基于智能体的航班延误传播建模：机制贡献与机场关闭影响

《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》：Agent-based modeling of flight delay propagation: Mechanism contributions and airport-closure impacts

　　

延误传播会削弱航空运输系统的可靠性与经济效率，在运力紧张与常规扰动叠加时，可能演变为系统级威胁。本文开发并验证了一个分钟分辨率的智能体模型，该模型统一整合了五种航班延误传播渠道：飞机轮转、旅客中转衔接、机场拥堵、随机扰动以及航班飞行时间变异性。模型基于日本2024年国内航线网络的逐尾号（tail-by-tail）飞机轮转数据进行初始化，并嵌入了经验驱动的运行规则。通过模拟矩估计（Simulated Method of Moments, SMM）对连接强度、容量缩放因子和扰动水平三个参数进行校准，使模拟生成的每小时延误网络最大连通分量（Largest Connected Component, LCC）轨迹与实际观测数据对齐。模型在平静日与高度扰动日均能准确复现观测到的延误传播模式。通过因子消融分析和沙普利（Shapley）分解，研究发现机制贡献呈现稳定的层级结构：随机扰动是主要的放大因素，机场拥堵在中等扰动水平下贡献最为突出，旅客中转衔接在系统尺度上作用次要。机场临时关闭的反事实实验揭示了三个稳健的规律：影响具有强烈的时间依赖性，清晨关闭产生的网络足迹最大；影响随关闭时长呈现显著非线性增长，在30至90分钟之间出现急剧升级；双机场同时关闭的影响主要为次可加性（sub-additive），而非叠加放大。这些发现为航班计划缓冲设计、机场关闭应急规划以及延误监控策略提供了可操作的管理启示。

**论文解读：基于智能体的航班延误传播建模——机制贡献与机场关闭影响**

**一、研究背景与问题**

航空运输承载着人员流动与供应链可靠性，但运力紧张与常规扰动叠加时，延误便不再是局部问题，而是演变为系统级的可靠性威胁。延误带来的经济损失巨大，行业年损失估计达329亿美元，同时引发额外燃油消耗与排放。经验证据表明，局部扰动可通过航线网络级联传播，跨越多个航班波，产生具有社会经济与环境影响的网络级足迹。然而，现有研究存在明显缺口：计量经济与统计方法虽能捕捉平均延误间的相关性，却难以刻画由飞机轮转、旅客中转和运行扰动所引发的微观层面相互依赖；网络与排队模型虽能揭示结构瓶颈，却往往抽象掉了运营微观机制，难以将日内级联归因于特定渠道；已有智能体模型通常仅考虑部分传播机制，且缺乏对日特定数据的透明校准与对各机制边际贡献的可解释量化。因此，需要一个在运营层面显式表达各传播渠道、忠实于日特定运行且具备识别透明性的框架。

**二、研究内容与模型方法**

针对上述缺口，本文提出一个分钟分辨率的智能体模型，统一整合五种延误传播机制：飞机轮转、旅客中转衔接、机场拥堵、随机扰动以及航班飞行时间变异性。延误被分解为原发性延误（每架飞机首航段的延误）与继发性延误（由五种机制耦合产生的延误）。模型的传播强度通过每小时延误网络中的最大连通分量（LCC）大小进行评估，该指标衡量延误在系统内的空间扩散程度。研究基于日本2024年国内航线网络，数据来源包括OAG历史航班数据、日本航空旅客调查以及航空公司的机场最短中转时间信息。模型通过模拟矩估计（SMM）对三个关键参数——连接强度（α）、容量缩放因子（β）和扰动水平（δ）——进行日特定校准，使模拟生成的每小时LCC轨迹与实测数据对齐。为量化各机制的边际贡献，研究采用因子消融分析（factorial ablation）与沙普利（Shapley）分解，在三种机制的开关组合配置下系统评估其对复现实测延误传播模式的增量解释力。

**三、主要研究结果**

**1. 真实与模拟延误的对比验证**

研究选取两个对比鲜明的日期进行验证：6月5日（2024年总延误最小的一天，代表平静运行状态）和12月26日（总延误排名第五但仅有9次航班取消，代表高度扰动但运行基本完整的状态）。SMM校准得到两天的参数分别为(1.40， 0.831， 0.0982)和(0.501， 0.742， 1.97)。通过100次蒙特卡洛模拟构建95%预测区间（PIs），结果显示：平静日LCC全天接近零，仅白天小幅上升至6以下，经验轨迹完全落入预测区间内；扰动日LCC迅速上升并维持约30-35个节点的高位平台，经验序列几乎完全处于95%预测区间内。模型成功捕捉了从平静到高度扰动的两个极端运行状态。

