东航航班延误问题研究

曹亚昆， 朱陈平， 王艳军

(南京航空航天大学 a.理学院; b.民航学院，南京 211106)

中国的航班延误[1-5]问题十分严重，这不仅给航空公司造成了巨大的经济损失，而且对旅客的出行造成极大的不便.航班延误问题极为复杂，因为航班在运行过程中受多种因素影响，如天气因素、飞机故障、航空管制和机场排队起飞等[6-7]，而这些因素又难以预测，这对合理设置航班计划时刻表带来很大困难.同时航空公司在编制航班计划时，希望提高飞机的利用率，降低运行成本，追求利益的最大化，会将航班计划安排的过于紧凑[8].所以，一旦上游航班延误时间较长，这种延误便难以被吸收，从而造成下游多个航班的延误.因此，提高航班计划的抗干扰能力，降低航班延误率，改善旅客出行状况是航空运输业急须解决的问题.

本文首先对东航航班运行记录大数据[9-12]进行了收集，我们从网站上下载了东航2012年8月1号到2013年7月31号共539 316条航班运行记录，每一条记录包含信息有：航班日期、飞机型号、飞机尾号、起飞机场代码、到达机场代码、计划起飞时刻、计划到达时刻、实际起飞时刻和实际到达时刻.我们计算出各个航班的起飞延误量，统计了东航航班的总延误率和在各个机场的延误率，并作了延误量分布的柱状图.其次，具体分析了航班延误的各个因素，针对由飞机迟来造成的波及延误[13-17]，我们将由高延误率机场起飞的飞机，增加它与下一个航班之间的过站时间，将前一个航班的延误影响吸收，从而有效降低整体航班的延误率.最后，我们运用实际数据验证了本文方法的有效性.

1 东航航班延误状况

图1 东航航班起飞延误量分布柱状图 (每个区间大小为15 min)

中国东方航空股份有限公司(东航)，ICAO代码CES，主要从事国内和国际航空的客、货、邮、行李运输、通用航空等业务，共拥有300多架客机，其主要的机型包括了空中客车A320、A330、A340、波音737和ERJ-145等.本文统计了东航自2012年8月1号到2013年7月31号共539 316条航班运行记录，统计结果表明东航2012—2013年的航班起飞延误率达到了14.4%，在各个延误时间段内的延误航班数如图1所示.

我们的统计结果表明自2012年8月1号到2013年7月31号，东航有起飞记录的的机场共有183个，我们将这些机场按照延误率从高到低排列并取总航班数达到1 000的机场,如表1所示.

表1 延误率高且起飞航班数多的30个机场信息

2 降低航班延误率的具体措施

2.1 航班延误因素分析

对航班延误原因的研究已有很多，美国交通统计局(BTS)将造成航班延误的因素分为五大类：(1)Air carrier(航空承运人)：取消或延迟的原因是由于航空公司控制的情况(例如维修或机组人员问题，飞机清洁，行李装载，加油等).(2)extreme weather(极端天气)：根据航空承运人的判断，推迟或阻止航班运行的重大恶劣的天气状况(如龙卷风，暴风雪或飓风).(3)national aviation system(国家空域系统NAS)：由于国家航空系统的延迟和取消航班，涉及较多因素如非极端天气条件，机场运行，交通量大和空中交通管制.(4)security(安全因素)：机场人群的疏散，安全漏洞导致的重登机和安检设备的故障造成的航班延误和取消.(5)late arriving aircraft(飞机迟来)：同一飞机的前一航班延误，不能按时到达目的机场，导致当前航班的延误[18].通过对以上五种因素的简单分析，发现可以通过优化航班计划时刻表的方法，即调整过站时间，来抑制第五因素(飞机迟来)造成的航班延误，从而降低航空公司整体的延误率.

通常，过站时间包括最小过站时间和过站松弛时间[19-20].最小过站时间包括飞机清洁，加油，上下客等.航空公司在制定航班计划时往往会给地面过站时间设置一个冗余时间，即过站松弛时间.其作用是当发生延误时，过站松弛时间可以吸收航班网络中的延误，缓解由于计划过站时间不足带来的影响.

2.2 具体措施

为了研究调整航班计划时刻表的可行性，我们查阅了相关资料，发现航班的过站时间一般不小于35 min[21]，即在这段时间内完成飞机检修、加油、上下乘客等，因此我们在调节航班计划时刻表时，在相邻两个航班间预留了40 min的过站时间.另一方面，我们统计了东航各飞机的实际平均过站时间为90.5 min(一般情况下，由于考虑安全等因素夜间航班少，前后两个航班时间间隔大，因此隔天的航班过站时间不计入平均值的统计中).而不同飞机最小过站时间一般为35 min分钟，远小于东航各飞机的实际平均过站时间，这为调整航班计划来降低延误率的措施提供了有利条件.

同时在调整航班计划时刻表时，应该尽量减小对其它航班的影响，并且应该保持每天的计划航班次数不变.我们选择前文统计出的航班延误率高、航班数多的30个机场，若该飞机上一个航班由这30个机场起飞，则将当前航班的计划起飞时刻往后推迟T(T=t3′-t3)(单位：min).推迟时间T为当前航班与下一个航班间的松弛时间，即计划过站时间减去最小过站时间(图2).

图2 调整航班计划示意图

机场1为延误率较高的30个机场之一，航班①发生延误，在t2′时刻到达机场2，若原计划航班②在t3时刻起飞，那么航班②由于飞机迟来必然发生延误.现在将航班②计划起飞时刻由t3推迟为t3′，若这时ts大于最小过站时间40 min，那么航班②便不会因飞机迟来而造成起飞延误.其中：

ti：航班计划起飞、到达时刻;ti′：航班实际起飞、到达时刻;tji：航班计划过站时间;tsi;航班过站松弛时间;tmin：航班最小过站时间;ts：航班实际过站时间.

2.3 程序实现过程

用程序对数据进行处理，处理过程如图3所示.

3 结果与分析

通过以上方法将计划起飞时刻推迟能有效减少飞机迟来因素造成的航班延误.统计结果显示，东航延误航班数由77 503次降低为68 825次，延误航班数降低了11.2%.利用本文的方法修改航班计划时刻表，使得东航航班一年总的延误率由14.4%降低为12.7%，航班延误问题得以改善，同时对当前的航班计划时刻表改动小，大大降低了因改变航班计划造成的未知影响.调整航班计划后的延误航班数与调整前的对比，如图4所示.

图3 数据处理过程

图4 调整航班计划前后的延误航班数的柱状图

从图4中可以明显看出几乎所有区间的延误航班数均有所减少，这说明我们调整航班计划的措施能够有效减少航班延误问题.

4 结语

中国民航业的快速发展，为旅客出行带来便利的同时，也给航班延误的管理带来了极大挑战.本文首先对东航的实际数据进行了统计、处理和分析；其次，通过对影响航班延误因素的分析，提出了调整航班计划的措施；最后利用实际数据验证了方法的可行性，证明调整航班计划的措施能有效降低航班延误率.

本文将当前航班计划起飞时刻推迟，必然导致下一个航班的过站松弛时间不足，若当前航班不能按时到达势必会对下一航班的准点起飞造成影响.因此，只有解出当前航班计划起飞时刻的推迟时间的最优解，才能够最大化地降低航班延误率.

[1] DUNBAR M,FROYLAND G，WU C L.Robust airline schedule planning：Minimizing pr地opagated delay in an integrated routing and crewing framework[J].Transportation Science,2012，46(2)：204-216.

[2] SANTOS G，ROBIN M.Determinants of delays at European airports[J].Transportation Research Part B ，2010，44：392-403.

[3] ABDEL-ATY M，LEE C，BAI Y Q，et al.Detecting periodic patterns of arrival delay[J].Journal of Air Transport Management，2007，13：355-361.

[4] STERNBERG A,CARVALHO D，MURTA L，et al.An analysis of Brazilian flight delays based on frequent patterns[J].Transportation Research Part E，2016,95：282-298.

[5] KAFLE N，ZOU B.Modeling flight delay propagation：A new analytical-econometric approach[J].Transportation Research Part B：Methodological，2016,93：520-542.

[6] SCHAEFER L,MILLNER D.Flight delay propagation analysis with the detailed policy assessment tool[C]∥Systems，Man，and Cybernetics，2001 IEEE International Conference on.IEEE，2001，2：1299-1303.

[7] JANIC M.Management of airside delays[J].Journal of Airport Management，2009，3(2)：176-195.

[8] ALOULOU M A，HAOUARI M，ZEGHAL MANSOUR F.Robust aircraft routing and flight retiming[J].Electronic Notes in Discrete Mathematics，2010，36：367-374.

[9] LAZER D，KENNEDY R，KING G,et al.The parable of Google Flu：traps in big data analysis[J].Science,2014,343：1203-1205.

[10] EINAV L,LEVIN J.Economics in the age of big data[J].Science，2014,346：512-520.

[11] JOPPA L N.Filling in biodiversity threat gaps[J].Science,2016,352：416-418.

[12] CLAUSET A，LARREMORE D B，SINATRA R.Data-Driven predictions in the science of science[J].Science,2017, 355：477-480.

[13] AHMADBEYGI S，COHN A，LAPP M.Decreasing airline delay propagation by re-allocating scheduled slack[J].IIE Transactions,2010,42(7)：478-489.

[14] WANG P T R，SCHAEFER L A,WOJCIK L A.Flight connections and their impacts on delay propagation[J].Digital Avionics Systems Conference，DASC’03.The 22nd.IEEE，2003,1：4-5.

[15] BEATTY R，HSU R，BERRY L，et al.Preliminary evaluation of flight delay propagation through an airline schedule[J].Air Traffic Control Quarterly，1999，7(4)：259-270.

[16] CAMPANELLI B，FLEURQUIN P，ARRANZ A，et al.Comparing the modeling of delay propagation in the US and European air traffic networks[M].Journal of Air Transport Management，2016.

[17] FLEURQUIN P，RAMASCO J J，EGUILUZ V M.Systemic delay propagation in the US airport network[R].Scientific reports，2013：3.

[18] BAUMGARTEN P，MALINA R，LANGE A.The impact of hubbing concentration on flight delays within airline networks：An empirical analysis of the US domestic market[J].Transportation Research Part E：Logistics and Transportation Review，2014，66：103-114.

[19] 孙宏，张翔，徐杰.航空公司机队集中调度理论研究[D].南京：南京航空航天大学，2008.

[20] 张海峰，胡明华.航空公司短期航班计划编排模型及算法[J].南京航空航天大学学报，2015，47(4)：553-558.

[21] 黄子君，许俐.基于 ServiceModel 的国内航班计划运行仿真[J].交通运输系统工程与信息，2009，10(2)：76-82.