机位智能分配方法、计算机装置及存储介质
阅读：387发布：2020-05-11
专利汇可以提供机位智能分配方法、计算机装置及存储介质专利检索，专利查询，专利分析的服务。并且本 发明 提供一种机位智能分配方法，包括获取机场的历史航班关联数据以及历史机位分配方案；基于所述历史航班关联数据以及历史机位分配方案进行学习，得到机位分配训练模型，其中，所述机位分配训练模型包括航班关联数据与机位分配方案的映射关系，所述机位分配训练模型用于基于所述机场的实时的航班关联数据，输出所述机场的机位分配方案。本发明还提供实现所述机位智能分配方法的计算机装置及存储介质。本发明可对机场机位进行有效分配。，下面是机位智能分配方法、计算机装置及存储介质专利的具体信息内容。
1.一种机位智能分配方法，其特征在于，所述方法包括：
获取机场的历史航班关联数据以及历史机位分配方案；
基于所述历史航班关联数据以及历史机位分配方案进行学习，得到机位分配训练模型，其中，所述机位分配训练模型包括航班关联数据与机位分配方案的映射关系，所述机位分配训练模型用于基于所述机场的实时的航班关联数据，输出所述机场的机位分配方案。
2.如权利要求1所述的机位智能分配方法，其特征在于，所述历史航班关联数据包括机位信息、航空器信息、航班信息、机型信息、要客信息、冲突信息、滑行信息、气象信息。
3.如权利要求1所述的机位智能分配方法，其特征在于，所述基于所述历史航班关联数据以及历史机位分配方案进行学习，得到机位分配训练模型包括：
基于所述历史航班关联数据以及历史机位分配方案，构建仿真环境，构建强化学习环境；
基于所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型。
4.如权利要求3所述的机位智能分配方法，其特征在于，所述构建仿真环境包括：
模拟所述机场的机位、天气；
模拟所述机场的机位分配方案；以及
模拟所述机场的旅客登机情况。
5.如权利要求4所述的机位智能分配方法，其特征在于，所述旅客登机情况包括：旅客登机时是否用到摆渡车，旅客从登机口到飞机的距离。
6.如权利要求4所述的机位智能分配方法，其特征在于，所述构建强化学习环境包括：
基于强化学习的调度目标来构建所述强化学习环境，所述调度目标包括：减少旅客登机时使用摆渡车的情况、缩短旅客从登机口到上飞机所要行走的距离。
7.如权利要求4所述的机位智能分配方法，其特征在于，所述基于所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型包括：
基于所述仿真环境和所述强化学习环境，通过强化学习算法对初始机位分配训练模型进行训练，输出初始机位分配方案，所述初始机位分配方案指示所述仿真环境中所模拟的机场的机位的分配方案；
基于所述初始机位分配方案对所述仿真环境中所模拟的机场的各个机位进行分配，获得所述仿真环境中所模拟的机场的旅客登机情况的变化；
基于所述旅客登机情况的变化和调度目标之间的差异，向所述初始机位分配训练模型反馈奖励；
基于所述奖励调整所述初始机位分配训练模型的参数，得到所述机位分配训练模型；
其中，所述奖励表示对所述初始机位分配方案的正评价或负评价，所述正评价表示所述旅客登机情况的变化倾向所述调度目标，所述负评价表示所述旅客登机情况的变化偏离所述调度目标。
8.如权利要求3所述的机位智能分配方法，其特征在于，所述基于所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型包括：
基于所述历史航班关联数据训练神经网络获得一个预测模型，该预测模型用于预测航班延迟概率和剩余机位；以及
基于所述预测模型所预测的航班延迟概率以及剩余机位、所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型。
9.一种计算机装置，其特征在于，所述计算机装置包括处理器和存储器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令实现如权利要求1至8中任意一项所述机位智能分配方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至8中任意一项所述机位智能分配方法。
机位智能分配方法、计算机装置及存储介质
技术领域
[0001] 本发明涉及机场运行优化技术领域，具体涉及一种机位智能分配方法、计算机装置及存储介质。