**2. 机制贡献的逐步分析**

以6月24日（2024年中位延误日）为代表进行分析，SMM校准参数为(1.58， 0.706， 0.962)。四种情景逐步叠加机制：（i）仅飞机轮转，（ii）+旅客中转衔接，（iii）+机场拥堵，（iv）+随机扰动（全模型）。结果显示：仅飞机轮转时，LCC全天低于10，延误仅沿飞机链条局部传播；加入旅客中转衔接后，午间LCC略有上升但整体变化有限，逐小时t检验在多重比较校正后均不显著，但日聚合检验显示小幅度显著增加（差值为2.57， 95% CI [0.89， 4.25]， p=0.003），说明旅客衔接在系统尺度上贡献次要但仍可作为独立校准参数保留；加入机场拥堵后，午间和下午峰值显著上升，高连通性持续至傍晚，反映出拥堵反馈回路的形成；最终加入随机扰动后，预测区间显著拓宽，提供了围绕确定性模式的现实波动包络。对两个极端日的分析进一步表明：平静日飞机轮转单独即可高精度复现延误；高度扰动日飞机轮转仅能解释约一半的延误网络足迹，其余主要归因于随机扰动。

**3. 跨运行状态的沙普利分解**

研究选取11个代表性日期（对应2024年总延误的0至90百分位数，外加12月26日作为高扰动参考）进行沙普利分解，量化旅客衔接（α）、机场拥堵（β）和随机扰动（δ）的边际贡献。结果表明：随机扰动在大部分分布区间内是主要贡献者，其值稳定在1.5至2.0之间，表明外部冲击是典型案例与极端情况的共同主驱动因素；机场拥堵的贡献呈倒U型分布，在中位数附近（50百分位：1.258；60百分位：0.914）最为突出，向两端递减，反映容量约束在中度扰动下最易收紧；旅客衔接的贡献始终较小，绝对值均低于0.1。值得注意的是，0百分位日（6月5日）呈现负向净偏差（-0.993），表明在极度平静日，基线配置已能高精度复现观测轨迹，激活额外机制可能引入不必要的变异性。

**4. 机场关闭影响实验**

以6月5日为常规工作日场景，参数设定为(α， β， δ)=(1， 1， 0)以代表平静、轮转主导的运行状态，通过关键性指标（Criticality，定义为相对于无关闭基线的每小时LCC均方根误差）量化系统级影响。针对东京羽田机场（HND）的临时关闭实验揭示：关闭影响强烈依赖于开始时间，清晨关闭（特别是08：00）的扰动最大，平均关键性随时段推移几乎单调下降；关闭时长呈现显著非线性，影响在30至90分钟之间急剧升级，例如08：00开始120分钟关闭的关键性约为15.4，90分钟约为14.3，而30分钟关闭即使清晨也较为温和。全关闭（β=0）在09：00开始时约35分钟即可跨越关键性≥3的实用可检测阈值，而半容量关闭（β=0.5）约需60分钟。双机场同时关闭实验覆盖八个主要机场（HND、ITM、CTS、FUK、OKA、NRT、KIX、NGO）的配对组合，结果表明：绝对影响由HND主导，最大的响应均包含HND与次级枢纽的组合；配对影响总体呈次可加性，10组配对中仅CTS-ITM呈现正协同（+0.08），最强次可加性出现在HND-OKA（-0.94），反映在轮转主导的运行状态下，不同机场的扰动往往沿重叠的飞机轮转链传播，产生竞争而非线性叠加效应。

**四、结论与政策启示**

研究结论明确指出：第一，跨运行条件验证表明，模型能够以高保真度复现观测延误传播，涵盖从平静日到高度扰动日的完整运行状态分布；第二，机制层级呈现稳定结构——飞机轮转提供传播的结构性骨干，随机扰动是主要的放大因素，机场拥堵在中等扰动水平下贡献突出，旅客中转衔接在系统尺度上次要；第三，机场关闭实验揭示三个稳健规律——强时间依赖性、时长非线性、双机场配对影响的次可加性。与既有研究的对比表明，中国识别飞机轮转为主要驱动因素的证据与本文低扰动日结果一致，但本文进一步显示机场拥堵和随机扰动是更高度扰动状态的主要放大器；与美国研究中强调连接性为传播主要渠道的结论不同，可能的解释是日本的中转旅客比例远低于美国。政策启示方面，保护飞机轮转的措施（如维持充足的过站缓冲、避免过于紧凑的飞机编排）在广泛运行条件下对限制延误网络足迹发挥核心作用，而仅关注旅客中转衔接的干预不太可能实质性改变系统级传播；应急资源应集中于个体足迹更大的机场，而非假设线性叠加进行分配。研究局限包括：当前实施从航班计划推断机场服务能力、将连接驱动的等待限制于同航司行程、以单一系统级指标评估传播，未来可纳入运营商决策、同化高频天气和流量管理数据，以及扩展到多日跨日传播分析。