基于时序网络模型的航班计划优化方法、系统及储存介质

1.本发明涉及航班计划优化技术领域，具体涉及一种基于时序网络模型的航班计划优化方法、系统及储存介质。


背景技术：

[0002][0003]
机场网、道路网以及电力网实际上并不是静态的，会随着多种原因而进行改变，例如突发事件、人类作息时间等，并且增加或修改航线（道路）均会改变网络的拓扑结构。时序网络方法将关于事件的时间信息从动态系统移动到网络，即动态发生的底层结构，可以更加准确的描述真实系统的特性。
[0004]
在航空网络的研究中，以往仅是将航空网络抽象成静态网络进行研究，在静态网络中，节点的连接忽略了接触的持续时间、接触间隔时间、重复接触和接触的时间顺序，且无法对航班计划进行预演和优化。航空业的快速发展对航空机场网络效率和安全提出了更高的要求，迫切需要一种加有效的方法对航空机场网络的进行评估和解决现在航班计划编制时无法做到对航路拥堵和机场超负荷运行的预先识别和预先优化问题。


技术实现要素：

[0005]
为解决现有技术中存在的问题，本发明提供了一种基于时序网络模型的航班计划优化方法、系统及储存介质，能更准确的对机场网络的网络结构和抗毁性进行评估，为提高机场网络的抗毁性提供依据，为机场网络的规划建设和航班计划的确定提供数据支持，弥补了目前运用时序网络模型对机场网络进行分析的空白，解决了现在航班计划编制时无法做到对航路拥堵和机场超负荷运行的预先识别和预先优化问题，做到预发现、预优化，有较强的创新性和实际意义。
[0006]
为实现上述目的，本发明提供如下技术方案：一种基于时序网络模型的航班计划优化方法，包括如下步骤：s101、采集航班数据，并运用功率谱分析方法分析航班数据的周期性，确定航班数据固有周期；s102、基于时序网络模型构建机场多层时序网络模型；s103、构建机场时序网络模型拓扑结构分析指标，包括时序度、平均时序距离和节点中心性指标，并利用拓扑结构分析指标对机场时序网络模型结构进行分析；s104、构建机场时序网络模型抗毁性分析指标，包括时序网络效率和时序最大联通子图，并利用抗毁性分析指标对机场时序网络模型进行抗毁性分析；s105、机场网络抗毁性评估：采用蓄意攻击、随机攻击和非完全信息攻击的策略对机场网络进行模拟攻击，得到机场时序网络模型网络效率损失曲线，对得到的网络效率损失曲线进行分析，识别其拐点，完成对机场网络抗毁性的评估；s106、输入预先航班计划，运用时序网络模型进行预先推演，在航路点和机场设置
相应阀值，对按航班计划预先推演中出现的航路拥堵点和超过枢纽机场高峰服务能力的情况进行识别和预警，并在时序网络模型内对航班计划时刻进行优化，输出优化后航班计划。
[0007]
优选的，在步骤s101中，所述的航班数据包含民航航班信息系统中的民航航班数据库文档数据以及航班计划文档数据。
[0008]
优选的，在步骤s102中，所述基于时序网络模型构建机场多层时序网络模型具体包括如下：s201、构建机场时序网络邻接矩阵，构建表示机场时序网络，其中为网络中所包含的机场节点集，，为机场间的航班连边集合，，其中i表示起始节点即起飞机场（以机场编号表示）j表示目标节点即到达机场（以机场编号表示），是航班运行时间集合，,其中表示从节点i到节点j航班起飞时刻，表示从节点i到节点j航班运行时间；s202、将时序网络中航班数据的总时间 按其固有周期划分为相应的层数，在每层中将对应的时序数据增加到网络中，构建机场多层时序网络模型。
[0009]
优选的，在步骤s103中，利用时序度分析指标对网络结构中的时序度进行分析，包括时序入度，时序出度，时序度，以及幂律性的分析，使用幂律分布函数为，其中为时序入度幂律分布函数待求的三个参数，为节点时序入度值，为时序入度值为k的机场节点的概率值，为时序出度幂律分布函数待求的三个参数，为节点时序出度值，为时序出度值为k的机场节点的概率值，并对数据进行拟合求出待求参数；利用节点中心性指标对网络结构进行分析，所述节点中心性指标包括时序度中心性，时序介数中心性以及时序接近度中心性。
[0010]
