航空运营 AI
传统机组排班系统在你航网的静态快照上运行列生成算法。当连锁中断来袭、机组位置数据失效时，求解器优化的却是一家"幽灵航空公司"。西南航空为此损失了 12 亿美元。2024 年 7 月，精神航空的排班算法为 43% 的可用机组生成了相互冲突的任务安排，损失达 5000 万至 1 亿美元。如今，美国交通部（DOT）的自动退款规则将每一次超过 3 小时的延误都变成强制性现金退款，IROPS 恢复缓慢的代价从未如此之高。
Veriprajna 构建由机器学习驱动的 IROPS 恢复引擎，对你现有的 Jeppesen 或 IBS 系统进行增强。我们不替换你的求解器。我们处理它无法应对的问题：机组位置不确定情况下的连锁中断、全网爆炸半径分析，以及在几分钟而非数小时内生成的恢复方案。
600 亿美元/年
行业 IROPS 成本
IATA 估算
4-12 小时
人工机组恢复耗时
行业基准
3 小时触发
DOT 强制自动退款
DOT 最终规则，2024 年 10 月
从运营控制中心一线视角，剖析一次航空运营崩溃的全过程。
一场冬季风暴使某个关键航站的航班停飞。你的机组排班求解器以批处理周期运行，通常每 30-60 分钟一次。它对航网拍下静态快照、冻结时间，然后计算出最优恢复方案。但航网状态每 5 分钟就在变化。等求解器返回方案时，输入条件早已失真。机组已经移动。衔接已经中断。方案在任何人看到之前就已失效。
这就是 优化-执行鸿沟。你的求解器为效率而设计（在已知世界中给出最便宜的排班），而非韧性（在未知世界中给出可存活的排班）。在孤立延误时这道鸿沟尚可管理。但在连锁中断中，它会变得致命。
你的自动化机组通知系统不堪重负。滞留在外站的机组打电话到排班中心报告自身位置。等待时长达到 4 小时，随后是 8 小时。求解器需要确切输入："史密斯机长在丹佛 B7 登机口。"但史密斯机长可能在酒店、可能在员工班车上、也可能已经租车开往科罗拉多斯普林斯。你的求解器无法处理"大概在丹佛"这种信息。它需要确定性。而在连锁反应中，确定性并不存在。
这正是 2022 年 12 月击垮西南航空的原因。他们对自己的飞行员和乘务员失去了追踪。SkySolver 为那些并不在系统所认为位置上的机组生成排班。这家航空公司优化的是一个幽灵航网。
断裂的机组配对数量呈指数级增长，而非线性增长。每取消一个航班就会置换一组机组，进而打断下一个配对，使一架飞机滞留，再取消下游航班。对于点对点航空公司，爆炸半径无法被遏制，因为不存在机组与飞机自然重新汇合的枢纽"再生点"。
你的求解器撞上了它的计算悬崖。分支定价算法在运营决策窗口内甚至找不到一个可行解（更不用说最优解）。你的调度员放弃系统，开始用电子表格和白板手工作业。他们如今要在凌晨 3 点、在压力之下，用手工求解一个 NP 难的组合问题。这正是 12 亿美元损失发生的地方。
自 2024 年 10 月起，每一次超过 3 小时的国内延误都会触发强制性自动退款。不是代金券。不是改签。而是在 7 个工作日内、无需旅客提出请求的现金退款。对于一家每日运营 300 个航班的航空公司，按平均票价 280 美元、每航班 150 名旅客计算，50 个延误超过 3 小时的航班意味着仅一个糟糕的日子就会带来 210 万美元的强制退款敞口。IROPS 恢复缓慢的财务处罚刚刚变得严重了一个数量级。
对 2026 年各厂商实际交付能力的诚实评估。在评估方案时可调出此表参考。
| 厂商 | 他们做什么 | 优势 | 差距 |
|---|---|---|---|
| Jeppesen （现归 Thoma Bravo 所有） |
