基于飞行员多维条件数据的实时等效生产力预测方法技术

本发明专利技术公开了基于飞行员多维条件数据的实时等效生产力预测方法，预测方法具体包括以下步骤：S1：基于飞行员历史生产数据，提取导致机长或者副驾驶生产力减少的影响因素；S2：根据等效类型，确定各影响因素针对每个个体的的影响因子的取值，并根据取值生成影响因子矩阵；S3：根据影响因子的数值，得到所有单个个体等效生产力；S4：基于个人等效生产力，获取群体等效生产力。本发明专利技术研发了等效生产力的预测方法，基于飞行员多维条件数据组合，帮助运营单位掌握测算等效生产力，为航空合理安排机组资源提供快速、准确的数据支撑。

【技术实现步骤摘要】
基于飞行员多维条件数据的实时等效生产力预测方法
本专利技术涉及飞行员管理领域，具体的，涉及基于飞行员多维条件数据的实时等效生产力预测方法。
技术介绍
飞行员是航空公司的核心资产，有航空公司测算，每位飞行员每增加1飞行小时，将为企业创造约4.3万元的边际贡献。飞行机组至少由一名机长和一名副驾驶组成。中国民航局对机组飞行人员的最大生产力有明文规定，《大型飞机公共航空运输承运人运行合格审定规则》(CCAR-121-R5)最新要求机组中飞行员任一日历年的飞行时间不得超过900小时。在实际生产运行中，可能由于各种原因导致飞行员的生产力不能充分发挥，如资格限制、因病或因故暂停、担任行政职务等。在此情况下，如果航空公司按照最大生产力来计划和安排运营，不但可能导致合规风险，也将影响航司运力，造成经济损失。
技术实现思路
有鉴于此，本专利技术的目的是提供基于飞行员多维条件数据的实时等效生产力预测方法，为航空合理安排机组资源提供快速、准确的数据支撑。本专利技术的目的是通过以下技术方案实现的：基于飞行员多维条件数据的实时等效生产力预测方法，预测方法具体包括以下步骤：S1：基于飞行员历史生产数据，提取导致机长或者副驾驶生产力减少的影响因素；S2：根据等效类型，确定各影响因素针对每个个体的的影响因子的取值，并根据取值生成影响因子矩阵；S3：根据影响因子的数值，得到所有单个个体等效生产力；S4：基于个人等效生产力，获取群体等效生产力。进一步，所述生产力减少的影响因素包括技术资格、行政职务、局方职务和个人事务。进一步，所述影响因子具体为：当等效类型为机长时，所述技术资格系数为α1，所述行政职务系数为α2，所述局方职务系数为α3，所述个人事务系数为α4；当等效类型为副驾驶时，所述技术资格系数为β1，所述行政职务系数为β2，所述局方职务系数为β3，所述个人事务系数为β4；其中，α1、α2、α3和α4的取值范围均为(0，1)；β1、β2、β3和β4的取值范围均为(0，1)。进一步，得到所述单个个体等效生产力的方式具体为：等效机长数：xn＝1×Min(α1n,α2n,α3n,α4n)其中，xn表示当等效类型为机长时第n个个体的等效机长数，n＝1,2,3……m，m为航空公司个体总数，α1n,α2n,α3n,α4n分别代表第n个个体的所述技术资格系数、所述行政职务系数、所述局方职务系数和所述个人事务系数；等效副驾驶数：yn＝1×Min(β1n,β2n,β3n,β4n)其中，yn表示第n个个体的等效副驾驶数，β1n,β2n,β3n,β4n分别代表当等效类型为副驾驶时，第n个个体的所述技术资格系数、行政职务系数、所述局方职务系数和所述个人事务系数；等效机长时间：txn＝a×Min(α1n,α2n,α3n,α4n)其中，txn表示第n个个体的等效机长时间，a表示机长的基准飞行小时；等效副驾驶时间：tyn＝b×Min(β1n,β2n,β3n,β4n)其中，tyn表示第n个个体的等效副驾驶时间，b表示副驾驶的基准飞行小时。进一步，获取群体等效生产力的方法具体为：群体等效机长数：X＝x1+x2+x3+……+xm其中，X表示群体等效机长数；群体等效副驾驶数：Y＝y1+y2+y3+……+ym其中，Y表示群体等效副驾驶数；群体等效机长时间：TX＝tx1+tx2+tx3+……+txm其中，TX表示群体等效机长时间；群体等效副驾驶时间：TY＝ty1+ty2+ty3+……+tym其中，TY表示群体等效副驾驶时间。本专利技术的有益效果是：本专利技术研发了等效生产力的预测方法，基于飞行员多维条件数据组合，帮助运营单位掌握测算等效生产力，为航空合理安排机组资源提供快速、准确的数据支撑。本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。附图说明为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步的详细描述，其中：附图1为本专利技术流程图。具体实施方式以下将参照附图，对本专利技术的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本专利技术，而不是为了限制本专利技术的保护范围。本实施例提出了基于飞行员多维条件数据的实时等效生产力预测方法，如图1所示，预测方法具体包括以下步骤：S1：基于飞行员历史生产数据，提取导致机长或者副驾驶生产力减少的影响因素生产力减少的影响因素包括技术资格、行政职务、局方职务和个人事务，具体的影响机理如下：技术资格：基于飞行员的技术能力和水平，将被运营单位受聘为不同等级的机长或副驾驶，即不同的技术资格；同时，运行单位根据管理制度，对不同等级技术资格的飞行员作为机长或副驾驶投入生产运行有明确规定，有些等级可以作为机长使用，有些等级只能作为副驾驶使用。行政职务：飞行员在运行单位内部担任管理岗位职务的，其飞行时间势必会受到影响，但为保持其飞行员资质，运行单位会对其有最低飞行小时的要求。局方职务：飞行员担任局方职务，其可用飞行生产力将减少。同样，为保持其飞行员资质，运行单位会对其有最低飞行小时的要求。个人事务：主要包括因病、因故等个人因素导致的生产力折损，应该基于实际情况灵活配置。S2：根据等效类型，确定各影响因素针对每个个体的的影响因子的取值，并根据取值生成影响因子矩阵。影响因子具体为：当等效类型为机长时，技术资格系数为α1，行政职务系数为α2，局方职务系数为α3，个人事务系数为α4；当等效类型为副驾驶时，技术资格系数为β1，行政职务系数为β2，局方职务系数为β3，个人事务系数为β4；其中，α1、α2、α3和α4的取值范围均为(0，1)，β1、β2、β3和β4的取值范围均为(0，1)。每个个体的影响因子矩阵类型下所示：影响因子技术资格行政职务局方职务个人事务机长(0,1)(0,1)(0,1)(0,1)副驾驶(0,1)(0,1)(0,1)(0,1)α1、α2、α3和α4以及β1、β2、β3和β4的具体取值根据每个个体的实际情况的不同而不同，例如A飞行员同时担任管理岗位职务，且所处管理岗位的职责较重，任务量较多，则该类型的影响较重，因此该影响因子的取值较高，其他几项的取值较低；B飞行员的家庭事务繁杂，需要频繁请假，则他的个人事务系数取值较高，其他项的取值相对较低。S3：根据影响因子的数值，得到所有单个个体等效本文档来自技高网...