背景技术
[0002] 机位分配是指机场运营指挥中心为进港的航班分配合适的机位，用于飞机停放、上下客、飞机检修等，是机场进行资源分配和调度的核心任务。合理的机位分配能有效提升机场的运行效率，提高旅客的满意度。同时机位分配任务也是机场业务中的难点，需要调度员对机位情况、飞机类型、地服情况有充分了解，同时要综合天气的即时情况和各类实时信息进行综合分析和调整，不能有任何差错。相关人员所需的专业水平高，任务艰巨繁重。
[0003] 现有的机位的资源管理主要依靠机场指挥员进行人工分配，系统自动化、信息化程度低，需要消耗大量人力，资源使用率低。
发明内容
[0004] 鉴于以上内容，有必要提出一种机位智能分配方法、计算机装置及存储介质，用于对机场机位自动分配，提升机场人员工作效率的同时降低人力资源的消耗。
[0005] 本发明第一方面提供一种机位智能分配方法，包括：
[0006] 获取机场的历史航班关联数据以及历史机位分配方案；
[0007] 基于所述历史航班关联数据以及历史机位分配方案进行学习，得到机位分配训练模型，其中，所述机位分配训练模型包括航班关联数据与机位分配方案的映射关系，所述机位分配训练模型用于基于所述机场的实时的航班关联数据，输出所述机场的机位分配方案。
[0008] 优先地，所述历史航班关联数据包括机位信息、航空器信息、航班信息、机型信息、要客信息、冲突信息、滑行信息、气象信息。
[0009] 优先地，所述基于所述历史航班关联数据以及历史机位分配方案进行学习，得到机位分配训练模型包括：
[0010] 基于所述历史航班关联数据以及历史机位分配方案，构建仿真环境，构建强化学习环境；
[0012] 优先地，所述构建仿真环境包括：
[0013] 模拟所述机场的机位、天气；
[0014] 模拟所述机场的机位分配方案；以及
[0015] 模拟所述机场的旅客登机情况。
[0016] 优先地，所述旅客登机情况包括：旅客登机时是否用到摆渡车，旅客从登机口到飞机的距离。
[0017] 优先地，所述构建强化学习环境包括：
[0018] 基于强化学习的调度目标来构建所述强化学习环境，所述调度目标包括：减少旅客登机时使用摆渡车的情况、缩短旅客从登机口到上飞机所要行走的距离。
[0019] 优先地，所述基于所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型包括：
[0020] 基于所述仿真环境和所述强化学习环境，通过强化学习算法对初始机位分配训练模型进行训练，输出初始机位分配方案，所述初始机位分配方案指示所述仿真环境中所模拟的机场的机位的分配方案；
[0021] 基于所述初始机位分配方案对所述仿真环境中所模拟的机场的各个机位进行分配，获得所述仿真环境中所模拟的机场的旅客登机情况的变化；
[0022] 基于所述旅客登机情况的变化和所述调度目标之间的差异，向所述初始机位分配训练模型反馈奖励；
[0023] 基于所述奖励调整所述初始机位分配训练模型的参数，得到所述机位分配训练模型；其中，所述奖励表示对所述初始机位分配方案的正评价或负评价，所述正评价表示所述旅客登机情况的变化倾向所述调度目标，所述负评价表示所述旅客登机情况的变化偏离所述调度目标。
[0024] 优先地，所述基于所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型包括：
[0025] 基于所述历史航班关联数据训练神经网络获得一个预测模型，该预测模型用于预测航班延迟概率和剩余机位；以及
[0026] 基于所述预测模型所预测的航班延迟概率以及剩余机位、所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型。
[0027] 本发明第二方面提供一种计算机装置，所述计算机装置包括处理器和存储器，所述存储器用于存储至少一个指令，所述处理器用于执行所述至少一个指令实现所述机位智能分配方法。
[0028] 本发明第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述机位智能分配方法。
[0029] 相较于现有技术，本发明提供的机位智能分配方法、计算机装置及存储介质，通过获取机场的历史航班关联数据以及历史机位分配方案；基于所述历史航班关联数据以及历史机位分配方案进行学习，得到机位分配训练模型，其中，所述机位分配训练模型包括航班关联数据与机位分配方案的映射关系，所述机位分配训练模型用于基于所述机场的实时的航班关联数据，输出所述机场的机位分配方案。本发明可以基于机场的实施航班关联数据对机场机位自动分配，提升机场人员工作效率的同时降低人力资源的消耗。附图说明
