d1-2015年杯優(yōu)秀航延誤問題

隨著我國(guó)航空量的迅速增加，航班延誤問題已經(jīng)引起人們的重視。本文旨在型，分別采用三次指數(shù)平滑法和鏈的方法進(jìn)行數(shù)據(jù)的處理及分析。為研究不一、問題重 二、問題分 三、模型假 四、符號(hào)說 五、模型的建立與求 模型分 模型建 模型求 模型檢 模型結(jié) 模型優(yōu)缺 模型建 模型求 模型結(jié) 治理角度一：基于時(shí)間序列預(yù)測(cè)法的航班延誤預(yù) 治理角度二：航班調(diào)度和延誤成本優(yōu)化模 治理角度四：航班擴(kuò)建計(jì) 六、模型總 七、模型評(píng) 參考文 附 一、問題重近年來，我國(guó)的航空業(yè)飛速發(fā)展。自2005年起，中國(guó)航空總周轉(zhuǎn)量在國(guó)際組織各締約國(guó)中第二位，我國(guó)已然成為名副其實(shí)的航空大國(guó)。然而我國(guó)、、、 的統(tǒng)計(jì)顯示：國(guó)際上航班延誤最嚴(yán)重的10個(gè)機(jī)場(chǎng)中，中國(guó)占了7個(gè)。其中包括浦東虹橋國(guó)際、杭州蕭山、廣州白云寶安、、、雙流等機(jī)場(chǎng)。網(wǎng)由此稱：中國(guó)的航班延誤最嚴(yán)重與該所得結(jié)論進(jìn)行對(duì)比，來驗(yàn)證題中結(jié)論的片面性。預(yù)防和治理。充分考慮航班延誤的社會(huì)問題，對(duì)社會(huì)各界提出相應(yīng)的建議。二、問題分分別采用三次指數(shù)平滑法和鏈的方法進(jìn)行數(shù)據(jù)的處理及分析從而實(shí)現(xiàn)對(duì)航班三、模型假航班延誤多發(fā)生在大中型樞紐機(jī)場(chǎng)，因而這里分析統(tǒng)一采跑道模式，且排（；四、符號(hào)說符 定 P(xt

鏈

TRT y feC

f

ef cf fecfx ijx五、模型的建立與求模型一：模糊綜合評(píng)估模模型分班計(jì)劃到達(dá)時(shí)間15分鐘或以上定義為延誤；而，2013年將計(jì)劃時(shí)刻前后5分鐘迅速開放以來中國(guó)總周轉(zhuǎn)量旅客量和貨郵量分別以17.5%，15.9%和14.9%的平均速度增長(zhǎng)，遠(yuǎn)高于其他方式和中國(guó)GDP的平均增長(zhǎng)水平。下圖顯示了2009-2013年吞吐量以及周轉(zhuǎn)量的變化趨勢(shì)。圖一：2009-2013年旅客圖二：2009-2013年機(jī)場(chǎng)貨郵吞吐圖三：2009-2013年機(jī)場(chǎng)旅客吞吐從圖中2009-2013年機(jī)場(chǎng)吞吐量和量的走勢(shì)可以看出，近五年來，我國(guó)機(jī)場(chǎng)吞吐量和量持續(xù)走高，這也成為我國(guó)的基本國(guó)情之一。圖四：國(guó)內(nèi)航空吞吐圖中分布數(shù)據(jù)表明：我國(guó)承載量最大的航空公司有中航，南航以及東 虹橋機(jī)場(chǎng)，浦東機(jī)場(chǎng)東航祿口國(guó)際機(jī)場(chǎng)，長(zhǎng)水國(guó)際機(jī)廣州白云國(guó)際機(jī)場(chǎng) 南航，，表一：三大航空公司的主要下屬機(jī) 所給出的航班延誤最嚴(yán)重的十大機(jī)場(chǎng)上，分別是虹橋機(jī)場(chǎng)浦東國(guó)際機(jī)場(chǎng)廣州白云國(guó)際機(jī)場(chǎng)機(jī)場(chǎng)和雙流國(guó)際機(jī)場(chǎng)。這也表明，我國(guó)量和吞吐量大也是影響航班延誤嚴(yán)重程度的因一。表二：航班數(shù)量和正點(diǎn)率對(duì)照同時(shí)，通過收集到的2013年我國(guó)主要機(jī)場(chǎng)的旅客吞吐量以及起降飛機(jī)架次排旅客吞吐量（人比上年增減123456789廈門表三：國(guó)內(nèi)大型機(jī)場(chǎng)旅客吞吐起降架次（次比上年增減123764589廈門/

大連/子 表四：國(guó)內(nèi)大型機(jī)場(chǎng)旅客起降架圖五：航班起飛準(zhǔn)備過航空公司在準(zhǔn)點(diǎn)率記錄上表現(xiàn)良好還曾連續(xù)6年獲得亞洲準(zhǔn)點(diǎn)榜前模型建目前對(duì)于航班延誤的統(tǒng)計(jì)依然沿用的是以前針對(duì)空管調(diào)度室運(yùn)行而設(shè)計(jì)的統(tǒng)計(jì)方法并沒有考慮機(jī)場(chǎng)和航空公司的實(shí)際運(yùn)行情況隨著社會(huì)公眾旅客對(duì)航空的日關(guān)注，需要我們從新的角度重新建立更加全面的航班延誤統(tǒng)計(jì)指標(biāo)體系。1所示。延航航 延旅航航誤班班 誤客空空航總起 航經(jīng)公公班數(shù)飛 班濟(jì)司司總延 盈損信間數(shù)誤 利失譽(yù)接時(shí) 損損損間 失失失11統(tǒng)計(jì)指 計(jì)算方延誤航班總 數(shù)航班總 數(shù)航班起飛延誤時(shí) ??實(shí)際???計(jì)航班運(yùn)行延誤時(shí) ??實(shí)際???計(jì)航班著陸延誤時(shí) ??實(shí)際???計(jì)延誤航 損

Cf

Cm航空公司信譽(yù)損 結(jié)航空公司間接損 暫無(wú)明確計(jì)算方19

0wi

i1Step1：U進(jìn)行劃分，分為U1,U2,U3其中，U1U2U3

，UiUj(i第一層：UU1,U2,U3}={延誤率，延誤成本，延誤損失第二層：U1U11,U12}={延誤航班數(shù)目，航班總數(shù)U2U21,U22,U23={誤時(shí)間

U3{U31,U32,U33,U34}={延誤航班損失旅客經(jīng)濟(jì)損失航空公司信損失，間接損失Step2：1234Step3：4個(gè)，1234。Step4： 析法求統(tǒng)計(jì)指標(biāo)權(quán)重的過程不再贅述，直接呈現(xiàn)計(jì)算結(jié)果分別為WA,WB,WB, Step5：模型求i第二層評(píng)價(jià)的計(jì)算為BiWB*Ri(i1,2,3)，由此可得第一層的評(píng)策矩i BBB 第一層評(píng)價(jià)的計(jì)算為AWA*模型檢 行航班延誤情況的初步預(yù)判。如表3和表4所示。134表 近一周航班延誤機(jī)場(chǎng)榜（中國(guó)機(jī)場(chǎng)部分機(jī)場(chǎng)名稱 廣州白云國(guó)際機(jī) 寶安機(jī) 杭州蕭山機(jī) 際機(jī) 虹橋國(guó)際機(jī) 長(zhǎng)水國(guó)際機(jī) 咸陽(yáng)機(jī) 雙流機(jī) 重慶機(jī) 表4近一月航班延誤機(jī)場(chǎng)榜（中國(guó)機(jī)場(chǎng)部分根據(jù)上述表格可知，浦東，虹橋，國(guó)際，杭州蕭山，廣州白云，深圳寶安機(jī)場(chǎng)都在航班延誤榜前十左右，而雙流機(jī)場(chǎng)的差別較大，根據(jù)大數(shù)定律，我們有理由懷疑雙流機(jī)場(chǎng)不在延誤情況最高的十個(gè)機(jī)場(chǎng)之內(nèi)。模糊綜合評(píng)價(jià)的順序是由低層次向次逐層進(jìn)行的，因此評(píng)價(jià)順序是先進(jìn)行第二層評(píng)價(jià)，然后進(jìn)行第一層評(píng)價(jià)。第二層的計(jì)算采用評(píng)估模型：平均模型，經(jīng)過551、雙流機(jī)場(chǎng)的最終航班延誤綜合等級(jí)為一般延誤等級(jí)狀態(tài)，對(duì)應(yīng)的延誤指數(shù)2。2、雙流機(jī)場(chǎng)的航班延誤率低于際機(jī)場(chǎng)和咸陽(yáng)機(jī)場(chǎng)，而際機(jī)場(chǎng)和咸陽(yáng)機(jī)場(chǎng)均不在延誤最嚴(yán)重的十大機(jī)場(chǎng)中，因此，我們有理由認(rèn)為雙流機(jī)場(chǎng)模型結(jié)1、雙流機(jī)場(chǎng)的最終航班延誤對(duì)應(yīng)的延誤指數(shù)為2，僅為一般延誤等級(jí)狀態(tài)2、雙流機(jī)場(chǎng)的航班延誤率低于際機(jī)場(chǎng)和咸陽(yáng)機(jī)場(chǎng)，而際機(jī)場(chǎng)和咸陽(yáng)機(jī)場(chǎng)均不在延誤最嚴(yán)重的十大機(jī)場(chǎng)中，因此，我們有理由認(rèn)為雙流機(jī)場(chǎng)模型優(yōu)缺模型二：航班延誤動(dòng)態(tài)排隊(duì)模模型建（一）航班延誤原因的初步劃一類：旅客延誤④旅客因航班延誤等其他服務(wù)問題霸占飛機(jī)或登機(jī)二類：排隊(duì)延誤⑶第三類：航空公司原因?qū)е碌难悠渲校蚵每驮驅(qū)е碌暮桨嘌诱`比例占到3%，已成為航班延誤“新的增長(zhǎng)點(diǎn)”。而根據(jù)2005-2013年航班延誤統(tǒng)計(jì)數(shù)據(jù)，造成中國(guó)航班延誤的關(guān)鍵因素包括要航空公司和主要機(jī)場(chǎng)的相關(guān)數(shù)據(jù)，得到各因素的延誤比例結(jié)構(gòu)見表6。6（二）航班延誤的指數(shù)分布驗(yàn)和到達(dá)延誤時(shí)間服從均值為1/，方差為1/2的指數(shù)分布。當(dāng)然，反過來，只要驗(yàn)達(dá)延誤分布服從指數(shù)分布就可得證飛機(jī)到達(dá)分布服從泊松分布并且求出相應(yīng)的值33量（5）[]。

樣本 樣本 樣本 樣本咸 咸 咸 咸56363667453535363323232534242423221212328484848表7首都機(jī)場(chǎng)和咸陽(yáng)機(jī)場(chǎng)到達(dá)間隔統(tǒng)計(jì)TP咸陽(yáng)咸陽(yáng)咸陽(yáng) AdjustedR-8（三）建立單一到多因素的動(dòng)態(tài)排隊(duì)模M/M/D模型，乘客到達(dá)服從泊松分布，每個(gè)乘客接受安檢1、起飛和降落相分離，各自使用不同的跑道，排隊(duì)模型為2M/M/2模式。U1U2，因?yàn)槊刻爝M(jìn)出一個(gè)機(jī)場(chǎng)的飛機(jī)數(shù)量基本相同，可選用（U1+U2）/2作為服安誤起誤降安起降 或者突然的軍事活動(dòng)造成在航班運(yùn)行過程中的任意一個(gè)環(huán)節(jié)的初始延誤及飛機(jī)某一排模型求航班延誤的波及效應(yīng)呈現(xiàn)平穩(wěn)遞減，則假設(shè)出事延誤D0，每個(gè)階段延誤波及被緩故總的波及效應(yīng)=D1D2...Dn(11 1 2n 在初始機(jī)場(chǎng)中有：飛機(jī)起飛排隊(duì)延誤=飛機(jī)排隊(duì)隊(duì)長(zhǎng)*平均服務(wù)時(shí)間+DLqWqDLW1 nDLW1 以機(jī)場(chǎng)為初始出發(fā)機(jī)場(chǎng)基于——杭州—云南—四個(gè)機(jī)根據(jù)以上分析，我們建立仿真的示意圖。圖見下利用軟件對(duì)數(shù)據(jù)進(jìn)行模擬，表7顯示出了各關(guān)鍵因素對(duì)航班延誤影響大小0（航班取消是否否否是是912345671010⑴仿真結(jié)果與統(tǒng)計(jì)的歷史數(shù)據(jù)排序相似，由此可見統(tǒng)計(jì)從歷史數(shù)據(jù)角度較為準(zhǔn)確地反映了各關(guān)鍵因素航班延誤的頻率但各因素的影響程度和頻率并不完⑵模擬結(jié)果顯示，航空公司因素的航班延誤不僅發(fā)生頻率高，而且影響程度⑶流量控制和天氣因素的航班延誤頻率高，影響程度也大，針對(duì)這兩個(gè)不可控因素，一方面應(yīng)做好延誤的服務(wù)補(bǔ)救，減少其震蕩延誤；另一方面是進(jìn)行空域，⑷值得關(guān)注的是軍事活動(dòng)和機(jī)械故障因素，雖然它們的航班延誤發(fā)生頻率一⑸由機(jī)場(chǎng)和旅客因素的航班延誤頻率較低，影響程度也較低，但是因?yàn)楹桨嘌诱`引起的經(jīng)常發(fā)生在機(jī)場(chǎng)旅客的非理性行為已經(jīng)成為航班延誤新的增長(zhǎng)點(diǎn)和社會(huì)的關(guān)注點(diǎn)，這說明延誤服務(wù)補(bǔ)救中，關(guān)注服務(wù)旅客始終是航空的。模型結(jié)因素第二，發(fā)生頻率較高，影響大；天氣因素發(fā)生較高，影響較大；軍事活動(dòng)發(fā)生大11模型評(píng)①本文考慮航班運(yùn)行閉環(huán)內(nèi)的延誤狀況，通過一段時(shí)間內(nèi)該閉環(huán)中各個(gè)機(jī)場(chǎng)的延問題三：航班延誤的綜合治治理角度一：基于時(shí)間序列預(yù)測(cè)法的航班延誤預(yù)型分次指數(shù)平滑法只能對(duì)單一因素?cái)?shù)據(jù)進(jìn)行預(yù)測(cè)而鏈預(yù)測(cè)可以綜合多種因素而得型建步驟一：建立樣本數(shù)據(jù)化標(biāo)誤的可能性越大，10分表示一定會(huì)導(dǎo)致航班延誤。晴雪122335689流量12345航空公司管理簽派不可 人員群體離心1 5安全管理管理標(biāo)準(zhǔn)失 安全管理6 Eviews△yt=yt?△2????=△(??????????1)=?????2?????1+△2????=?????2?????1+?????2=(1?△2????=?????2?????1+?????2=(1?所以可以推導(dǎo)出△m=(1?若序列xt}dd次差分后就產(chǎn)生新序列{yt}。pi=γ(xi-si)+(1-γ)pi-kk為周期xi+h=si+hti+pi-k+(hmodk)0.1—0.3；s,t,ps0=x0,t0=x1-x0,，鏈?zhǔn)且环N基于當(dāng)前歷史狀態(tài)預(yù)測(cè)將來狀態(tài)的模 模型，計(jì)算結(jié)果與我們的模型相比較基于時(shí)間序列 模型是一種離散狀態(tài)的條件率轉(zhuǎn)移模型。X1,X2,

Chain，于過去狀態(tài)的條件概率分布僅是

Xn的一個(gè)函數(shù)，則：這里x為過程中的某個(gè)狀態(tài)。根據(jù)概率的迭代得到最終的預(yù)測(cè)結(jié)果型檢Step1：模型自檢驗(yàn)：利用殘差分析，檢驗(yàn)殘差e??=?????????′是否滿足白噪聲序列的以機(jī)場(chǎng)的旅客吞吐量為例，使用時(shí)間序列預(yù)測(cè)模型spss軟件實(shí)現(xiàn)以上模型的求解（求解結(jié)果詳見附錄二。同時(shí)用它自帶的專家Step3：鏈預(yù)測(cè)結(jié)果123456789表12鏈預(yù)測(cè)結(jié)模型結(jié)模型評(píng)①預(yù)測(cè)模型考慮全面，從引起航班延誤的所有主要因素出發(fā)，結(jié)合第二問的分析②數(shù)據(jù)處理方式新穎，采用三次指數(shù)平滑法和鏈結(jié)合的方式，兩者相①預(yù)測(cè)過程缺少對(duì)意外的考慮假如大發(fā)生會(huì)出現(xiàn)預(yù)測(cè)確的情況②預(yù)測(cè)精度受到數(shù)據(jù)量的限制，若能夠進(jìn)一步獲得更加多的數(shù)據(jù)，可提高預(yù)測(cè)的治理角度二：航班調(diào)度和延誤成本優(yōu)化模型分22業(yè)會(huì)談和不得不因?yàn)楹桨嗟难诱`而隨之延誤或取消等這些無(wú)形的損失具有不考慮這些損失。從而近問題的最優(yōu)解。⑵模型建立一、旅客經(jīng)濟(jì)損對(duì)旅客造成的經(jīng)濟(jì)損失做過較為系統(tǒng)的分析，得到旅客的平均時(shí)間價(jià)值為28.6 13國(guó)外旅客延誤時(shí)間價(jià)平均時(shí)間價(jià) 最低時(shí)間價(jià) 1350100CmR二、航空公司經(jīng)濟(jì)損失的構(gòu)本文根據(jù)國(guó)際組織(ICAO)的標(biāo)準(zhǔn)，按照飛機(jī)的尾流強(qiáng)弱將飛機(jī)分為3類分別737-300稅金、停場(chǎng)費(fèi)、飛機(jī)費(fèi)用和相應(yīng)的航材費(fèi)用等固定性費(fèi)用為2500萬(wàn)元，按一年有365，1710、7500024最大起飛質(zhì)量成本/H4M7~136(含2L14Cfd其中，a⑵取消航班的損造成航空公司的經(jīng)濟(jì)損失。延誤航班的損失與航班最大載客人數(shù)m、航班客座率sa則取消航班 損失：

旅客失望溢出成本定義:由于航班延誤使旅客不能按原計(jì)劃到達(dá)目的地,旅客對(duì)航空公司的信譽(yù)失望,導(dǎo)致在下一次的消費(fèi)選擇時(shí)放棄該公司的航班而選擇其它公司本航班上的所有旅客在下一次消費(fèi)時(shí)都不選擇該公司的航班所產(chǎn)生的損失,此時(shí)的旅1,極度失望,下一次100%不選擇該公司的航班。旅客失望溢出成本采用P=v×w×u計(jì)算,v是該航班上的乘客數(shù),w是該航班上的平均票價(jià),u是旅客失望率這個(gè)是在充分調(diào)研旅客溢出成本的3t/Pfwv 僅能給出一個(gè)解，而是希望得到多個(gè)備選方案，由簽派人員決定最終執(zhí)行方案。分為以下四段(時(shí)間單位:分鐘)。t10,60,t260,120,t3120,240,t4240,2.4

