引用本文

郭戈, 郑智远, 张忍永康. 城市空中交通系统最优规模评估与调度. 自动化学报, 2026, 52(2): 230−239 doi: 10.16383/j.aas.c250396

Guo Ge, Zheng Zhi-Yuan, Zhang Ren-Yong-Kang. Optimal scale evaluation and scheduling in urban air mobility system. Acta Automatica Sinica, 2026, 52(2): 230−239 doi: 10.16383/j.aas.c250396

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250396

关键词

城市空中交通，飞行器，系统规模，再平衡调度，供需均衡

摘要

针对城市空中交通系统, 提出一种优化方法以同时确定满足乘客需求的最小系统规模和最佳系统再平衡策略. 研究构建流体模型与多服务器M/M/s排队模型的联合框架, 描述乘客、飞行器与电池在站点间迁移、换电及充电过程. 在该模型框架下对飞行器和电池数量的适定性进行证明, 并给出系统供需均衡时的必要条件. 在此基础上, 通过线性规划求解系统供需均衡下的再平衡分配率与最小机队规模, 并计算最优充电站位置、电池数量及电池运输车数量. 数值仿真分析了影响系统规模的因素, 实例验证证明了所提再平衡方法的有效性.

文章导读

电动垂直起降(electric vertical take-off and landing, eVTOL)飞行器作为新一代城市空中交通(urban air mobility, UAM)系统的核心载体, 凭借其低碳排放、高安全冗余和高运输效率等优势, 为构建可持续立体交通网络提供了创新解决方案[1−3]. UAM系统运行机理可概括为点对点、按需响应、动态调度的低空运输模式. 乘客通过平台发出需求后, 系统基于位置、航程、当前状态以及空域限制等多维信息分配最优的eVTOL飞行器执行任务. 飞行器完成运输任务后, 可直接前往下一个需求站点或返回换电/待命站点. 研究表明, UAM系统在出行高峰时段可分流45%地面交通流量, 对缓解交通拥堵、优化低空资源配置具有显著经济效益[4]. 当前, UAM产业化进程加速推进标志着空中交通正从概念验证迈向实际应用[5]. 为促进应用落地、提升系统效能、实现运力的时空匹配与动态平衡, 对该系统进行全面的战略规划与运营调度至关重要.

当前针对UAM系统调度的研究大致可分为两类. 第一类研究通常在动态交通分配框架下, 考虑时空波动、交通流量波动及航路状况变化等因素, 对飞行器航迹进行规划, 以提升交通效率, 实现乘客吞吐量的最大化或旅行时间最小化[6−10]; 第二类研究借鉴空中交通流量管理方法, 侧重对航班时刻表或交通流进行优化以平衡资源分配[11−12]. 值得注意的是, UAM系统具有高频次、强随机性等特征, 其运营模式更接近需求响应型运输系统[13]. 这类系统面临的核心科学问题是时空需求不均衡导致的运力错配, 需要在给定机队规模下通过调度策略实现资源时空再平衡. 然而, 上述研究均未提出具体的系统规模优化方案, 从而未能深入探讨规模优化在提升调度效率和服务质量中的重要作用.

对于系统规模的探讨, 大多数研究通过人口密度、收入分布和出行偏好等因素估计UAM潜在需求, 为UAM系统规模规划提供理论依据[14−15]. 值得注意的是, 高效的调度策略能有效提高服务水平, 减少空闲飞行器数量. 因此, UAM系统的规模与调度应当在一个综合框架内进行探讨, 但此类文献相对有限. 文献[16]考虑到时空需求和成本异质性, 对UAM系统规模与调度方案进行优化. 文献[17]提出包含站点选择、路线规划、机队规模设计、站点容量设计及调度策略的综合决策框架, 并分析不同类型的eVTOL对系统性能的影响. 文献[18]考虑飞行器起降时的空间约束, 给出接近最优的系统规模和调度方案. 文献[19]优化UAM系统中垂直机场的数量、位置和容量, 并考虑调度方案与乘客需求之间的相互关系. 文献[20]对如何平衡乘客之间的公平性进行研究, 提出通过乘客类别差异来优化服务质量的策略, 并通过合并同质乘客需求以减少航班数量. 上述研究将问题建模为混合整数规划, 综合考虑站点数量、位置、机队规模等决策, 以及飞行器迁移、分配和服务等操作, 通过精确算法或启发式算法进行求解. 然而, 此类方法在处理大规模系统时面临高昂的计算成本, 通常仅能获得次优解, 且冗长的计算时间可能无法满足实际调度要求.

为弥补上述研究不足, 本文深入探讨UAM系统战略规划与服务运营间的内在关系, 提出一种基于优化的通用且易拓展的解决方法, 旨在同时确定满足乘客需求的最小系统规模和最佳再平衡调度策略. 具体而言, 首先构建由流体模型与多服务器M/M/s排队模型组成的联合框架, 用于描述系统中乘客、飞行器及电池在站点之间的动态迁移过程, 以及电池在充电站的充电过程. 接着证明在此框架内飞行器数量与电池数量的不变性, 并推导出系统达到供需均衡时的必要条件. 基于供需均衡条件, 通过求解线性规划问题获得再平衡调度方案与所需最小机队规模, 同时给出最优充电站位置、飞行器电池数量和电池运输车数量计算方法. 该研究为UAM系统的运营和管理提供系统性的理论支持, 以期为未来UAM系统的研究探索提供坚实理论基础.

本文的其余部分组织如下: 第1节介绍问题描述和建模方法; 第2节对模型的适定性和均衡点存在性进行证明; 第3节给出系统再平衡调度方案与所需最小机队规模、电池数量、运输车队规模以及充电站最佳位置; 第4节为数值仿真分析和实例验证; 最后, 在第5节进行总结与展望.

图1  城市空中交通系统模型

图2  不同站点规模下的飞行器需求

图3  所需最小充电桩数量

本文提出一种结合流体模型与多服务器排队模型的联合优化框架, 解决了UAM系统规模与调度策略的协同优化问题. 所提方法仅需1100架载人飞行器便能满足城市早高峰期间两个小时内的15342条出行需求. 该研究为UAM系统的战略规划与运营提供了系统性、可实施的解决方案, 并为未来城市空中交通的规模优化与智能调度奠定了坚实的理论基础. 未来工作可进一步引入空域冲突管理、空域拥堵管理、多运营商与异质交通方式协同、起降站停机位数量优化, 以及全面的运营成本与经济效益分析, 以推动UAM系统向更加安全、高效、可持续且具经济价值的方向发展.

作者简介

郭戈

东北大学教授. 主要研究方向为智能交通系统, 交通大数据分析, 人工智能应用, 信息物理系统. 本文通信作者. E-mail: geguo@yeah.net

郑智远

东北大学博士研究生. 主要研究方向为智能交通系统, 按需出行系统. E-mail: 2290098@stu.neu.edu.cn

张忍永康

东北大学博士后. 主要研究方向为分布式优化与控制, 智能交通系统. E-mail: 2010278@stu.neu.edu.cn