通过中断感知站台分配减少与出租车相关的机场排放

机场管理部门经常面临的挑战是，既要最有效地管理飞机停机位，又要遵守环境法规和容量限制。这项任务往往还会受到各种扰动的影响，从而影响机场运营的准时性。考虑到机场环境的随机性和现代航空运输业的减排目标，本文提出了一种创新方法，用于获得高效的停机位分配。此外，本文提出的方法还展示了创建停机位分配的相同程序如何有助于确定减排潜力。本文阐述了所介绍的方法与模拟相结合的应用，并展示了应用贝叶斯建模和元启发式优化对减少出租车相关排放的影响。

引言

现代机场正面临着一项全球性挑战，即在应对快速航空交通增长和维持所需服务水平（国际民航组织，2019a）的同时，大幅减少污染物排放并实现碳中和运营。机场活动产生的排放会影响机场及周边地区的空气质量。机场最重要的排放源之一是飞机运行，如着陆、滑行和起飞（国际民航组织 2019b）。因此，除了技术创新和改用可持续航空燃料外，提高这些操作的效率也被纳入全球航空业措施的考虑范围（ATAG 2020）。

在机场滑行期间产生的排放水平取决于燃料燃烧量以及飞机在指定停放位置（停机位）和跑道出入口之间移动的时间。一般来说，飞机在巡航阶段以外的总排放量的三分之一以上可能是在滑行过程中产生的（Fleuti 和 Maraini，2017 年）。因此，有必要以尽量缩短滑行距离和时间的方式分配飞机，以确保减少燃料消耗和相关排放。

白天航班时刻表的最后一分钟变更往往会打乱机位分配计划。这种变化可能导致周转时间延长和机场性能下降。因此，一些飞机可能不得不在地面等待，一些飞机可能不得不在机场航站区的空中等待，最终导致更高的燃料消耗和额外的排放。航站楼设施管理不善会造成航班时刻中断，影响后续航班和连接机场的航班时刻，也会影响排放水平。因此，有必要对候机楼设施（如停机位）进行有效管理，以减轻航班时刻干扰的影响，同时降低滑行过程中产生的污染物排放水平。

本文所要解决的站位分配问题（也称为站位分配问题），此前已有许多研究人员进行过研究。然而，其中只有一些研究方法考虑到了机场运营的随机性。通常情况下，为了减少停机位分配冲突的数量和相关的飞机等待时间，一个停机位在两个连续航班之间会有一定的空闲时间。这种空闲时间被称为缓冲时间，已被证明是处理 30 分钟以内航班偏差的最佳措施（Hassounah 和 Steuart，1993 年；Yan 和 Chang，1998 年；Yan 和 Huo，2001 年；Yan 等，2002 年）。然而，这种行为会大大降低机场航站楼的容量，因此在现代拥挤的机场中应该避免。

据估计，怠速等待和滑行对飞机燃油消耗和机场排放的影响最大（Nikoleris 等，2011 年）。因此，许多研究人员都在努力实现减少空闲等待和优化滑行足迹的目标。Duinkerken 等人（2013 年）、Li 和 Zhang（2017 年）估计，使用单引擎方式、外置电动发动机和牵引源进行滑行可显著减少排放。Tsao 等人（2009 年）证明，通过优化滑行和起飞顺序，可减少飞机在地面的空闲等待时间。Khadilkar 和 Balakrishnan（2012 年）、Simaiakis 等人（2014 年）以及 Ashok 等人（2017 年）应用的推回控制、登机口保持和起飞顺序优化（Simaiakis 和 Balakrishnan，2016 年）显示，与滑行道和跑道拥堵有关的排放显著减少。

尽管上述方法被证明可以减少环境足迹，但其中一些方法也导致了停机位占用时间的增加，从而大大降低了机场容量，这在拥堵的机场可能会成为问题。此外，这些研究既没有考虑航班到达时间的扰动，也没有考虑从跑道到看台的滑行（滑行进入阶段），而这可能会对滑行时间和相关排放产生重大影响（Hao 等，2016 年）。为了填补这一领域的空白，并为航空运输管理部门提供一种既能提高效率又能改善站位分配操作对环境影响的方法，本文介绍了如何在站位分配中将这两个目标结合起来，并利用仿真技术演示了实现这两个目标的方法。

