基于异构Agent的航空交通网络供需态势统一建模

doi:10.7527/S1000-6893.2026.33122

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于异构Agent的航空交通网络供需态势统一建模

王书策¹, 胡明华¹, 杨磊¹(), 常哲宁¹, 王春政²

^1.南京航空航天大学民航学院，南京 210016
^2.山东理工大学交通与车辆工程学院，淄博 255000

收稿日期:2025-11-21 修回日期:2025-12-15 接受日期:2026-01-19 出版日期:2026-01-23 发布日期:2026-01-21
通讯作者: 杨磊 E-mail:laneyoung@nuaa.edu.cn
基金资助:
国家自然科学基金面上项目(52472346);江苏省自然科学基金面上项目(BK20231447)

Unified modeling of supply-demand situations in air traffic network based on heterogeneous Agent

Shuce WANG¹, Minghua HU¹, Lei YANG¹(), Zhening CHANG¹, Chunzheng WANG²

^1.College of Civil Aviation，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China
^2.School of Transportation and Vehicle Engineering，Shandong University of Technology，Zibo 255000，China

Received:2025-11-21 Revised:2025-12-15 Accepted:2026-01-19 Online:2026-01-23 Published:2026-01-21
Contact: Lei YANG E-mail:laneyoung@nuaa.edu.cn
Supported by:
National Natural Science Foundation of China(52472346);Natural Science Foundation of Jiangsu Province(BK20231447)

摘要/Abstract

摘要：

航空交通系统中，构建统一不同决策阶段的供需态势建模框架，对于实现多层级、多阶段的高效协同决策至关重要。为此，构建了基于异构Agent的航空交通网络供需态势统一推演模型（简称异构Agent模型）。首先，表征了网络节点完备性与延误预测误差的函数关系，从理论上证明空域网络结构完备性对延误表征精度具有决定性影响；随后，将Agent交互机制与流体排队理论结合，构建了覆盖航班、机场与空域的多元要素耦合的统一动态框架。通过定义航班、机场、扇区3类异构Agent，建立状态迁移与拥堵/延误传播机制，并基于历史广播式自动相关监视（ADS-B）航迹数据标定扇区服务时间，确定扇区流体排队系统的主要输入参数，实现系统运行状态在不同层级间的映射与并行推演。最后，以中国250个机场、287个扇区和航季级航班运行数据为样本，在航班时刻配置、次日飞行计划及突发容量下降3类场景中开展验证。结果表明，异构Agent模型在各场景中的延误预测精度均优于现有方法，能够在战略、预战术及战术决策阶段实现“航班-机场-空域”一体化的供需态势分析，并能够为航空交通系统的规划、评估与运行管控提供可靠、准确且高效的决策支撑。

关键词: 航空交通管理, 供需匹配, 延误预测, Agent建模, 流体排队理论

Abstract:

In the air traffic system， constructing a unified supply-demand situations modeling framework for different decision-making stages is critical for efficient multi-level and multi-stage collaborative decision-making. Accordingly， a heterogeneous-Agent-based unified deduction model of supply-demand situations in air traffic network is developed， referred to as the heterogeneous Agent model. First， the theoretical analysis demonstrates that the completeness of the airspace network structure has a decisive impact on the accuracy of delay characterization， and clarifies the functional relationship between network node completeness and prediction error. Then， by integrating the Agent interaction mechanism with fluid queuing theory， a unified dynamic multi-element coupling framework covering flights， airports， and airspace is constructed. Three types of heterogeneous Agents （flight， airport and sector） are defined to establish state transition and congestion/delay propagation mechanisms. Based on historical Automatic Dependent Surveillance-Broadcast （ADS-B） trajectory data， sector service time is calibrated， and the main input parameters of the sector fluid queuing system are determined， enabling the cross-level mapping and parallel deduction of system operating states across multiple levels. Finally， using China-wide flight operation data at the flight-season scale covering 250 airports and 287 sectors as the sample， the model is validated in three scenarios： flight schedule configuration， next-day flight planning， and sudden capacity degradation. The results show that the heterogeneous Agent model achieves higher delay prediction accuracy than existing methods in all scenarios. Capable of integrated “flight-airport-airspace” supply-demand situations analysis across strategic， pre-tactical， and tactical decision-making stages， and providing a reliable， accurate， and efficient decision-support for planning， evaluation and operational management of air traffic system.

Key words: air traffic management, supply-demand matching, delay prediction, Agent-based modeling, fluid queuing theory

中图分类号:

V355

王书策, 胡明华, 杨磊, 常哲宁, 王春政. 基于异构Agent的航空交通网络供需态势统一建模[J]. 航空学报, 2026, 47(15): 333122.

Shuce WANG, Minghua HU, Lei YANG, Zhening CHANG, Chunzheng WANG. Unified modeling of supply-demand situations in air traffic network based on heterogeneous Agent[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(15): 333122.

