编辑推荐：
在机场运营中，登机口分配受滑行延误不确定性影响。研究人员开展 “机器学习解决飞机滑行延误不确定下稳健双目标登机口分配” 研究，用多种机器学习算法预测滑行时间构建模型。结果显示能优化登机口分配，提高运营效率，提升旅客体验。
在繁忙的机场里，每天都有大量的航班起降。登机口的合理分配，就像是一场精密的棋局，关乎着机场运营的效率和旅客的出行体验。然而，现实中飞机滑行延误的不确定性，却给这盘棋局增添了许多变数。地面交通拥堵、天气变化、飞机的提前或晚点，这些因素都可能导致飞机滑行时间难以预测，进而让登机口分配陷入困境。以往的研究虽然对登机口分配有所涉及，但在处理滑行时间和延误的不确定性方面存在不足，没有充分利用现代预测方法，也未能将机器学习技术有效应用于其中。在这样的背景下，开展一项能够精准预测滑行时间、优化登机口分配的研究显得尤为重要。
为了解决这些问题，研究人员开启了针对 “机器学习解决飞机滑行延误不确定下稳健双目标登机口分配” 的研究。虽然文中未提及具体研究机构，但他们的研究成果发表在了《Expert Systems with Applications》上。研究人员构建了包含不确定参数的数学多目标模型，采用随机森林（RF）、支持向量机（SVM）和人工神经网络（ANN）三种机器学习算法来预测飞机的滑行时间，通过这些预测结果创建了基于多面体方法的集诱导稳健对等模型。最终研究得出结论：基于统计分析发现，实际滑行时间与预测滑行时间存在很强的相关性；在不确定性环境下，数学规划输出的结果良好，能够在保持保守策略的同时，优化登机口分配，使机场管理部门在可接受的置信区间内有效管理登机口分配。这一研究意义重大，它不仅提高了机场的运营效率，还减少了资源浪费，同时也为旅客带来了更顺畅的出行体验，有效解决了长期以来困扰机场运营的难题。
研究人员在研究过程中主要运用了以下关键技术方法：首先是机器学习技术，采用 RF、SVM 和 ANN 三种算法预测飞机滑行时间，通过对历史数据以及飞机、机场相关信息的学习，实现对滑行时间的精准预测。其次是构建数学模型，建立包含不确定参数的数学多目标模型，其中Z1用于最小化滑行延误，Z2用于最小化旅客步行时间。最后运用了集诱导稳健优化方法，采用多面体不确定性集，在保守性和最优性之间进行合理权衡，实现更稳定的登机口分配。
数据准备
传统登机口分配依据飞机预计到达和离开时间，但这些估计受多种不确定性因素影响，可能导致资源利用低效和延误。研究人员为解决这一问题，旨在将机器学习纳入登机口分配过程，利用历史数据和其他相关信息，为后续的研究奠定数据基础。
数学模型构建
数学模型包含两个部分，一是含有不确定参数的滑行延误目标函数，二是被建模为确定性模式的旅客步行时间。该模型由两个目标函数组成，Z1用于最小化滑行延误，Z2用于最小化旅客步行时间。通过引入相关因素，构建出基本的数学模型框架，为后续的优化计算提供了基础。
机器学习预测
研究人员运用机器学习中的 RF、SVM 和 ANN 三种强大算法来预测飞机滑行时间。机器学习作为人工智能的分支，通过算法和统计模型让计算机基于数据进行学习和预测。这三种算法利用飞机特性、机场时间安排、起降方式、历史滑行时间数据等多种特征，经过超参数优化和特征选择技术，对飞机的进港和出港滑行时间进行预测，为登机口分配提供了重要的时间预测依据。
结果与讨论
研究人员考虑了航班运营中的跑道和候机大厅两个因素。以 PHX 机场 2010 - 2019 年超过四百万次的起降航班数据为样本，分析发现跑道对滑行时间有潜在影响。通过统计分析，验证了跑道因素在滑行时间预测和登机口分配优化中的重要性，为后续的实际应用提供了有力的支持。
研究结论与讨论
随着航班运营量的持续增长，优化资源和设备的利用变得愈发重要。在机场规划领域，预测技术的应用至关重要。本研究针对机场和航空公司面临的登机口分配难题，采用多目标方法，通过机器学习和稳健优化相结合的方式，有效解决了飞机滑行延误不确定性下的登机口分配问题。研究结果表明，这种方法能够优化登机口分配，提高机场运营效率，减少因不确定性导致的延误，提升旅客的出行体验。同时，研究中采用的方法和模型为机场运营管理提供了新的思路和工具，有助于机场管理部门制定更加科学合理的决策，在未来的机场运营中具有重要的应用价值和推广意义。
