基于BP網絡的空中交通管制運行品質評價

基金項目： 國家科技支撐計劃項目（2011BAH24B06）；國家軟科學計劃項目（2010GXS1B105）；民航科技項目（MHRDZ200815）

作者簡介： 張建平（1976-），男，高級工程師，博士研究生，研究方向為空中交通管理，電話：13808097935，E-mail：jpzhang0311@hotmail.com

文章編號： 0258-2724（2013）03-0553-06DOI： 10.3969/j.issn.0258-2724.2013.03.025

摘要：

為改善空中交通管制運行品質綜合評價方法，建立了包括空中交通流密度、運行安全性能、運行效率性能及管制員工作負荷的通用評價指標體系；基于BP（back propagation）網絡模型給出了運行品質分類評價的人工智能方法.針對成都終端管制區域平行雙跑道隔離運行模式，采集60個典型樣本進行網絡訓練測試，確立了拓撲結構為12-7-5型的BP網絡模型，并應用于對40個檢驗樣本的分類評價.經與主成分分析法比對，2種綜合評價方法所得出的評價結果基本一致.

關鍵詞：

BP網絡；空中交通管制；運行品質；綜合評價；主成分分析法

中圖分類號： V355文獻標志碼： A

空中交通管制運行品質涵蓋空中交通流密度、運行安全性能、運行效率性能及管制員工作負荷等多個方面[1-2].對管制運行品質做出科學評價，是確定管制運行優化策略、改善管制運行狀況的前提.相關研究成果包括：文獻[3-5]研究了空中交通流密度問題，提出了用于判別空中交通擁擠程度的指標及分析計算方法；文獻[6-8]基于威脅差錯管理（threat and error management，TEM），給出了管制運行安全性能的評價方法；文獻[9-10]通過研究航班延誤問題，對管制運行效率性能進行了評價；文獻[11-13]

針對管制員工作負荷評估，對管制員生理及心理狀況測量、人與機器系統環境之間相互作用等方面進行了研究，并應用于管制扇區容量評估.目前，研究主要針對單一管制運行品質問題，由于不同運行品質問題間相互影響、相互作用，需要對諸多運行品質因素開展綜合評價，才能系統地改善管制運行狀況.鑒于評價因素眾多且存在此消彼漲的關系，依靠人工評定方式往往因專家意見相左而無法形成評價結論；文獻[1-2]研究了定量的綜合評價方法，針對單跑道終端區建立了管制運行品質評價指標體系，并基于主成分分析法對原始指標進行降維處理，實現綜合評價.

然而，主成分分析法是一種簡化數據集技術，它是將原始指標重新組合成一組新的互相無關的幾個綜合指標，同時根據實際需要從中取出幾個較少的綜合指標進行分析，因此會產生原始指標信息的丟失，影響評價結果的準確性；此外，應用主成分分析法盡管可得出樣本綜合評價分值，但無法實現對樣本的分類歸納.實際中，基于全信息的評價方法是優選的評價方法，而就評價效果而言，樣本分類結果較樣本評分結果更加簡潔直觀.為改善上述問題，本文建立了通用的管制運行品質評價指標體系，通過設計BP（back propagation）網絡，針對全部原始指標信息建立輸入-輸出映射關系，以人工智能方式給出管制運行品質分類評價方法.經實例驗證，新方法彌補了主成分分析法的缺陷，更為優化.

1

評價策略及方法

1.1

管制運行品質評價指標體系

管制運行品質評價指標尚無行業規范，為定量開展綜合評價，基于文獻[1]歸納得出了具有通用性的評價指標體系，如表1所示.近年來，空管領域相關雷達綜合航跡處理技術、飛行計劃處理技術、管制席位語音通話數據采集技術、數據集成共享技術都發展得比較成熟，這使得表1各項指標數據的采集具備技術和工程方面的可行性.

