在繁忙的機場里，每天都有大量的航班起降。登機口的合理分配，就像是一場精密的棋局，關乎著機場運營的效率和旅客的出行體驗。然而，現實中飛機滑行延誤的不確定性，卻給這盤棋局增添了許多變數。地面交通擁堵、天氣變化、飛機的提前或晚點，這些因素都可能導致飛機滑行時間難以預測，進而讓登機口分配陷入困境。以往的研究雖然對登機口分配有所涉及，但在處理滑行時間和延誤的不確定性方面存在不足，沒有充分利用現代預測方法，也未能將機器學習技術有效應用于其中。在這樣的背景下，開展一項能夠精準預測滑行時間、優化登機口分配的研究顯得尤為重要。

為了解決這些問題，研究人員開啟了針對 “機器學習解決飛機滑行延誤不確定下穩健雙目標登機口分配” 的研究。雖然文中未提及具體研究機構，但他們的研究成果發表在了《Expert Systems with Applications》上。研究人員構建了包含不確定參數的數學多目標模型，采用隨機森林（RF）、支持向量機（SVM）和人工神經網絡（ANN）三種機器學習算法來預測飛機的滑行時間，通過這些預測結果創建了基于多面體方法的集誘導穩健對等模型。最終研究得出結論：基于統計分析發現，實際滑行時間與預測滑行時間存在很強的相關性；在不確定性環境下，數學規劃輸出的結果良好，能夠在保持保守策略的同時，優化登機口分配，使機場管理部門在可接受的置信區間內有效管理登機口分配。這一研究意義重大，它不僅提高了機場的運營效率，還減少了資源浪費，同時也為旅客帶來了更順暢的出行體驗，有效解決了長期以來困擾機場運營的難題。

研究人員在研究過程中主要運用了以下關鍵技術方法：首先是機器學習技術，采用 RF、SVM 和 ANN 三種算法預測飛機滑行時間，通過對歷史數據以及飛機、機場相關信息的學習，實現對滑行時間的精準預測。其次是構建數學模型，建立包含不確定參數的數學多目標模型，其中Z1用于最小化滑行延誤，Z2用于最小化旅客步行時間。最后運用了集誘導穩健優化方法，采用多面體不確定性集，在保守性和最優性之間進行合理權衡，實現更穩定的登機口分配。

傳統登機口分配依據飛機預計到達和離開時間，但這些估計受多種不確定性因素影響，可能導致資源利用低效和延誤。研究人員為解決這一問題，旨在將機器學習納入登機口分配過程，利用歷史數據和其他相關信息，為后續的研究奠定數據基礎。

數學模型包含兩個部分，一是含有不確定參數的滑行延誤目標函數，二是被建模為確定性模式的旅客步行時間。該模型由兩個目標函數組成，Z1用于最小化滑行延誤，Z2用于最小化旅客步行時間。通過引入相關因素，構建出基本的數學模型框架，為后續的優化計算提供了基礎。

研究人員運用機器學習中的 RF、SVM 和 ANN 三種強大算法來預測飛機滑行時間。機器學習作為人工智能的分支，通過算法和統計模型讓計算機基于數據進行學習和預測。這三種算法利用飛機特性、機場時間安排、起降方式、歷史滑行時間數據等多種特征，經過超參數優化和特征選擇技術，對飛機的進港和出港滑行時間進行預測，為登機口分配提供了重要的時間預測依據。

研究人員考慮了航班運營中的跑道和候機大廳兩個因素。以 PHX 機場 2010 - 2019 年超過四百萬次的起降航班數據為樣本，分析發現跑道對滑行時間有潛在影響。通過統計分析，驗證了跑道因素在滑行時間預測和登機口分配優化中的重要性，為后續的實際應用提供了有力的支持。

隨著航班運營量的持續增長，優化資源和設備的利用變得愈發重要。在機場規劃領域，預測技術的應用至關重要。本研究針對機場和航空公司面臨的登機口分配難題，采用多目標方法，通過機器學習和穩健優化相結合的方式，有效解決了飛機滑行延誤不確定性下的登機口分配問題。研究結果表明，這種方法能夠優化登機口分配，提高機場運營效率，減少因不確定性導致的延誤，提升旅客的出行體驗。同時，研究中采用的方法和模型為機場運營管理提供了新的思路和工具，有助于機場管理部門制定更加科學合理的決策，在未來的機場運營中具有重要的應用價值和推廣意義。