[0030] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0031] 图1是本发明较佳实施例提供的机位智能分配方法的应用环境架构图。
[0032] 图2是本发明较佳实施例提供的机位智能分配方法的流程图。
[0033] 图3是本发明较佳实施例提供的机位智能分配系统的功能模块图。
[0034] 图4是本发明较佳实施例提供的计算机装置的结构图。
[0035] 主要元件符号说明
[0037] 如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
[0038] 为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
[0039] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0041] 参阅图1所示，为本发明较佳实施例提供的机位智能分配方法的应用环境架构图。
[0042] 本发明的机位智能分配方法应用在一个或者多个计算机装置及/或一个大数据平台所构成的环境中。例如，由一个计算机装置3和一个大数据平台4构成的环境中。在一个实施例中，所述计算机装置3和大数据平台4可以通过有线(例如USB(Universal Serial Bus，通用串行总线)方式或无线方式建立通讯连接。所述无线方式可以是传统无线通讯技术的任何类型，例如无线电、无线保真(Wireless Fidelity,WIFI)、蜂窝、卫星、广播等。
[0043] 本实施例中，所述计算机装置3可以是个人电脑、服务器或其他计算设备。所述大数据平台4存储了机场5的历史航班关联数据以及历史机位分配方案。
[0044] 本实施例中，所述历史航班关联数据是指之前或者预设时段内(例如一年之内)机场5的航班关联数据。所述航班关联数据包括，但不限于，机位信息、航空器信息、航班信息、机型信息、要客信息、冲突信息、滑行信息、气象信息等信息。
[0045] 所述机位信息可以是指登机口的编号、所对应的机位类型(可以是指用于停靠大型飞机的机位还是小型飞机的机位)。所述航空器信息可以是指飞机型号、飞机类型如客运飞机还是货运飞机。所述航班信息可以是指飞机起飞时间及降落时间、起飞地点以及降落地点。机型信息可以是指飞机是大型飞机、中型飞机、小型飞机或飞机型号中的一种。所述要客信息可以是指飞机上是否有特定旅客如病人、重要旅客(例如政客)等。所述冲突信息可以是指两个航班之间发生机位的冲突。例如，当先停靠到某个机位的飞机离开该某个机位的时间点距下一个飞机停靠到该某个机位的时间点之差小于预设时长(例如15分钟)的情况。所述滑行信息可以是指飞机从机位开始滑行到离开地面时所要滑行的距离、飞机从落地到机位所要滑行的距离等。所述气象信息可以是指飞机在飞行过程中的天气状况如起飞时的天气状况、降落时的天气状况。
[0046] 所述历史机位分配方案是指之前或者预设时段内(例如一年之内)对机场5的各个航班的机位分配情况。
[0047] 本实施例中，所述大数据平台4可以从ADS-B(Automatic dependent surveillance–broadcast，广播式自动相关监视)系统获取所述机场5的历史航班关联数据。
[0048] 需要说明的是，所述ADS–B系统是一种飞机监视技术，飞机通过卫星导航系统确定其位置，并进行定期广播，使其可被追踪。空中交通管制地面站可以接收这些信息并作为二次雷达的一个替代品，从而不需要从地面发送问询信号。
[0049] 本实施例中，所述计算机装置3可以从所述大数据平台4获取所述机场5的历史航班关联数据以及历史机位分配方案，并基于所述历史航班关联数据以及历史机位分配方案进行学习获得机位分配训练模型，从而可以利用该机位分配训练模型对机场5的机位进行自动分配。具体实施方式请参下面对图2的介绍。
[0050] 图2是本发明较佳实施例提供的机位智能分配方法的流程图。
[0051] 在本实施例中，所述机位智能分配方法可以应用于计算机装置中，对于需要进行机位智能分配的计算机装置，可以直接在计算机装置上集成本发明的方法所提供的用于机位智能分配的功能，或者以软件开发工具包(Software Development Kit，SDK)的形式运行在计算机装置上。