1.2

BP網絡原理

作為人工神經網絡模型的代表，BP網絡能學習和存儲大量的輸入-輸出模式映射關系，無需事前揭示描述這種映射關系的數學方程，具有突出的大規模并行處理、信息分布存儲及自學習功能，已廣泛應用于函數逼近、模式識別、分類及數據壓縮問題[14].BP網絡的拓撲結構包括輸入層（input layer）、隱含層（hide layer）和輸出層（output layer），學習算法由信息正向傳播和誤差反向傳播兩個過程組成.對于一個信息正向傳播過程，輸入層各節點負責接收來自外界的輸入信息，并傳遞給隱含層各節點；隱含層負責信息變換，根據信息變化能力需求可以設計為單層或多層；最后一個隱含層傳遞到輸出層各節點的信息，經進一步處理后由輸出層向外界輸出.當實際輸出與期望輸出不符時，進入誤差反向傳播階段.誤差通過輸出層，基于誤差梯度下降的方式修正各層權值和閾值，向隱含層、輸入層逐層反傳.周而復始的信息正向傳播和誤差反向傳播過程，是各層權值和閾值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到可以接受的程度為止[15].

1.3

策略及方法

1.3.1

網絡設計

理論證明，具有偏差和一個無限隱含層節點的3層BP網絡可以實現任意從輸入到輸出的非線性映射；誤差精度的提高可以通過增加隱含層中節點數目獲得，其訓練效果比增加隱含層層數更容易觀察和調整[16].因此，建立含有一個隱含層的3層BP網絡，其設計的關鍵是隱含層節點數目的確定.

（1） 輸入層節點數J：對于評價對象，J取評價指標個數.

（2） 輸出層節點數M：將評價結果以分類形式表示，M取所劃分的類別數目.

（3） 隱含層節點數Q：取值范圍由式（1）所示的經驗公式確定.在BP網絡中，隱含層節點數的選擇對誤差精度影響很大：節點數太少，網絡不能很好地學習；節點數太多，網絡容易過擬合，影響泛化能力.

1.3.2

樣本集建立

采集足量樣本，每一樣本對應某管制運行時段的J項評價指標的原始數據.調取樣本對應管制運行時段的錄音錄像，組織資深管制專家以聽錄音、看錄像的方式，分析所復現的管制情境，參照樣本指標數據，并根據經驗對樣本進行分類評價（劃分為M類），同時，采用文獻[1]給出的主成分分析法計算各樣本的綜合評價分值.對于某樣本，如專家形成了較為一致的分類意見，且與其主成分分析法得到的評價分值水平相符，則確定該意見為樣本的分類評價結果，定義該樣本為典型樣本；如專家分類意見差異較大，則定義該樣本為非典型樣本.選取適量典型樣本分別建立訓練樣本集和測試樣本集，2個樣本集均要求由M類樣本組成，且各類樣本數目相等.選取適量非典型樣本建立檢驗樣本集.

1.3.3

網絡訓練及測試

（3） 采取與訓練樣本集相同的方式，對測試樣本集進行樣本原始數據歸一化預處理，并確定樣本的輸出層期望值向量.再針對每個可能的隱含層節點數，將測試樣本的歸一化數據輸入訓練好的網絡，輸出仿真評價結果.參照式（5），將測試誤差定義為輸出層期望值向量與仿真評價結果間的均方誤差批處理結果.對不同的隱含層節點數，訓練誤差小的表明收斂精度高，測試誤差小的表明泛化能力好.通過測試，選取訓練誤差及測試誤差均較小時的網絡訓練結果，此時對應的隱含層節點數及訓練得到的各層權值和閾值，即為BP網絡建模結果.

1.3.4

模型檢驗

檢驗樣本集由非典型樣本組成，這類樣本的專家分類評價意見存在較大分歧，將根據式（2）歸一化的檢驗樣本數據輸入所建立的BP網絡模型，輸出仿真評價結果，實現樣本分類評價.調取檢驗樣本在1.3.2中采用主成分分析法得到的綜合評價分值，比對2種方法的評價結果，檢驗BP網絡建模的有效性.

2

實例分析

成都終端管制區域以雙流國際機場為中心，主用平行雙跑道隔離運行模式（跑道02L擔負航班起飛任務，跑道02R擔負航班著陸任務），常設2個管制扇區（南扇和北扇），繁忙程度居于國內前列.以此作為研究對象開展實例分析，具有典型性.