Bagamanova 和 Mujica Mota（2020 年）曾介绍过一种机位分配方法，本文介绍了该方法的双目标应用，用于评估各种机位分配政策对航班时刻扰动和环境足迹的敏感性。所介绍的方法结合了数据挖掘和进化优化的优点，可生成排放量最小的摊位分配，并通过模拟证明了针对可能的计划偏差和相关减排的效率。所介绍的方法利用贝叶斯多层次建模（Bürkner，2017 年）从机场的历史性能数据中了解到航班计划偏差的概率，这取决于计划航班的特点。然后利用这些概率计算出目标航班时刻表中每个航班最可能出现的偏差水平。然后在生成机位分配时考虑计算出的偏差，并对其进行优化，以实现飞机滑行过程中产生的排放最小化的目标。

本文内容如下。第 2 节概述了机位分配方法。第 3 节介绍了案例研究和模拟实验结果。第 4 节介绍结论和进一步研究。

方法论

本文介绍的机位分配方法由双模块方法和仿真模型实验组成。双模块方法根据目标航班时刻表、上一期时刻表中断的历史数据以及用户定义的分配策略和优化目标生成优化的机位分配。然后，在仿真模型中对所获得的分配进行估算，以评估在真实机场系统的随机性条件下，双模块方法所生成的机位分配的环境足迹质量。

算法说明

本节简要介绍了生成优化机位分配的双模块方法。更全面的描述可参见 Bagamanova 和 Mujica Mota (2020)。

双模块方法由两个要素组成。模块 I 负责根据机场历史数据估算航班时刻偏差的概率。这些概率以贝叶斯分布模型的形式表示，描述了历史数据中各种航班特征（如航空公司名称、预定到达时间和星期几）出现一定程度航班时刻偏差的可能性。通过在分配计划中考虑可能出现的中断，可以减少飞机等待计划机位的空闲时间和相关排放。

模块 II 将目标航班时刻表分配到可用的看台，尊重用户定义的分配政策和限制，并考虑看台占用时间中最有可能或用户定义的概率级时刻表中断。然后，根据用户指定的优化目标，使用遗传算法对生成的分配进行优化。这种优化的结果不一定是最优解，但遗传算法中使用的交叉和突变算子的随机性使我们能够在合理的时间内获得高质量的解决方案（Bagamanova 和 Mujica Mota，2020 年）。由此产生的林分分配考虑了随机性，其形式是由时间表偏差分布模型产生的林分占用时间偏差。

优化目标

为了提高展位分配效率，减少飞机在地面移动和空闲等待展位时产生的污染物足迹，在双模块方法模块 II 的优化组件中实施了以下双目标优化目标函数：
min(w₁ ∗ O_taxi+ w₂ ∗O_hold)(1)
目标函数 (1) 由以下单个目标组成：

• 最大限度地减少出租车往返停车位的距离，从而减少相关排放：
  O taxi = dsched.taxi ⁄ Max dairport
• 尽量减少等待停机位的飞机数量，从而减少发动机的闲置：
  O hold = ∑fl.

其中

• dsched.taxi ⁄ - 分配的时刻表中往返于站台的平均滑行距离；
• Max dairport 在考虑跑道配置的情况下，机场可能的最大滑行距离；
• ∑fl. Hold - 必须等待停机位的飞机数量；
• ⁄∑fl--计划中需要分配的飞机总数；
• wn - 相应目标的优先权重。在本文中，所有权重都等于 1，以获得对两个目标都均衡的机位分配。在实际应用中，机场的不同利益相关者可以根据自己的偏好决定权重。

在 Bagamanova 和 Mujica Mota（2020 年）最初实施的双模块方法中，模块 II 中的优化目标函数还包括最大化使用联络机位，这是许多机场的普遍偏好，因为这样可以充分利用航站楼为乘客提供体验，并减少在停机坪上行驶的地面服务车辆数量。尽管如此，在未来的工作中，研究在优化组件中优先使用停机位的环境成本可能会很有意义。