CrewPlan、CrewAlert、Stratosphere（全新 AI 层）。业界标准的列生成求解器。100 多家航空公司客户。 | 最深厚的航空业关系。数十年的领域知识沉淀。全新的 Stratosphere AI 中断处理工具（2025 年 10 月）。如今已独立于波音，并获得专项投资。 | 核心求解器仍是批处理式列生成。Stratosphere 是预测性分析，而非机器学习驱动的恢复。所有权过渡为长期路线图带来不确定性。中型航空公司往往不如明星客户受重视。 |
| IBS Software （iFlight / iFlight Core） |
云原生运营平台。与 AWS 的联合工程合作伙伴关系。近期签约：大韩航空、Aeroitalia、Groupe Dubreuil。 | 现代化云架构。类智能体的中断恢复模型。可扩展的 AWS 基础设施。在中端市场快速增长。 | 类智能体模型仍基于规则，而非习得的策略。完整的 iFlight 实施是一个 12-18 个月的项目。生产部署案例少于 Jeppesen。未发布 IROPS 恢复基准。 |
| Optym （CrewSolver、SkyMAX） |
机组配对优化 + 集成航班排班。西南航空客户（SkyMAX）。 | 经证实可降低 3-7% 机组成本。整体性的排班 + 机组优化。超启发式与机器学习增强。 | 聚焦于规划阶段优化（起飞前），而非实时 IROPS 恢复。未发布数字孪生或仿真能力。客户基础小于 Jeppesen 或 IBS。 |
| Sabre / Amadeus | 带运营模块的 GDS 提供商。与订座和离港控制深度集成。 | 生态系统集成：订票、值机、离港控制与机组排班在同一平台上。庞大的装机量。 | 机组排班是次要能力，并非其核心产品。运营模块在求解器成熟度上落后于 Jeppesen/IBS。创新聚焦于收益管理与分销。 |
| 四大 / 大型系统集成商 （埃森哲、德勤等） |
数字化转型咨询。作为更广泛运营现代化的一部分，实施 Jeppesen、IBS 或 Sabre。 | 大规模项目管理。变革管理专长。董事会层面的关系。 | 他们是实施方，而非建造者。他们安装的正是你可以直接签约的同一批厂商平台。单个项目 200 万至 1000 万美元，需 12-24 个月才产生运营影响。配备的是在各行业间轮换的通才顾问。 |
| 新兴 AI 厂商 （Softlabs、Kaiban、Tech Mahindra） |
AI 驱动的中断管理与重新安置自动化。多数为面向旅客的智能体 AI。 | 现代化技术栈。面向旅客重新安置的快速部署。更低的价位。 | 聚焦于面向旅客的自动化（改签、通知），而非运营层面的机组恢复。对 CBA 复杂性和 Part 117 约束编码理解有限。未发布 FAA 监管合规的过往业绩。 |
| Veriprajna | 由机器学习驱动的 IROPS 恢复层，对现有排班基础设施进行增强。基于图的网络分析。概率化机组追踪。 | 专为最糟糕的 15 个 IROPS 日子而打造。与你现有的 Jeppesen/IBS 求解器协同（而非对抗）。在任何运营信任之前先进行影子模式验证。面向点对点航空公司的网络脆弱性分析。 | 尚无航空公司生产部署的过往业绩。团队规模小于现有厂商。无法替代完整的机组规划生命周期（仅限当日恢复）。需要高质量的数据馈送才能运行。 |
五项能力，每一项都针对当前工具未能解决的特定失效模式。
当你的列生成求解器在连锁中断中撞上计算悬崖时，我们的机器学习层接管。我们使用图神经网络，将你的航线网络拓扑、机组位置、飞机状态和有效约束编码为统一表示。图神经网络能捕捉表格数据无法捕捉的东西：某一航站的中断如何通过依赖链传播，影响三个衔接之外的机组和飞机。
恢复引擎在几分钟内生成排序后的恢复方案（机组互换、调机重新部署、主动取消）。每个方案在送达调度员之前都会经过你的约束引擎验证。我们之所以专门采用图注意力网络，是因为注意力机制让模型能够权衡在当前中断状态下哪些衔接最为关键。一个延误的飞往枢纽的进港航班，比一个准点飞往有缓冲时间的支线的航班获得更高的注意力权重。