[0052] 如图2所示，所述机位智能分配方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
[0053] 步骤S1、计算机装置3从所述大数据平台4获取所述机场5的历史航班关联数据以及历史机位分配方案。
[0054] 如前面所述，所述历史航班关联数据是指之前或者预设时段内(例如一年之内)机场5的航班关联数据。所述航班关联数据包括，但不限于，机位信息、航空器信息、航班信息、机型信息、要客信息、冲突信息、滑行信息、气象信息等信息。
[0055] 所述机位信息可以是指登机口的编号、所对应的机位类型(可以是指用于停靠大型飞机的机位还是小型飞机的机位)。所述航空器信息可以是指飞机型号、飞机类型如客运飞机还是货运飞机。所述航班信息可以是指飞机起飞时间及降落时间、起飞地点以及降落地点。机型信息可以是指飞机是大型飞机、中型飞机、小型飞机或飞机型号中的一种。所述要客信息可以是指飞机上是否有特定旅客如病人、重要旅客(例如政客)等。所述冲突信息可以是指两个航班之间发生机位的冲突。例如，当先停靠到某个机位的飞机离开该某个机位的时间点距下一个飞机停靠到该某个机位的时间点之差小于预设时长(例如15分钟)的情况。所述滑行信息可以是指飞机从机位开始滑行到离开地面时所要滑行的距离、飞机从落地到机位所要滑行的距离等。所述气象信息可以是指飞机在飞行过程中的天气状况如起飞时的天气状况、降落时的天气状况。
[0056] 所述历史机位分配方案是指之前或者预设时段内(例如一年之内)对机场5的各个航班的机位分配情况。
[0057] 步骤S2、计算机装置3基于所述历史航班关联数据以及历史机位分配方案进行学习，得到机位分配训练模型。其中，所述机位分配训练模型包括航班关联数据与机位分配方案的映射关系。
[0058] 在一个实施例中，计算机装置3可以利用机器学习、强化学习(Reinforcement learning)、线性规划、进化学习、搜索与推荐等算法基于所述历史航班机位关联数据来训练获得机位分配训练模型。
[0059] 本实施例中，所述基于所述历史航班关联数据以及历史机位分配方案进行学习，得到机位分配训练模型包括(a1)-(a2)：
[0060] (a1)基于所述历史航班关联数据以及历史机位分配方案，构建仿真环境，构建强化学习(Reinforcement Learning)环境；以及
[0061] (a2)基于所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型。
[0062] 在一个实施例中，所述强化学习算法包括，但不限于，Q learning,Sarsa。
[0063] 在一个实施例中，所述构建仿真环境包括：模拟所述机场5的各个机位、天气；模拟所述机场5的机位分配方案；以及模拟所述机场5的旅客登机情况。
[0064] 在一个实施例中，所述构建强化学习环境包括：
[0065] 基于强化学习的调度目标来构建所述强化学习环境，其中，所述调度目标包括，但不限于，减少旅客登机时使用摆渡车的情况、缩短旅客从登机口到上飞机所要行走的距离。所述旅客登机情况是指旅客登机时是否用到摆渡车，旅客从登机口到飞机的距离。
[0066] 在一个实施例中，所述基于所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型包括：
[0067] 基于所述仿真环境和所述强化学习环境，通过强化学习算法对初始机位分配训练模型进行训练，输出初始机位分配方案，所述初始机位分配方案指示所述仿真环境中所模拟的机场的机位的分配方案；
[0068] 基于所述初始机位分配方案对所述仿真环境中所模拟的机场的各个机位进行分配，获得所述仿真环境中所模拟的机场的旅客登机情况的变化；
[0069] 基于所述旅客登机情况的变化和所述调度目标之间的差异，向所述初始机位分配训练模型反馈奖励；
[0070] 基于所述奖励调整所述初始机位分配训练模型的参数，得到所述机位分配训练模型；其中，所述奖励表示对所述初始机位分配方案的正评价或负评价，所述正评价表示所述旅客登机情况的变化倾向所述调度目标，所述负评价表示所述旅客登机情况的变化偏离所述调度目标。
[0071] 在一个实施例中，所述初始机位分配训练模型为神经网络模块。
[0073] 具体地，所述计算机装置3可以基于所述历史航班关联数据所包括的机位信息、航空器信息、航班信息、以及气象信息训练所述神经网络来获得所述预测模型。
[0074] 在其他实施例中，所述计算机装置3还基于所述预测模型所预测的航班延迟概率以及剩余机位、所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型。
[0075] 步骤S3、计算机装置3保存所述机位分配训练模型。例如将所述机位分配训练模型保存到所述计算机装置3的存储器中，或者保存到与所述计算机装置3通讯连接的外部设备如其他存储装置中。
[0076] 在实际运用中，需要利用所述机位分配训练模型的装置如计算机装置3或其他装置可以下载所述机位分配训练模型，从而利用该机位分配训练模型基于所述机场5的实时航班关联数据，输出所述机场5的机位分配方案，为所述机场5的航班分配机位。
[0077] 具体地，需要利用所述机位分配训练模型的装置在下载了所述机位分配训练模型后，可以从所述大数据平台4获取所述机场5的实时航班关联数据，由此即可利用所述机位分配训练模型获得所述机场5的实时的分配方案，无需人工分配，减少人力消耗，提升机位分配效率。
[0078] 综上所述，本发明实施例中所述的机位智能分配方法，通过获取机场的历史航班关联数据以及历史机位分配方案；基于所述历史航班关联数据以及历史机位分配方案进行学习，得到机位分配训练模型，其中，所述机位分配训练模型包括航班关联数据与机位分配方案的映射关系；及利用所述机位分配训练模型基于所述机场的实时的航班关联数据，输出所述机场的机位分配方案。可对机场机位自动分配，提升机场人员工作效率的同时降低人力资源的消耗。
[0081] 参阅图3所示，是本发明较佳实施例提供的机位智能分配系统的模块图。
[0082] 在一些实施例中，所述机位智能分配系统30运行于计算机装置3中。所述机位智能分配系统30可以包括多个由程序代码段所组成的功能模块。所述机位智能分配系统30中的各个程序段的程序代码可以存储于计算机装置3的存储器31中，并由至少一个处理器32所执行，以实现机位智能分配功能(详见图2描述)。
[0083] 本实施例中，所述机位智能分配系统30根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：获取模块301、执行模块302。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。
[0084] 获取模块301从所述大数据平台4获取所述机场5的历史航班关联数据以及历史机位分配方案。
[0085] 如前面所述，所述历史航班关联数据是指之前或者预设时段内(例如一年之内)机场5的航班关联数据。所述航班关联数据包括，但不限于，机位信息、航空器信息、航班信息、机型信息、要客信息、冲突信息、滑行信息、气象信息等信息。
[0086] 所述机位信息可以是指登机口的编号、所对应的机位类型(可以是指用于停靠大型飞机的机位还是小型飞机的机位)。所述航空器信息可以是指飞机型号、飞机类型如客运飞机还是货运飞机。所述航班信息可以是指飞机起飞时间及降落时间、起飞地点以及降落地点。机型信息可以是指飞机是大型飞机、中型飞机、小型飞机或飞机型号中的一种。所述要客信息可以是指飞机上是否有特定旅客如病人、重要旅客(例如政客)等。所述冲突信息可以是指两个航班之间发生机位的冲突。例如，当先停靠到某个机位的飞机离开该某个机位的时间点距下一个飞机停靠到该某个机位的时间点之差小于预设时长(例如15分钟)的情况。所述滑行信息可以是指飞机从机位开始滑行到离开地面时所要滑行的距离、飞机从落地到机位所要滑行的距离等。所述气象信息可以是指飞机在飞行过程中的天气状况如起飞时的天气状况、降落时的天气状况。
[0087] 所述历史机位分配方案是指之前或者预设时段内(例如一年之内)对机场5的各个航班的机位分配情况。
[0088] 执行模块302基于所述历史航班关联数据以及历史机位分配方案进行学习，得到机位分配训练模型。其中，所述机位分配训练模型包括航班关联数据与机位分配方案的映射关系。
[0089] 在一个实施例中，执行模块302可以利用机器学习、强化学习(Reinforcement learning)、线性规划、进化学习、搜索与推荐等算法基于所述历史航班机位关联数据来训练获得机位分配训练模型。本实施例中，所述基于所述历史航班关联数据以及历史机位分配方案进行学习，得到机位分配训练模型包括(a1)-(a2)：