案例研究：墨西哥城国际机场

本节讨论双模块方法在案例研究机场中的应用，以了解更环保高效的机位分配政策。

基本信息

墨西哥城国际机场（IATA 代码：MEX）是墨西哥的主要机场，每年约有 45 万次起降。机场有两座航站楼，由两条平行的跑道分隔。由于相互靠近，这些跑道从未同时运行。这种布局限制了 MEX 的容量，自 2017 年起，它被正式限制为每小时 61 架次，最多 40 架次着陆（SCT 2017）。

在本文范围内，考虑到 26 家航空公司在 MEX 的两个航站楼运营，同时执行国际和国内航班。在 MEX 可用的总共 91 个停机位中，本文仅考虑了 84 个停机位，因为其余停机位不用于客运航班。因此，1 号航站楼有 11 个开放式看台和 33 个接触式看台，其中 16 个看台用于国内航班，17 个用于国际航班。2 号航站楼有 17 个开放式看台和 23 个接触式看台，其中 13 个用于国内航班，10 个用于国际航班。

航班时刻中断和排放

在全球范围内，2018 年墨西哥产生的航空客运相关排放约占全球的 1.5%（Graver 等人，2019 年）。墨西哥国际机场直接毗邻墨西哥城的城市区域，这使得机场对城市的空气质量和噪音水平产生了重大影响。根据 SEDEMA（2018 年）的数据，MEX 产生的污染物排放量约占墨西哥城污染物排放总量的 15%。

2017 年，墨西哥正式加入了全球碳中和航空运输运营倡议（ICAO 2020），这意味着所有国家的机场都必须遵循国际民航组织的减排政策和标准。尽管如此，截至本文撰写之日，墨西哥航空公司的官方网站并未公布任何关于机场排放水平的官方估算，也未披露任何旨在减少其运营对环境影响的措施。

MEX 经常出现准点率问题。2018年，只有67%的航班准点起飞（SCT 2019），超过20%的离港航班平均延误46分钟（Flightstats 2018）。考虑到如此高的扰动水平以及最近参与全球污染物足迹减少倡议的情况，墨西哥城成为应用双模块方法的良好目标，以发现与机位分配规划相关的隐藏减排潜力。

双模块方法的实施

作为本研究的输入数据，我们使用了从墨西哥城国际机场（2018 年）获取的 2018 年 5 月 28 日至 2018 年 6 月 3 日期间的官方绩效报告。该报告包含 8000 多个航班的实际和计划抵达时间、航班号、航空公司名称和使用的飞机类型。在选定的一周内，约有 7% 的到达航班偏离计划时间超过一小时。超过 53% 的计划到达航班延误时间超过 15 分钟，这对拥堵的机场来说是一个很大的干扰。

由于无法获得有关周转时间和到达-离开飞机对应关系的实际数据，因此在所进行的实验中，假定只使用所获得报告中的到达客运航班，并为所有航班定义 60 分钟周转时间。这种限制将航班数量减少到 3,914 架次，其中 31.7% 为国际航班，68.3% 为国内航班。

模块 I 对所选的 3,914 次航班数据进行了处理，并建立了到达时间偏差贝叶斯模型，假设偏差与航空公司名称和预定到达时间相关。关于回归模型参数、总和贝叶斯模型和模块 I 输出结果的详细说明，请参见 Bagamanova 和 Mujica Mota (2020)。

最后，模块 II 在考虑最有可能出现的计划偏差、分配政策限制的基础上创建分配，并根据目标函数 (1) 对其进行优化。由于双模块方法被认为可以更有效地替代传统的缓冲时间，因此在模块 II 中生成机位分配时，没有在分配到同一机位的连续航班之间添加缓冲时间。由此产生的分配统计数据如图 1 所示。

每个机场都有自己的停机位分配政策限制，这意味着停机位有一定的用途。以下是本算法中考虑的限制条件：

• 国内和国际航班必须分配到指定区域的特定看台。这些是机场的内部规定，例如，国际航班被分配到可以进入指定边境管制区的看台；
• 分配时必须考虑航班延误（根据模块 I 中的条件概率分布）。在本文中，由于无法获得地勤数据以及到达飞机与起飞飞机的对应关系，因此只考虑了到达延误；
• 分配的停机位必须与飞机尺寸相对应（大型飞机翼展较大，需要额外空间）。在模块 II 处理输入数据阶段，通过为每个航班确定允许的停机位来实现这一点。