这解决了导致西南航空 2022 年崩溃的"数据黑洞"问题。我们不要求一个确切的机组位置（"史密斯机长在 B7 登机口"），而是将机组位置建模为概率分布。如果某飞行员最后一次 ACARS 报到是在 3 小时前的丹佛，且他在机场附近有一笔确认的酒店预订，我们就将其建模为：70% 在酒店、20% 在机场、10% 在途中。如果他还持有一张下午 6 点飞往凤凰城的登机牌，我们会将这一点纳入其可用性时间窗的考量。
恢复引擎使用这些概率分布来运作，而不是等待危机中永远不会到来的确定性。恢复方案会针对最可能的机组位置情景进行评分，同时为可能性较低的位置预先计算备选方案。你的调度员会看到："方案 A（85% 置信度，需要史密斯机长在丹佛）和方案 B（95% 置信度，使用不同机组但需要一次调机）。"
我们绘制出你航线网络中的每一条依赖链，并识别出 5-10 条"断层线"——在这些地方，单一中断会造成最大的下游损害。对于一家每日 300 次起飞的点对点航空公司，我们按一天中的时段和季节，为每个航站计算爆炸半径。1 月下午 2 点的丹佛，与 7 月上午 10 点的丹佛，是根本不同的风险画像。
输出是一张网络风险图，你的规划团队可借此做出明智的权衡。我们也许会发现：在丹佛增加一架缓冲飞机、并在凤凰城预先部署一组备用机组，可在冬季使你的连锁敞口降低 40%，代价是每日利用率下降 0.3%。这是一笔 20 万美元的年度投资，用以预防 500 万至 1000 万美元的潜在 IROPS 损害。该分析针对你的航线图、你的机队构成以及你的历史中断模式。
一个轻量级的仿真环境，让你的运营团队在中断发生之前演练中断恢复。载入去年冬天的实际气象数据，注入你真实的机组排班表和机队位置，然后运行："如果丹佛在 1 月的某个周四关闭 6 小时会怎样？"模拟器对整个航网的连锁效应进行建模，显示哪些机组会滞留、哪些配对会断裂、哪些下游航班面临风险。
这不是一个完整的数字孪生（那需要 12 个月以上和数百万美元来构建）。它是一个专门打造的仿真，使用你现有的数据馈送，并专门聚焦于与机组相关的中断连锁。你的调度员可以在平静时期练习恢复策略、测试预部署方案，并为危机应对建立肌肉记忆。演练过 IROPS 情景的航空公司在真实中断来袭时恢复得更快，因为决策模式已经熟悉。
将你特定的工会合同规则与 FAA Part 117 要求一并编码为机器可读的形式。Part 117 设定底线：最少 10 小时休息、根据时段设定的 8-9 小时飞行时间限制、根据起始时间和航段数量将飞行执勤期上限定为 9-14 小时。但真正的复杂性存在于你的工会 CBA 中。
在 JFK 你 A320 机队的一名机长，其休息条款可能不同于在 LAX 同一机队的一名副驾驶，这取决于针对特定基地规则的 CBA 章节豁免。备用召回时间窗、加班费触发条件以及培训资质要求，都会形成随机队、基地和资历层级而变化的约束。我们将这些编码为机器可执行的规则，在计算层验证每一项恢复建议。当你的工会重新谈判休息规则、或 FAA 发布新的 Part 117 解释时，约束引擎当天即可更新，而不是同一季度。
并排对比：使用当前工具与使用 Veriprajna 以咨询模式运行的恢复引擎时，你的运营中心如何应对。
| 时间线 | 传统流程 | 使用 Veriprajna 恢复引擎 |
|---|---|---|
| 下午 2:00 | 丹佛地面停飞令发布。求解器开始批处理重新优化周期（运行 30-60 分钟）。 | 图神经网络检测到关闭并立即计算爆炸半径：14 个下游航班面临风险，6 组机组将在 3 小时内错过衔接。调度员在 90 秒内看到风险图。 |