优选的，在步骤s105中，具体包括如下步骤：s501、随机攻击策略为在机场节点集合中随机选择攻击顺序并形成攻击顺序集合其中，n为受攻击机场节点编号，v为攻击次数， 1attack代表第1次攻击，2attack代表第2次攻击，vattack代表第v次攻击，为攻击类型，也表示随机攻击，并按集合顺序依次删除网络中对应节点并计算网络效率和最大联通子图；s502、蓄意攻击策略分为按时序度强度排序攻击、按时序介数中心性排序攻击、按时序接近度中心性强度攻击，分别形成时序度攻击顺序集合其中，n为受攻击机场节点编号，v为攻击次数， 1attack代表第1次攻击，2attack代表第2次攻击，vattack代表第v次攻击，表示时序度强度排序攻击，时序介数攻击顺序集合，其中，n为受攻击机场节点编号，v为攻击次数， 1attack代表第1次攻击，2attack代表第2次攻击，vattack代表第v次攻击，p表示时序介数值排序攻击，时序
接近度攻击顺序集合，其中，n为受攻击机场节点编号，v为攻击次数， 1attack代表第1次攻击，2attack代表第2次攻击，vattack代表第v次攻击，其中b表示时序接近度值排序攻击，并按顺序集合依次删除节点并计算网络效率和最大联通子图；
[0011]
s503、非完全信息攻击的攻击方式为在给定已知信息的情况下对已知信息的节点集合运用蓄意攻击策略进行攻击，对未知信息的节点运用随机攻击的策略，并按先已知后未知节点的顺序形成非完全信息攻击顺序集合，其中，n为受攻击机场节点编号，v为攻击次数， 1attack代表第1次攻击，2attack代表第2次攻击，vattack代表第v次攻击，m表示非完全信息攻击,最后按顺序集合依次删除节点并计算网络效率和最大联通子图，通过步骤s501-s503，得到机场时序网络模型网络效率损失曲线；s504、对得到的网络效率损失曲线进行分析，识别其拐点，完成对机场网络抗毁性的评估。
[0012]
优选的，在步骤s106中，具体包括如下步骤：s601、将航班计划数据进行导入，对数据进行筛选，筛除空数据并筛选航班编号、航班起飞时间、飞行时间、起飞机场和目的地机场关键数据，基于处理过后的数据将带有时间属性的数据添加入邻接矩阵，矩阵中每个元素不再用简单的0，1表示是否存在连边，而是用列表代替，并将节点对间的航班时间数据添加入列表中进行储存形成航班计划时序邻接矩阵，导入航路信息和机场信息，并设定航路点和机场阀值；s602、运用时序网络模型进行预先推演，对按航班计划推演中出现的航路拥堵点和超过枢纽机场高峰服务能力的情况进行识别和预警；s603、在时序网络模型内对航班计划的航班时刻进行优化，输出优化后航班计划。
[0013]
另一方面，为实现上述目的，本发明还提供了如下技术方案：一种基于时序网络模型的航班计划优化系统，所述系统包括：航班数据采集模块：用于采集航班数据，并运用功率谱分析方法分析航班数据的周期性，确定航班数据固有周期；多层时序网络模型构建模块：用于基于时序网络模型构建机场多层时序网络模型；网络模型拓扑结构分析模块：用于构建机场时序网络模型拓扑结构分析指标，包括时序度、平均时序距离和节点中心性指标，并利用拓扑结构分析指标对机场时序网络模型结构进行分析；网络模型抗毁性分析模块：用于构建机场时序网络模型抗毁性分析指标，包括时序网络效率和时序最大联通子图，并利用抗毁性分析指标对机场时序网络模型进行抗毁性分析；抗毁性评估模块：用于对机场网络进行抗毁性评估，采用蓄意攻击、随机攻击和非完全信息攻击的策略对机场网络进行模拟攻击，得到机场时序网络模型网络效率损失曲线，对得到的网络效率损失曲线进行分析，识别其拐点，完成对机场网络抗毁性的评估；航班计划优化模块：用于输入预先航班计划，运用时序网络模型进行预先推演，在航路点和机场设置相应阀值，对按航班计划预先推演中出现的航路拥堵点和超过枢纽机场高峰服务能力的情况进行识别和预警，并在时序网络模型内对航班计划时刻进行优化，输
出优化后航班计划。
[0014]
另一方面，为实现上述目的，本发明还提供了如下技术方案：一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理执行时实现所述的航班计划优化方法。
[0015]
