[论文解读] Flight-connection Prediction for Airline Crew Scheduling to Construct Initial Clusters for OR Optimizer

Yassine Yaakoubi, François Soumis+1 more|arXiv (Cornell University)|Sep 26, 2020

Air Traffic Management and Optimization被引用 6

一句话总结

本文提出一种机器学习方法，用于预测航空公司的航班衔接，采用自定义神经网络结合嵌入技术，实现99.7%的准确率。通过利用预测结果生成初始的机组配对聚类，该方法使OR优化器（GENCOL）的运行速度提升10倍，成本降低最高达0.2%，显著提升了基准方法在解决方案效率与质量方面的表现。

ABSTRACT

We present a case study of using machine learning classification algorithms to initialize a large-scale commercial solver (GENCOL) based on column generation in the context of the airline crew pairing problem, where small savings of as little as 1% translate to increasing annual revenue by dozens of millions of dollars in a large airline. Under the imitation learning framework, we focus on the problem of predicting the next connecting flight of a crew, framed as a multiclass classification problem trained from historical data, and design an adapted neural network approach that achieves high accuracy (99.7% overall or 82.5% on harder instances). We demonstrate the usefulness of our approach by using simple heuristics to combine the flight-connection predictions to form initial crew-pairing clusters that can be fed in the GENCOL solver, yielding a 10x speed improvement and up to 0.2% cost saving.

研究动机与目标

• 通过减少对计算成本高昂的初始解生成的依赖，提升大规模航空机组配对问题的效率与解的质量。
• 解决在基于列生成的求解器（GENCOL）中构建高质量初始聚类的挑战。
• 利用历史航班数据，通过机器学习预测航班之间的最优机组衔接。
• 评估预测准确率对真实航空运营中下游优化性能的影响。
• 实现每周及每月调度周期下，机组配对聚类的快速、可扩展初始化。

提出的方法

• 采用多分类框架预测机组的下一个衔接航班，训练数据基于历史航班计划与机组配对数据。
• 设计一种带有嵌入层和dropout正则化的自定义神经网络，以建模航班衔接中的复杂时间与空间依赖关系。
• 模型引入拒绝对机制与梯度掩码，以提升在罕见或难以预测衔接上的泛化能力，并减少过拟合。
• 将航班衔接预测结果作为启发式聚类规则（H1、H2、H3）的输入，生成GENCOL求解器所需的初始机组配对聚类。
• 随后应用GENCOL-DCA求解器，对使用ML生成的聚类或标准GENCOL初始化的解进行优化。
• 在GENCOL-DCA求解器中采用约束聚合机制，以限制每轮迭代中的聚类断裂次数，从而提升收敛速度与解的质量。

实验结果

研究问题

• RQ1 机器学习模型是否能准确预测航空机组调度中的航班衔接，即使在罕见或复杂衔接场景下？
• RQ2 航班衔接预测的质量如何影响大规模OR优化器（如GENCOL）的性能？
• RQ3 基于ML生成的初始聚类是否能在解的代价与计算时间上优于传统初始化方法？
• RQ4 在优化过程中，预测准确率与聚类断裂次数之间存在何种权衡？
• RQ5 所提出的基于ML的初始化方法是否可扩展至具有不规则周模式的月度调度问题？

主要发现

• 所提出的神经网络整体准确率达到99.7%，在更难的实例上准确率达82.5%，显著优于标准机器学习方法。
• 使用基于ML的启发式规则（H1、H2、H3）生成初始聚类，相比标准GENCOL初始化，可将解的总成本降低最高达0.2%。
• 使用ML初始化的GENCOL-DCA求解器在计算时间上实现10倍加速，将求解时间从约45小时缩短至5–6小时。
• 使用H3初始化的解甚至优于GENCOL-DCA在GENCOL标准初始化下的表现，表明基于ML的聚类方法可能比求解器默认初始化更有效。
• 当预测准确率低于98%时，求解器需要更多聚类断裂，导致求解时间增加且解的质量下降。
• 该方法具备可扩展性与泛化能力，具有在月度调度及铁路、巴士等其他交通领域应用的潜力。