min

ij

fxP其中xP

fF f

f

td，即飛機(jī)ii為不同延誤時(shí)間段下的受影響旅客人數(shù) iPfi 0.3pi，

[0, t 0.5pi，

iPfi

t0.7pi，tf[120, t 0.9pi，

[240, m是延誤時(shí)間為Tz的旅客人數(shù)，0.12n12.4。以前文航班延誤經(jīng)濟(jì)損失構(gòu)成為基礎(chǔ)，航班延誤恢復(fù)調(diào)度模型為minMminCfdCfyfCmCefreff f f forminTZfor

x 0.01(2n1)Tzp

ij

ef

fF yfref

f f eyf

型求

f首先構(gòu)造延誤時(shí)間置換矩陣Tij Tij=

i j [ mn其中tijij換矩陣TijPij： Pij=

i j [ mnStep1：A。其Step2：B。Step3：HStep4：HABnull，表示不可執(zhí)行此置換。Step5：在每個(gè)可置換關(guān)系中，將延誤時(shí)間最短的置換關(guān)系作為初始解，得出最初Step6：若輸出方案中沒有飛機(jī)重復(fù)執(zhí)行任務(wù)，則輸出調(diào)整方案；若有重復(fù)執(zhí)行任型優(yōu)9915。大連子機(jī)15M'（六)模型評(píng)①本模型將遺傳算法引入匈牙利算法中，可針對(duì)大規(guī)模航班延誤時(shí)航空公司航空計(jì)劃③該模型可顯著提高航班的整體運(yùn)轉(zhuǎn)效率，達(dá)到減少航班延誤經(jīng)濟(jì)損失和快速疏散機(jī)治理角度三：管理部門角型概物元分析法是我國(guó)著名學(xué)者教授在1983年首創(chuàng)的一門介于數(shù)學(xué)和實(shí)驗(yàn)之間的應(yīng)的變化規(guī)律相結(jié)合把解決問題的過程形式化這種主要思想是將事物“事物、型建（一） 判斷層 管理狀 人事狀 信息流通狀 人員率 安全管理群體離心力 反饋率管理執(zhí)行力 人事異常變動(dòng)2層開始，對(duì)于從屬于(或影響)1—913579表示兩個(gè)元素相比一個(gè)元素比另一個(gè)元素重2，4，6，816（二）物元分記為：物元= 特征量值R表示物元，M表示事物，CM的特征，μ（x）C相MCx的隸屬度，于是有:MR= 如果mn個(gè)特征C1C2C3Cmμ(x1i)，μ(x2i)，μ(x3i，μ(xmi)（i=1,2,3n）m個(gè)事物的 M2……C1μ(x1i)μ(x2i)……μ(x2i)Rmn=C2μ(x1i)μ(x2i)……[Cnμ(xni)μ(xni)……型求（一）計(jì)算權(quán)向量并做一致性檢（二）計(jì)算組合權(quán)向量并做組合一致性檢n一致性指標(biāo)C.I.maxnnn12345678917（三）利用物元分析法來修正層次分析的結(jié)果。具體步驟如下②確定標(biāo)準(zhǔn)物元和Roj和確定關(guān)聯(lián)函數(shù)物元確定效度矩陣得到修正復(fù)合元矩陣應(yīng)用層次分析法結(jié)合物元分析法，得到航空航空延誤評(píng)估等級(jí)二級(jí)指標(biāo)B??（i=1,2,3……）。型I=0，CR=0，RI=0,m