图/表 16

图 1

表1

图 2

表2

图 3

表3

图 4

表4

图 5

表5

图 6

图 7

图 8

图 9

表6

图 10

参考文献 29

[1]	杨磊，张洪海，胡明华. 广义空中交通流建模综述［J］. 科学技术与工程， 2020， 20（2）： 432-444.
	YANG L， ZHANG H H， HU M H. A review of generalized air traffic flow modeling［J］. Science Technology and Engineering， 2020， 20（2）： 432-444 （in Chinese）.
[2]	RIBEIRO N A， TAY J， NG W， et al. Delay predictive analytics for airport capacity management［J］. Transportation Research Part C： Emerging Technologies， 2025， 171： 104947.
[3]	HANSEN M. Micro-level analysis of airport delay externalities using deterministic queuing models： a case study［J］. Journal of Air Transport Management， 2002， 8（2）： 73-87.
[4]	PYRGIOTIS N， MALONE K M， ODONI A. Modelling delay propagation within an airport network［J］. Transportation Research Part C： Emerging Technologies， 2013， 27： 60-75.
[5]	WONG J T， TSAI S C. A survival model for flight delay propagation［J］. Journal of Air Transport Management， 2012， 23： 5-11.
[6]	FLEURQUIN P， RAMASCO J J， EGUILUZ V M. Systemic delay propagation in the US airport network［J］. Scientific Reports， 2013， 3（1）： 1159.
[7]	AHMADBEYGI S， COHN A， GUAN Y H， et al. Analysis of the potential for delay propagation in passenger airline networks［J］. Journal of Air Transport Management， 2008， 14（5）： 221-236.
[8]	李明捷，黄欣宁，吕晨辉，等. 基于排队网络模型的机场航班延误预测［J］. 科学技术与工程， 2023， 23（27）： 11886-11891.
	LI M J， HUANG X N， LÜ C H， et al. Airport flight delay prediction based on queuing network model［J］. Science Technology and Engineering， 2023， 23（27）： 11886-11891 （in Chinese）.
[9]	王春政，胡明华，杨磊，等. 基于Agent模型的机场网络延误预测［J］. 航空学报， 2021， 42（7）： 324604.
	WANG C Z， HU M H， YANG L， et al. Airport network delay prediction based on Agent model［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（7）： 324604 （in Chinese）.
[10]	王春政. 机场网络延误态势感知与时隙配置方法研究［D］. 南京：南京航空航天大学， 2023： 30-42.
	WANG C Z. Research on airport network delay situation awareness and slot allocation method［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2023： 30-42 （in Chinese）.
[11]	王春政，胡明华，杨磊，等. 空中交通延误预测研究综述［J］. 系统工程与电子技术， 2022， 44（3）： 863-874.
	WANG C Z， HU M H， YANG L， et al. Review on air traffic delay prediction［J］. Systems Engineering and Electronics， 2022， 44（3）： 863-874 （in Chinese）.
[12]	REBOLLO J J， BALAKRISHNAN H. Characterization and prediction of air traffic delays［J］. Transportation Research Part C： Emerging Technologies， 2014， 44： 231-241.
[13]	KHANMOHAMMADI S， TUTUN S， KUCUK Y. A new multilevel input layer artificial neural network for predicting flight delays at JFK airport［J］. Procedia Computer Science， 2016， 95： 237-244.
[14]	BIROLINI S， JACQUILLAT A. Day-ahead aircraft routing with data-driven primary delay predictions［J］. European Journal of Operational Research， 2023， 310（1）： 379-396.
[15]	LIN Y， LI L S， REN P， et al. From aircraft tracking data to network delay model： A data-driven approach considering en-route congestion［J］. Transportation Research Part C： Emerging Technologies， 2021， 131： 103329.
[16]	TU Y F， BALL M O， JANK W S. Estimating flight departure delay distributions： A statistical approach with long-term trend and short-term pattern［J］. Journal of the American Statistical Association， 2008， 103（481）： 112-125.
[17]	CHOUDHURY A， BASAK A. Statistical inference on traffic intensity in an M/M/1 queueing system［J］. International Journal of Management Science and Engineering Management， 2018， 13（4）： 274-279.
[18]	叶博嘉. 基于多Agent的空中交通协同流量管理研究［D］. 南京：南京航空航天大学， 2013： 16-23.
	YE B J. Research on collaborative air traffic flow management based upon multi-agent modeling and simulation［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2013： 16-23 （in Chinese）.
[19]	SIEGFRIED R. Grams-general reference model for agent-based modeling and simulation［M］. Wiesbaden： Springer Fachmedien， 2014： 75-110.
[20]	中国民用航空局. 航班正常管理规定： CCAR-300 ［S］. 北京：中国民用航空局， 2016.
	Civil Aviation Administration of China. Provisions on the administration of flight regularity： CCAR-300 ［S］. Beijing： Civil Aviation Administration of China， 2016 （in Chinese）.
[21]	WHITT W. Fluid models for multiserver queues with abandonments［J］. Operations Research， 2006， 54（1）： 37-54.
[22]	CAMPELLO R J G B， MOULAVI D， ZIMEK A， et al. Hierarchical density estimates for data clustering， visualization， and outlier detection［J］. ACM Transactions on Knowledge Discovery from Data， 2015， 10（1）： 1-51.
[23]	SALVADOR S， CHAN P. Toward accurate dynamic time warping in linear time and space［J］. Intelligent Data Analysis， 2007， 11（5）： 561-580.
[24]	SENIN P. Dynamic time warping algorithm review［EB/OL］. Manoa Honolulu： Information and Computer Science Department University of Hawaii at Manoa Honolulu， 2008.（2008-12-21）［2026-03-11］. .
[25]	SILVERMAN B W. Density estimation for statistics and data analysis［M］. London： Chapman and Hall， 1986： 9-17.
[26]	Civil Aviation Administration of China. eAIP （electronic aeronautical information package）［EB/OL］. （2023-12-01）［2025-08-01］. .
[27]	LIU P B， HANSEN M， MUKHERJEE A. Scenario-based management of air traffic flow： developing and using capacity scenario trees［J］. Transportation Research Record， 2006， 1951（1）： 113-121.
[28]	中国民用航空局. 2023年民航空域发展报告［M］. 北京：中国民用航空局， 2024： 50.
	Civil Aviation Administration of China. 2023 civil aviation airspace development report［M］. Beijing： Civil Aviation Administration of China， 2024： 50 （in Chinese）.
[29]	中国民用航空局. 民用航空空中交通流量管理暂行规定： AP-93-TM-2023-01 ［S］. 北京：中国民用航空局， 2023.
	Civil Aviation Administration of China. Interim provisions on civil aviation air traffic flow management： AP-93-TM-2023-01 ［S］. Beijing： Civil Aviation Administration of China， 2023 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

