《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》：Machine learning algorithms and models for airport gate assignment problem: A systematic literature review
编辑推荐：
航班停靠问题（GAP）的传统优化方法面临实时性和不确定性挑战，机器学习（ML）因其数据驱动和自适应特性成为研究热点。本文通过系统文献综述（SLR）分析2016-2025年间21项ML在GAP中的应用，揭示ML在动态决策和复杂模式识别上的优势，但存在数据依赖性强、可解释性差及混合架构设计碎片化等问题，并呼吁开发标准化多机场数据集和模块化混合框架。
哈斯奈因·阿里（Hasnain Ali）|卡迪尔·登梅兹（Kadir D?nmez）|魏伦·林（Wei Lun Lim）|萨米尔·阿拉姆（Sameer Alam）
新加坡南洋理工大学（Nanyang Technological University, Singapore）
摘要
随着全球航空交通的持续增长，高效利用机场登机口对于遵守航班周转时间表、最小化延误传播以及减少乘客错过连接的情况变得至关重要。登机口分配问题（Gate Assignment Problem，GAP）——即在实际运营限制下为抵达（和起飞）的飞机分配登机口——传统上通过精确优化方法、启发式算法和元启发式算法来解决。然而，这些方法在应对现实世界机场运营的不确定性和复杂性方面存在困难。近年来，机器学习（Machine Learning，ML）作为一种有前景的替代方案或补充手段出现，提供了基于数据驱动的预测和自适应决策方法。ML技术显示出在问题发生前进行预测、快速逼近最优解以及学习历史登机口分配中的复杂非线性模式的潜力，而这些模式很难通过手工设计的启发式算法来编码。尽管学术界对此的兴趣日益增加，但ML在GAP中的应用仍然零散且缺乏综合研究。现有研究应用了多种ML技术和混合模型，但很少将其与传统方法或独立方法进行基准测试，并且评估实践不一致——使用非标准化的、通常是专有的数据集，导致可重复性有限，从而阻碍了比较分析和通用性的提升。
本文对2016年至2025年间发表的21篇经过同行评审的关于使用ML解决GAP的研究进行了系统性文献综述（Systematic Literature Review，SLR）。我们的综述围绕三个指导性研究问题展开：（i）ML方法与传统优化方法的比较优势与局限性；（ii）混合ML-优化框架的设计与性能；（iii）ML基础GAP研究中使用的数据集和特征集类型，以及它们在多大程度上反映了现实世界机场运营的复杂性和变异性。遵循Kitchenham的方法，我们综合了同行评审研究的发现，突出了趋势和差距，以指导未来的登机口分配研究和系统开发。我们的综述表明，基于ML的技术——特别是强化学习和监督式延误预测器——在处理不确定性和提高决策质量方面具有显著潜力，相比传统优化方法更为有效。然而，它们的有效性往往受到数据可用性和可解释性不足的限制。混合ML-优化框架在结合预测和搜索能力方面显示出潜力，但当前的设计往往是临时性的，很少与其独立组件进行基准测试。大多数基于ML的GAP研究依赖于单一机场的狭窄数据集，忽略了关键的运营动态，限制了其通用性和现实世界的相关性。为了解决这些问题，我们提出了未来的研究方向：（1）开发能够适应变化运营环境的强大且可解释的ML模型；（2）设计集成反馈和支持实时更新的模块化混合架构；（3）整理标准化多机场数据集——包括登机口占用记录、乘客流量、地面运营、延误历史和中断事件——用于基准测试和评估。这些步骤共同有助于将基于ML的GAP方法从学术原型转变为可扩展、可部署的工具，用于下一代机场运营。
引言
航空交通正在以前所未有的速度增长：国际民航组织（ICAO）预测年复合增长率为3.6%，预计到2042年全球乘客量将从2024年的95亿增加到近195亿，其中亚太地区引领这一增长（国际民航组织（ICAO），2025年）。为了在不新建完全新终端的情况下适应这一增长，机场必须充分利用现有基础设施（阿里，2022年）。在各种资源中，登机口尤为重要；登机口分配通常是维护航班周转时间表、促进乘客连接以及确保航空公司和机场准时运行的关键约束（欧洲国际机场理事会，2024年；世界国际机场理事会，2023年；阿里等人，2019a；美国联邦航空管理局，2012年）。
登机口分配问题（GAP）指的是在遵守各种运营限制的同时，将飞机分配到机场内的合适登机口，并优化多个（通常是相互冲突的）目标（Babi?等人，1984年；Da?等人，2020年）。传统的GAP解决方法，包括精确求解器（如CPLEX、Gurobi等）、启发式算法（例如变量邻域搜索）和元启发式算法（例如遗传算法、禁忌搜索等），已在受控的确定性环境中广泛用于生成高质量的分配方案。然而，当面对现代机场运营的规模和复杂性时，这些方法表现出显著的局限性（Li等人，2025年）。精确求解器虽然理论上能够提供最优解，但由于指数时间复杂度，在大规模实例中计算上不可行（Huang等人，2021年）。启发式和元启发式算法通过牺牲最优性保证来提供更快的解决方案时间；它们可以快速产生可行解，但在不确定性下可能陷入局部最优解，缺乏鲁棒性。这些缺点凸显了需要创新方法来同时处理GAP的组合性和动态性问题。