【技术保护点】
1.基于飞行员多维条件数据的实时等效生产力预测方法，其特征在于：预测方法具体包括以下步骤：/nS1：基于飞行员历史生产数据，提取导致机长或者副驾驶生产力减少的影响因素；/nS2：根据等效类型，确定各影响因素针对每个个体的的影响因子的取值，并根据取值生成影响因子矩阵；/nS3：根据影响因子的数值，得到所有单个个体等效生产力；/nS4：基于个人等效生产力，获取群体等效生产力。/n

【技术特征摘要】
1.基于飞行员多维条件数据的实时等效生产力预测方法，其特征在于：预测方法具体包括以下步骤：
S1：基于飞行员历史生产数据，提取导致机长或者副驾驶生产力减少的影响因素；
S2：根据等效类型，确定各影响因素针对每个个体的的影响因子的取值，并根据取值生成影响因子矩阵；
S3：根据影响因子的数值，得到所有单个个体等效生产力；
S4：基于个人等效生产力，获取群体等效生产力。


2.根据权利要求1所述的基于飞行员多维条件数据的实时等效生产力预测方法，其特征在于：所述生产力减少的影响因素包括技术资格、行政职务、局方职务和个人事务。


3.根据权利要求2所述的基于飞行员多维条件数据的实时等效生产力预测方法，其特征在于：所述影响因子具体为：
当等效类型为机长时，所述技术资格系数为α1，所述行政职务系数为α2，所述局方职务系数为α3，所述个人事务系数为α4；
当等效类型为副驾驶时，所述技术资格系数为β1，所述行政职务系数为β2，所述局方职务系数为β3，所述个人事务系数为β4；
其中，α1、α2、α3和α4的取值范围均为(0，1)；
β1、β2、β3和β4的取值范围均为(0，1)。


4.根据权利要求4所述的基于飞行员多维条件数据的实时等效生产力预测方法，其特征在于：得到所述单个个体等效生产力的方式具体为：
等效机长数：xn＝1×Min(α1n,α2n,α3n,α4n)
其中，xn表示当等效类型...

【专利技术属性】
技术研发人员：綦麟，
申请(专利权)人：四川函钛科技有限公司，
类型：发明
国别省市：四川;51