基于关联规则机场航班地面保障模式研究.docVIP

基于关联规则机场航班地面保障模式研究 　　摘 要：针对航班地面保障的特点，将关联规则挖掘方法中的Apriori算法应用到航班地面保障数据的分析中，并对规则前后件进行约束来生成符合业务实际的航班地面保障业务规则。生成的规则能够完善航班运行保障规则库，有利于机场实现对航班地面保障的监控和对关键保障延误的预警。 　　关键词：航班地面保障；关联规则；Apriori算法；保障模式 　　中图分类号：TP311.13 文献标识码：A DOI：10.15913/j.cnki.kjycx.2017.02.086 　　近年来，随着民航业的快速发展，国内机场规模和业务量日益扩大。然而，国内大多数机场存在业务自动化水平较低和协同决策能力不足等问题，严重制约了机场业务的发展。通过分析和挖掘机场的航班地面保障数据可以发现航班地面保障的深层次模式，以此来完善航班保障业务规则库，更好地对关键保障环节进行监控和延误预警，从而提高机场的保障效率。但是，机场航班地面保障涉及多个保障环节，受诸多内、外部因素的影响，保障模式相对复杂。目前，机场使用的传统分析方法效率较低，缺乏对数据的深层次挖掘和模型化处理，难以发现航班地面保障深层次的制约关系，且依赖于分析人员的经验和业务水平。目前国内外对机场航班地面保障的研究集中在航班延误方面，主要研究包括预测航班延误，分析引起航班延误的关键因素、延误的波及和影响等。然而，通过关联规则挖掘技术发现，各个保障环节和内、外部影响因素的关联关系的研究却很少涉及。 　　因此，本文针对国内某大型机场的航班地面保障业务，基于关联规则挖掘算法来研究航班地面保障环节及其影响因素的关联关系。实验结果表明，上述方法能够有效生成航班地面保障的业务规则，具有一定的实际应用价值。 　　1 航班地面保障模式挖掘模型构建 　　机场航班地面保障主要涉及航空器、旅客、货、邮以及行李进出港等多个保障环节。在实际保障过程中，很多保障任务是串行或者并行发生的，有着一定的制约关系。而且，不同的因素，比如过站时间、机位、跑道等也会对航班地面保障特征造成很大的影响。 　　关联规则挖掘能够综合考虑不同数据字段之间的制约关系，从而发现新的航班地面保障业务模式。本文基于关联规则挖掘算法来构建航班地面保障模式挖掘模型。关联规则相关描述如下：事务集为预处理后的航班地面保障数据的集合，每一条航班保障数据即为一个事务；航班保障数据的属性和属性对应值组成的属性―值对为一个项目；最终得到的强关联规则是布尔类型的业务规则，其形式为X?Y. 　　最终选取关联规则需要用到支持度、置信度、提升度3个指标，其相关概念如下：①支持度。规则X?Y的支持度是事务集D中包含X∪Y的事务占D中事务总量的百分比，记为support（X?Y）。②置信度。置信度是指D中同时包含X和Y的事务占包含X的事务的百分比，记为confidence（X?Y）。③提升度。规则X?Y的提升度的公式为lift（X?Y）=P（Y│X）/P（Y）. 　　由于最终要生成的是航班地面保障的布尔型业务规则，而Apriori算法能够很好地挖掘布尔型关联规则，并且采用索引模式来实现对数据的高效处理，所以选择Apriori算法。Apriori算法由连接步和剪枝步组成，通过这2个步骤可以高效发现频繁项集。由频繁项集生成强关联规则时，根据研究目的对规则的前件和后件加约束限制，避免产生不符合实际意义的强关联规则。 　　2 航班地面保障模式挖掘实现 　　2.1 数据预处理 　　这里对国内某机场的航班地面保障数据进行预处理，主要步骤包括：①对数据进行清洗；②对清洗得到的数据进行属性转换；③根据航班地面保障业务特征合理地对建模数据进行拆分，以挖掘得到更准确的业务规则。 　　数据预处理的关键是合理进行数据属性的转换。在机场航班运行保障标准中，多是相对于航班计划或预计出港时间来规定重要的保障环节的时间。所以，这里选择航班计划出港时间作为参考标准，来对各保障环节的时间进行属性转换。具体的转换方法是：用计算航班计划出港时间减去各保障环节的分钟数，将得到的结果作为各保障环节的属性值。例如，用航班计划出港时间减去撤轮挡时间的分钟数，将得到的结果作为撤轮挡时间的属性值。同时，对于其他分类属性合理进行转换，例如将机位分为近机位和远机位。 　　由于Apriori算法只能处理分类属性，所以需要对连续属性进行离散化，并对离散化后的数据进行合理的编码。这里用无监督离散化方法――k-means聚类方法对各数值属性分别进行聚类，从而拆分成为k个聚类，即对应k个区间。该方法效率较高且保证了离散结果的合理性。同时，对得到的所有分类属性进行编码，借鉴Excel中所列的命名方式对各属性进行编码，每个类别值分别用自然数区分。 　　2.2 模型参数 　　在实际应用中，需