图 1：模块 II 生成的看台分配统计。

从图 1 中可以看出，大多数航班都被分配到了距离跑道不太远的停机位。在 1 号航站楼，约有 61.1%的航班被分配到距离跑道平均滑行距离（4.2 千米）小于 1 号航站楼的看台；在 2 号航站楼，61.3%的航班被分配到距离跑道平均滑行距离（5.6 千米）小于 2 号航站楼的看台。当然，由于分配政策的限制、指定的边境管制区以及没有更近的看台等原因，一些航班不得不被分配到更远的看台。尽管如此，图 1 显示了该算法在最小化滑行距离方面取得的成功。

本研究使用的数据有一个局限性，即无法获得墨西哥国家博物馆历史上的实际展位分配情况。因此，目前无法将双模块方法的结果与实际的 MEX 展位分配情况进行比较。因此，为了评估所获得的分配质量，同时也由于缺乏实际的墨西哥国 际博览会历史展位分配情况，我们在墨西哥国际博览会模拟模型环境中对双模块方法分配进 行了测试，具体情况将在下一节中介绍。该模拟模型的详细描述和验证可参见穆希卡-莫塔和弗洛雷斯（2019 年）。

模拟实验

本研究使用仿真模型的主要目的是评估在接近现实的条件下，考虑站位分配中的计划偏差对出租车相关排放的影响，并找出改善机场性能和排放水平的方法。本研究中使用的模拟模型允许我们将随机因素（如停止运行情况、在登机口等待推回）纳入其中，这些随机因素在分配生成时并未考虑，但在现实生活中确实会影响飞机在地面上的移动。

每次模拟复制都要跟踪以下性能指标：

• 已分配时刻表中所有飞机的总滑行距离： d 总滑行距离 = ∑ N
  i=1 (d in i + d out i ) ；
• 所有已分配时间表的飞机的总滑行时间： t 总滑行时间 = ∑ N
  i=1 (t in i + t out i + t wait i ) ；
• 与滑行有关的污染物排放总量 e 总滑行 = t 总滑行 ∗ F NO + t 总滑行 ∗ F CO ；

其中

• d in i - i 号飞机从跑道出口到停机位的距离；
• d out i - 第 i 架飞机从停机位到跑道入口的距离；
• t in i--第 i 架飞机从跑道出口到停机位的飞行时间；
• t out i--第 i 架飞机从停机位飞往跑道入口的时间；
• t wait i - 第 i 架飞机等待停机位的时间；
• F NO 和 F CO - 分别为 NOx 和 CO 2 的排放因子；
• i... N - 飞机数量。

排放因子取决于发动机特性、所用燃料类型和飞机重量等因素（国际民航组织，2019b）。由于无法获得所研究航班时刻的发动机规格和飞机重量的实际数据，因此假定滑行速度恒定，并参考空客 A320（发动机 CFM56）的滑行排放量（欧洲环境署，2016 年），计算出总排放量 e 总滑行量。选择该机型的原因是，55% 的研究航班都使用了该机型。只有不到 1%的研究航班使用大型飞机，其余航班主要使用支线飞机。经调整的每分钟滑行排放因子如表所示。

表 1：每分钟滑行的排放系数。

类型	系数，千克/分钟
耗油量	14.52
每分钟氮氧化物排放量，F NO	0.065196
每分钟二氧化碳排放量，F CO	1.7604

本文假定了某些排放因子，以便对双模块方法的应用对机场排放的影响进行总体估算。尽管如此，本文仍考虑在未来获得更多飞机规格的实际数据后，对所有现有飞机类型的不同排放因子进行更详细的计算。

在进行这项研究时，没有关于墨西哥城确切或历史机位分配的信息。因此，将双模块方法生成的分配与每次模拟运行时直接生成的随机最后一分钟分配进行了比较。随机最后一分钟分配是指在飞机开始着陆进近时，将模拟过程中的航班分配到任何合适的停机位上。这意味着，无论飞机滑行距离跑道多远，都可以选择任何在决策时刻未被占用的合适停机位。由于选择是随机的，因此每次模拟运行都会产生不同的停机位使用情况。由于在这种最后一分钟的分配中没有初步的计划分配，因此可以认为计划中断对看台使用的影响最小，分配冲突的可能性也较小。尽管没有估计这些影响最小化的环境代价。本节将估算这种最后时刻随机分配对出租车相关排放的影响，并与双模块方法执行的主动分配规划进行比较。此外，为了跟踪时间表偏差对出租车相关排放的影响，本研究还包含了准点到达和中断到达的模拟情景。