[0090] (a1)基于所述历史航班关联数据以及历史机位分配方案，构建仿真环境，构建强化学习(Reinforcement Learning)环境；以及
[0091] (a2)基于所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型。
[0092] 在一个实施例中，所述强化学习算法包括，但不限于，Q learning,Sarsa。
[0093] 在一个实施例中，所述构建仿真环境包括：模拟所述机场5的各个机位、天气；模拟所述机场5的机位分配方案；以及模拟所述机场5的旅客登机情况。
[0094] 在一个实施例中，所述构建强化学习环境包括：
[0095] 基于强化学习的调度目标来构建所述强化学习环境，其中，所述调度目标包括，但不限于，减少旅客登机时使用摆渡车的情况、缩短旅客从登机口到上飞机所要行走的距离。所述旅客登机情况是指旅客登机时是否用到摆渡车，旅客从登机口到飞机的距离。
[0096] 在一个实施例中，所述基于所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型包括：
[0097] 基于所述仿真环境和所述强化学习环境，通过强化学习算法对初始机位分配训练模型进行训练，输出初始机位分配方案，所述初始机位分配方案指示所述仿真环境中所模拟的机场的机位的分配方案；
[0098] 基于所述初始机位分配方案对所述仿真环境中所模拟的机场的各个机位进行分配，获得所述仿真环境中所模拟的机场的旅客登机情况的变化；
[0099] 基于所述旅客登机情况的变化和所述调度目标之间的差异，向所述初始机位分配训练模型反馈奖励；
[0100] 基于所述奖励调整所述初始机位分配训练模型的参数，得到所述机位分配训练模型；其中，所述奖励表示对所述初始机位分配方案的正评价或负评价，所述正评价表示所述旅客登机情况的变化倾向所述调度目标，所述负评价表示所述旅客登机情况的变化偏离所述调度目标。
[0101] 在一个实施例中，所述初始机位分配训练模型为神经网络模块。
[0102] 在其他实施例中，执行模块302还基于所述机场5的历史航班关联数据训练神经网络(例如卷积神经网络)获得一个预测模型。该预测模型用于预测航班延迟概率以及剩余机位。
[0103] 具体地，所述执行模块302可以基于所述历史航班关联数据所包括的机位信息、航空器信息、航班信息、以及气象信息训练所述神经网络来获得所述预测模型。
[0104] 在一个实施例中，所述执行模块302还基于所述预测模型所预测的航班延迟概率以及剩余机位、所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型。
[0105] 执行模块302保存所述机位分配训练模型。例如将所述机位分配训练模型保存到所述计算机装置3的存储器中，或者保存到与所述计算机装置3通讯连接的外部设备如其他存储装置中。
[0106] 在实际运用中，需要利用所述机位分配训练模型的装置如计算机装置3或其他装置可以下载所述机位分配训练模型，从而利用该机位分配训练模型基于所述机场5的实时航班关联数据，输出所述机场5的机位分配方案，为所述机场5的航班分配机位。
[0107] 具体地，需要利用所述机位分配训练模型的装置在下载了所述机位分配训练模型后，可以从所述大数据平台4获取所述机场5的实时航班关联数据，由此即可利用所述机位分配训练模型获得所述机场5的实时的分配方案，无需人工分配，减少人力消耗，提升机位分配效率。
[0108] 综上所述，本发明实施例中所述的机位智能分配系统，通过获取机场的历史航班关联数据以及历史机位分配方案；基于所述历史航班关联数据以及历史机位分配方案进行学习，得到机位分配训练模型，其中，所述机位分配训练模型包括航班关联数据与机位分配方案的映射关系，所述机位分配训练模型用于基于所述机场的实时的航班关联数据，输出所述机场的机位分配方案。可对机场机位自动分配，提升机场人员工作效率的同时降低人力资源的消耗。
[0109] 参阅图4所示，为本发明较佳实施例提供的计算机装置的结构示意图。在本发明较佳实施例中，所述计算机装置3包括存储器31、至少一个处理器32、至少一条通信总线33。本领域技术人员应该了解，图4示出的计算机装置的结构并不构成本发明实施例的限定，既可以是总线型结构，也可以是星形结构，所述计算机装置3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。