193131421201人員人員111122121B3CI=0，CR=0，RI=0.58，m指標(biāo)理W22根據(jù)上面分析 ，求出各個(gè)層次的一致性比例，得到CI(33模型結(jié)模型優(yōu)缺①模型分析很有針對(duì)性，管理水平是影響航班延誤最大的因素，本模型將管理因②物元分析法和層次分析相結(jié)合，物元分析能修正層次分析的結(jié)果，使得決策方①指標(biāo)的種類相對(duì)較多，在確定權(quán)重時(shí)容易產(chǎn)生誤差，帶有一定的性治理角度四：航班擴(kuò)建計(jì)型建若要對(duì)未來幾年之內(nèi)航班的增加數(shù)目及增長(zhǎng)趨勢(shì)做出預(yù)測(cè)，根據(jù)所收集到的數(shù)據(jù)，我們考慮從年度航班總數(shù)的變化趨勢(shì)來預(yù)測(cè)未來十年的航班總數(shù)的變化運(yùn)用將Step1：用做出2009-2013年總航班數(shù)的散點(diǎn)圖 2009-2013年航班總數(shù)散點(diǎn)Step2：假設(shè)航班總數(shù)為Y，時(shí)間序列為t，其中t=1,2,3,4,5，根據(jù)運(yùn)行結(jié)果，以得到擬合直線的方程為lnY=0.1526t+14.1238Step3：經(jīng)過用軟件進(jìn)行殘差分析，得知該擬合直線方程通過了我們的檢驗(yàn)Step4：YtYe01526t14Step5：航班總數(shù)預(yù)測(cè)值（單位：萬(wàn)次2009-2023圖 2009-2023年航班總數(shù)散點(diǎn)機(jī)場(chǎng)的功能；培育、等門戶機(jī)場(chǎng)，同時(shí)新建支線機(jī)場(chǎng)，緩解流量壓力。型結(jié)場(chǎng)所能容納的航班數(shù)。盡管《發(fā)展布局規(guī)劃》提出至2020年新增97個(gè)機(jī)場(chǎng)，但主我國(guó)可通過建設(shè)新跑道，機(jī)場(chǎng)擴(kuò)容等方式來減少航班延誤，但是，由于此項(xiàng)措因此，為了積極響應(yīng)可持續(xù)發(fā)展的需求，我國(guó)可根據(jù)延誤量來確定具體需續(xù)發(fā)展。治理角度五：乘客出行建上述的模型主要是針對(duì)航空公司以及應(yīng)對(duì)航班延誤的策略模型而乘客如何應(yīng)的期，可有效減少航班延誤。通過分析航班的延誤規(guī)律，為乘客提供一些參考的意見，表24是我國(guó)15家航空日均航時(shí)和延誤 單位24245 05日均延誤時(shí)0日均延誤時(shí)06下圖為樞紐機(jī)場(chǎng)24小時(shí)準(zhǔn)點(diǎn)率對(duì)比圖7是周邊機(jī)場(chǎng)圖8是周邊機(jī)場(chǎng)圖7：周邊機(jī)場(chǎng)24h準(zhǔn)點(diǎn)率分析圖8：周邊機(jī)場(chǎng)24h準(zhǔn)點(diǎn)率分析首都機(jī)場(chǎng)從早6點(diǎn)逐漸迎來準(zhǔn)點(diǎn)率早之后隨著航班量的增加逐漸降低濱海國(guó)際機(jī)場(chǎng)和石家莊正定機(jī)場(chǎng)的準(zhǔn)點(diǎn)率呈現(xiàn)出相同走勢(shì)，與2006220155-820%盡量避免在航班延誤概率較大的時(shí)段出行。六、模型總次指數(shù)平滑法和鏈的方法進(jìn)行數(shù)據(jù)的處理及分析為研究不正確航班恢復(fù)求解圖10：模型流程外在因素關(guān)。一方面，社會(huì)各界應(yīng)協(xié)力減少航班延誤的發(fā)生，另一方面，在解七、模型評(píng)②在解決航班延誤調(diào)度問題時(shí)，可給出總延誤時(shí)間最短，延誤成本最小和延誤人③該模型可針對(duì)不同群體給出相應(yīng)應(yīng)對(duì)建議，如航空公司應(yīng)重點(diǎn)加大管理力度，①本文受到獲取的數(shù)據(jù)量的限制，若獲得的有效數(shù)據(jù)，可進(jìn)一步完善綜合評(píng)參考文[1]劉光才等.航班延誤對(duì)航空公司的經(jīng)濟(jì)損失研究[J].系統(tǒng)工程200（11），[2],.航班延誤問題的研究動(dòng)態(tài)演化趨勢(shì)及啟示[J].