مديريت عمليات پروازي و تلاش براي بهينه نمودن آن، يكي از مواردي است كه همواره موردتوجه محققين و پژوهشگران برنامه‌ريزي حمل‌ونقل و تحقيق در عمليات بوده است. به دليل ماهيت تصادفي و غيرقطعي پارامترهاي مؤثر در زمان‌بندي برنامه پروازي، شركت‌هاي هواپيمايي معمولاً با پديده تأخير مواجه هستند كه در بسياري از موارد، عوامل توليدكننده اين تأخيرها و مديريت آن‌ها در اختيار شركت‌هاي هواپيمايي نيستند. آنچه موضوع را بحراني‌تر مي‌كند تأثيرپذيري پروازها از هم و انتشار (رشد) تأخيرها در شبكه پروازي شركت‌هاي هواپيمايي است. اين موضوع منجر به تأخير و يا لغو ساير پروازها مي‌شود و ممكن است خدمه و مسافران بسياري از پروازهاي ديگر را تحت تأثير قرار دهد. در اين رساله به ارائه مدل بهينه برنامه‎ريزي پرواز برمبناي مديريت اختلال و برنامه‎‌ريزي استوار در خطوط هوايي پرداخته‌شده است. به‌عبارت‌ديگر در اين رساله بخشي از برنامه‌ريزي پرواز (بهينه‌سازي استوار زمان‌بندي) با بخشي از بهينه‌سازي مديريت عملياتي پرواز (مديريت تأخير) تلفيق و تركيب‌شده است. براي اين كار نياز است تأخيرهاي پروازها برمبناي تاريخچه زماني آن‌ها پيش‌بيني شوند. براي پيش‌بيني تأخير از روش‌هاي يادگيري ماشين استفاده‌شده است. تركيب بهينه‌سازي استوار و پيش‌بيني تأخير با استفاده از مدل جريان چند كالايي عدد صحيح مختلط انجام‌شده است. مدل پيشنهادي سعي مي‌كند با درنظرگرفتن ترم هزينه‌اي مربوط به تأخير پروازها، زمان بهينه اضافي بين هر دو پرواز متوالي را محاسبه و اعلام كند. براي حل مسئله پيشنهادي از روش‌هاي شاخه‌وكران و دانتزيگ‌ولف استفاده‌شده است. برمبناي خروجي‌ها و نتايج، بيش از 75% تأخيرهاي شبكه پروازي با استفاده از روش يادگيري ماشين ارائه‌شده در اين رساله، قابل پيش‌بيني است. اين موضوع تأثير به سزايي در مديريت بهينه منابع پروازي دارد. با استفاده از روش حل ارائه‌شده تأخير كل شبكه پروازي بيش از 28% و مقدار تابع هدف مسئله بيش از 18% كاهش داشته است. همچنين با استفاده از روش حل پيشنهادي مجموع زمان‌هاي تلف‌شده هم بيش از 9% كاهش‌يافته است كه نشان‌دهنده كار آيي قابل‌قبول مدل و روش حل پيشنهادي نسبت به مطالعات پيشين مي‌باشد.

1397/12/08

The Optimum Airline Planning Model Based on Disruption Management and Robust Planning

2/27/2019 12:00:00 AM

In scheduled air transport, airline profitability is strongly impacted by airline's ability to construct flight schedules. Airlines face operational challenges such as schedule disruptions and limited resources affecting the efficiency of the operations. These delays may have cascading impacts on the subsequent flights, as they affect the crew’s schedule, and possibly aircraft schedules as well. Consequently, negative effects of the initial delay propagate through the network until the slack between flights can absorb the delay. This thesis makes functional and economic comparisons between robust planning and disruption management in case of delay. We implemented flight delay prediction through proposed approaches that are based on machine learning algorithms. Parameters that enable the effective estimation of delay are identified, after which Bayesian modeling, decision tree, cluster classification, and hybrid method are applied to estimate the occurrences and magnitude of delay in a network. These methods were refined for a large Iranian airline network. Results showed that the parameters affecting delay are fleet age and aircraft type. The proposed approaches exhibited an accuracy of more than 70% in calculating delay occurance and magnitude. Then approaches based on the Dantzig-Wolfe decomposition are used to solve the scheduling problem. The proposed technique was implemented on an actual dataset of one of the major Iranian airlines with more than 35 airplanes that fly between 50 airports. The computational results show the proposed methodology can solve the problem optimally and significantly reduce the delay of flights.