		A0091	6b—7—8—11—15—16	3
A0032	6b—7—8—11—15—16	2		A0092	6b—7—10—14—15—17—20—22—25—26	11
A0033	43—42—44—46—48—52—50—53—57	0		A0093	6b—7—10—14—15—17—20—22—25—26	10
A0034	43—42—44—46—48—52—50—53—57	0		A0094	6b—7—10—14—15—17—20—22—25—26	9
A0035	6b—7—8—11—15—16	4		A0095	6b—7—8—11—15—16	2
A0036	4—5—6a—8—11—15—17—20—22—23	9		A0096	43—42—44—46—48—52—50—53—57	19
A0037	6b—7—8—11—15—16	1		A0097	6b—7—8—11—15—16	1
A0038	6b—7—8—11—15—16	5		A0098	6b—7—8—11—15—16	3	78.1026 (19:00—20:00)
A0039	6b—7—8—11—15—16	4	111.3768 (12:00—13:00)	A0099	6b—7—8—11—15—16	1
A0040	6b—7—8—11—15—16	3		A0100	6b—7—8—11—15—16	4
A0041	4—5—6a—8—11—15—17—20—22—23	8		A0101	4—5—6a—8—11—15—17—20—22—23	8
A0042	6b—7—8—11—15—16	5		A0102	6b—7—10—14—15—17—20—22—25—26	10
A0043	43—42—44—46—48—52—50—53—57	0		A0103	43—42—44—46—48—52—50—53—57	0
A0044	43—42—44—46—48—52—50—53—57	19		A0104	4—5—6a—8—11—15—17—20—22—23	9
A0045	4—5—6a—8—11—15—17—20—22—23	11		A0105	6b—7—8—11—15—16	5
A0046	6b—7—10—14—15—17—20—22—25—26	10		A0106	6b—7—8—11—15—16	2
A0047	4—5—6a—8—11—15—17—20—22—23	9		A0107	6b—7—8—11—15—16	5	73.7437 (20:00—21:00)
A0048	6b—7—8—11—15—16	2		A0108	4—5—6a—8—11—15—17—20—22—23	7
A0049	4—5—6a—8—11—15—17—20—22—23	7		A0109	43—42—44—46—48—52—50—53—57	19
A0050	6b—7—8—11—15—16	1		A0110	6b—7—10—14—15—17—20—22—25—26	9
A0051	6b—7—8—11—15—16	2	96.5446 (13:00—14:00)	A0111	6b—7—8—11—15—16	3
A0052	6b—7—8—11—15—16	4		A0112	6b—7—8—11—15—16	4
A0053	6b—7—8—11—15—16	3		A0113	6b—7—8—11—15—16	1
A0054	6b—7—10—14—15—17—20—22—25—26	9		A0114	6b—7—8—11—15—16	2
A0055	43—42—44—46—48—52—50—53—57	0		A0115	6b—7—10—14—15—17—20—22—25—26	10
A0056	6b—7—8—11—15—16	1
A0057	6b—7—8—11—15—16	5
A0058	4—5—6a—8—11—15—17—20—22—23	7
A0059	6b—7—10—14—15—17—20—22—25—26	10
A0060	6b—7—10—14—15—17—20—22—25—26	12

下载: 导出CSV

表 6 不同方案系统韧性参数对比

Table 6. Comparison of system resilience factors in different schemes

方案	系统韧性均值	系统韧性损失比/%	系统韧性恢复值	系统韧性恢复比/%
传统方案	0.6197	29.44	0.0222	84.89
优化方案	0.7457	26.46	0.0282	89.33

下载: 导出CSV

参考文献(24)

