基于大數據的空中交通管制運行安全預警研究

姚光明，曹悅琪

(1.中國民用航空華東地區空中交通管理局 安全管理部，上海 200335)(2.中國民航大學 空中交通管理學院，天津 300300)

?

基于大數據的空中交通管制運行安全預警研究

姚光明1，曹悅琪2

(1.中國民用航空華東地區空中交通管理局 安全管理部，上海 200335)(2.中國民航大學 空中交通管理學院，天津 300300)

空中交通管制的任務是確保航空器的安全飛行，為了保證飛行安全，需要進行空中交通管制系統運行安全評估及預警的研究。借鑒大數據理論建立空中交通管制大數據概念，從影響空中交通管制系統運行的主要風險因素出發，建立空中交通管制安全運行的狀態向量空間，利用主成分分析法去除基礎向量線性相關性，再利用聚類分析過程建立空中交通管制運行安全預警知識庫，實現空中交通管制運行安全評估和及時預警。結果表明：所用的預警分類分析方法能夠很好地實現預警分類和安全評估，為管制部門的相關決策提供理論依據。

空中交通管制；大數據；安全評估；預警；風險因素

0 引 言

空中交通管制系統是保障民航運行安全的主力軍，空中交通管制運行安全在確保民航安全方面至關重要。空中交通管制運行安全預警研究一直以來都是民航安全的研究熱點，國內外學者從不同方面分析了安全預警的實施方法并進行了安全評估。

在國外，M.Hicks等[1]從管理手段出發強化人員安全意識，利用新的情景視覺輔助系統幫助預警系統更好地實現其功能。A.Zolghadri等[2]著重于飛行系統改進，運用數學模型和新技術識別系統故障，并以此為依據設計了一套安全預警系統。W.K.Lee[3]評估了航空安全的影響要素及其重要程度、危險相關性及可預測性。G.D.Edkins[4]則從人為因素出發通過優化政策執行、員工風險意識及文化建設方面識別風險源。Y.H.Chang等[5]通過研究美國四家航空公司的相對安全水平，采用一種模糊的多屬性決策制定方法，提出了評估航空公司安全的數量指標。S.Ternov等[6]構建了基于事故的程序模型，把擾亂作用障礙分析法引入空中交通管制風險分析,利用DEB方法分析如何在一個復雜的系統中識別空中交通管制的風險。J.J.H.Lioua等[7]利用聯邦航空局(FAA)贊助的項目，使用神經網絡和專家系統技術為航空安全監察開發了一種先進的決策支持系統,目的是提取更加精煉的預警指標,用來識別航空器風險。此外FAA和Eurocontrol(歐洲航行安全組織)也從政策法規入手針對安全預警提出了一些建設性意見[8]。

在國內,安全預警研究正處于起步階段且僅限于理論研究，對于組織框架及系統研發有待加強。閆友劼[9]通過對空中交通管制安全影響因素進行模糊綜合評價，建立了安全預警模型。汪緒普[10]、李柯等[11]則針對空中交通管制信息化建設，從系統上建立了一套安全預警系統構架。楊智[12]從空中交通管制決策模式出發，從漏警虛警防范的層面定義預警決策的內涵，對預警決策模式運行中需要重點關注的決策對象進行了分析，從而提高風險決策水平。

上述研究在分析安全預警問題時，均未從運行數據入手。現如今，各行各業尤其是物流運輸領域在大數據方面取得了較大進展。大數據理論在適應數據增長的同時在流程優化、預警分析等方面具有較大優勢，適合應用于空中交通管制運行安全預警研究。

本文將大數據理論運用于空中交通管制運行安全預警，從數據源入手對運行安全的主要影響因素進行分類識別，建立安全評估模型。基于空中交通管制運行模式，建立空中交通管制安全運行預警知識庫，利用主成分分析法分析運行狀態基礎向量；最后對空中交通管制安全運行預警知識進行聚類分析，得到預警分類。