| 下午 2:15 | 调度员开始手工评估哪些机组受影响。致电丹佛航站。 | 恢复引擎生成 3 个排序后的恢复方案。方案 A：主动取消 4 个低载航班，为 10 个高价值衔接腾出机组。方案 B：从凤凰城调机 2 组备用机组（已在竞争对手航司确认座位）。方案 C：将 6 个航班延误 90 分钟，接受其中 2 个的 DOT 退款敞口。 |
| 下午 3:00 | 求解器返回首个方案。自快照拍摄以来，所分配的机组中有三组已经移动。方案部分失效。开始手工修正。 | 调度员批准方案 A 并做一处修改。约束引擎根据 Part 117 和 CBA 验证所有机组分配。恢复方案正在执行。10 个高价值衔接得到保护。 |
| 下午 5:00 | 以修正后的机组位置启动第二次求解器运行。更多航班已连锁波及。问题空间翻倍。调度员为东部航网在白板上作业。 | 主动取消将中断遏制在丹佛及两个相邻航站。东部航网正常运行。系统监控残余风险，并随着丹佛重新开放进行调整。 |
| 晚上 9:00 | 航网仍然受损。28 个航班取消，40 多个延误超过 3 小时。机组酒店成本不断攀升。DOT 退款敞口：约 170 万美元。 | 4 个主动取消，8 个航班延误（均未超过 3 小时）。机组已为明天的排班重新部署。DOT 退款敞口：0 美元。 |
本情景基于 2022 年 12 月西南航空事件中观察到的中断模式，按一家 300 航班的中型航空公司规模缩放。具体的恢复决策将取决于你的航线网络、机队构成和机组基地位置。重点不在于系统是否完美。重点在于，在 15 分钟内生成 3 个经过验证的恢复选项，给你的调度员提供了一个优于空白白板的起点。
从初步评估到经影子验证的恢复引擎。总时间线：4-8 个月，取决于数据就绪度和机队复杂性。
第 1-4 周
我们分析你的航线网络拓扑、历史 IROPS 数据（12 个月以上）、机组基地位置和机队利用模式。输出是一份网络脆弱性报告：按爆炸半径排序的前 10 个连锁风险航站、季节性风险画像，以及对你年度 IROPS 敞口的财务估算。
本阶段还会识别恢复引擎所需的数据馈送，并评估其质量和延迟。如果你的机组位置数据有 2 小时的滞后，那就是首先要解决的问题。
第 4-8 周
我们接入你的运营数据馈送（航班状态、机组位置、维修状态），并构建你航空公司专属的约束引擎。这需要与你的机组规划团队和工会代表合作，将适用于你运营的每一条 CBA 规则和 Part 117 要求数字化。
约束引擎会针对 6 个月的历史机组分配进行测试，以验证它能正确标记每一项已知违规，并批准每一项已知有效的分配。如果它与某个历史上的人工决策不一致，我们会调查究竟是人对了，还是规则编码需要调整。
第 8-20 周
恢复引擎在每一次 IROPS 事件中与你的调度员并行运行。它实时生成恢复建议，但不执行其中任何一项。你的调度员通过现有工具做出决策。每次事件之后，我们进行对比：系统的建议、你团队的实际做法，以及实际发生的情况。
目标是在至少一个完整的中断季节（通常是一个冬季或一个夏季雷暴季节）内展现可衡量的改进。如果系统的建议在至少 70% 的重大 IROPS 事件中无法改善结果，我们不会建议进入第 4 阶段。
持续进行
基于影子模式的证据，系统作为面向调度员的实时咨询工具被启用。信任是分级的：低风险、高频率的决策（已确认座位的调机部署、备用机组召回）可以首先实现自动化。复杂的多航站恢复情景仍需人工批准。
我们不建议机组排班决策完全自主运行。调度员拥有系统所不具备的背景信息：一名刚刚请病假的机组成员、一个尚未进入数据馈送的登机口变更、一个正在解决的维修问题。系统的角色是给调度员一个有力的起点，而不是取代他们的判断。
估算你的年度中断敞口和 DOT 退款风险。调整输入以匹配你的运营。结果归你使用，可用于预算讨论、厂商评估或内部商业论证。
