基于三维风险分析模型的车辆调度研究*

2023-06-05邹沛林刘彦君路晓梅

舰船电子工程 2023年2期

冯君邹沛林刘彦君路晓梅

（中国民用航空飞行学院广汉 618000）

1 引言

随着国家在新时期积极推进大数据，行业信息化、自动化程度不断提高，数据驱动安全势在必行。从我国民航业的发展趋势来看，机场吞吐量的快速增长暴露了其长期存在的弊端，已成为影响航空运输效率的重要因素。为航班提供地面车辆调度服务是机场运营和管理的重要组成部分。对于进离港航班，它表现出高密度和短时间的特点。因此，航班的地面支持服务往往过于集中。优化机场地面特种车辆的保障能力是减少航班延误、节约调度成本的关键因素之一。

三维风险分析的方法的研究重点偏向于物流与安全管理方面。Jin J 等［1］（2012）基于优化的三维风险矩阵，研究了公共安全监测系统的安全完整性水平。Juan Y 等［2］（2016）考虑传统二维风险评价的能力和严重性，引入风险受体脆弱性的概念，提出了三维风险矩阵，可以更好地表征消费者行为对食品安全事故的影响。潘丹等［3］（2018）鉴于机场风险管控能力差异对风险的影响，对停机坪安全三维风险预警模型进行了研究。Gray G 等［4］（2019）将风险评估作为过程的一个组成部分。通过建立风险矩阵，将分析的结果进行不同颜色的预警编码，反应预警等级。

对于机场地面调度的相关研究，罗宇骁［5］（2016）通过对机场滑行与停车泊车的协同调度进行了研究，提出了一个基于滑行道的双层次优化调度模式，以改善空港的运营效能，并将地面控制和空港调度有机的有机结合起来。殷龙等［6］（2016）针对民航机场单车和单程航班调度效率低下的问题，提出了基于时间窗限制的特种车辆的优化调度问题。最后，利用实测资料进行模拟，得到了燃料作业的最优分配，从而证明了该方法的正确性。王湛等［7］（2017）基于模糊自修正多粒子群算法，对离散化最优模式进行了模拟，其效果较好。邢志伟等［8］（2017）既考虑到了航班流程为零工型与定位性的混合流程，又考虑到了资源需求量的差异和时间窗约束等特点，并针对此建立了基于带有时间窗车辆路径问（VRPTW）的航班保障服务流程模型。许晨晨等［9］（2018）基于机场地面保障设备工作时间的不确定性，研究了机场地面服务设备的调度优化问题。综上所述，本文所用方法遗传算法作为现代智能启发式算法，所采用的方法具有不易陷入局部解、且算法性能稳定，在解决多类组合优化问题上取得良好效果。

2 问题描述与建模

2.1 问题描述与分析指标选取

在航空运输生产中，在准备飞行之前或完成飞行之后，飞机需要完成停机坪一系列生产和地面准备工作。这个过程被称为地面车辆调度服务。地面车辆调度服务涉及多种特种车辆的调度。

本文主要考虑五种主要车辆的调度流程：摆渡车、加油车、清水车、行李车和食品车。在过去，相关研究方向的重点是考虑时间约束在车辆调度过程中的关键作用。本文引入风险因素，通过比较五种车辆，造成航班不正常到发的风险警度，改进时间约束的范围取值，优化特种车辆调度排班次序，提高机场运行的效率［10］。在保障过程中，由于人为操作造成潜在隐患的几率高于70%。因此我们采取总结以往专家经验，对不同参数划分并归纳。针对专家采用的问卷调查，根据结果利用AHP 层次分析从而得出不同车辆在调度过程中的风险权重，进行数据统计。

