考虑飞行不确定性的时空图增量搜索战术需求与容量平衡方法研究

本文提出了一种战术阶段需求与容量平衡（DCB）新方法，通过自适应定向时空图整合地面延误、改航和速度控制等多种空中交通流量管理（ATFM）措施，并开发异构多目标增量A（HMOIA）算法显著提升计算效率。实验表明该方法相比现行计算机辅助时隙分配（CASA）系统可减少79.4%的延误航班和92.1%的平均延误时间，为动态空域管理提供重要技术支撑。

　　

Highlight

基于序贯规划的DCB框架：与传统全局优化方法不同，本研究提出的序贯规划框架具有高度适应性，可兼容空域用户（AU）和空中导航服务提供商（ANSP）的个性化性能偏好，支持复杂概率模型的迭代计算，并在高密度交通条件下保持稳定计算性能。

集成时空图优化：本研究创新性地将地面延误、改航和速度控制无缝集成于时空图框架，使优化算法能自主确定ATFM措施的最佳组合方案。

增量搜索与可采纳启发式函数：开发的异构多目标增量A（HMOIA）方法显著加速无热点航迹规划，设计的可采纳启发式函数确保获得航班最优解，满足战术DCB应用的实时性需求。

讨论

本节从实用性、可扩展性和局限性三方面深入探讨所提方法：

实用性：与类CASA方法相比具有以下特点：

• •
  动态环境：通过引入飞行不确定性模型更好地处理动态变化
• •
  计算效率：HMOIA^*算法实现高速计算
• •
  公平透明：支持利益相关方参与目标权重设置
• •
  定制化：时空图结构允许灵活定义成本函数

可扩展性：方法设计支持三大扩展方向：

1. 1.
   整合机器学习提升不确定性预测精度
2. 2.
   扩展至三维航迹优化
3. 3.
   适配分布式计算架构

局限性：

• •
  实验仅验证欧洲空域场景
• •
  未考虑天气等外部因素
• •
  实时数据接口需进一步开发

结论

通过仿真实验验证，所提战术DCB方法能在可接受的额外成本下快速求解考虑不确定性的大规模DCB问题，主要发现：

1. 1.
   时空图有效集成地面延误、改航和速度控制等ATFM措施，实现集成优化
2. 2.
   HMOIA^*算法通过可采纳启发式函数确保解的最优性，显著提升计算速度
3. 3.
   相比CASA方法大幅降低延误指标，展示实际应用潜力