表 2 列出了所定义的站位分配情景概览。这些情景可描述如下：

• A. 基本情况。它代表一种理想情况，即所有航班都准时到达，仅使用模块 II 生成机位分配（即不考虑偏差的优化分配）。
• 情景 B：仅使用模块 II 生成机位分配（即不考虑偏差的优化分配）。根据模块 I 中了解到的到达时间偏差分布生成的航班到达时间偏差。
• 方案 C. 同时使用模块 I 和模块 II，在考虑预期延误的情况下生成机位分配。根据模块 I 中了解到的到达时间偏差分布生成的航班到达时间偏差。
• 情景 D： 使用最后一分钟随机分配法将抵达航班分配到看台。航班根据时间表准时到达
• 情景 E. 使用最后一分钟随机分配法将抵达航班分配到看台。根据模块 I 中了解到的到达时间偏差分布生成的航班到达时间偏差。

表 2：看台分配方案。

情景名称	航班时刻中断	考虑的航班时刻中断	分配优化	分配生成
A	-	-	是	模块二
B	是	-	是	模块二
C	是	是	是	双模块
D	是	是	是	最后一分钟随机
E	是	-	-	最后一分钟随机

本文的目的是通过优化站位分配来发现减少出租车相关排放的隐藏潜力。正如在第 3.3 节中对生成的分配进行分析时所观察到的那样，目前国内和国际区域在航站楼中的分布对分配结果有相当大的影响，因此也对与税收相关的排放水平有相当大的影响。因此，我们考虑放宽 MEX 的某些限制，以验证这样的行动是否会给现实生活中的摊位分配操作的环境足迹带来任何好处。因此，我们决定对现有的一些派位限制进行调整，从而制定出新的派位政策，这样就不需要对机场设施进行重大改造。在所有模拟分配政策中，唯一仍然严格的要求是只将大型飞机分配到专门配备的看台。通过一系列实验，将新的分配政策与包含严格分配限制的原始政策进行了比较，模拟了未达到所定义政策的 A-E 场景。这样，对于每一种分配策略，都评估了准时到达和中断到达情况下的双模块方法性能，并与随机的最后一分钟分配进行了比较。定义的分配策略包括以下几种：

• 第一组--基本情况实验。严格按照指定航站楼和国际/国内区域，根据原始分配限制集生成机位分配。
• 第二组--飞机被分配到原计划航站楼内任何可用的停机位。这意味着国际航班和国内航班可以被分配到同一个停机位。
• 第三类 - 飞机可以选择任何航站楼内的停机位，但必须遵守指定区域政策。这意味着国内航班必须分配到国内区，但可以分配到任何航站楼的国内区。
• 第四类 - 飞机可被分配到任何航站楼的任何区域。这是一种无布局限制的分配政策，可使所研究航班时刻表的滑行距离和与滑行相关的排放量尽可能接近最小值。
• 第 V 组 - 1 号航站楼完全指定用于国内航班。这意味着即使航班原计划飞往 2 号航站楼，如果是国内航班，也会被分配到 1 号航站楼。
• 第 VI 组 - 1 号航站楼完全指定用于国际航班。这意味着，即使航班原计划飞往 2 号航站楼，如果是国际航班，也会被分配到 1 号航站楼。

使用相同的数据来学习班次中断的贝叶斯分布模型并生成模拟实验随机性，可以说是本文的一个局限。尽管如此，本文提出的方法的主要目标是减轻航班时刻中断对机场环境的负面影响，而不是预测计划航班的确切延误或提前到达时间。通过在分配规划中考虑一定的概率区间，我们打算提供一种影响停机位分配稳健性的工具。概率区间越大，可以考虑的扰动因素就越多；但是，这可能会降低机位资源的容量，因此，对于一些拥挤的机场来说，这可能会被视为一种限制。概率区间越小，停机位阻塞时间越短，但可能会增加等待停机位可用性的飞机数量。本文未对这一权衡进行讨论，但将在今后的研究中进行探讨。

