【目的】解决机场终端区空域资源供需失衡带来的一系列现实问题,减少航班延误,提高资源利用率,提升管制运行效率,综合考虑航班优先级对航班调度过程的影响,对终端区进离场航班的排序问题展开研究。【方法】以传统航班调度模型为基础,考...【目的】解决机场终端区空域资源供需失衡带来的一系列现实问题,减少航班延误,提高资源利用率,提升管制运行效率,综合考虑航班优先级对航班调度过程的影响,对终端区进离场航班的排序问题展开研究。【方法】以传统航班调度模型为基础,考虑航段时间窗、进离场时间窗、共同航路点时间间隔、同航段内无超越等约束条件,构建以航班总延误与终端区总飞行时间线性组合最小为目标的调度模型;采用熵权TOPSIS法对航班相关指标进行评价,并基于评价结果界定不同优先级的划分范围;设计基于松弛-固定(relax and fix,R&F)算法的调度模型初始解生成方法,并提出迭代松弛-固定(iterative relax and fix,IRF)算法以提高模型的求解效率;以广州白云国际机场为例进行仿真模拟试验。【结果】相较于基于先到先服务(first-come first-served,FCFS)原则进行调度,所构建的调度模型可使航班延误时间降低20%以上;相较于求解器和传统启发式算法,IRF算法求解精度更高,并可将求解时间大幅缩短。【结论】考虑优先级的终端区航班调度模型可为终端区的航班高效调度管理提供有力支持。展开更多
目的基于深度学习的三维网络分割模型量化糖尿病性黄斑水肿(DME)患者的视网膜内液(IRF)体积,探讨IRF体积与视功能和OCT视网膜参数的关系。方法前瞻性纳入2022年7月到2024年9月于四川省人民医院眼科就诊的DME患者37例(42眼)。使用三维分...目的基于深度学习的三维网络分割模型量化糖尿病性黄斑水肿(DME)患者的视网膜内液(IRF)体积,探讨IRF体积与视功能和OCT视网膜参数的关系。方法前瞻性纳入2022年7月到2024年9月于四川省人民医院眼科就诊的DME患者37例(42眼)。使用三维分割模型自动量化基线和末次随访时6 mm×6 mm OCT范围内的IRF体积。分析基线和末次随访时,视力与IRF体积、中央视网膜厚度(CST)、视网膜内层紊乱(DRIL)、高反射物质(HRF)、外界膜(ELM)、椭圆体带(EZ)、玻璃体黄斑界面异常(VMIA)的相关性;分析基线和末次随访时,IRF体积与CST、DRIL、HRF、ELM、EZ、VMIA的相关性以及末次随访时视力与基线时IRF体积、CST、DRIL、HRF、ELM、EZ、VMIA的相关性。结果与基线相比,末次随访时患者BCVA(logMAR)显著上升,IRF体积与CST显著下降,HRF显著减少,DRIL、ELM、EZ显著恢复(均为P<0.05),VMIA无显著变化(P=1.000)。基线时,BCVA与IRF体积、CST、DRIL、HRF均呈负相关,与ELM、EZ均呈正相关(均为P<0.05);与VMIA无相关性(P=0.069)。末次随访时,BCVA与DRIL、HRF、VMIA均呈负相关,与ELM、EZ均呈正相关(均为P<0.01);与IRF体积、CST均无相关性(P=0.419、0.994)。基线时,IRF体积与CST呈正相关(P<0.001);与ELM、EZ均呈负相关(均为P<0.01);与DRIL、HRF、VMIA均无相关性(均为P>0.05)。末次随访时,IRF体积与CST、HRF均呈正相关(均为P<0.01);与DRIL、ELM、EZ、VMIA均无相关性(均为P>0.05)。末次随访时BCVA与基线时BCVA、ELM、EZ均呈正相关,与基线时的IRF体积、CST、DRIL、HRF、VMIA均呈负相关(均为P<0.05)。结论DME患者基线IRF体积是基线和末次随访时视力的重要影响因素,IRF体积是DME管理中的潜在生物标志物。展开更多
文摘【目的】解决机场终端区空域资源供需失衡带来的一系列现实问题,减少航班延误,提高资源利用率,提升管制运行效率,综合考虑航班优先级对航班调度过程的影响,对终端区进离场航班的排序问题展开研究。【方法】以传统航班调度模型为基础,考虑航段时间窗、进离场时间窗、共同航路点时间间隔、同航段内无超越等约束条件,构建以航班总延误与终端区总飞行时间线性组合最小为目标的调度模型;采用熵权TOPSIS法对航班相关指标进行评价,并基于评价结果界定不同优先级的划分范围;设计基于松弛-固定(relax and fix,R&F)算法的调度模型初始解生成方法,并提出迭代松弛-固定(iterative relax and fix,IRF)算法以提高模型的求解效率;以广州白云国际机场为例进行仿真模拟试验。【结果】相较于基于先到先服务(first-come first-served,FCFS)原则进行调度,所构建的调度模型可使航班延误时间降低20%以上;相较于求解器和传统启发式算法,IRF算法求解精度更高,并可将求解时间大幅缩短。【结论】考虑优先级的终端区航班调度模型可为终端区的航班高效调度管理提供有力支持。
文摘目的基于深度学习的三维网络分割模型量化糖尿病性黄斑水肿(DME)患者的视网膜内液(IRF)体积,探讨IRF体积与视功能和OCT视网膜参数的关系。方法前瞻性纳入2022年7月到2024年9月于四川省人民医院眼科就诊的DME患者37例(42眼)。使用三维分割模型自动量化基线和末次随访时6 mm×6 mm OCT范围内的IRF体积。分析基线和末次随访时,视力与IRF体积、中央视网膜厚度(CST)、视网膜内层紊乱(DRIL)、高反射物质(HRF)、外界膜(ELM)、椭圆体带(EZ)、玻璃体黄斑界面异常(VMIA)的相关性;分析基线和末次随访时,IRF体积与CST、DRIL、HRF、ELM、EZ、VMIA的相关性以及末次随访时视力与基线时IRF体积、CST、DRIL、HRF、ELM、EZ、VMIA的相关性。结果与基线相比,末次随访时患者BCVA(logMAR)显著上升,IRF体积与CST显著下降,HRF显著减少,DRIL、ELM、EZ显著恢复(均为P<0.05),VMIA无显著变化(P=1.000)。基线时,BCVA与IRF体积、CST、DRIL、HRF均呈负相关,与ELM、EZ均呈正相关(均为P<0.05);与VMIA无相关性(P=0.069)。末次随访时,BCVA与DRIL、HRF、VMIA均呈负相关,与ELM、EZ均呈正相关(均为P<0.01);与IRF体积、CST均无相关性(P=0.419、0.994)。基线时,IRF体积与CST呈正相关(P<0.001);与ELM、EZ均呈负相关(均为P<0.01);与DRIL、HRF、VMIA均无相关性(均为P>0.05)。末次随访时,IRF体积与CST、HRF均呈正相关(均为P<0.01);与DRIL、ELM、EZ、VMIA均无相关性(均为P>0.05)。末次随访时BCVA与基线时BCVA、ELM、EZ均呈正相关,与基线时的IRF体积、CST、DRIL、HRF、VMIA均呈负相关(均为P<0.05)。结论DME患者基线IRF体积是基线和末次随访时视力的重要影响因素,IRF体积是DME管理中的潜在生物标志物。
