Simulation modelling of automated air passenger service systems
Simulation modelling of automated air passenger service systems
Abstract
Relevance and objectives. The civil air transport industry strives to create the best conditions for passenger service. The use of simulation modelling will help to optimize the number of ticket cashiers and server parameters to speed up service and reduce passenger waiting time. It also helps in better utilization of resources and cost reduction. The aim of the study is to determine the minimum number of cashiers and optimal server parameters required to serve passengers with minimum waiting time.
Materials and methods. The research was conducted using the GPSS Studio software environment designed to automate the development of discrete event simulation models. Validation of the developed simulation models was carried out using the appropriate formulas of the mass service theory.
Results. The scientific novelty of the conducted research consists in the fact that a set of two original simulation models was developed, which allow to efficiently determine the number of cashiers for selling air tickets and the parameters of the airport server. The distinctive feature of these models is their complex nature, which allows to take into account both technical features of the equipment of the automated passenger service system and the human factor associated with the activities of personnel. The adequacy of the developed models was also checked by means of validation and verification. The conducted check of adequacy of the proposed simulation models has shown their correctness, practical significance and expediency of their application in the specified subject area.
Conclusions. The obtained results allow to optimize the functioning of the automated system of air passenger service, both from the economic point of view and from the point of view of passenger convenience and comfort.
1. Введение
Создание автоматизированных систем для обслуживания авиапассажиров приобретает высокую значимость на практике для аэропортов, которые стремятся оптимизировать свои бизнес-процессы и улучшить качество обслуживания своих клиентов. В частности, это позволит улучшить и ускорить процедуры бронирования и продажи авиабилетов, что способствует экономии времени и повышению уровня удобства и комфорта для пассажиров .
Применение имитационного моделирования позволяет оптимизировать необходимое число кассиров для продажи и бронирования авиабилетов, а также параметры сервера автоматизированной системы для ускорения процесса обслуживания и уменьшения времени ожидания авиапассажиров.
Главная цель моделирования заключается в определении оптимальных параметров автоматизированной системы обслуживания авиапассажиров. Эти параметры включают в себя количество кассиров в аэропорту и время обработки запросов сервером. Важно учесть, что чрезмерно высокие значения этих параметров могут привести к избыточным операционным расходам аэропорта, что экономически нецелесообразно, в то время как слишком низкие значения могут нарушить нормальное функционирование системы. Поэтому оптимальными будут минимальные значения этих параметров, при которых система продолжает работать удовлетворительно.
2. Материалы и методы
Для обеспечения эффективной работы автоматизированной системы обслуживания авиапассажиров необходимо оптимизировать ее структуру, которая может быть значительно улучшена с использованием технологии имитационного моделирования. Эта технология в настоящее время широко применяются в научных исследованиях, управленческой деятельности, производстве, обучении и других областях.
Основная функция автоматизированной системы обслуживания авиапассажиров осуществляется через сервер, который обрабатывает запросы пользователей, такие как покупка и бронирование билетов, сдача билетов и т.п. Скорость обработки запросов сервером напрямую влияет на скорость получения ответа пользователем, что является ключевым аспектом для обеспечения удобства работы с системой.
Однако работа автоматизированной системы обслуживания авиапассажиров включает в себя и другие аспекты, связанные с человеческим фактором. В частности, не все авиапассажиры используют приложение для самостоятельного оказания услуг по авиаперевозкам. Некоторые люди предпочитают традиционные методы обслуживания, включая контакт с сотрудниками аэропорта . Это может быть вызвано различными причинами, такими как отсутствие технической грамотности, неудобство использования мобильных приложений или просто предпочтение общения с живым человеком. Автоматизированные системы должны учитывать этот человеческий фактор. Таким образом, в штат системы воздушного транспорта должны входить кассиры.
3. Результаты и обсуждение
С учетом определенных выше целей в среде GPSS Studio был разработан набор из двух оригинальных дискретно-событийных имитационных GPSS-моделей , , и , , , . Первая модель предназначена для симуляции обслуживания пассажиров кассирами, вторая – для моделирования обработки запросов сервером. Особенностью этих моделей является их комплексный характер, который позволяет учитывать как технические особенности оборудования автоматизированной системы обслуживания авиапассажиров, так и человеческий фактор, связанный с деятельностью персонала. Рассмотрим структуру каждой из этих моделей более подробно.