本发明的有益效果是：1）首先本发明能更准确的对机场网络的网络结构和抗毁性进行评估，为提高机场网络的抗毁性提供依据，为机场网络的规划建设和航班计划的确定提供数据支持。其次通过输入预先航班计划，运用时序网络模型进行预先推演，在航路点和机场设置相应阀值，对按航班计划预先推演中出现的航路拥堵点和超过枢纽机场高峰服务能力的情况进行识别和预警，最后在时序网络模拟内对航班计划的航班时刻进行优化，达到对航路和机场的拥堵情况发生预发现、预优化，从而提高航路和机场资源的利用率。弥补目前运用时序网络模型对机场网络进行分析的空白，解决现在航班计划编制时无法做到对航路拥堵和机场超负荷运行的预先识别和预先优化问题，做到预发现、预优化，有较强的创新性和实际意义。
[0016]
2）本发明主要基于时序网络模型，将航班运行数据或航班计划数据加入网络进行分析，数据库数据集相比静态网络包含数据量大，数据特征多，结构分析更加精确。通过对航班运行数据进行分析，可以更加精确的分析机场网络结构特征并对机场网络的抗毁性进行评价。通过对航班计划数据进行分析，运用时序网络模型进行预先推演，在航路和机场设置相应阀值，对按航班计划推演中出现的航路拥堵点和超过枢纽机场高峰服务能力的情况进行识别和预警，并可在时序网络模型内对航班计划时刻进行优化，可以缓解航路和机场的拥堵发生，具有很高的创新和实际意义。解决了现在解决航路、机场拥堵只能被动调整，而不能做到预发现、预优化的问题。
附图说明
[0017]
图1为航班数据处理和功率谱分析方法的流程图；图2为多层时序网络模型结构示意图；图3为机场网络结构分析和抗毁性分析流程图；图4为基于时序网络模型的航班计划预演及航路、机场拥堵识别和预警流程图；图5为本发明航班计划优化系统模块示意图；图中，110-航班数据采集模块；120-多层时序网络模型构建模块；130-网络模型拓扑结构分析模块；140-网络模型抗毁性分析模块；150-抗毁性评估模块；160-航班计划优化模块。
具体实施方式
[0018]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。
[0019]
请参阅图1-图4，本发明提供一种技术方案：一种基于时序网络模型的航班计划优化方法，具体流程包括：
（1）采集航班数据，如图1所示，并运用功率谱分析方法分析航班数据的周期性，确定航班数据固有周期；（2）构建机场多层时序网络模型，多层时序网络结构如图2所示；（3）构建机场时序网络模型拓扑结构分析指标，包括时序入度，时序出度，时序度，平均时序距离和机场节点中心性指标：时序度中心性，时序介数中心性，时序接近度中心性；（4）构建机场时序网络模型抗毁性分析指标，并选取时序网络效率，和时序最大联通子图作为机场时序网络模型抗毁性分析指标；（5）采用蓄意攻击，随机攻击和非完全信息攻击对机场网络进行模拟攻击，对得到的机场时序网络模型网络效率损失曲线进行分析，识别其拐点，以此对机场网络抗毁性进行评价。
[0020]
（6）通过输入全国预先航班计划，运用时序网络模型进行预先推演，在航路点和机场设置相应阀值，对按航班计划预先推演中出现的航路拥堵点和超过枢纽机场高峰服务能力的情况进行识别和预警，并在时序网络模型内对航班计划时刻进行优化。
[0021]
进一步的，步骤（1）中航班数据包含民航航班信息系统中的民航航班数据库文档以及航班计划文档，以及对数据进行周期性分析。
[0022]
进一步的，步骤（2）中构建机场多层时序网络模型是基于时序网络模型构建，包括以下步骤：（2.1）构建机场时序网络邻接矩阵，构建表示的机场时序网络，其中（nodes）为网络中所包含的机场节点集，，（edge）为机场间的航班连边集合，，（time）是航班运行时间集合，,其中表示从节点i到节点j航班起飞时刻，表示从节点i到节点j航班运行时间。
[0023][0024]
其中为从节点i到节点j所包含的全部航班运行时间集合。
[0025][0026]
其中表示在观察期t中从节点i到节点j的第m次执飞航班的起飞时间，表示在观察期t中从节点i到节点j的第m次执飞航班的飞行时间。
[0027]