[1]	FATURECHI R, LEVENBERG E, MILLER-HOOKS E. Evaluating and optimizing resilience of airport pavement networks[J]. Computers & Operations Research, 2014, 43: 335-348.
[2]	尹嘉男, 胡明华, 赵征. 多跑道机场停机位分配仿真模型及算法[J]. 交通运输工程学报, 2010, 10(5): 71-76. YIN J N, HU M H, ZHAO Z. Simulation model and algorithm of multi-runway airport gate assignment[J]. Journal of Traffic and Transportation Engineering, 2010, 10(5): 71-76(in Chinese).
[3]	HOLLING C S. Resilience and stability of ecological systems[J]. Annual Review of Ecology and Systematics, 1973, 4: 1-23.
[4]	KRISHNA S, KICINGER R, SABHNANI G, et al. Comparison of the impacts of airport terminal/surface weather hazards: AIAA 2011-6385[R]. Reston: AIAA, 2011.
[5]	杜婧涵, 胡明华, 张魏宁, 等. 基于度量学习的机场交通态势弱监督评估[J]. 北京航空航天大学学报, 2023, 49(7): 1772-1778. DU J H, HU M H, ZHANG W N, et al. Weakly supervised evaluation of airport traffic situation based on metric learning[J]. Journal of Beijing University of Aeronautics and Astronautics, 2023, 49(7): 1772-1778(in Chinese).
[6]	张静, 徐肖豪, 王飞. 天气季节性影响的机场到达容量概率分布[J]. 西南交通大学学报, 2011, 46(1): 154-161. ZHANG J, XU X H, WANG F. Seasonal effects of weather on probability distribution of airport arrival capacity[J]. Journal of Southwest Jiaotong University, 2011, 46(1): 154-161(in Chinese).
[7]	王兴隆, 赵俊妮, 王进. 恶劣天气下机场离场航班运行韧性评估及恢复[J]. 北京航空航天大学学报, 2024, 50(1): 110-121. WANG X L, ZHAO J N, WANG J. Resilience assessment and recovery of airport departure flights under severe weather[J]. Journal of Beijing University of Aeronautics and Astronautics, 2024, 50(1): 110-121(in Chinese).
[8]	唐小卫, 丁叶, 张生润, 等. 进港航班滑入时间预测[J]. 北京航空航天大学学报, 2024, 50(7): 2218-2224. TANG X W, DING Y, ZHANG S R, et al. Taxi-in time prediction of arrival flight[J]. Journal of Beijing University of Aeronautics and Astronautics, 2024, 50(7): 2218-2224(in Chinese).
[9]	SOMMER M, TOMFORDE S, HÄHNER J. An organic computing approach to resilient traffic management[M]//MCCLUSKEY T L, KOTSIALOS A, MULLER J P, et al. Autonomic road transport support systems. Berlin: Springer, 2016: 113-130.
[10]	YE Q, UKKUSURI S V. Resilience as an objective in the optimal reconstruction sequence for transportation networks[J]. Journal of Transportation Safety & Security, 2015, 7(1): 91-105.
[11]	薛清文, 陆键, 姜雨. 大型机场滑行道航空器交通流特性仿真[J]. 北京航空航天大学学报, 2019, 45(3): 567-574. XUE Q W, LU J, JIANG Y. Aircraft taxiway traffic flow characteristic simulation at large airport[J]. Journal of Beijing University of Aeronautics and Astronautics, 2019, 45(3): 567-574(in Chinese).
[12]	赵俊, 陈旭梅, 刘志硕, 等. 航权资源双边谈判的序贯互惠博弈建模与分析[J]. 哈尔滨工业大学学报, 2022, 54(3): 1-11. ZHAO J, CHEN X M, LIU Z S, et al. Modeling and analysis of sequential reciprocal game problem of bilateral negotiation for air traffic rights resources[J]. Journal of Harbin Institute of Technology, 2022, 54(3): 1-11(in Chinese).
[13]	姜雨, 刘振宇, 胡志韬, 等. 大型机场进场航空器联合调度模型[J]. 交通运输工程学报, 2022, 22(1): 205-215. JIANG Y, LIU Z Y, HU Z T, et al. Coordinated scheduling model of arriving aircraft at large airport[J]. Journal of Traffic and Transportation Engineering, 2022, 22(1): 205-215(in Chinese).
[14]	闫萍, 袁媛. 航班滑行路径规划和停机位分配联合优化[J]. 控制工程, 2021, 28(3): 464-470. YAN P, YUAN Y. Joint optimization of flight taxiing path planning and gate allocation[J]. Control Engineering of China, 2021, 28(3): 464-470(in Chinese).
[15]	LIAO T Y, HU T Y, KO Y N. A resilience optimization model for transportation networks under disasters[J]. Natural Hazards, 2018, 93(1): 469-489. doi: 10.1007/s11069-018-3310-3
[16]	王兴隆, 赵俊妮, 贺敏. 基于贝叶斯网络的空中交通运输系统韧性评价[J]. 南京航空航天大学学报, 2022, 54(6): 1121-1130. WANG X L, ZHAO J N, HE M. Resilience evaluation on air transportation system based on Bayesian network[J]. Journal of Nanjing University of Aeronautics & Astronautics, 2022, 54(6): 1121-1130 (in Chinese).
[17]	AHMED S, DEY K. Resilience modeling concepts in transportation systems: a comprehensive review based on mode, and modeling techniques[J]. Journal of Infrastructure Preservation and Resilience, 2020, 1(1): 8.
[18]	YIN S W, HAN K, OCHIENG W Y, et al. Joint apron-runway assignment for airport surface operations[J]. Transportation Research Part B: Methodological, 2022, 156: 76-100.
[19]	DAŞ G S, GZARA F, STÜTZLE T. A review on airport gate assignment problems: single versus multi objective approaches[J]. Omega, 2020, 92: 102146. doi: 10.1016/j.omega.2019.102146
[20]	REGGIANI A. Network resilience for transport security: some methodological considerations[J]. Transport Policy, 2013, 28: 63-68.
[21]	WANG H W, PENG Z R, WANG D S, et al. Evaluation and prediction of transportation resilience under extreme weather events: a diffusion graph convolutional approach[J]. Transportation Research Part C: Emerging Technologies, 2020, 115: 102619.
[22]	HUANG Q J, FENG S M, ZHANG G S, et al. Commuter bus operation rules under two traffic scenarios and two weather conditions: naturalistic driving study on vehicle speed and clearance[J]. Sustainability, 2022, 14(4): 2473. doi: 10.3390/su14042473
[23]	中华人民共和国国务院, 中华人民共和国中央军事委员会. 中华人民共和国飞行基本规则[S]. 北京: 中国法制出版社, 2007: 7-9. The State Council of the People’s Republic of China, The Central Military Commission of the People’s Republic of China. General flight rules of the People’s Republic of China[S]. Beijing: China Legal Publishing House, 2007: 7-9(in Chinese).
[24]	WANG X W, BROWNLEE A E I, WOODWARD J R, et al. Aircraft taxi time prediction: feature importance and their implications[J]. Transportation Research Part C: Emerging Technologies, 2021, 124: 102892. doi: 10.1016/j.trc.2020.102892