Q-схема имитационной модели обслуживания пассажиров кассирами для автоматизированной системы обслуживания авиапассажиров представлена на рис. 1.
Рисунок 1 - Q-схема имитационной модели обслуживания пассажиров кассирами
В качестве входного потока заявок используется простейший поток заявок с интервалом поступления, распределенным по экспоненциальному закону распределения , так как заявки поступают в совершенно случайный момент времени, и именно такой подход, как правило, применяется на практике при имитационном моделировании систем. Также экспоненциальное распределение принято для соответствующих длительностей обслуживания заявок разработанной системы массового обслуживания.
Исходные количественные данные (интервалы поступления заявок, время обслуживания) для модели были получены экспериментальным способом путем изучения статистики по приходу пассажиров в кассы аэропорта, по типам обслуживания, а также по скорости работы кассиров.
Эксперимент производится при следующих значениях среднего интервала времени поступления заявок на обслуживание пассажиров в минутах:
- покупка билетов – 4;
- бронирование билетов – 6;
- выкуп брони – 7;
- снятие брони – 17;
- возврат билета – 80;
- подтверждение бронирования билетов – 2.
Всего поступает примерно 3800 заявок в неделю.
Результаты моделирования указаны в табл. 1.
Таблица 1 - Результаты моделирования обслуживания пассажиров кассирами
Количество кассиров, шт. | Результат |
10 | Более 6% заявок обслуживаются более 20 мин. Средняя очередь 0,2. |
9 | Более 6% заявок обслуживаются более 20 мин (рис. 2). Средняя очередь 0,6. |
8 | Более 8% заявок обслуживаются более 20 мин. Средняя очередь 1,4. |
7 | Более 11% заявок обслуживаются более 20 мин. Средняя очередь 3,6. |
Оптимальным является вариант с 9 кассирами, так как при этом достигается баланс между средней очередью, процентом заявок, обслуживаемых более 20 минут и экономической целесообразностью. Далее приведена гистограмма частот времени пребывания заявок в системе для количества кассиров 9, построенная на основе данных, полученных GPSS Studio.
Рисунок 2 - Гистограмма частот времени пребывания заявки в системе при работе 9 кассиров
Рисунок 3 - Средневзвешенное значение и среднеквадратическое отклонение при работе 9 кассиров
Рисунок 4 - Эмпирическая функция распределения при работе 9 кассиров
Рисунок 5 - Q-схема имитационной модели обработки запросов сервером
Затем прибывшая заявка с вероятностью p’2 = 0,4 (вид обслуживания не покупка или бронирование билетов) поступает сразу на обработку сервером.
С вероятностью же p’1 = 0,6 (вид обслуживания покупка или бронирование билетов) происходит переход сначала в канал обслуживания K1, в котором осуществляется просмотр рейсов на заданное направление. Далее с вероятностью p’’2 = 0,2 заявка покидает систему (не найден подходящий рейс). Иначе она обслуживается каналом K2, который отвечает за добавление в систему пассажира. Затем с вероятностью p2 = 0,4 осуществляется добавление еще одного пассажира в K2 и т.д. С вероятностью же p1 = 0,6 происходит выход из данного цикла и переход к каналу K3 (добавление покупателя в систему).
Далее осуществляется обработка запроса сервером в канале обслуживания Kсерв.
Исходные количественные данные (интервал поступления заявок, время обработки заявок) для модели были получены на основе изучения соответствующей статистики по использованию приложений обслуживания авиапассажиров, по типам обслуживания, а также по быстродействию современных серверов.
В качестве входного потока заявок используется простейший поток заявок с интервалом поступления, распределенным по экспоненциальному закону распределения , так как заявки поступают в совершенно случайный момент времени, и именно такой подход, как правило, применяется на практике при имитационном моделировании систем. Также экспоненциальное распределение принято для соответствующих длительностей обслуживания заявок разработанной многофазной сети массового обслуживания.
Эксперимент производится при следующих значениях среднего интервала времени поступления заявок в систему в секундах:
- запрос на покупку билетов – 20;
- запрос на бронирование билетов – 34;
- запрос на выкуп брони – 37;
- запрос на снятие брони – 83;
- запрос на возврат билета – 115.
Всего поступает примерно 77000 заявок в неделю.
Результаты моделирования указаны в таблице 2.