2.1

評價指標及樣本集

根據表1，針對成都終端管制區域平行雙跑道隔離運行模式，確立12個運行品質評價指標：

以北京時整點小時片段為時長，采集2012年2月27日至3月6日的樣本原始數據，表2為實例的某樣本原始數據.組織5名資深管制專家分別對樣本進行了分類評價，樣本所反映的管制運行品質水平分為“優、良、好、中、差”5類；同時，應用主成分分析法對樣本進行綜合評價，將12個原始指標重組為7個綜合指標（主成分），降維處理后保留了88.05%的原始指標信息，計算出各樣本的綜合評價分值，分值高的樣本表示運行品質水平高[1].樣本中，如有4名（含）以上專家意見一致，且該意見符合采用主成分分析法得到的綜合評價分值水平，則確定為典型樣本.從典型樣本中，選取50個建立訓練樣本集，每種類別各10個樣本；選取10個建立測試樣本集，每種類別各2個樣本.檢驗樣本集由40個非典型樣本組成.

2.2

BP網絡建模

應用MATLAB神經網絡工具箱實現BP網絡的設計、訓練及測試.網絡輸入層節點數J=12；根據樣本分類定義的期望值向量如表3所示，設定輸出層節點數M=5；根據式（1）確定隱含層節點數Q的取值范圍為[5，14].調用工具箱中traingdx函數（對應附加動量因子自適應學習速率梯度下降算法），實現網絡訓練.附加動量因子設為0.9，學習速率初始值設為0.05，訓練誤差收斂精度目標為10-3，訓練步長為20 000次.針對可能的隱含層節點數，訓練及測試結果如表4所示.

2.3

檢驗分析

應用所確立的BP網絡對40個檢驗樣本進行仿真評價，計算各樣本類別對應期望值向量與輸出向量間的均方誤差，取誤差最小時對應的樣本類別為樣本分類結果.調取檢驗樣本的主成分分析法綜合評價分值，與基于BP網絡得到的樣本分類結果進行比對，結果如表5所示.由表5可知，在40個樣本中有37個樣本應用2種方法的評價結果一致，僅第17、18、27號樣本的評價結果不一致，證明所建BP網絡用于管制運行品質綜合評價有效.

3

結論

針對空中交通管制運行品質的綜合評價問題，以某終端區為例，提出了基于BP網絡模型的評價方法，彌補了主成分分析法的缺陷，改善了評價方法.結論如下：

（1） 基于文獻[1]給出的單跑道終端區評價指標體系，歸納得出了適用于各類管制系統的評價指標體系，包含空中交通流密度、運行安全性能、運行效率性能及管制員工作負荷等4個方面的指標.進而針對某終端管制區域平行雙跑道隔離運行模式，設計了容納12個評價指標，5種樣本類別的3層BP網絡，給出了管制運行品質分類評價方法.通過選取60個典型樣本進行網絡訓練測試，確立了拓撲結構為12-7-5型的BP網絡模型.經采用40個檢驗樣本進行比對驗證，由該網絡模型得到的分類評價結果與由主成分分析法得到的綜合評分基本一致，證明新方法有效.

（2） 主成分分析法和BP網絡評價方法均是實現管制運行品質綜合評價的有效途徑，但各有利弊.主成分分析法屬于多元統計分析，通過計算樣本的評價分值實現綜合評價，但因降維處理會丟失部分原始指標信息，導致評價結果準確性欠缺，此外它不具備分類歸納能力.BP網絡評價方法針對全部原始指標信息建立輸入-輸出映射關系，以人工智能方式實現基于全信息的樣本分類評價，但由于網絡的訓練測試源于典型樣本，所建網絡的泛化能力有待提高.鑒于實際中優選基于全信息評價，且樣本分類結果較樣本評分結果更加簡潔直觀，評價效果更好，因此BP網絡評價方法相對更優.

參考文獻：

[1]張建平，胡明華，劉衛東. 終端區空中交通管制運行品質綜合評價[J]. 西南交通大學學報，2012，47（2）： 341-347.

ZHANG Jianping， HU Minghua， LIU Weidong. Integrated evaluation for operation performance of air traffic control in terminal area[J]. Journal of Southwest Jiaotong University， 2012， 47（2）： 341-347.

[2]張建平，魚海洋，鄒國良. 終端區空中交通管制運行品質評價因子研究[J]. 中國民航大學學報，2012，30（3）： 18-21.

ZHANG Jianping， YU Haiyang， ZOU Guoliang. Research on evaluation factors for operation performance of air traffic control in terminal area[J]. Journal of Civil Aviation University of China， 2012， 30（3）： 18-21.