1 空中交通管制大數據

大數據可以簡單的理解為“巨量數據”，但又不僅僅是指數據的量級，而是指資料規模巨大，以至于在合理時間內無法運用常規工具提取、管理、處理，使之成為實現管理目標的有用信息。IBM提出了大數據具有5V特征，即大量(Volume)、高速(Velocity)、多樣(Variety)、價值(Value)、真實性(Veracity)。空中交通管制系統在空中交通活動的各階段涉及多種數據，這些數據具有規模大、種類多、時效性強、價值高、對真實性要求高等大數據特征，故可以稱之為空中交通管制大數據。

空中交通管制大數據及其相關技術的應用具有如下優點：①空中交通管制大數據可以優化空中交通管制操作流程；②空中交通管制大數據涉及到的數據庫理論可以給數據處理提供相關支持；③空中交通管制大數據還可以用于安全與風險管理，不僅可以立足于一線操作、運行控制等空中交通管制運行的各個環節，在以數據為驅動的風險管理下還具有超前安全預警價值。

2 影響空中交通管制運行安全的主要因素

空中交通管制部門對航空器安全運行具有重要作用，所有有關航空器運行的數據信息都需要通過管制部門從而影響指揮航空器決策。本文從航空器運行安全角度來評估空中交通管制運行安全的風險。

從管理角度來說，航空器運行安全的主要影響因素如圖1所示，包括人、航空器、環境、管制四個方面。但是從運行數據產生的來源來說，主要分為管制、通導、氣象和情報四個方面。

圖1 航空器運行安全影響因素

在空中交通管理過程所涉及的管制、通導、氣象及情報部門的空中交通管制運行數據體量巨大、結構復雜，對運行數據的知識進行管理十分必要。結合歷史運行數據記錄，對安全裕度較低、需要管制員重點注意的運行狀態數據進行整合，建立一個通用的空中交通管制安全預警知識庫。通過將實時空中交通管制運行數據與知識庫中的數據對比匹配，可以實現快速、準確的空中交通管制運行安全預警。

3 空中交通管制安全運行預警知識庫的建立

主要思路：根據管制、通導、氣象及情報四個空中交通管制安全運行影響要素，運用空中交通管制運行數據建立空中交通管制運行狀態描述向量空間，并利用主成分分析去除各基礎向量的相關性，達到降維的目的，以實現對空中交通管制運行狀態綜合化的體現。經過Q型系統聚類、K均值快速聚類兩次聚類分析過程，建立空中交通管制安全運行預警知識庫。根據庫中不同類別預警因素反映出的運行風險嚴重程度制定相應的預警等級，通過實時空中交通管制運行數據與之進行對比匹配，實現空中交通管制運行安全評估和及時預警。

3.1 空中交通管制運行狀態的描述

管制、通導、氣象及情報是空中交通管制安全運行的影響要素，也是空中交通管制運行數據的主要來源。基于各要素相關運行的特征變量，建立能夠體現空中交通管制運行狀態的描述向量空間S。

各影響要素的運行特征變量如下。

(1) 各影響要素的靜態運行數據變量包括管制、通導、氣象及情報部門的基本信息、空中交通管制人員信息、設備設施配備信息、空域信息等各類空中交通管制靜態數據。

(2) 各影響要素的動態運行數據變量包括：

①來源于各個自動化系統的通信、導航、監視信息數據；

②進行空中交通管制業務操作時產生的數據，例如管制指令、進程單記錄、屏幕操作記錄、設備操作記錄、設備運行記錄等；

③班組安排、值班日志、考核記錄等空中交通管制運行管理數據；

④空中交通管制運行環境數據，例如航路航線數據、扇區開放劃分情況數據、氣象數據、地理信息系統數據、軍航活動情況數據等。

設空中交通管制安全運行影響要素：管制、通導、氣象及情報四個綜合基向量分別為C、N、M、I，根據管制運行過程確定各影響要素的運行特征變量作為基礎向量：(w1,w2,…,wp1)，(x1,x2,…,xp2)，(y1,y2,…,yp3)，(z1,z2,…,zp4) 。

以上數據變量既有連續型變量，又有離散型變量，同時某些數據變量之間可能存在相關性，因此在構建描述向量空間S的基向量之前，需要對數據變量進行主成分分析消除變量之間的相關性，達到降維的目的，便于后續評估模型的計算。

3.2 空中交通管制運行狀態基礎向量的主成分分析

以管制綜合基向量的基礎向量為例介紹主成分分析方法。主成分分析是將原來數據p1個變量作線性組合，提取出P1個綜合變量(F1,F2,…,FP1)。其中，F1是包含原始數據信息量最多的變量，即原始數據變量所有線性組合中使var(F1)最大的組合對應的變量，稱為第一主成分；F2是第二主成分，其包含的信息量僅次于F1，同時cov(F1,F2)=0且var(F2)較大；其余綜合變量依此類推，可知F1,F2,…,FP1的方差依次減小且互不相關。各綜合指標可以根據原始數據變量在線性組合中所占權重確定其含義。通常選取總貢獻率較大的前幾個主成分作為原始數據變量的主成分分析結果，從而達到降維的目的。

以管制綜合基向量的基礎向量為例，空中交通管制運行狀態基礎向量的主成分分析過程如下。

(1) 原始數據的標準化

設有n組觀測樣本，則原始數據樣本矩陣為

(1)

在進行主成分分析之前需要對原始數據進行標準化，消除不同變量量綱的影響。本文采用z-score標準化方法，該方法基于原始數據的均值和標準差，變換公式為

(2)

根據式(2)對原始數據樣本矩陣的元素進行標準化，得到標準化數據樣本矩陣：

(3)

為了便于說明，仍將標準化后的數據樣本矩陣標記為W。

(2) 變量之間的相關性判定

主成分分析方法的實質是揭示各原始變量之間的內部關系，因此需要求解樣本數據的相關系數矩陣，對變量之間的相關性進行分析。

(4)

(3) 變量的特征值及特征向量

由式(4)求得管制綜合基向量的基礎向量的相關系數矩陣，通過特征方程：

|R-λI|=0

(5)

求解可得到p1個特征值λ1≥λ2≥…≥λp1及每一個特征值對應的特征向量aj=(aj1,aj2,…,ajp1)，j=1,2,…,p1。特征向量矩陣為

(6)

(4) 原始變量的線性組合變換

由式(6)及式(3)可得綜合變量F=AW，即

(7)

通過數學推導可知var(Fj)=λj。

(5) 選取主成分

由于綜合變量的方差是遞減的，因此通常會根據綜合變量的方差占總方差比重的大小來選取累計方差比重較大的前P1個綜合變量作為主成分。其中，各綜合變量方差占總方差比重的大小被定義為

(8)

式中：ηj為貢獻率。貢獻率越大，表明該綜合變量包含的原始變量信息越多，一般會選取累計貢獻率達到85%及以上水平的綜合變量作為主成分，保證降維的同時盡可能保留完整的原始變量數據信息。有時也會根據研究問題的不同對累計貢獻率標準進行適當調整。

經過主成分分析后，空中交通管制安全運行影響要素綜合基向量可分別由基礎向量主成分化后P1、P2、P3、P4個綜合向量表示，從而得到空中交通管制運行狀態的描述向量Si，如圖2所示。

圖2 空中交通管制運行狀態基礎向量的主成分分析

相比于各影響要素原始的基礎向量，綜合向量所代表的指標彼此互不相關且含義明確，更能綜合體現空中交通管制安全運行影響要素中需要管制員注意的安全預警因素。

3.3 空中交通管制安全運行預警知識的聚類

由于不明確空中交通管制運行狀態觀測樣本分為幾類預警知識，可先采用系統聚類方法。根據系統聚類過程樹狀圖或合并步數/類別距離曲線初步確定分類類別數量，然后再采用K均值快速聚類，得到預警因素特征更為明確的預警知識分類。

