一种航班地服保障车辆调度的确定方法、装置、设备及介质与流程

本技术涉及机场运输数据处理，尤其是涉及一种航班地服保障车辆调度的确定方法、装置、设备及介质。

背景技术：

1、机场航班地服保障车辆智能调度是机场运行控制及全流程保障业务体系中的重要一环，车辆保障资源调度是否合理高效将对机场整体的运行效率产生影响。在真实场景中的机场地服调度业务通常所涉及到的是多车库车辆调度问题，即在机场站坪中存在多个车库，不同车库中的车辆资源之间可以互相调度派遣，需同时满足各种调度目标的要求，因此如何设计一种高效的求解算法来满足大规模航班任务情形下的多车库车辆调度需求对于机场地服智能调度领域是至关重要的。现有技术针对大量航班任务情形下的机场地服复杂多车库车辆调度无法做到高效求解，所以如何实现高效可靠的多车库车辆协同调度成为了不容小觑的技术问题。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种航班地服保障车辆调度的确定方法、装置、设备及介质，使用自适应大邻域搜索(alns)算法直接对多车库地服航班保障车辆调度问题进行求解，并使用图神经网络模型的破坏算子加速并提升alns算法的性能，从而实现高效可靠的多车库车辆协同调度。

2、本技术实施例提供了一种航班地服保障车辆调度的确定方法，所述确定方法包括：

3、基于贪心算法对目标机场的混合整数线性规划模型进行问题求解，确定出所述混合整数线性规划模型的初始求解结果；其中，所述混合整数线性规划模型是由多车库地服航班保障车辆调度问题构建出来的；所述初始求解结果为向每个所述飞机任务分配对应车库下的车辆以及每个车辆到达不同飞机任务所对应的飞机停机位的车辆执行路径；

4、基于轮盘赌算法选择破坏算子，若选中gcn移除算子，则将所述初始求解结果的特征信息输入至图神经网络模型之中，对车辆节点进行预测，预测出目标车辆节点并移除所述目标车辆节点关联的飞机任务以对所述初始求解结果进行破坏；其中，所述图神经网络模型是通过有监督学习训练得到的；

5、基于自适应大邻域搜索算法中的修复算子以及模拟退火算法准则对破坏后的所述初始求解结果进行处理，得到新的求解结果，并动态更新对应算子的表现分数以及权重进入下一次迭代，直至达到迭代次数时确定出所述混合整数线性规划模型的目标求解结果。

6、在一种可能的实施方式之中，通过以下方式构建出所述多车库地服航班保障车辆调度问题：

7、基于所述飞机任务与所述车辆之间的决策变量、约束规则以及优化目标，构建出多个飞机任务的多车库地服航班保障车辆调度问题；

8、其中，所述决策变量包路径分配决策变量以及飞机任务开始时间决策变量，所述约束规则包括一个飞机任务被一辆车辆服务的约束规则、车辆执行飞机任务需求量的约束规则、车辆连续服务约束规则、车辆行程约束规则、车辆满足飞机任务连续服务的时间约束规则以及飞机任务在指定时间窗口内被服务的约束规则，所述优化目标包括最短车辆行驶总距离。

9、在一种可能的实施方式之中，通过以下步骤确定出所述图神经网络模型：

10、将样本混合整数线性规划模型转换成二部图格式，确定出所述样本混合整数线性规划模型的样本二部图；其中，所述样本二部图包括样本决策变量集合、样本约束条件集合以及样本决策变量与样本约束条件之间的关联所构成的样本边集合；

11、将提取到的每个样本决策变量的特征、每个样本约束条件的特征以及每个样本边的特征输入至所述初始图神经网络模型之中进行多次图卷积处理，确定出每个所述样本决策变量的嵌入特征；

12、对多个所述样本决策变量的嵌入特征以及多个样本车辆的特征进行聚合处理以及拼接处理，确定出每一所述样本车辆的目标嵌入特征；其中，所述目标嵌入特征为与所述样本车辆相关的所有样本决策变量的嵌入特征；

13、基于多层感知器对每一所述样本车辆的目标嵌入特征进行预测处理，确定出每一所述样本车辆的预测概率，将预测概率超过设定阈值所对应的样本车辆选中，并对选中样本车辆的样本决策变量进行破坏操作；

14、基于所述样本破坏算子以及预先设计出来的所述样本混合整数线性规划模型的启发式破坏算子产生的标签之间的损失值对所述初始图神经网络模型进行有监督迭代训练，确定出所述图神经网络模型。

15、在一种可能的实施方式之中，通过以下公式进行多次图卷积处理：

16、

17、其中，和分别表示vi和cj经过n层图卷积处理的嵌入特征，且和是通过使用线性映射将对应的原始的样本决策变量vi的特征和原始的样本约束条件cj的特征投影至64维的向量空间来初始化得到，h1、h2均表示具有128维的隐藏层，g1、g2均表示64维的输出层的mlp，为历史二部图中样本约束条件集合，为历史二部图中样本决策变量集合，eij为vi和cj之间的样本边，ε为历史二部图中样本边集合。

18、在一种可能的实施方式之中，所述对多个所述样本决策变量的嵌入特征以及多个样本车辆的特征进行聚合处理以及拼接处理，确定出每一所述样本车辆的目标嵌入特征，包括：

19、基于注意力机制将多个所述样本决策变量的嵌入特征之中的与同一所述样本车辆相关的多个所述样本决策变量的嵌入特征进行聚合，确定出所述样本车辆聚合后的样本决策变量的嵌入特征；

20、将所述样本车辆聚合后的样本决策变量的嵌入特征与该样本车辆的特征进行拼接处理，确定出每一所述样本车辆的目标嵌入特征。

21、在一种可能的实施方式之中，所述基于自适应大邻域搜索算法中的修复算子以及模拟退火算法准则对破坏后的所述初始求解结果进行处理，得到新的求解结果，并动态更新对应算子的表现分数以及权重进入下一次迭代，直至达到迭代次数时确定出所述混合整数线性规划模型的目标求解结果，包括：

22、基于所述轮盘赌选择修复算子对破坏后的所述初始求解结果进行修复，确定出所述混合整数线性规划模型的最新求解结果；

23、模拟退火算法准则基于最新求解结果与初始求解结果之间的概率确定出是否以预设概率接受所述混合整数线性规划模型的最新求解结果，若接受，则将所述混合整数线性规划模型的初始求解结果更新为所述最新求解结果，若不接受，则不对所述初始求解结果进行更新；

24、基于所述最新求解结果对所述破坏算子以及所述修复算子的权重进行动态调整，基于调整后的所述破坏算子以及调整后的所述修复算子继续对所述混合整数线性规划模型进行迭代求解，确定出所述目标求解结果。

25、在一种可能的实施方式之中，针对于轮盘赌算法选择除gcn移除算子以外的破坏算子，通过以下方式对所述初始求解结果进行破坏：

26、从所述初始求解结果中选择成本最高的车辆执行路径，将该车辆执行路径上的全部所述飞机任务进行移除；

27、或者，基于所述飞机任务的属性确定出所述飞机任务之间的相似度，基于所述相似度在所述初始求解结果之中移除最高所述相似度相对应的所述飞机任务，以使对完成对所述初始求解结果进行破坏。

28、本技术实施例还提供了一种航班地服保障车辆调度的确定装置，所述确定装置包括：

29、初始解生成模块，用于基于贪心算法对目标机场的混合整数线性规划模型进行问题求解，确定出所述混合整数线性规划模型的初始求解结果；其中，所述混合整数线性规划模型是由多车库地服航班保障车辆调度问题构建出来的；所述初始求解结果为向每个所述飞机任务分配对应车库下的车辆以及每个车辆到达不同飞机任务所对应的飞机停机位的车辆执行路径；

30、破坏算子确定模块，用于基于轮盘赌算法选择破坏算子，若选中gcn移除算子，则将所述初始求解结果的特征信息输入至图神经网络模型之中，对车辆节点进行预测，预测出目标车辆节点并移除所述目标车辆节点关联的飞机任务以对所述初始求解结果进行破坏；其中，所述图神经网络模型是通过有监督学习训练得到的；

31、目标解生成模块，用于基于自适应大邻域搜索算法中的修复算子以及模拟退火算法准则对破坏后的所述初始求解结果进行处理，得到新的求解结果，并动态更新对应算子的表现分数以及权重进入下一次迭代，直至达到迭代次数时确定出所述混合整数线性规划模型的目标求解结果。

32、本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的航班地服保障车辆调度的确定方法的步骤。

33、本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的航班地服保障车辆调度的确定方法的步骤。

34、本技术实施例提供的一种航班地服保障车辆调度的确定方法、装置、设备及介质，基于贪心算法对目标机场的混合整数线性规划模型进行问题求解，确定出所述混合整数线性规划模型的初始求解结果；其中，所述混合整数线性规划模型是由多车库地服航班保障车辆调度问题构建出来的；所述初始求解结果为向每个所述飞机任务分配对应车库下的车辆以及每个车辆到达不同飞机任务所对应的飞机停机位的车辆执行路径；基于轮盘赌算法若选中gcn移除算子，则将所述初始求解结果的特征信息输入至图神经网络模型之中，对车辆节点进行预测，预测出目标车辆节点并移除所述目标车辆节点关联的飞机任务以对所述初始求解结果进行破坏；其中，所述图神经网络模型是通过有监督学习训练得到的；基于自适应大邻域搜索算法中的修复算子以及模拟退火算法准则对破坏后的所述初始求解结果进行处理，得到新的求解结果，并动态更新对应算子的表现分数以及权重进入下一次迭代，直至达到迭代次数时确定出所述混合整数线性规划模型的目标求解结果。使用自适应大邻域搜索(alns)算法直接对多车库地服航班保障车辆调度问题进行求解，并使用图神经网络模型的破坏算子加速并提升alns算法的性能，从而实现高效可靠的多车库车辆协同调度。

35、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。