統(tǒng)計(jì)應(yīng)用研究，，《航班正常統(tǒng)計(jì)辦法劉光才，李章萍等.航班時(shí)刻市場(chǎng)化配置進(jìn)展及啟示[J].中國(guó)民用航空.].地理研究，2001（1：31-輝，，曾光.中國(guó)航空客運(yùn)網(wǎng)絡(luò)的空間演化模式研究[J].地理科學(xué)（：9-中國(guó)民用航空計(jì)劃司.從統(tǒng)計(jì)看[M],：中國(guó)，1998-.關(guān)于航班延誤的起因與對(duì)策[J]..航班延誤的認(rèn)為原因及改進(jìn)建議[J].201（1256-.多等級(jí)模糊綜合評(píng)價(jià)方法在航班延誤中的應(yīng)用[D].工程技術(shù)大學(xué)學(xué)肖盛燮物元模糊綜合評(píng)價(jià)項(xiàng)目在風(fēng)險(xiǎn)分析中的運(yùn)用[J].重慶交通學(xué)院學(xué)附附錄代碼：1、2009-2013x=[2009201020112012 x=[12345]'; m=[67891011121314a m zColumns1through Columnn1.0e+007Columns1through Columnx=[20092010201120122013201420152016201720182019202020212022x=[1234 m=[67891011121314q=[157;1/512;1/71/21];q1=[11/2;21]q2=[11/31/41/7;311/21/4;4211/3;743q3=[111/2;111/2;22function[Matching,Cost]=Edmonds(a)Matching=zeros(size(a));num_y=sum(~isinf(a),1);num_x=sum(~isinf(a),2);x_con=find(num_x~=0);y_con=find(num_y~=0);P_size=max(length(x_con),length(y_con));P_cond=zeros(P_size);P_cond(1:length(x_con),1:length(y_con))=a(x_con,y_con);ifisempty(P_cond)Cost=0;Edge=Edge(P_cond~=Inf)=cnum=Pmax=max(max(P_cond(P_cond~=Inf)));P_size=length(P_cond)+cnum;P_cond=ones(P_size)*Pmax;P_cond(1:length(x_con),1:length(y_con))=a(x_con,y_con);exit_flag=stepnum=1;whileexit_flagswitchstepnumcase1[P_cond,stepnum]=step1(P_cond);case2case3[c_cov,stepnum]=step3(M,P_size);case4case5case6[P_cond,stepnum]=step6(P_cond,r_cov,c_cov);case7exit_flag=Matching(x_con,y_con)=M(1:length(x_con),1:length(y_con));Cost=sum(sum(a(Matching==1)));function[P_cond,stepnum]=step1(P_cond)P_size=length(P_cond);forii=rmin=min(P_cond(ii,:));P_cond(ii,:)=P_cond(ii,:)-rmin;stepnum=function[r_cov,c_cov,M,stepnum]=step2(P_cond)P_size=length(P_cond);r_cov=zeros(P_size,1);c_cov=zeros(P_size,1);M=zeros(P_size);forii=1:P_sizeforjj=ifP_cond(ii,jj)==0&&r_cov(ii)==0&&c_cov(jj)==0M(ii,jj)=1;r_cov(ii)=c_cov(jj)=1;r_cov= %Avectorthatshowsifarowisc_cov=zeros(P_size,1); %Avectorthatshowsifacolumniscoveredstepnum=3;function[c_cov,step