航班状态	特征描述
初始态	航班Agent未进入任何状态
周转态	航班Agent经历周转（地面保障时间内），或未到达计划起飞时间的状态，确定目标撤轮挡时刻
预备态	航班Agent已完成周转或超过计划起飞时间，由于本场容量限制原因未能推出，无本场容量限制时准许起飞
飞行态	航班Agent离开机场，正在经历扇区飞行，考虑扇区容量，产生扇区排队延误
到达态	航班Agent经历所有的飞行，所有目标执行完毕

序号	机场ICAO代码	发生时间	容量变化/（架次·h^-1）
1	ZSPD	08：00—19：00	-5
2	ZSPD	21：00—06：00（+1）	-14
3	ZSSS	08：00—11：00	-3
4	ZSNJ	08：00—12：00	-7
5	ZSOF	08：00—14：00	-4

算例	平均延误时间/min	MAE/min	RMSE/min	计算耗时/min
实际运行	9.67
AND模型	5.39	14.37	151.22	4.13
固定容量	8.99	7.13	50.10	4.34
场景容量	9.94	4.58	15.06	10.46

机场ICAO代码	实际平均延误时间/min	AND模型平均延误时间/min	固定容量平均延误时间/min	场景容量平均延误时间/min
ZBAA	21.07	13.06	19.48	22.05
ZBAD	9.52	6.52	8.03	9.90
ZGGG	18.24	12.69	19.18	18.39
ZGSZ	30.54	15.11	26.22	32.47
ZLXY	15.43	13.27	15.92	15.35
ZPPP	10.15	6.29	12.47	11.39
ZSHC	19.32	13.71	17.00	20.12
ZSPD	24.20	14.63	21.52	24.90
ZUCK	12.28	8.54	10.53	11.12
ZUTF	11.08	9.05	10.40	10.67

测试日	预测类型	平均飞行时间±标准差/min	平均延误时间±标准差/min	计算耗时/s
高流量日	实际运行	135.12±70.41	17.30±55.47
	Agent预测	137.14±67.91	16.37±54.25	1.89
	AND预测		12.37±61.25	1.61
低流量日	实际运行	115.05±38.51	5.31±37.03
	Agent预测	116.64±39.22	5.69±47.65	1.70
	AND预测		3.37±64.25	1.61

基于异构Agent的航空交通网络供需态势统一建模

Unified modeling of supply-demand situations in air traffic network based on heterogeneous Agent

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 29

相关文章 1

编辑推荐

Metrics

本文评价

机场	航班数量/架次	实际平均延误时间±标准差/min	异构Agent模型预测平均延误时间±标准差/min	AND模型预测平均延误时间±标准差/min
ZSPD	1 203	14.55±43.68	14.83±47.65	9.19±37.51
ZSSS	633	4.11±19.47	3.97±19.94	3.04±11.82
ZSNJ	510	6.08±30.07	6.36±29.05	5.11±21.65
ZSOF	217	71.40±104.18	74.55±97.23	27.61±32.51