年度取消收入损失
$15.8M
取消航班数 x 旅客数 x 票价
年度 DOT 自动退款敞口
$18.9M
3 小时以上延误数 x 旅客数 x 票价
年度 IROPS 总敞口
$34.7M
取消 + 退款 + 估算的机组/酒店成本
加载中……
不需要。我们在你现有的机组排班基础设施之上构建，而不是取而代之。你的 Jeppesen CrewPlan 或 IBS iFlight 系统能有效处理正常日的排班。列生成求解器非常适合一年中的 350 个例行日子。问题出在最糟糕的 15 天，当连锁中断把求解器推过其计算悬崖、你的运营团队退回到电子表格和电话沟通时。
我们的 IROPS 恢复引擎与你现有的求解器并存。在正常运营期间，它以影子模式运行，学习你的航网模式，并将其建议与人工决策进行验证比对。当中断的连锁规模超出求解器所能处理时，它生成的恢复方案会由你现有的系统验证是否符合约束。
集成通过你当前的数据馈送进行：ACARS 位置报告、航班状态 API 和机组管理系统导出。我们不触碰你求解器的代码库。典型的集成需要 3-4 周以获得只读数据访问，恢复引擎在项目启动后 6 周内以影子模式运行。
我们构建一个针对你运营的机器可读约束引擎。Part 117 是底线，但真正的复杂性存在于工会 CBA 中。在 JFK 你 A320 机队的一名机长，其休息条款可能不同于在 LAX 同一机队的一名副驾驶，这取决于 CBA 第 12 条与第 12(b) 条的豁免。
多数厂商把这些规则当作设置文件中的配置参数。我们把它们当作一流的工程问题来对待。在评估阶段，我们与你的机组规划团队和工会代表合作，将每一条适用规则数字化，包括 FAA Part 117.25(b) 与 (c) 的区别、按机队和基地划分的 CBA 专属休息条款、各机型的培训和资质要求，以及基于资历的分配偏好。
约束引擎会在恢复引擎生成的每一项建议送达人工调度员之前进行验证。如果某个拟议的机组互换违反任何规则，它会在计算层被屏蔽，而不是事后被人工审查者发现。当你的 CBA 重新谈判、或某项 FAA 解释发生变化时，约束引擎当天即可更新。
我们需要四类数据馈送：实时航班状态（OAG、FlightAware，或你内部的 OCC 数据馈送）、机组位置报告（ACARS 报到、机组 App 数据，或来自你追踪系统的人工位置更新）、机组排班表与资质数据（从你的机组管理系统导出，通常是 Jeppesen CrewAlert 或 IBS iFlight），以及涵盖至少 12 个月、带有机组恢复决策和结果的历史中断数据。
前三类数据馈送建立实时运营画面。第四类则用你特定的航网模式、季节性中断画像，以及你的调度员实际如何恢复，来训练恢复引擎。
影子模式通常在数据访问建立后 6-8 周开始。前 2-3 周用于数据管道集成和约束引擎搭建。第 4-6 周专注于用你的历史中断数据训练网络模型。到第 6-8 周，系统会与你的调度员并行生成实时恢复建议，你便可以开始将其建议与实际的人工决策进行比对。
埃森哲和德勤是平台实施方。他们会进行为期 6 个月的发现阶段，产出一份 200 页的转型路线图，然后实施 Jeppesen 或 IBS——也就是你可以直接签约的那些厂商。他们的价值在于大规模的项目管理和变革管理。他们的项目通常为 200 万至 1000 万美元，需要 12-24 个月才会产生任何运营影响。
我们构建的是那些平台所不具备的层。Jeppesen 和 IBS 是出色的日常排班引擎。两者都没有用于连锁 IROPS 恢复、概率化机组追踪或网络脆弱性分析的生产级机器学习。一家四大公司不会构建这些能力，因为他们不是软件工程团队。他们用在各行业间轮换的通才顾问来配备项目，而不是懂图注意力网络和近端策略优化的工程师。