风险分析流程分为以下几点：

1）计算风险权重

采用yaahp软件可以直观明了的判断矩阵的一致性。

2）构建分析模型

风险（r）=f（可能性（rp），严重性（rs），脆弱性（rv））

为了更好地确定指标类型，可以将目标分为三个层面，分别为目标层、准则层和指标层。参照二维风险矩阵的分级，将风险的可能性和严重性划分为三个等级。

3）求得隶属矩阵

参考三维风险评价维度的占据权重，分别求出隶属向量，得到可能性隶属向量，严重性隶属向量，脆弱性隶属向量为

求得隶属值：

代入以下公式，可以求得隶属值矩阵：

其中r是评判结果。

4）得出风险警度

（1）单指标风险警度计算

（2）综合风险警度计算

2.2 车辆调度模型

2.2.1 模型假设

本文结合传统的VRP 模型，通过增加时间窗惩罚约束，并遵循先后次序规则，得到了一种改进的车辆调度模型［11～12］。模型条件如下所示：

1）每架飞机只能被同种类型的车服务一次；

2）车辆数不允许超过最大限制车辆数；

3）每辆车都得从配送中心0点出发；

4）第k辆车服务j点后必须离开；

5）任何车辆开始服务时间在规定的时间窗范围内；

6）任何车辆承载容量必须大于指定停机位需求量；

7）第k 辆车在i 点结束服务时间早于后续j 点开始服务时间；

8）车辆进行地面调度作业时有一定惩罚成本，惩罚时间为前后15min；

9）配送车辆一旦完成线路配送任务后便从外围返回配送中心，即只考虑单程配送问题；

10）配送过程中车辆匀速行驶，速度为20km/h，且道路交通和天气状况良好。

2.2.2 参数和变量

i，j表示机场停机位节点，i=0 表示配送中心，i，j=1，2，3，…，n表示停机位编号；ck表示k 车辆的承载容量；aik表示该航班允许k 车辆服务的时间窗开始时间；bik表示该航班允许k 车辆服务的时间窗结束时间；mk表示不同种类车辆行驶费用；pk表示不同种类车辆派车费用；Tik为第k 辆车在i 点服务开始时间；Tjk为第k 辆车在后续j 点服务开始时间；Uik为第k 辆车在i 点服务结束时间；Ujk为第k辆车在后续j点服务结束时间；Dik为对于k 车辆的i 点资源需求量；Cijk为第k 辆车在i点或j 点时间超过时间窗惩罚成本；dij为停机位i至停机位j的距离。

2.2.3 模型建立

载运工具确定行驶路线及时间，有效地运送各站点间的旅客和货物。运筹学界将此类问题统称为车辆路径问题（Vehicle Routing Problem，VRP）［13］。

结合传统的VRP 模型，通过增加时间窗惩罚约束，并遵循先后次序规则，得到了一种改进的车辆调度模型［14］。

本文研究的模型重点考虑时间窗约束。时间窗系数越高，时间要求越高，但是惩罚成本也随之增高。通过多次测验，保证数据最佳拟合的系数为70，系数的改变值选取5，因此四种惩罚系数为70，75，80，85。这四种惩罚系数分别对应警度由低到高四个等级。而惩罚成本则通过惩罚系数与各自车辆对应的行驶费用和距离乘积。惩罚系数的范围是综合考虑惩罚成本的变化与惩罚时长的变化在相对稳定的范围内，进行最合适的筛选。

总目标同时考虑车辆使用数目最少，车辆的行驶时间最短，时间窗惩罚度最小，容量惩罚度最小。将时间变化与资源变化转化为经济成本，以此来表示调度效率的高低。本文研究的调度能力，便是车辆使用数目，使用成本以及调度时间的统称。

3 遗传算法设计

本文以遗传算法为例，对优化模型进行求解。遗传算法是一个模拟生物进化理论生成的自适应全局优化算法。

由于遗传算法是一种随机搜索算法，因此不可能获得准确的测量解。为了防止其无限循环，还需要设置相应的终止条件来停止其往复循环迭代。这里，选择设置200 次迭代，当迭代次数达到200，算法便会终止迭代。

4 实例验证

4.1 风险分析实例

本文通过采取访问西安咸阳国际机场工作人员，以调查问卷的方式进行调查，以此来获取五种特种车辆的权重。为了细化每种车辆对不正常航班到发的影响程度，以进港服务时间、出港服务时间、调度时间、延误时间、平均服务时间、平均延误时间六种设定为指标层因素，随后将六种指标层的单指标警度作出均值，便能得到更为准确的该车辆针对于航班不正常到发的风险警度。

1）编码处理

将获取的分数统计，采用AHP 层次分析进行数据编码处理。得到的数据结果如图1 所示。经检验，所有数据权重分析，都满足一致性要求。

图1 AHP指标层分析结果图

2）求出隶属矩阵

参照二维风险矩阵的分级，将风险的可能性和严重性划分为三个等级。各自维度的矩阵Mp=(0.5，1.5，2.5)，Ms=(0.5，1.5，2.5)，Mv=(0.5，1.5，2.5)。分别代表可能性，严重性和脆弱性。计算车辆的可能性隶属值矩阵，严重性隶属值矩阵和脆弱性隶属值矩阵。

3）警度计算

通过计算各自维度地面车辆风险等级占据总数的比值，得出三种风险评价维度的权重为

wp=ws=wv=1/3

所有指标层因素的单指标警度见表1。

表1 警度分析表

根据指标层因素的单指标警度，对它求均值，摆渡车的警度为1.8939，加油车的警度为1.7048，清水车的警度为1.9317，行李车的警度为1.7048，食品车的警度为2.083。警度的等级划分采用四分位数，四分位数（Quartile）是统计学中分位数的一种，即把所有数据由小到大排列并分成四等份，处于三个分割点位置的数据就是四分位数。对五种车辆警度进行四分位数划分，得出加油车和行李车为第一等级，摆渡车为第二等级，清水车为第三等级，食品车为第四等级。时间窗惩罚系数定位，70，75，80，85，这四种惩罚系数分别对应警度由低到高四个等级。