Improving Air Crew Rostering by Considering Crew Preferences in the Crew Pairing Problem
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A common strategy used by airlines to improve employee satisfaction is to create schedules that take into account crew preferences such as preferred legs or desired off-periods. Air crew scheduling usually involves two steps: the crew pairing problem (CPP) and the crew rostering problem (CRP). A pairing is a sequence of legs and deadheads separated by connections and rest periods that starts and ends at the same crew base and can legally be operated by a crew member. The CPP generates a set of pairings that covers every leg of a given schedule exactly once at a minimum cost. The CRP uses these pairings to create rosters composed of personalized schedules, with the goal of granting as many crew preferences as possible. A downside of this two-step approach is that the CPP does not take the crew preferences into account, resulting in CPP solutions that are often ill suited for the CRP. In this paper, we propose a new variant of the CPP, called the CPP with complex features (CPPCF), that considers the crew preferences in order to create pairings that are better suited for the CRP. Specifically, we identify six pairing features related to crew preferences that are beneficial for the CRP, and the objective function of the CPPCF rewards pairings that contain these features. We solve the CPPCF using a column generation algorithm in which new pairings are generated by solving subproblems consisting of constrained shortest path problems. For this purpose, we introduce a new type of path resources designed to handle complex features, and we adapt the dominance rules accordingly. We test the proposed CPPCF approach on seven real-world instances from a major North American airline and show that a combination of these features significantly improves the solutions of the CRP.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle