Плохо разработанный график команды может привести к ненадежным графикам полетов, значительно подвергнув опасности операции авиакомпании и доходность, если недостаточные члены команды доступны или другие затруднения происходят, по словам исследователей. По этой причине управление планированием экипажа самолета и затратами является одной из самых решающих тем для авиакомпаний, потому что это приводит к огромной экономической выгоде и разрядам как вторые по высоте расходы после стоимости топлива.Чтобы разработать их улучшенную систему, исследователи получили один год полетных данных (с апреля 2015 до марта 2016) для Cathay Pacific, крупнейшей авиакомпании в Гонконге с операциями в 112 аэропортах во всем мире. Они использовали данные, чтобы провести ряд экспериментов, чтобы получить более точные предсказания о том, когда прибытие полета будет задержано, учитывая многократные факторы то влияние задержки.
Они также использовали модель, отражающую много нелинейных факторов, чтобы помочь определить лучшее соединение команды. «Маршрут команды называют, соединяясь, который построен рядом обязанностей, состоя из многих полетов, с сидят разовые и период отдыха, промежуточный по мере необходимости, согласно инструкциям», объясняют авторы. Соединение команды – чрезвычайно сложный процесс, которым авиакомпании соединяют этапы полета так, чтобы экипажу, необходимому для каждого самолета, правильно назначили и закончил, где они живут, или их основа команды.
Используя такой управляемый данными подход, чтобы предсказать задержки рейсов может помочь авиакомпаниям произвести более надежные графики команды, которые в свою очередь могут уменьшить пассажирские задержки.Исследование было издано в онлайн-версии Анализа степени риска, публикации Общества Анализа степени риска, в газете, названной, «Излившись каскадом Риск Задержки Развертывания Трудовых ресурсов Авиакомпании с Оптимизацией Соединения Команды и Графика». Авторами исследования был Сай Хо Чжун и Хои Лам Ма из Отдела Промышленных и Системного проектирования, Гонконгского политехнического университета и Хинга Кая Чана из Школы бизнеса Ноттингемского университета Нинбо Китай.
Для их исследования данные собрали включенный номер рейса, дату полета, запланированное время прибытия, фактическое время прибытия, наметило время отправления, фактическое время отправления, время полета, исходный аэропорт, аэропорт прибытия, и тип самолета, а также данные о погоде.Чтобы предсказать задержки прибытия полета и таким образом поддержать оптимальное соединение команды, авторы применили подход Cascade Neural Network (CNN), чтобы захватить нелинейные отношения между различными факторами, потому что задержки прибытия полета обычно под влиянием многократных факторов.
Моделирование CNN включало несколько индикаторов факторов, влияющих на задержки рейсов. Например, «Индикатор Пикового сезона» указал, был ли день полета близко к или в период отпусков. «Пиковый Сезонный Индикатор Тайфуна» использовался, чтобы указать на шанс тайфуна или урагана, происходящего в месяце полета. «Индикатор Времени полета» использовался, чтобы проанализировать отношения между задержкой отправления рейса и задержкой прибытия полета, которую исследователи не изучили в литературе, чтобы предсказать задержки прибытия полета.
В их исследовании, однако, пишут авторы: «Мы нашли, что много задержек прибытия полета вызваны задержками отправления рейса».На основе их анализа авторы предложили новый Индикатор Времени полета, используя CNN, моделируя подход. «Сравнивая нашего предложенного CNN, предсказывающего подход с различными традиционными методами, результаты продемонстрировали, что точность прогнозирования значительно улучшена.
Это демонстрирует, что прогнозирование ожидаемой задержки отправления рейса, чтобы поддержать прогнозирование задержки прибытия полета крайне важно», пишут авторы. Авторы позже сообщили редактору новостей SRA, что они общались с Cathay Pacific о методе планирования. Они на стадии применения его к одному из региональных полетов, Дракона Китая, для дальнейшего экспериментального тестирования.Авторы добавляют, что CNN, предсказывающий подход, может также использоваться в других областях, таких как планирование судна.
Такое планирование – также важная проблема для предельных операций, потому что крупные суда, включая сложные операции, используются более часто.