对于每种分配策略，实验 A-E 各进行了 30 次重复。每个重复的持续时间为 7 天，另加到达时间偏差的额外时间。下一节将介绍并讨论实验结果。

实验结果

对已执行的实验结果进行了跨方案比较，以确定可显著减少排放的分配政策。图 2 - 图 4 显示了第一至第六组实验的跟踪指标比较统计。

从图 2 中可以看出，方案 A 和方案 B 的出租车距离值相似，因为它们采用了相同的站位分配；方案 B 与方案 A 的不同之处仅在于随机到达时间偏差。方案 D 和 E 一般会产生较高的出租车距离值，因为它们没有优化分配以尽量减少出租车时间。第 V 组的滑行距离最小，该组对应的分配政策是 1 号航站楼完全用于国内航班，2 号航站楼用于国际航班。在这一政策下，双模块法和最后一分钟随机分配法产生的数值接近，相差 0.2%。在这些实验中，最后一分钟随机分配优于优化站台分配的原因是，在 D 组和 E 组方案中，如果所有其他合适的站台都已被占用，最后一分钟分配允许重叠分配到同一站台。总之，图 2 显示的结果表明，通过重新安排MEX 航站楼的使用，将 1 号航站楼完全用于国内航班，每周可减少 4.2% 的滑行距离。

图 2：各组实验方案 A - E 的总滑行距离比较。
关于总滑行时间，如图 3 所示，可以注意到由于随机偏差和飞机等待时间的存在，方案 B 比方案 A 显示出更大的变数和更高的平均值。滑行时间值最低的是第五组中的方案 C，它是由双模块方法产生的分配方案。该方案的总滑行时间比第一组的 C 方案低 9%。

值得注意的是，在所有组别中，方案 C 的出租车时间始终低于最后一分钟随机分配和分配时未考虑计划中断的方案（B、D 和 E）。由此可以得出结论，在分配停机位时考虑预期的航班时刻偏差对机场运行是有利的，因为这样可以减少停机位的等待时间，从而缩短滑行时间。

在比较污染物排放总量时，方案 C 的第 V 组再次达到最低值（见图 4）。有趣的是，在第五组 E 方案中，最后一分钟的随机分配仅比 C 方案高出 3.8%，但这种随机分配在所有分配政策下都表现出很高的可变性。

可以注意到，图 3 和图 4 的数值相似，这可能是由于假设整个研究的排放因子是统一的。尽管如此，未来使用更具体的排放因子（如根据 BADA（EUROCONTROL 2020）改编）进行重复实验，并分析总排放量和总出租车时间之间的相关性，以便将二者合并为单一优化目标，可能会很有意义。

图 3：各组实验中方案 A - E 的总滑行时间比较。
图 4：各组实验方案 A - E 的二氧化碳和氮氧化物总排放量比较。综上所述，可以得出结论，就相关排放而言，最有利的机位分配政策是第五组中的政策。这意味着，在实验所考虑的运行条件下，重新安排航站楼的使用并将 1 号航站楼用于国内航班，与现有的航站楼指定相比，每周可为墨西哥国家航空港节省约 9% 的污染物排放总量。

结论和未来研究

本文介绍了一种创新方法的应用，该方法结合了贝叶斯方法和双目标启发式优化，从相关排放最小化的角度来解决机场的机位分配问题。为了验证所提出的方法对机场环境足迹的影响，在该方法中加入了模拟，以引入现实系统的随机性质的影响。此外，应用双模块方法并放宽分配限制，揭示了减少出租车相关污染物排放的隐藏潜力。以墨西哥城国际机场为例，最好的结果是将整个 1 号航站楼用于国内航班，2 号航站楼用于国际航班。与目前的航站楼使用情况相比，重新安排航站楼每周可减少约 9% 的出租车相关污染物排放。

作为未来的工作，模块 I 还将考虑其他变量，如实际周转时间和起飞时间偏差，以及更多的历史性能数据，以提供更准确的预期扰动。在获得更多历史数据后，使用不同但可比较的数据集来学习偏差模型，并进行模拟实验，以更好地估计所获得的偏差模型的准确性，也将是有益的。此外，还考虑利用飞机排放规格加强双模块方法优化组件和模拟研究，以便更精确地估算排放量及其对机位分配的影响。

