机构名称：
¥ 1.0
摘要 - 航空出租车延误对全球机场和航空公司造成不利影响，导致航空拥堵，空中交通管制员/飞行员工作量，错过的乘客连接以及由于过多的油耗而导致的不利环境影响。有效解决出租车延误需要随机和不确定的空中运营，涵盖飞机的推力，滑行道运动和跑道起飞。随着混合模式跑道运营的实施（同一跑道上的到达）以适应预计的交通增长，预计Airside操作的复杂性将大大增加。在增加的交通需求增加，发展有效的倒退控制（也称为出发计量）（DM）的情况下，政策是一个具有挑战性的问题。dm是一个空中拥塞管理程序，它控制着出发的回压时间，旨在通过将出租车等待时间转移到大门来减少出租车延误。在混合模式跑道操作下，DM还必须保持足够的跑道压力（跑道附近的出发队列进行起飞），以利用即将到来的飞机蒸汽内的可用出发插槽。虽然高压率可能会导致出发队列的延长，但导致出租车延迟的增加，但低压率可能导致到达到达的流之间空的空位，从而导致跑道吞吐量减少。这项研究介绍了基于混合模式跑道操作的基于深的增强学习（DRL）的DM方法。我们在马尔可夫决策过程框架中提出了DM问题，并使用新加坡樟宜机场表面运动数据模拟Airside操作并评估不同的DM策略。使用时空事件图鉴定出预测性空中热点，并作为对DRL代理的观察。我们的基于DRL的DM方法利用推回率作为代理的行动和奖励成型，以动态调节推力率，以改善跑道利用率和不确定性下的出租车延迟管理。基于对其他基线的基于DRL的DM策略进行基准测试，证明了我们方法的出色性能，尤其是在高流量密度方案中。在新加坡樟宜机场的典型一天中，总部位于DRL的DM平均减少了1-3分钟的峰值出租车时间，节省了26.6％的燃油消耗，并有助于更环保和可持续的Airside行动。
朝着更绿色和可持续的空中操作-DR -NTU
主要关键词
相关文件推荐