（2.2）将时间序列网络中航班数据的总时间按其固有周期划分为相应的层数，在每层中将对应的时序数据增加到网络中，构建机场多层时序网络模型。
[0028]
进一步的，所述步骤（3）是对机场网络拓扑结构和抗毁性进行分析，如图3所示，具体包括以下步骤：（3.1）对网络结构中的时序度进行分析，包括时序入度，时序出度，时序度，以及其幂律性的分析，并使用幂律分布函数为，并对结果进行拟合，确定参数为时序入度和时序出度条件下的常数，其值表征在模型数据取值的情况下，用幂律分布函数能很好的进行拟合。
[0029][0030]
其中为时序入度，t为数据固有周期长度，为时序多层网络的网络层编号，为第层网络的入度值，为时序出度，为第层网络的出度值，为时序网络总度值，表示第层网络的入度值和出度值之和。
[0031]
（3.2）对网络结构中的平均时序距离进行分析，平均时序距离是表征网络上各节点以消耗时间作为指标的平均各节点间远近的参数。
[0032][0033]
其中为节点i到节点j的平均时序距离，t为网络固有周期长度，为第n次航班的起飞时刻，为第n次航班的飞行时间。
[0034]
（3.3）对网络结构中的节点中心性研究包括时序度中心性，时序介数中心性，时序接近度中心性等指标进行。
[0035]
时序度中心性（temporal degree centrality, td）一个节点的时序度越大就意味着该节点的时序度中心性越高，此节点在时序网络中占有更加重要的地位。网络规模越大，时序度的最大可能值就越高。为了消除网络规模变化对度中心性的影响，需要除以n-1进行标准化。
[0036][0037]
其中为第层网络的时序度中心值，n为网络节点数，表示第层网络的入度值和出度值之和。
[0038]
时序介数中心性（temporal betweenness centrality, tb）计算网络中任意两个节点的所有最短路径，如果这些最短路径中很多条都经过了某个节点，那么就认为这个节点的中介中心性高,则节点的时序介数中心性计算公式如下。
[0039][0040][0041]
其中表示编号为k节点第层网络的介数中心性值，k取值为1到n，是在观察时间中最短路径中经过节点的数量，是在观察时间中所有节点对的最短路径总数。
[0042]
时序接近度中心性（temporal closeness centrality，tc）:节点到图中其他节点的最短时序距离都很小，那么它的接近中心性就很高。相比中介中心性，接近中心性更接近几何上的中心位置，则节点的时序接近度中心性计算公式如下。
[0043][0044]
其中为编号为k节点第层网络的接近度中心性值，是节点个数，表示到所有其他节点的平均时序距离之和。
[0045]
进一步的，步骤（4）中构建机场时序网络模型抗毁性分析指标，指标包括时序网络效率和时序最大联通子图，并将结果保存为时序网络效率数据库。
[0046]
时序网络效率：
[0047]
其中是节点个数，表示节点i到节点j平均时序距离。
[0048]
进一步的，步骤（5）中的对机场网络使用的蓄意攻击，随机攻击和非完全信息攻击的攻击方式，对机场网络进行模拟攻击，对得到的机场时序网络模型网络效率和最大联通子图损失曲线进行分析，识别其拐点，以此对机场网络抗毁性进行评估。时序网络抗毁性分析指标包括时序网络效率和时序网络最大联通子图。
[0049]
（5.1）随机攻击策略为在机场节点集合中随机选择攻击顺序并形成攻击顺序集合中右上标r为攻击类型上标，这里r也表示随机攻击，1attack代表第1次攻击，2attack代表第2次攻击，vattack代表第v次攻击， n为受攻击机场节点编号，并按顺序集合依次删除节点并计算网络效率和最大联通子图。
[0050]
（5.2）蓄意攻击策略分为按时序度强度排序攻击、按时序介数中心性排序攻击、按时序接近度中心性强度攻击，分别形成时序度攻击顺序集合，中右上标k为攻击类型上标，其中k表示时序度强度排序攻击，1attack代表第1次攻击，2attack代表第2次攻击，vattack代表第v次攻击， n为受攻击机场节点编号，时序介数攻击顺序集合中右上标p为攻击类型上标，其中p表示时序介数值排序攻击，右下标为攻击次数下标vattack代表第v次攻击， n为受攻击机场节点编号，时序接近度攻击顺序集合，中右上标b为攻击类型上标，其中b表示时序接近度值排序攻击，右下标为攻击次数下标vattack代表第v次攻击， n为受攻击机场节点编号，并按顺序集合依次删除节点并计算网络效率和最大联通子图。
