Resumen

El desarrollo de la industria de la aviación civil ha aumentado continuamente los requisitos de eficacia de los servicios de apoyo en tierra de los aeropuertos. En la investigación existente sobre apoyo en tierra, aún no existe un modelo de proceso que obtenga directamente el apoyo del registro de apoyo en tierra para estudiar la relación causal entre los nodos de servicio y los retrasos de los vuelos. La mayoría de los estudios de apoyo en tierra utilizan principalmente métodos de aprendizaje automático para predecir los retrasos de los vuelos, y el modelo de apoyo a los vuelos en el que se basan es un modelo ideal. El estudio no estudia en profundidad el mecanismo causal que subyace al enlace de apoyo en tierra y no revela la verdadera causa de los retrasos de los vuelos. Por lo tanto, hay una cierta desviación en la predicción de los retrasos de los vuelos mediante aprendizaje automático, y hay una cierta desviación entre el modelo ideal basado en la investigación y el proceso de servicio real. Por lo tanto, es de importancia práctica obtener el modelo del proceso a partir del registro de garantías y analizar su causalidad. Sin embargo, los métodos existentes de descubrimiento del factor causal del proceso sólo realizan ciertas investigaciones cuando se establece el supuesto de suficiencia causal y no consideran la existencia de variables latentes. Por lo tanto, este artículo propone un marco para realizar el descubrimiento de factores causales de proceso sin asumir la suficiencia causal. El modelo de proceso de minería difusa optimizado se utiliza como modelo de referencia del servicio, y el algoritmo de descubrimiento causal local se utiliza para descubrir los factores causales. Bajo este marco, este trabajo propone un nuevo algoritmo de descubrimiento de la manta de Markov que no asume la suficiencia causal para descubrir los factores causales y utiliza conjuntos de datos de referencia para la prueba. Por último, se utilizan los datos de servicio de vuelo reales para el descubrimiento causal entre nodos de servicio de vuelo. El algoritmo de descubrimiento causal local propuesto en este trabajo tiene una cierta ventaja competitiva en precisión, F1 y otros aspectos del algoritmo de descubrimiento causal existente. Evita la ocurrencia de su desastre dimensional. Mediante el análisis en profundidad del nodo de razones de seguridad de vuelo descubierto por este método, se descubre que la programación poco razonable del personal de apoyo al vuelo es una razón importante de los frecuentes retrasos de los vuelos en el aeropuerto.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:retrasos de vuelos, algoritmo de descubrimiento causal local, suficiencia causal, factores causales, cierta desviación, modelo ideal, modelo de proceso, la mayoría de los estudios de apoyo en tierra, datos reales de servicios de vuelo, servicios aeroportuarios de apoyo en tierra
• Keywords:flight delays, local causal discovery algorithm, causal sufficiency, causal factors, certain deviation, ideal model, process model, most ground support studies, actual flight service data, airport ground support services