[0110] 本实施例中，所述计算机装置3与一大数据平台4可以通过有线(例如USB(Universal Serial Bus，通用串行总线)方式或无线方式建立通讯连接。所述无线方式可以是传统无线通讯技术的任何类型，例如无线电、无线保真(Wireless Fidelity,WIFI)、蜂窝、卫星、广播等。
[0111] 本实施例中，所述计算机装置3可以是个人电脑、服务器或其他计算设备。
[0112] 在一些实施例中，所述计算机装置3包括一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的终端，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。
[0113] 需要说明的是，所述计算机装置3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本发明，也应包含在本发明的保护范围以内，并以引用方式包含于此。
[0114] 在一些实施例中，所述存储器31用于存储程序代码和各种数据，例如安装在所述计算机装置3中的机位智能分配系统30，并在计算机装置3的运行过程中实现高速、自动地完成程序或数据的存取。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者任何其他能够用于携带或存储数据的计算机可读的存储介质。
[0115] 在一些实施例中，所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述至少一个处理器32是所述计算机装置3的控制核心(Control Unit)，利用各种接口和线路连接整个计算机装置3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行计算机装置3的各种功能和处理数据，例如执行机位智能分配的功能。
[0116] 在一些实施例中，所述至少一条通信总线33被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。
[0117] 尽管未示出，所述计算机装置3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述计算机装置3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
[0118] 应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0119] 上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是服务器、个人电脑等)或处理器(processor)执行本发明各个实施例所述方法的部分。
[0120] 在进一步的实施例中，结合图3，所述至少一个处理器32可执行所述计算机装置3的操作装置以及安装的各类应用程序(如所述的机位智能分配系统30)、程序代码等，例如，上述的各个模块。
[0121] 所述存储器31中存储有程序代码，且所述至少一个处理器32可调用所述存储器31中存储的程序代码以执行相关的功能。例如，图3中所述的各个模块是存储在所述存储器31中的程序代码，并由所述至少一个处理器32所执行，从而实现所述各个模块的功能以达到机位智能分配的目的。
[0122] 在本发明的一个实施例中，所述存储器31存储一个或多个指令(即至少一个指令)，所述至少一个指令被所述至少一个处理器32所执行以实现机位智能分配的目的。
[0123] 结合图1所示，所述至少一个处理器32对上述至少一个指令的具体实现方法包括：
[0124] 获取机场的历史航班关联数据以及历史机位分配方案；
[0125] 基于所述历史航班关联数据以及历史机位分配方案进行学习，得到机位分配训练模型，其中，所述机位分配训练模型包括航班关联数据与机位分配方案的映射关系，所述机位分配训练模型用于基于所述机场的实时的航班关联数据，输出所述机场的机位分配方案。
[0126] 根据本发明优选的实施例，所述历史航班关联数据包括机位信息、航空器信息、航班信息、机型信息、要客信息、冲突信息、滑行信息、气象信息。