[0051]
（5.3）非完全信息攻击的攻击方式为在给定已知信息的情况下对已知信息的节点集合运用蓄意攻击策略进行攻击，对未知信息的节点运用随机攻击的策略，并按先已知后未知节点的顺序形成非完全信息攻击顺序集合中右上标m为攻击类型上标，其中m表示非完全信息攻击，1attack代表第1次攻击，2attack代表第2次攻击，vattack代表第v次攻击， n为受攻击机场节点编号,最后按顺序集合依次删除节点并计算网络效率和最大联通子图，通过上述（5.1）-（5.3）步骤得到机场时序网络模型网络效率损失曲线。
[0052]
（5.4）对得到的机场时序网络模型网络效率和最大联通子图损失曲线进行分析，识别其拐点，完成对机场网络抗毁性的评估。
[0053]
进一步的，如图4 所示，步骤（6）通过输入预先航班计划，运用时序网络模型进行预先推演，在航路点和机场设置相应阀值，对按航班计划预先推演中出现的航路拥堵点和超过枢纽机场高峰服务能力的情况进行识别和预警，并在时序网络模型内对航班计划时刻进行优化：（6.1）将航班计划数据进行导入，进行数据预处理，即对数据进行筛选，筛除空数据并筛选航班编号、航班起飞时间、飞行时间、起飞机场和目的地机场关键数据，基于处理过后的数据将带有时间属性的数据添加入邻接矩阵，矩阵中每个元素不再用简单的0，1表示是否存在连边，而是用列表代替，并将节点对间的航班时间数据添加入列表中进行储存形成航班计划时序邻接矩阵，导入航路信息和机场信息，并设定航路和机场阀值。
[0054]
（6.2）运用时序网络模型进行预先推演，对按航班计划推演中出现的航路拥堵点
和超过枢纽机场高峰服务能力的情况进行识别和预警。
[0055]
（6.3）在时序网络模型内对航班计划的航班时刻进行优化，达到对航路和机场的拥堵情况发生预发现、预优化，从而提高航路和机场资源的利用率。
[0056]
本发明构思合理，过程清晰，能提高对动态系统结构分析的准确性，对提高机场网络的抗毁性提供依据，并为机场网络的规划建设提供数据支持，因为时间属性的加入也使得在网络模型内直接进行各种视角下的航班时刻优化成为可能。弥补目前运用时序网络模型对机场网络进行分析的空白，相比与静态网络分析其能克服现在常用的静态网络对动态系统的不适应性，提高分析的准确性。
[0057]
基于与上述方法实施例相同地发明构思，本技术实施例还提供了一种基于时序网络模型的航班计划优化系统，用于实现上面实施例所述的基于时序网络模型的航班计划优化方法，如图5所示，所述系统具体包括：航班数据采集模块110：用于采集航班数据，并运用功率谱分析方法分析航班数据的周期性，确定航班数据固有周期；多层时序网络模型构建模块120：用于基于时序网络模型构建机场多层时序网络模型；网络模型拓扑结构分析模块130：用于构建机场时序网络模型拓扑结构分析指标，包括时序度、平均时序距离和节点中心性指标，并利用拓扑结构分析指标对机场时序网络模型结构进行分析；网络模型抗毁性分析模块140：用于构建机场时序网络模型抗毁性分析指标，包括时序网络效率和时序最大联通子图，并利用抗毁性分析指标对机场时序网络模型进行抗毁性分析；抗毁性评估模块150：用于对机场网络进行抗毁性评估，采用蓄意攻击、随机攻击和非完全信息攻击的策略对机场网络进行模拟攻击，得到机场时序网络模型网络效率损失曲线，对得到的网络效率损失曲线进行分析，识别其拐点，完成对机场网络抗毁性的评估；航班计划优化模块160：用于输入预先航班计划，运用时序网络模型进行预先推演，在航路点和机场设置相应阀值，对按航班计划预先推演中出现的航路拥堵点和超过枢纽机场高峰服务能力的情况进行识别和预警，并在时序网络模型内对航班计划时刻进行优化，输出优化后航班计划。
[0058]
基于与上述方法实施例相同地发明构思，本技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的航班计划优化方法。
