GRAPH NEURAL NETWORKS BASED APPROACH FOR AIRPORT GATE ASSIGNMENT PROBLEM

Abstract

In this study, we tackle the problem of assigning n flights to m gates, called Airport Gate Assignment Problem (AGAP). We study the case in which flights can be assigned to gates such that constraints on flight and gate sizes as well as conditions on flights arrival and departure times are considered. The maximization of the robustness and the total preference for flight-gate assignment are taken into account. We define a novel graph formulation for AGAP as a weighted m-coloring problem and equivalently as a graph clustering task. This allows to apply a clustering based Graph Neural Network (GNN) method as a powerful tool that addresses graph representations with deep learning algorithms. The proposed algorithm aims to find an efficient clustering of vertices in the constructed graph and thus an optimal assignment of flights under the aforementioned constraints. To reach our goal, some modifications on the GNN algorithm are performed, where the total weight in the graph formulation is integrated in the loss function of the original algorithm. This permits to enhance the learning process of the model and obtain an acceptable solution with regard to our objectives.

Dans cette étude, nous abordons le probléme de l’affectation de n vols à m portes, appelé Airport Gate Assignment Problem (AGAP). Nous étudions le cas oú les vols peuvent être assignés à des portes de telle sorte que des contraintes sur la taille des vols et des portes ainsi que des conditions sur les heures d’arrivée et de départ des vols sont considérées. La maximisation de la robustesse et la préférence totale pour l’affectation vol-porte sont prises en compte. Nous définissons une nouvelle formulation graphique pour AGAP comme un probléme de m-coloration pondérée , de maniére équivalente, comme une tâche de regroupement de graphes. Cela permet d’appliquer une méthode de réseau neuronal graphique (GNN) basée sur le clustering comme un outil puissant qui traite les représentations de graphes avec des algorithmes d’apprentissage profond. L’algorithme proposé vise à trouver un regroupement efficace des sommets dans le graphe construit et donc une affectation optimale des vols sous les contraintes susmentionnées. Pour atteindre notre objectif, certaines modifications de l’algorithme GNN sont effectuées, oú le poids total dans la formulation du graphe est intégré dans la fonction de perte de l’algorithme original. Cela permet d’améliorer le processus d’apprentissage du modéle et d’obtenir une solution acceptable au regard de nos objectifs.