我们的合作在 8 周内、而非 8 个月内就开始产出影子模式数据。你会看到来自你近期实际中断的对比恢复方案。如果我们的建议本可以改善结果，你会在第一个冬季内就知道。从评估到影子验证的总合作费用为 40 万至 80 万美元，取决于机队规模和数据复杂性。
在整个合作过程中，你现有的系统始终是运营层面的权威记录系统。我们的恢复引擎是咨询性的，而非自主的。它生成排序后的恢复选项，由你的调度员评估和批准。如果我们的系统离线，你的运营不会有任何改变，因为你的调度员本就是通过现有工具做出决策的。
系统绝不会自行执行机组互换、取消或调机分配。每一项建议都要经过约束引擎（它保证监管和 CBA 合规），再经过一名人工调度员决定是否据此行动。
这是有意为之的。航空公司不应将运营权交给一个未经检验的系统。信任是通过数月的影子模式验证赢得的，在此期间系统证明它能持续生成优于当前流程的恢复方案。即使在验证之后，我们仍建议分级信任：仅对低风险、高频率的决策（如已确认座位的调机部署）实现自动执行，而复杂的多航站恢复情景仍需人工批准。
点对点航空公司正是这套系统价值最大的地方，恰恰因为它们对连锁中断最为脆弱。在枢纽辐射式网络中，可以通过隔离受影响的枢纽来遏制中断。机组和飞机频繁返回枢纽，形成天然的恢复点。像达美这样的航空公司可以隔离亚特兰大的地面停飞，并让航网其余部分继续运转，因为枢纽结构提供了内建的冗余。
像西南、精神或边疆这样的点对点航空公司不具备这种结构性优势。一架飞机从巴尔的摩飞往丹佛、再到圣迭戈、再到凤凰城、再到萨克拉门托。任何一个航站的中断都会沿整条链路向下传播。本应执飞圣迭戈至凤凰城航段的机组被困在丹佛。他们本应在圣迭戈会合的飞机则被滞留。依赖图的直径要大得多，任何单一中断的爆炸半径都无法遏制。
我们的网络脆弱性分析正是为这种拓扑而专门设计的。我们绘制你航线网络中的每一条依赖链，识别中断会造成最大下游损害的航站，并为最可能的失效情景预先计算恢复策略。当丹佛关闭时，系统已经知道该重新部署哪些机组、该主动取消哪些航班，从而将中断遏制在本地，而不是让它向全网传播。
DOT 自动退款规则于 2024 年 10 月 28 日生效，从根本上改变了连锁中断的经济账。在该规则出台之前，航空公司可以提供旅行代金券或改签作为延误和取消的默认补救。多数旅客接受了代金券，航空公司则保留了收入。
如今，任何超过 3 小时的国内延误或超过 6 小时的国际延误，都会触发以原支付方式、在 7 个工作日内进行的强制性自动退款。航空公司不能要求旅客主动提出请求。
对于一家每日运营 200-400 个航班的中型航空公司，一次使 50 个航班延误 3 小时以上的连锁中断，如今意味着即时的现金流出，而非递延的负债。如果这些航班的平均票价为 280 美元、每航班 150 名旅客，仅一个糟糕的 IROPS 日就可能触发 210 万美元的强制退款，这还不包括机组加班费、酒店成本和调机重新部署。在该规则之前，这些旅客中也许只有 15-20% 会去申请退款。如今 100% 都是自动的。这使得每加快一小时的 IROPS 恢复，都能在避免的退款敞口中直接衡量出来。一个能把 6 小时全网崩溃遏制为 2 小时区域性中断的系统，其商业论证已不再是纸上谈兵。
支撑本解决方案页面的技术基础，以交互式白皮书形式提供。
计算的必然性：基于图强化学习的反脆弱物流
对西南航空 SkySolver 失败的取证分析、列生成在连锁中断下的局限性，以及采用神经符号约束执行的、基于图强化学习（GRL）的机组恢复技术架构。
冬季风暴季节将在 10 个月后开始。影子模式需要 8 周才能部署。
对于一家中型航空公司，单个严重的 IROPS 日如今在取消、机组重新部署和 DOT 强制退款上的成本为 200 万至 500 万美元。评估阶段会识别出你的具体敞口，并对照你实际的历史中断证明恢复引擎的价值。