Таблица 2 - Результаты моделирования обработки запросов сервером
Время на обработку запроса сервером, с | Среднее общее время обработки запроса, с |
1 | 1,1 |
2 | 2,6 |
3 | 4,5 |
4 | 7,2 |
По результатам данного моделирования была составлена гистограмма частот времени пребывания одной заявки в системе (рис. 6), средневзвешенное значение и среднеквадратичное отклонение времени обработки заявки (рис. 7), а также эмпирическая функция распределения времени обработки заявки (рис. 8) при времени на обработку запроса в 1 секунду.
Рисунок 6 - Гистограмма частот времени пребывания заявки в системе при времени на обработку запроса в 1 секунду
Рисунок 7 - Средневзвешенное значение и среднеквадратическое отклонение при времени на обработку запроса в 1 секунду
Рисунок 8 - Эмпирическая функция распределения при времени на обработку запроса в 1 секунду
Проверим адекватность имитационных моделей путем проведения их валидации и верификации , . Для осуществления валидации возьмем модель обслуживания пассажиров кассирами при поступлении 3800 заявок в неделю.
Рассчитаем ряд теоретических значений для рассматриваемой модели, а затем сравним их с полученными результатами в среде GPSS Studio .
Интенсивность входящего потока:
Коэффициент загрузки системы:
где – интенсивность потока обслуживания; N – количество кассиров (в данном случае N = 9).
Среднее число занятых администраторов:
Среднее число свободных администраторов:
Вероятность задействования всех администраторов без возникновения очереди:
Средняя длина очереди:
Среднее время пребывания заявок в очереди:
Среднее число заявок в системе:
Среднее время пребывания заявок в системе:
Теперь сравним некоторые из полученных теоретических значений показателей с практическими значениями, полученными в процессе моделирования (табл. 3).
Таблица 3 - Сравнение теоретических и практических значений характеристик модели
Показатель | Расчетное значение | Модельное значение | Расхождение |
Коэффициент загрузки системы | 0,655 | 0,654 | 0,2% |
Среднее число свободных кассиров | 3,107 | 3,114 | 0,2% |
Среднее время пребывания заявки в системе | 5,513 | 5,791 | 5% |
Таким образом, в результате валидации имитационной модели обслуживания пассажиров кассирами было определено, что расхождение результатов теоретического и практического значений составляет не более 10%. Это подтверждает адекватность и корректность работы модели.
Аналогично валидация была проведена и для второй модели, в результате чего было получено расхождение менее 10%.
Теперь выполним верификацию созданных моделей, которая предполагает проверку на тех участках, где ошибки могут возникнуть легче всего. В разработанных моделях таким участком является место, где различные типы запросов отделяются друг из друга, позволяя вести статистику как по всем типам обслуживания в целом, так и для каждого типа в отдельности.
Для проверки корректности работы модели используется режим трассировки в GPSS Studio. Результаты проверок представлены ниже на рисунках 9–12.
Рисунок 9 - Поступление заявки в модели обслуживания пассажиров кассирами (бронирование билетов)
Рисунок 10 - Результаты обработки заявки в модели обслуживания пассажиров кассирами (бронирование билетов)
Рисунок 11 - Поступление заявки в модели обработки запроса сервером (покупка билетов)
Рисунок 12 - Результаты обработки заявки в модели обработки запроса сервером (покупка билетов)
Таким образом, результаты валидации и верификации разработанных имитационных моделей подтвердили их адекватность.
4. Заключение
В ходе проведенного актуального исследования был реализован процесс оптимизации структуры и параметров функционирования автоматизированной системы продажи и бронирования авиабилетов путем проведения имитационного компьютерного моделирования. Научная новизна проведенного исследования заключается в том, что был разработан набор из двух оригинальных имитационных моделей, которые позволяют эффективно определять количество кассиров для продажи авиабилетов и параметры сервера аэропорта. Отличительной особенностью данных моделей является их комплексный характер, который позволяет учитывать как технические особенности оборудования автоматизированной системы обслуживания авиапассажиров, так и человеческий фактор, связанный с деятельностью персонала. Также была осуществлена проверка адекватности разработанных моделей путем проведения валидации и верификации. Проведенная проверка адекватности предложенных имитационных моделей показала их корректность, практическую значимость и целесообразность их применения в указанной предметной области.