[0127] 根据本发明优选的实施例，所述基于所述历史航班关联数据以及历史机位分配方案进行学习，得到机位分配训练模型包括：
[0128] 基于所述历史航班关联数据以及历史机位分配方案，构建仿真环境，构建强化学习环境；
[0129] 基于所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型。
[0130] 根据本发明优选的实施例，所述构建仿真环境包括：
[0131] 模拟所述机场的机位、天气；
[0132] 模拟所述机场的机位分配方案；以及
[0133] 模拟所述机场的旅客登机情况。
[0134] 根据本发明优选的实施例，所述旅客登机情况包括：旅客登机时是否用到摆渡车，旅客从登机口到飞机的距离。
[0135] 根据本发明优选的实施例，所述构建强化学习环境包括：
[0136] 基于强化学习的调度目标来构建所述强化学习环境，所述调度目标包括：减少旅客登机时使用摆渡车的情况、缩短旅客从登机口到上飞机所要行走的距离。
[0137] 根据本发明优选的实施例，所述基于所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型包括：
[0138] 基于所述仿真环境和所述强化学习环境，通过强化学习算法对初始机位分配训练模型进行训练，输出初始机位分配方案，所述初始机位分配方案指示所述仿真环境中所模拟的机场的机位的分配方案；
[0139] 基于所述初始机位分配方案对所述仿真环境中所模拟的机场的各个机位进行分配，获得所述仿真环境中所模拟的机场的旅客登机情况的变化；
[0140] 基于所述旅客登机情况的变化和所述调度目标之间的差异，向所述初始机位分配训练模型反馈奖励；
[0141] 基于所述奖励调整所述初始机位分配训练模型的参数，得到所述机位分配训练模型；其中，所述奖励表示对所述初始机位分配方案的正评价或负评价，所述正评价表示所述旅客登机情况的变化倾向所述调度目标，所述负评价表示所述旅客登机情况的变化偏离所述调度目标。
[0142] 根据本发明优选的实施例，所述基于所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型包括：
[0143] 基于所述历史航班关联数据训练神经网络获得一个预测模型，该预测模型用于预测航班延迟概率和剩余机位；以及
[0144] 基于所述预测模型所预测的航班延迟概率以及剩余机位、所述仿真环境和所述强化学习环境，通过强化学习算法进行强化学习，得到所述机位分配训练模型。
[0145] 在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0146] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0147] 另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0148] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
[0149] 最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种作业推送的方法、系统、设备和存储介质 | 2020-05-11 | 968 |
| 基于深度增强学习的预观控制仿人机器人步态规划方法 | 2020-05-12 | 704 |
| 基于改进直流潮流算法的电网无功潮流调整方法及装置 | 2020-05-12 | 393 |
| 一种用辩证法研究钢琴教学的方法 | 2020-05-13 | 164 |
| 一种基于深度强化学习的订单信息处理方法 | 2020-05-11 | 855 |
| 基于随机微分方程的连续性强化学习模型构造系统及方法 | 2020-05-13 | 266 |
| 基于强化学习的机器学习模型预测时机估计模型 | 2020-05-11 | 93 |
| 一种基于λ-回报的异策略多智能体强化学习协作方法 | 2020-05-11 | 375 |
| 虚拟对象的动画生成方法、装置、设备及存储介质 | 2020-05-13 | 504 |
| 一种监控视频发送端视频编码流速控制的方法 | 2020-05-12 | 987 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