文档二1. 新增需求在原行程甘特图基础上，新增地面时间甘特图，展示飞机在指定时间范围内的空闲时段（未执行航班的时间）。

1. 新增需求

在原行程甘特图基础上，新增地面时间甘特图，展示飞机在指定时间范围内的空闲时段（未执行航班的时间）。
输入数据结构：

{
 "planeId": "PLANE_ID",
 "origin": "HKG",
 "destination": "NRT",
 "departureTime": "2022-01-01T00:00:00Z",
 "arrivalTime": "2022-01-01T05:00:00Z"
}

2. 系统架构更新

flowchart TD
    A[前端] -->|HTTP请求| B(API网关)
    B --> C[查询服务]
    C --> D[(数据库)]
    D --> C
    C -->|JSON数据| E[甘特图渲染引擎]
    E --> A
    C --> F[地面时间计算模块]  <!-- 新增模块 -->

3. 地面时间计算逻辑

3.1 计算规则

输入时间范围：[start_time, end_time]
步骤：
- 获取选定飞机在时间范围内的所有行程（按起飞时间排序）。
- 计算以下时段：
  - 首段空闲：start_time 到 第一个行程的起飞时间。
  - 中间空闲：相邻行程的 前一到达时间 到 后一起飞时间。
  - 末段空闲：最后一个行程的到达时间 到 end_time。
- 地点标识：空闲时段所在地点为前一航班的到达地（若为首段，则为第一个行程的出发地）。

3.2 示例

行程序列	空闲时段计算	地点
无行程	整个时间范围为空闲	基地
行程1: HKG→NRT (01:25-05:55)	空闲1: 00:00-01:25（HKG）空闲2: 05:55-08:39（NRT）

4. 数据模型扩展

4.1 新增字段

在trips表中增加origin和destination字段以支持地点追踪：

ALTER TABLE trips 
ADD COLUMN origin VARCHAR(3) NOT NULL,  -- 机场IATA代码（如HKG）
ADD COLUMN destination VARCHAR(3) NOT NULL;

4.2 数据示例

plane_id	origin	destination	departure (UTC)	arrival (UTC)
PlaneA	HKG	NRT	2024-01-02 01:25:00	2024-01-02 05:55:00

5. 后端服务设计

5.1 API端点

原有端点：GET /api/trips（获取行程数据）
新增端点：GET /api/ground-times（获取地面时间数据）

# Request
GET /api/ground-times?plane_ids=PlaneA,PlaneB&start=2024-01-02T00:00Z&end=2024-01-02T23:59Z

# Response
HTTP 200 OK
{
  "PlaneA": [
    {
      "location": "HKG",
      "start": "2024-01-02T00:00:00Z",
      "end": "2024-01-02T01:25:00Z",
      "duration_minutes": 85
    },
    {
      "location": "NRT",
      "start": "2024-01-02T05:55:00Z",
      "end": "2024-01-02T08:39:00Z",
      "duration_minutes": 164
    }
  ]
}

5.2 计算逻辑实现

查询行程数据：

SELECT plane_id, origin, destination, departure, arrival 
FROM trips 
WHERE plane_id IN (:plane_ids) 
AND departure >= :start_time 
AND arrival <= :end_time 
ORDER BY plane_id, departure;

后端计算地面时间（伪代码）：

def calculate_ground_times(trips, start_time, end_time):
    ground_periods = []
    for plane_id, trips in group_by_plane(trips):
        sorted_trips = sort_by_departure(trips)
        prev_arrival = None
        # 处理首段空闲
        if sorted_trips[0].departure > start_time:
            ground_periods.append({
                "location": sorted_trips[0].origin,
                "start": start_time,
                "end": sorted_trips[0].departure
            })
        # 处理中间空闲
        for i in range(1, len(sorted_trips)):
            prev_trip = sorted_trips[i-1]
            current_trip = sorted_trips[i]
            if prev_trip.arrival < current_trip.departure:
                ground_periods.append({
                    "location": prev_trip.destination,
                    "start": prev_trip.arrival,
                    "end": current_trip.departure
                })
        # 处理末段空闲
        last_trip = sorted_trips[-1]
        if last_trip.arrival < end_time:
            ground_periods.append({
                "location": last_trip.destination,
                "start": last_trip.arrival,
                "end": end_time
            })
    return ground_periods

6. 性能优化

6.1 数据库优化

索引优化：

CREATE INDEX idx_trips_plane_departure ON trips (plane_id, departure);

分区策略：按plane_id哈希分区，分散I/O压力。

6.2 计算层优化

并行计算：对每个飞机的行程独立计算地面时间，利用多线程/协程加速。
缓存结果：使用Redis缓存常见查询（如当天数据），设置TTL=1小时。

6.3 前端优化

按需渲染：仅渲染用户屏幕可见时间范围的地面时段。
数据压缩：使用二进制协议（如Protocol Buffers）传输数据。
7. 风险与应对

风险	应对措施
行程时间重叠	插入数据时校验`departure > 前一航班的arrival`。
跨时区显示错误	存储和传输时间均为UTC，前端本地化转换。
大规模数据计算延迟	预计算每日地面时间并存储结果。

8. 讨论点

数据实时性：若航班延误导致地面时间变化，如何快速更新？
- 方案：监听航班变更事件，触发地面时间重新计算。
地点模糊性：飞机在地面期间可能移动（如维修机库→跑道），是否需要更细粒度位置追踪？
- 方案：扩展location字段为详细位置编码（需额外数据采集）。
空档期利用率：是否需与其他系统（如维修系统）集成，自动分配任务？
附录：

Mermaid地面时间甘特图示例

gantt
 title Ground time of Plane A,B and C from 0000-2359
 dateFormat MM-DD HH:mm
 axisFormat %H:%M
 todayMarker off
 section PlaneA
  HKG :01-01 21:00, 265min
  NRT :01-02 05:55, 164min
  TPE :01-02 12:29, 81min
  HKG :01-02 15:50, 600min
 section PlaneB
  HKG :01-02 04:30, 281min
  NGO :01-02 13:11, 263min
  HKG :01-02 21:34, 300min
 section PlaneC
  YVR :01-01 23:30, 150min
  HKG :01-02 14:30, 270min
  NRT :01-02 23:00, 150min

性能测试建议：

模拟10,000架飞机，每机每日10条行程，测试查询响应时间。
对比带/不带缓存的吞吐量差异。

文档二

1. 新增需求

2. 系统架构更新

3. 地面时间计算逻辑

3.1 计算规则

3.2 示例

4. 数据模型扩展

4.1 新增字段

4.2 数据示例

5. 后端服务设计

5.1 API端点

5.2 计算逻辑实现

6. 性能优化

6.1 数据库优化

6.2 计算层优化

6.3 前端优化

7. 风险与应对

8. 讨论点