[0059]
所述航班计划优化方法包括如下步骤：采集航班数据，并运用功率谱分析方法分析航班数据的周期性，确定航班数据固有周期；基于时序网络模型构建机场多层时序网络模型；构建机场时序网络模型拓扑结构分析指标，包括时序度、平均时序距离和节点中心性指标，并利用拓扑结构分析指标对机场时序网络模型结构进行分析；构建机场时序网络模型抗毁性分析指标，包括时序网络效率和时序最大联通子图，并利用抗毁性分析指标对机场时序网络模型进行抗毁性分析；
机场网络抗毁性评估：采用蓄意攻击、随机攻击和非完全信息攻击的策略对机场网络进行模拟攻击，得到机场时序网络模型网络效率损失曲线，对得到的网络效率损失曲线进行分析，识别其拐点，完成对机场网络抗毁性的评估；输入预先航班计划，运用时序网络模型进行预先推演，在航路点和机场设置相应阀值，对按航班计划预先推演中出现的航路拥堵点和超过枢纽机场高峰服务能力的情况进行识别和预警，并在时序网络模型内对航班计划时刻进行优化，输出优化后航班计划。
[0060]
通过本发明弥补了目前运用时序网络模型对机场网络进行分析的空白，解决现在航班计划编制时无法做到对航路拥堵和机场超负荷运行的预先识别和预先优化问题，做到预发现、预优化，有较强的创新性和实际意义。
[0061]
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于时序网络模型的航班计划优化方法，其特征在于，包括如下步骤：s101、采集航班数据，并运用功率谱分析方法分析航班数据的周期性，确定航班数据固有周期；s102、基于时序网络模型构建机场多层时序网络模型；s103、构建机场时序网络模型拓扑结构分析指标，包括时序度、平均时序距离和节点中心性指标，并利用拓扑结构分析指标对机场时序网络模型结构进行分析；s104、构建机场时序网络模型抗毁性分析指标，包括时序网络效率和时序最大联通子图，并利用抗毁性分析指标对机场时序网络模型进行抗毁性分析；s105、机场网络抗毁性评估：采用蓄意攻击、随机攻击和非完全信息攻击的策略对机场网络进行模拟攻击，得到机场时序网络模型网络效率损失曲线，对得到的网络效率损失曲线进行分析，识别其拐点，完成对机场网络抗毁性的评估；s106、输入预先航班计划，运用时序网络模型进行预先推演，在航路点和机场设置相应阀值，对按航班计划预先推演中出现的航路拥堵点和超过枢纽机场高峰服务能力的情况进行识别和预警，并在时序网络模型内对航班计划时刻进行优化，输出优化后航班计划。2.根据权利要求1所述的基于时序网络模型的航班计划优化方法，其特征在于：在步骤s101中，所述的航班数据包含民航航班信息系统中的民航航班数据库文档数据以及航班计划文档数据。3.根据权利要求1所述的基于时序网络模型的航班计划优化方法，其特征在于：在步骤s102中，所述基于时序网络模型构建机场多层时序网络模型具体包括如下：s201、构建机场时序网络邻接矩阵，构建表示机场时序网络，其中为网络中所包含的机场节点集，，为机场间的航班连边集合，，其中i表示起始节点即起飞机场，j表示目标节点即到达机场，是航班运行时间集合，,其中表示从节点i到节点j航班起飞时刻，表示从节点i到节点j航班运行时间；s202、将时序网络中航班数据的总时间 按其固有周期划分为相应的层数，在每层中将对应的时序数据增加到网络中，构建机场多层时序网络模型。4.根据权利要求1所述的基于时序网络模型的航班计划优化方法，其特征在于：在步骤s103中，利用时序度分析指标对网络结构中的时序度进行分析，包括时序入度，时序出度，时序度，以及幂律性的分析，使用幂律分布函数为，其中为时序入度幂律分布函数待求的三个参数，为节点时序入度值，为时序入度值为k的机场节点的概率值，为时序出度幂律分布函数待求的三个参数，为节点时序出度值，为时序出度值为k的机场节点的概率值，并对数据进行拟合求出待求参数；利用节点中心性指标对网络结构进行分析，所述节点中心性指标包括时序度中心性，时序介数中心性以及时序接近度中心性。
