一种将神经网络与复杂毕达哥拉斯模糊FUCA相结合的智能计算框架，用于空域容量评估与流量预测

为何更智能的天空至关重要

任何经历过长时间航班延误的人都能体会到航空出行系统的脆弱性。在每一次起降背后都有一个持续的平衡游戏：天空能安全容纳多少架次，暴风雨和拥堵如何在网络中蔓延，管制员和规划者如何在相互竞争的优先事项之间权衡。本文提出了一种新的决策支持方式，将人工智能与一种用于整合专家判断的复杂方法相结合，旨在在不确定条件下让航空出行更安全、更顺畅、更可预见。

理解一个拥挤且变化的天空

现代空中交通已变得如此密集与复杂，以至于基于固定规则或简单平均值的传统规划工具难以跟上。空域容量本质上是在不断变化的条件下——从繁忙的跑道到紧张的管制再到脆弱的导航设备——一个区域能够安全通行的最大飞机数量。流量预测试图预判飞机何时何地会聚集，以便在拥堵发生前加以预防。两项任务都充满不确定性：天气会变化、需求可能激增、专家对风险可能存在分歧。作者认为，有效的管理现在需要能够处理混乱、不完整信息的工具，而不是假装一切都已被精确知道。

让计算机从过去学习

所提框架的核心是一个神经网络——一种从历史数据中学习模式的机器学习模型。该网络输入诸如飞机数量、空域占用、天气状况和不同机场及运行场景的延误历史记录等数据，然后学习预测在给定空域组织方式下的性能：能够安全承载多少流量、管制员的工作负荷可能多重，以及在各种条件下发生拥堵的可能性。系统不再仅依赖事先制定的规则，而是适应真实运行中表现出的复杂、非线性行为，捕捉那些人类难以直接量化的细微或交织关系。

将模糊意见转为清晰排序

然而，仅靠数字无法捕捉航空中的所有重要因素。专家判断——比如安全余量、对恶劣天气的韧性或某些管制策略的可行性——不可避免地含糊且有时互相冲突。为此，作者采用了一种称为FUCA的决策技术，它同时比较所有候选策略，而不是仅成对比较。他们用“复杂毕达哥拉斯模糊”信息来扩展FUCA，这是一种数学方式，不仅表示专家对某一选项的支持或反对程度，还表示他们的犹豫或不确定性。在实践中，专家使用诸如“差”、“好”或“非常好”等简单语言等级来描述各策略在跑道通量、管制员负荷、基础设施可靠性、预测质量、延误成本和拥堵风险等准则上的表现。这些语言术语被转换为同时编码支持与怀疑的模糊值，使得方法能够尊重细微差别，而不强行做出非黑即白的决定。

从众多选项中选出最佳策略

该框架在一个丰富的案例研究中进行了测试，涉及四类专家和十五种现实的空域策略，范围从特定进近扇区到协同决策协议与先进的流量控制方案。神经网络首先在不确定条件下为每种策略生成定量性能估计。随后，FUCA将这些预测与专家的模糊评估融合，构建合并评分表并对所有选项进行排序。结果突显出少数持续表现良好的策略：某种特定的航路扇区设计、一项协同决策协议以及一个增强的导航网格脱颖而出，而更僵化或过于复杂的方案则排名靠后。大量敏感性分析表明，即便在改变专家影响力或准则重要性等多种情形下，这些排序仍保持稳定，表明建议并不过于脆弱。

这如何助力现实世界的航空决策

为评估该新框架与现有工具的比较，作者将其与工程与交通规划中使用的若干对比方法进行了基准测试。他们的混合方法在区分相似备选方案、应对高度不确定性以及在输入变化时保持排序稳定性方面表现更强。对于管理者和监管机构，这意味着一个能将实时数据与人类经验相结合、探索假设情形并突出在广泛条件下仍然有效策略的决策支持系统。尽管该案例研究为假设性场景，未来工作仍需在真实流量数据与更大规模上验证模型，但研究指向一条务实路径：利用人工智能与先进的模糊推理来指导空域设计、容量规划与流量管理，以应对愈发繁忙的天空。

引用: Huo, D., Zhang, S. An intelligent computational framework combining neural networks with complex Pythagorean fuzzy FUCA for airspace capacity evaluation and traffic forecasting. Sci Rep 16, 13322 (2026). https://doi.org/10.1038/s41598-026-41437-y

关键词: 空域容量, 空中交通预测, 神经网络, 模糊决策, 航空管理