因果意识特征融合DeepONet Mamba模型用于eVTOL垂直港需求预测
Causal Aware Feature Fusion DeepONet Mamba Model for eVTOL Vertiport Demand Forecasting
打开原文Accurate demand forecasting is a prerequisite for eVTOL vertiport dispatch, pad staffing, battery service planning, and access management, yet short-horizon demand is affected by confounded interactions among weather, road access, queue feedback, aircraft availability, and pricing interventions. This study evaluates the proposed model on a synthetic but engineering-constrained eight-vertiport network, so the reported results should be interpreted as controlled methodological evidence rather than direct commercial demand measurement. The paper proposes a Causal Aware Feature Fusion DeepONet Mamba model that learns a function-to-function mapping from urban mobility states to vertiport demand fields. Causal gates separate contextual variables, network states, and intervention-sensitive variables before a Mamba branch encoder and coordinate-aware DeepONet trunk produce interval demand forecasts. Experiments with 184 simulated operating days show that the proposed model achieves an MAE of 18.7 requests per 15-minute interval, reducing error by 15.6% relative to the strongest non-causal baseline. Peak interval error decreases to 54 requests, 0.9-quantile pinball loss decreases to 11.3, and scenario ranking error is reduced by 32.8% compared with Mamba without causal fusion. Spatial transfer tests, missing-sensor experiments, and capacity-restriction scenarios indicate that causal feature control improves robustness when operating conditions deviate from ordinary correlations. The results show that combining causal fusion, neural operator learning, and selective state-space memory
作者
马塔斯·卡兹劳斯卡斯，本纳斯·巴尔丘纳斯
绍利艾大学技术学院，立陶宛绍利艾 LT-76351
本纳斯·巴尔丘纳斯
绍利艾大学技术学院，立陶宛绍利艾 LT-76351
文件
关键信息
关键词
eVTOL 需求预测、垂直起降场运营、因果特征融合、DeepONet、Mamba 状态空间模型
发布
2026年8月18日
期刊
发表在 第 6 卷第 3 期（2026） of 智能运营与管理工程期刊.
智能运营与管理工程期刊（JSOME）电子国际标准连续出版物号：3136-7666是一个国际性、同行评审的学术平台，致力于发表流程系统工程、高级运筹学与智能管理交叉领域的前沿研究。该期刊致力于弥合技术系统设计与高管决策之间的差距，重点关注数据驱动算法、自动化框架和智能计算如何改变现代工业运营。
JSOME欢迎原创研究论文、严谨的综述以及方法学方面的贡献，内容涉及复杂工业系统、供应链网络、能源系统和流程工业。
摘要
准确的需求预测是eVTOL垂直起降机场调度、停机坪人员配置、电池服务规划和通行管理的前提，但短期需求受到天气、道路通达性、排队反馈、航空器可用性和定价干预之间混杂交互作用的影响。本研究在一个合成但受工程约束的八个垂直起降机场网络上评估所提出的模型，因此，报告结果应被视为受控的方法学证据，而非商业需求的直接测量。论文提出一种因果感知特征融合DeepONet Mamba模型，用于学习从城市出行状态到垂直起降机场需求场的函数到函数映射。在Mamba分支编码器和具备坐标感知能力的DeepONet主干网络生成区间需求预测之前，因果门控会将上下文变量、网络状态和对干预敏感的变量分开。基于184个模拟运营日的实验表明，所提出的模型在每15分钟区间的平均绝对误差（MAE）为18.7个请求；与表现最强的非因果基线相比，误差降低了15.6%。峰值区间误差降至54个请求，0.9分位数针球损失降至11.3；与未进行因果融合的Mamba相比，情景排序误差降低了32.8%。空间迁移测试、传感器缺失实验和容量限制情景表明，当运行条件偏离常规相关关系时，因果特征控制能够提升稳健性。结果显示，结合因果融合、神经算子学习和选择性状态空间记忆，可为早期垂直起降机场网络规划和eVTOL战术运行提供实用的预测框架。
详情
发布
2026年8月18日
章节
文章
关键词
eVTOL 需求预测、垂直起降场运营、因果特征融合、DeepONet、Mamba 状态空间模型
引用格式
Kazlauskas, M. 和 Balčiūnas, B.（2026）。《用于eVTOL垂直起降机场需求预测的因果感知特征融合DeepONet Mamba模型》。智能运营与管理工程期刊, 6(3), 电动5:56–68。https://doi.org/10.68406/jsome.2026.vol6iss3ne5:56-68
页码
e5:56-68
来源：Crossref eVTOL期刊论文索引 · doi.org