此外，比较双模块生成的机位分配与同一机场历史（实际）机位分配的质量，并在其他机场配置和机位分配政策上测试提出的方法，也是很有意义的。此外，还可以研究是否可以将减少滑行距离和减排目标合并为一个优化目标，以及如果考虑飞机等待时间而不是等待飞机的数量，会对排放水平产生什么影响。此外，从仿真模型中获得的信息将被纳入优化循环，以提供更多定性解决方案。

鸣谢

作者感谢巴塞罗那自治大学、阿姆斯特丹应用科学大学航空学院对本研究的支持，以及荷兰比荷卢模拟协会(www.dutchbss.org) 和 EUROSIM 对本研究成果的传播。

作者简介

MARGARITA BAGAMANOVA是阿姆斯特丹应用科学大学的讲师和研究员，也是巴塞罗那自治大学工程学院航空与物流系的博士生。她的研究重点是应用模拟、多元优化和贝叶斯推理技术改进机场运营。她曾在不同的同行评审国际期刊和国际会议论文集上发表过论文。此外，自2018年以来，她还是荷兰比荷卢模拟学会（EUROSIM）指导委员会的活跃成员。她的电子邮件地址是 mm.bagamanova@hva.nl 和 margaritabagamanova@gmail.com。

米格尔-穆希卡-莫塔（MIGUEL MUJICA MOTA）是荷兰阿姆斯特丹应用科学大学航空学院航空管理副教授和高级研究员。他拥有巴塞罗那自治大学信息学博士和硕士学位，以及墨西哥国立大学运筹学博士和硕士学位。他是欧洲仿真协会联合会 EUROSIM 的现任主席和荷兰比荷卢仿真协会主席。他参与了多个国际工业项目以及由欧盟委员会、世界银行或私营企业资助的研究项目。他与他人合著了四本书，并发表了大量关于仿真、运营研究、航空、制造和物流的科学论文。他的研究兴趣在于利用仿真、建模形式主义和启发式方法对航空运营、制造和物流进行优化和性能分析。他的电子邮件地址是 m.mujica.mota@hva.nl。他的网站是 www.mmujicamota.com。

2020 年冬季仿真会议论文集 K.-H.Bae, B. Feng, S. Kim, S. Lazarova-Molnar, Z. Zheng, T. Roeder, and R. Thiesing, eds.

玛格丽塔-巴加马诺娃
航空与物流系C组
巴塞罗那自治大学
巴塞罗那自治大学
西班牙，贝拉特拉，08193
米格尔-穆希卡-莫塔
航空学院
阿姆斯特丹应用科学大学
阿姆斯特丹应用科学大学 190 Weesperzijde
阿姆斯特丹，1097 DZ，荷兰