[3]岳仁田，趙嶷飛，羅云. 空中交通擁擠判別指標的建立與應用[J]. 中國民航大學學報，2008，26（3）： 30-35.

YUE Rentian， ZHAO Yifei， LUO Yun. Construction and application of congestion discrimination index for air traffic[J]. Journal of Civil Aviation University of China， 2008， 26（3）： 30-35.

[4]張進，胡明華，張晨. 空中交通管理中的復雜性研究[J]. 航空學報，2009，30（11）： 2132-2142.

ZHANG Jin， HU Minghua， ZHANG Chen. Complexity research in air traffic management[J]. Acta Aeronautica Et Astronautica Sinica， 2009， 30（11）： 2132-2142.

[5]張進，胡明華，張晨. 交叉航路空域的時隙可用性評估方法[J]. 西南交通大學學報，2010，45（6）： 958-964.

ZHANG Jin， HU Minghua， ZHANG Chen. Evaluation method for time-slot availability of crossing air route[J]. Journal of Southwest Jiaotong University， 2010， 45（6）： 958-964.

[6]ICAO. Doc9859-AN/474（2nd Edition）-2009 Safety management manual （SMM）[S]. Montreal： ICAO， 2009.

[7]ICAO. Doc9910 （1st Edition）-2008 Normal operations safety survey[S]. Montreal： ICAO， 2008.

[8]ICAO. Cir314-AN/178-2008 Threat and error management （TEM） in air traffic control[S]. Montreal： ICAO， 2008.

[9]趙嶷飛，張亮. 航班延誤統計指標體系及延誤等級評估研究[J]. 交通運輸工程與信息學報，2009，7（2）： 9-15.

ZHAO Yifei， ZHANG Liang. Research on the flight delay statistical index system and rating assessment[J]. Journal of Transportation Engineering and Information， 2009， 7（2）： 9-15.

[10]張靜，徐肖豪，王飛，等. 基于模糊線性回歸模型的機場延誤性能評估[J]. 交通運輸工程學報，2010，10（4）： 109-114.

ZHANG Jing， XU Xiaohao， WANG Fei， et al. Airport delay performance evaluation based on fuzzy linear regression model[J]. Journal of Traffic and Transportation Engineering， 2010， 10（4）： 109-114.

[11]張明，韓松臣. 基于可拓學的管制員工作負荷綜合評價[J]. 南京航空航天大學學報，2008，40（6）： 840-844.

ZHANG Ming， HAN Songchen. Integrated evaluation of controller workload based on extenics[J]. Journal of Nanjing University of Aeronautics Astronautics， 2008， 40（6）： 840-844.

[12]COLLET C， AVERTY P， DITTMAR A. Autonomic nervous system and subjective ratings of strain in air-traffic control[J]. Applied Ergonomics， 2009， 40（1）： 23-32.

[13]ICAO. Doc9426-AN/924（1st Edition）-1984 Air traffic service planning manual[S]. Montreal： ICAO， 1984.

[14]聞新，周露，王丹力，等. MATLAB神經網絡應用設計[M]. 北京：科學出版社，2000： 207-243.

[15]何長虹，黃全義，申世飛，等. 基于BP神經網絡的森林可燃物負荷量估測[J]. 清華大學學報：自然科學版，2011，51（2）： 230-233.

HE Changhong， HUANG Quanyi， SHEN Shifei， et al. Forest fuel loading estimates based on a back propagation neutral network[J]. Journal of Tsinghua University： Science and Technology， 2011， 51（2）： 230-233.

[16]柳忠起，袁修干，樊瑜波. 基于BP神經網絡的飛行績效評價模型[J]. 北京航空航天大學學報，2010，36（4）： 403-406.

LIU Zhongqi， YUAN Xiugan， FAN Yubo. Pilot performance evaluation model based on BP neural networks[J]. Journal of Beijing University of Aeronau-tics and Astronautics， 2010， 36（4）： 403-406.

[17]蘇高利，鄧芳萍. 論基于MATLAB語言的BP神經網絡的改進算法[J]. 科技通報，2003，19（2）： 130-135.

SU Gaoli， DENG Fangping. On the improving backpropagation algorithms of the neural networks based on MATLAB language： a review[J]. Bulletin of Science and Technology， 2003， 19（2）： 130-135.