链上镖师 / Chain Biaoshi
TRB|eVTOL会故障，空港还该怎么建
TRB 2026：把乘客选择、空港选址、航线分配和失效场景放进同一个鲁棒优化模型
这篇TRB论文研究在eVTOL可能失效的情况下，如何同时决定UAM空港位置、航线网络和车辆分配，让城市空中交通规划更能承受早期运营的不确定性。
- 01：研究把乘客对地面交通和UAM的选择概率纳入需求估计，选择概率由票价和出行时间共同决定。
- 02：模型采用两阶段鲁棒优化：第一阶段决定空港与航线，第二阶段在eVTOL失效场景下评估可服务乘客和惩罚成本。
- 03：作者用C&CG算法寻找关键失效场景，数值实验显示算法解的gap整体很小，鲁棒方案相对EVPI的平均差距保持在2%以内。
研究背景
城市人口继续向大型都市集中，道路容量增长跟不上出行需求，拥堵、碳排放和噪声成为交通系统的长期压力。论文引用INRIX数据指出，2023年美国司机平均在拥堵中损失43小时，经济损失超过740亿美元。
UAM使用eVTOL承担低空客运或货运，被视为缓解中长距离通勤压力的一种方案。已有研究提示，当地面行程超过约50分钟时，空中出行可能产生时间节省，早期市场票价估计大致位于每座公里0.27到6.8之间。
Fig. 1：基于票价与出行时间的地面交通和UAM空中交通选择概率示意，说明论文如何把乘客偏好转化为UAM需求。来源：Fig. 1
这篇论文的出发点很直接：UAM早期部署既要回答空港建在哪里，也要回答有限eVTOL如何连线运营，还要把故障带来的服务缺口提前计入规划。
核心问题
既有UAM规划研究常分别处理空港选址、网络设计、需求选择或不确定性。本文把这些维度放在同一套模型中，目标是在最坏eVTOL失效场景下最小化空港运营成本、航线运输成本和未服务乘客惩罚成本。
Table 1：既有空港选址与UAM网络设计研究的维度对比，本文同时覆盖空港选址、网络设计、eVTOL失效不确定性和乘客选择概率。来源：Table 1
- 决策对象包括开放哪些候选空港、哪些eVTOL服务哪些OD航线。
- 需求不是固定常数，而由地面交通和UAM的票价、出行时间形成选择概率后进入模型。
- 失效场景刻画推进、控制、通信等早期运营故障造成的车辆不可用风险。
- 未服务乘客通过惩罚成本进入目标函数，惩罚与使用eVTOL节省的出行时间相关。
核心问题可以概括为一句话：在车辆可能坏、需求会受价格和时间影响的条件下，为城市UAM系统设计一张成本可控、服务缺口更小的空港与航线网络。
方法框架
模型以候选节点集合、eVTOL集合和故障场景集合为基础。第一阶段变量决定空港是否开放以及车辆是否分配到某条往返航线；第二阶段变量在具体故障场景下判断车辆能否实际执行，并计算每条OD上的未服务乘客数。
1先给定需要开放的空港数量K，选择候选节点作为skyport。
2再把单架eVTOL分配给一条往返航线，只有起终点空港都开放时航线才成立。
3故障发生后，失效eVTOL无法执行原航线，需求超过可用容量的部分计入未服务乘客。
4目标函数合并空港运营成本、车辆运输成本和未服务乘客惩罚成本。
Algorithm 1：用于空港选址与航线规划的C&CG求解流程，展示主问题、鲁棒子问题、上下界更新和关键失效场景加入。来源：Algorithm 1
求解上，作者没有枚举全部故障组合。C&CG从空的关键场景集合开始，反复求解主问题和鲁棒子问题，每次把识别出的关键失效场景加入主问题，直到上下界差距满足阈值ε。
Table 3：Algorithm 1在多组|I|、|N|与θ组合下的gap和计算时间，用于支撑近最优解质量与计算效率。来源：Table 3
案例或实验设置
论文先用随机生成实例检验算法表现，再用首尔真实地理和人口数据展示模型的落地方式。随机实验设置3600秒运营窗口，使用Python 3和CPLEX求解，MIP预处理与启发式功能被关闭，以便比较算法本身的效果。
Fig. 2：Algorithm 1在不同|N|和|I|设置下的计算时间，显示规模扩大后计算压力上升。来源：Fig. 2
真实案例选取韩国首尔。论文将25个行政区作为节点，使用各区人口估计跨区需求，并测试K取3、4、5、6以及|I|取10、15、20、25时的空港布局、网络连线和目标值。
Fig. 6：基于韩国首尔25个行政区的节点地图，是论文真实城市案例的空间基础。来源：Fig. 6
Table A.1：首尔行政区经纬度与人口数据，用于构造真实案例中的节点位置和需求估计。来源：Table A.1
结果分析
算法实验显示，随着节点数、机队规模和故障比例增加，计算时间整体上升。与直接枚举所有故障场景的优化软件相比，C&CG通过持续补充关键场景减少了计算负担，在可求解实例中gap大多接近0。
EVPI对照差距
低于3%
Table 4中所有实例的鲁棒解相对EVPI benchmark差距均低于3%。
平均差距
2%以内
Table 4中五个实例平均gap保持在2%以内，方差低于0.6。
Fig. 3：目标值随开放空港数量K变化的分布，显示增加空港会改变航线组合、车辆分配和成本结构。来源：Fig. 3
Fig. 4：目标值随eVTOL失效概率θ变化的趋势，展示失效风险通过未服务需求和运行安排推高总成本。来源：Fig. 4
Fig. 5：不同失效场景下鲁棒方案RO与确定性方案DET的目标值比较，用于观察故障风险下提前做鲁棒规划的价值。来源：Fig. 5
管理启示
对UAM运营者而言，空港数量K和机队规模|I|需要一起设计。论文的敏感性分析显示，增加空港可带来更多航线组合和更灵活的车辆配置，继续扩张也会引入运营成本和潜在闲置容量。
Fig. 7：首尔案例中不同K和|I|组合下的空港位置与网络连线，展示配置变化对服务范围和连接结构的影响。来源：Fig. 7
失效概率θ上升会增加总成本，车辆数量较大时单次故障带来的边际冲击会被更大的可用运力吸收。论文同时提醒，当全部需求已能被满足时，额外eVTOL可能带来闲置能力对应的机会成本。
Fig. 8：首尔案例中不同K和|I|组合的目标值比较，支持机队规模、空港数量和需求密度匹配的配置判断。来源：Fig. 8
这篇论文给出的管理含义是：早期UAM网络规划应把故障风险作为基础输入，同时用价格、时间和人口需求推导服务量，再决定空港布局与eVTOL分配。
论文：Robust skyport location and network design for UAM systems under aircraft failures: A column-and-constraint generation approach
作者：Gwang Kim，Yoonjea Jeong，Youngchul Shin
期刊：Transportation Research Part B
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