参考文献

Ashok, A., H. Balakrishnan, and S. R. H. Barrett.2017."减少机场滑行和起飞操作对空气质量和二氧化碳气候的影响》。运输研究 D 部分：运输与环境 54:287-303.ATAG 2020.航空业减少其环境足迹》：航空：https://www.aviationbenefits.org/environmental-efficiency/climate-action/, 2 月 12 日访问。
Bagamanova, M., and M. Mujica Mota.2020."机场机位分配的多目标优化与延迟感知组件》。航空运输管理杂志》83:101757。Bürkner, P.-C. 2017."Brms：使用 Stan 的贝叶斯多层次模型 R 软件包》。统计软件期刊》80（1）：1-28。Duinkerken, M., T. Selderbeek, and G. Lodewijks.2013."Reducing Emissions of Taxiing at Airports".S. Onggo 和 A. Kavicka 编辑的 2013 欧洲仿真与建模会议，331-335 页。奥斯坦德：欧洲建模与仿真技术多学科学会。
eurocontrol 2020。https://www.eurocontrol.int/eec/public/standard_page/proj_BADA.html, accessed 13 th April.欧洲环境署。2016.https://www.eea.europa.eu/publications/emep-eea-guidebook-2016, accessed 8 th April 2020.Fleuti, E., and S. Maraini.2017.Taxi-Emissions at Zurich Airport. https://flughafen- zuerich.ch/~/media/flughafenzh/dokumente/das_unternehmen/laerm_politik_und_umwelt/taxi_study_zurichairport_201712 07.pdf, accessed 10 th February 2020.Flightstats.2018.Airport On-Time Performance Reports. https://www.flightstats.com/v2/monthly-performance-reports/airports, accessed 10 th January 2019.Graver, B., K. Zhang, and D. Rutherford.2019.https://theicct.org/publications/co2-emissions-commercial-aviation-2018, accessed 12 th February 2020.Hao, L., M. Hansen, and M. S. Ryerson.2016."为突发事件加油：航空运输系统不可预测性的隐性成本》。运输研究 D 部分：Transportation Research Part D: Transport and Environment 44:199-210.Hassounah, M., and G. Steuart.1993."Demand for Aircraft Gates".运输研究记录 1423:26-33。ICAO 2019a.国际民航组织环境报告。https://www.icao.int/environmental-protection/Documents/ICAO-ENV-Report2019- F1-WEB%20%281%29.pdf，3 月 25 日访问。
ICAO 2019b.国际民航组织飞机发动机排放数据库。https://www.easa.europa.eu/easa-and-you/environment/icao- aircraft-engine-emissions-databank，11 月 16 日访问。国际民航组织 2020 年。CORSIA Participation. https://www.icao.int/environmental-protection/Lists/CORSIAParticipation/AllItems.aspx，2 月 12 日访问。墨西哥城国际机场。2018.https://www.aicm.com.mx/wp-content/uploads/2019/04/OperacionesdeLlegadaySalida25al31Marz2019.pdf, accessed 10 th April 2019.Khadilkar, H., and H. Balakrishnan.2012."使用飞行数据记录器档案估算飞机滑行燃油消耗量》。运输研究 D 部分：运输与环境》17（7）：532-537。
Li, N., and H. Zhang.2017."机场滑行过程中飞机污染物排放计算》。Huanjing Kexue Xuebao/Acta Scientiae Circumstantiae 37(5):1872-1876.Mujica Mota, M., and I. Flores.2019."基于模型的机场容量限制识别方法：墨西哥城机场案例"。SNE Simulation Notes Europe 29(1):13-25.Nikoleris, T., G. Gupta, and M. Kistler.2011."达拉斯/沃斯堡国际机场飞机滑行过程中燃料消耗和排放的详细估算》。运输研究 D 部分：运输与环境》，16（4）：302-308。SCT 2017.https://www.aicm.com.mx/wp- content/uploads/2017/12/OF1747CapacidadDeOperaciones.pdf，2018 年 12 月 11 日访问。
SCT 2019.Estadística Operacional de Aerolíneas (Traffic Statistics by Airline) - International Airport of Mexico City. http://www.sct.gob.mx/transporte-y-medicina-preventiva/aeronautica-civil/7-inconformidades-de-aerolineas/71- demorasindice-de-puntualidad/aeropuerto-internacional-de-la-ciudad-de-mexico-aicm/, 2019 年 11 月 15 日访问。SEDEMA 2018.Inventario de Emisiones de La CDMX 2016 (Mexico City Emissions Inventory 2016). http://www.aire.cdmx.gob.mx/descargas/publicaciones/flippingbook/inventario-emisiones-2016/mobile/, accessed 20 th April 2020.Simaiakis, I., and H. Balakrishnan.2016."机场出发过程的排队模型》。运输科学》50（1）：94- 109。Simaiakis, I., H. Khadilkar, H. Balakrishnan, T. G. Reynolds, and R. J. Hansman.2014."通过推回率控制减少机场拥堵的示范》。
Transportation Research Part A: Policy and Practice 66(1):251-267.Tsao, H. S. J., W. Wei, A. Pratama, and J. R. Tsao.2009."优化机场地面运行的综合滑行和起飞调度》。In Proceedings of Indian Subcontinent Decision Sciences Institute Conference 2009, January 3 rd -5 th , Bombay, India, 1-12.
Yan, S., and C. Chang.1998."闸门分配的网络模型》。先进交通期刊》，32:176-189。Yan, S., and C. M. Huo.2001."多目标登机口分配的优化》。
Transportation Research Part A: Policy and Practice 35(5):413-432.Yan, S., C.-Y. Shieh, and M. Chen.Shieh, and M. Chen.2002."评估机场登机口分配的模拟框架》。运输研究 A 部分：政策与实践》，36（10）：885-898。