5.根据权利要求1所述的基于时序网络模型的航班计划优化方法，其特征在于：在步骤s105中，具体包括如下步骤：s501、随机攻击策略为在机场节点集合中随机选择攻击顺序并形成攻击顺序集合，其中，n为受攻击机场节点编号，v为攻击次数， 1attack代表第1次攻击，vattack代表第v次攻击，并按集合顺序依次删除网络中对应节点并计算网络效率和最大联通子图；s502、蓄意攻击策略分为按时序度强度排序攻击、按时序介数中心性排序攻击、按时序接近度中心性强度攻击，分别形成时序度攻击顺序集合， k表示时序度强度排序攻击，时序介数攻击顺序集合，表示时序介数值排序攻击，时序接近度攻击顺序集合，表示时序接近度值排序攻击，并按顺序集合依次删除节点并计算网络效率和最大联通子图；s503、非完全信息攻击的攻击方式为在给定已知信息的情况下对已知信息的节点集合运用蓄意攻击策略进行攻击，对未知信息的节点运用随机攻击的策略，并按先已知后未知节点的顺序形成非完全信息攻击顺序集合，m表示非完全信息攻击，最后按顺序集合依次删除节点并计算网络效率和最大联通子图，通过步骤s501-s503，得到机场时序网络模型网络效率损失曲线；s504、对得到的网络效率损失曲线进行分析，识别其拐点，完成对机场网络抗毁性的评估。6.根据权利要求1所述的基于时序网络模型的航班计划优化方法，其特征在于：在步骤s106中，具体包括如下步骤：s601、将航班计划数据进行导入，并对航班数据进行预处理，形成航班计划邻接矩阵，导入航路信息和机场信息，并设定航路点和机场阀值；s602、运用时序网络模型进行预先推演，对按航班计划推演中出现的航路拥堵点和超过枢纽机场高峰服务能力的情况进行识别和预警；s603、在时序网络模型内对航班计划的航班时刻进行优化，输出优化后航班计划。7.一种基于时序网络模型的航班计划优化系统，其特征在于：所述系统包括：航班数据采集模块（110）：用于采集航班数据，并运用功率谱分析方法分析航班数据的周期性，确定航班数据固有周期；多层时序网络模型构建模块（120）：用于基于时序网络模型构建机场多层时序网络模型；网络模型拓扑结构分析模块（130）：用于构建机场时序网络模型拓扑结构分析指标，包括时序度、平均时序距离和节点中心性指标，并利用拓扑结构分析指标对机场时序网络模型结构进行分析；网络模型抗毁性分析模块（140）：用于构建机场时序网络模型抗毁性分析指标，包括时序网络效率和时序最大联通子图，并利用抗毁性分析指标对机场时序网络模型进行抗毁性分析；抗毁性评估模块（150）：用于对机场网络进行抗毁性评估，采用蓄意攻击、随机攻击和
非完全信息攻击的策略对机场网络进行模拟攻击，得到机场时序网络模型网络效率损失曲线，对得到的网络效率损失曲线进行分析，识别其拐点，完成对机场网络抗毁性的评估；航班计划优化模块（160）：用于输入预先航班计划，运用时序网络模型进行预先推演，在航路点和机场设置相应阀值，对按航班计划预先推演中出现的航路拥堵点和超过枢纽机场高峰服务能力的情况进行识别和预警，并在时序网络模型内对航班计划时刻进行优化，输出优化后航班计划。8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理执行时实现如权利要求1-6中任意一项所述的航班计划优化方法。

技术总结
本发明公开了一种基于时序网络模型的航班计划优化方法、系统及储存介质，首先准确的对中国机场网络的网络结构和抗毁性进行评估，为提高机场网络的抗毁性提供依据，为机场网络的规划建设和航班计划的确定提供数据支持；其次通过输入全国预先航班计划，运用时序网络模型进行预先推演，在航路点和机场设置相应阀值，对按航班计划预先推演中出现的航路拥堵点和超过枢纽机场高峰服务能力的情况进行识别和预警；最后在时序网络模型内对航班计划的航班时刻进行优化，达到对航路和机场的拥堵情况发生预发现、预优化，从而提高航路和机场资源的利用率。解决了现在航班计划编制时无法做到对航路拥堵和机场超负荷运行的预先识别和预先优化问题。先优化问题。先优化问题。


技术研发人员：郭九霞 李虹屹 许思莹 贾英洁 李静远
受保护的技术使用者：中国民用航空飞行学院
技术研发日：2023.09.04
技术公布日：2023/10/15