近年来，机器学习（ML）的出现为航空交通管理领域的智能、自适应和数据驱动决策开辟了新的途径（阿里等人，2020年；阿里等人，2024b；阿里等人，2022a）。鉴于对可扩展和实时解决方案的需求不断增加，基于ML的方法在解决GAP和/或增强（补充）传统优化框架方面具有巨大潜力。通过训练历史登机口使用情况和运营日志，ML模型可以
•在几毫秒内
近似最优
分配•自动适应
实时运营中的延误或中断模式，并•学习
多种性能指标（例如乘客转乘时间加上滑行时间）之间的复杂非线性交互，这些在手工调整的启发式算法中难以捕捉。然而，尽管概念验证研究数量不断增加，但关于ML在GAP上的文献仍然零散——不同作者使用不同的算法、数据源和评估指标，没有对其比较优势、局限性和数据需求进行统一的综合。为了填补这一空白，本文对2016年至2025年间发表的基于ML的GAP解决方案进行了系统性文献综述（SLR）。基于21篇经过同行评审的研究，我们提取并比较了
•ML方法与传统优化方法的
优势与局限性
•混合ML-优化管道
的设计与性能这些研究中使用的数据集和特征集类型
，以及它们在多大程度上反映了现实机场运营的复杂性。因此，本文围绕三个研究问题（RQs）展开，每个问题都是基于文献中发现的关键差距提出的：
•RQ1： 与传统方法相比，使用基于ML的技术有哪些优势和局限性？
•出于量化ML何时以及在哪里能够匹配或超越现有求解器的需求而提出。
RQ2： 混合ML-优化方法在GAP研究中扮演什么角色？它们与独立的ML或传统方法在报告的性能指标方面有何比较？
•由于缺乏关于ML和优化技术在GAP研究中应用的结构化综合，以及需要理解这种混合方法的理据和设计模式，因此提出此问题。
•RQ3： 基于ML的GAP研究中通常使用哪些类型的数据集和特征？当前数据集在多大程度上反映了现实世界机场运营的复杂性和变异性？
•出于对可重复性、基准测试标准化以及ML模型实际部署的考虑，提出这些问题。
通过回答这些问题，我们综合了现有方法，突出了关键的研究差距，并提出了开发强大、可扩展且运营上可行的ML解决方案的具体方向。本文的其余部分结构如下：第2节定义了本综述中使用的GAP和ML，并讨论了相关工作；第3节概述了SLR方法；第4节对每个RQ进行了分析；第5节讨论了研究结果，并提出了未来研究的方向建议。第6节总结了本研究。
部分摘录
背景
GAP是航空运输领域一个众所周知的运筹学问题。它被归类为NP难问题（Obata，1979年），意味着它在计算上具有挑战性，目前没有已知的多项式时间算法可以精确解决（阿里等人，2019b）。这种复杂性源于涉及多个（通常是相互冲突的）目标和约束的可行登机口-航班配对的组合爆炸问题，尤其是在大型枢纽机场。
研究方法和框架
本综述遵循Kitchenham方法（Kitchenham等人，2009年），确保了严谨、透明和可复制的过程。这种方法非常适合像ML这样的技术领域，强调系统的文献识别、评估和综合。
使用的数据库
我们在Google Scholar、Scopus和Web of Science数据库中进行了全面搜索，以确保涵盖相关文献的广泛范围。由于索引实践的差异，使用多个数据库是必要的
结果
本节对21篇关于基于ML的GAP方法的同行评审研究的结果进行了结构化综合（见表1）。证据组织起来以回答三个关键研究问题（RQ1–RQ3），每个问题都针对ML集成在该领域的不同方面。首先，我们研究了ML技术与传统优化方法的优势和局限性（RQ1）。接下来，我们评估了混合ML-优化框架相对于独立ML模型的表现
讨论
本综述旨在批判性地探讨ML技术如何重塑GAP的解决方案格局，重点关注方法论进展、性能权衡和实际部署挑战。基于21篇同行评审的研究，以下讨论综合了三个研究问题（RQ1–RQ3）的见解，突出了基于ML的GAP研究的当前局限性和潜力。
结论
本综述研究了ML如何重塑GAP的解决方案格局。传统方法——从精确求解器到启发式算法——在确定性环境中仍然有效，但在发生中断时通常需要完全重新优化，这使得它们对登机口运营的动态和相互关联性反应不够灵敏。相比之下，基于ML的技术提供了直接解决GAP特定挑战的优势。强化学习可以实时调整登机口分配策略
CRediT作者贡献声明
哈斯奈因·阿里（Hasnain Ali）：撰写——审稿与编辑、撰写——初稿、可视化、方法论、调查、数据管理、概念化。卡迪尔·登梅兹（Kadir D?nmez）：撰写——审稿与编辑、撰写——初稿、方法论、可视化、调查、数据管理、概念化。魏伦·林（Wei Lun Lim）：撰写——审稿与编辑、撰写——初稿、可视化、方法论、调查、数据管理、概念化。萨米尔·阿拉姆（Sameer Alam）：撰写——审稿与编辑、监督、资源管理
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