(1) 空中交通管制安全運行狀態觀測樣本的初步分類——系統聚類分析

對空中交通管制運行狀態數據的分類是樣本分類，屬于Q型系統聚類，應用統計軟件SPSS能夠方便快捷地實現這一分析過程。

空中交通管制運行狀態觀測樣本的Q型系統聚類過程如圖3所示。首先將每個空中交通管制運行狀態觀測數據樣本分別作為一類，接著逐一合并距離最近的類，直到將所有的樣本歸為一類即結束聚類。需要通過系統聚類過程樹狀圖或合并步數/類別距離曲線上的距離系數突增拐點確定樣本的分類數量m。

圖3 空中交通管制安全運行預警知識Q型

(2) 空中交通管制運行狀態觀測樣本的最終分類——K均值聚類分析

系統聚類分析初步確定了空中交通管制運行狀態觀測樣本的分類數量，再利用K均值聚類進一步分析以獲得預警特征更為明確的分類結果，分析過程如圖4所示。

圖4 空中交通管制安全運行預警知識K均值過程

K均值聚類最終得到的各聚類中心代表相應類別中成員的統計信息，即不同類別中空中交通管制安全運行預警因素特征。對這些分類信息進行整合，從而得到空中交通管制安全運行預警知識庫。根據各個類別中預警因素反映出的運行風險嚴重程度可以制定相應的預警等級。通過與實時空中交通管制運行數據進行對比匹配，實現空中交通管制運行安全評估和及時預警。

4 算例分析

以某空中交通管制單位2015年6月～10月共153組管制、通導、氣象及情報運行記錄數據為資源，首先利用主成分分析構建空中交通管制運行狀態描述向量空間，主成分提取結果如表1所示，共提取出9個主成分，累計貢獻率為84.277%，保留了原有數據的大部分信息。

表1 空中交通管制運行狀態基礎向量的主成分分析

在所提取的主成分中，成分1及成分2分別代表空中交通管制安全運行氣象影響要素。成分1是氣象要素對航路飛行階段空中交通管制運行安全的影響，簡記為航路氣象因素；成分2是氣象要素對機場范圍內空中交通管制運行安全的影響，簡記為機場氣象因素。成分3及成分8代表空中交通管制安全運行通導預警要素，成分3側重航路飛行階段，簡記為航路通導因素，成分8側重機場范圍內，簡記為機場通導因素。成分4代表空中交通管制安全運行機場管制影響因素，簡記為機場管制影響因素；成分5代表空中交通管制安全運行管制預警因素中的管制業務量，其通過影響管制負荷從而對空中交通管制的運行安全造成影響，簡記為管制負荷因素；成分6代表跑道容量對管制安全運行的限制，簡記為跑道容量因素；成分7代表空中交通管制安全運行情報預警要素中航路飛行階段的情報影響因素，簡記為航路情報因素；成分9代表起飛前情報要素對飛行安全的影響，簡記為起飛前情報因素。

通過Q型系統聚類得到空中交通管制安全運行狀態觀測樣本的初步分類數量，系統聚類過程如圖5所示。

圖5 系統聚類過程——合并步數/類別距離曲線

從圖5可以看出：類別之間的距離在聚類進行到第141步時發生較大增長，即在第141步處是曲線的拐點，此時所有空中交通管制運行狀態觀測樣本被分為12類。再進行K均值聚類，設定目標聚類數量為12，最終聚類中心統計信息如表2所示。

由于在進行聚類分析前，已經對各空中交通管制運行狀態描述向量的基礎向量進行了主成分分析，因此聚類時的數據是標準化后的數據。最終聚類中心不再代表直接由原始空中交通管制運行數據的平均值構成的聚類中心的信息，而是表示該類別與每一空中交通管制安全運行影響要素所包含的風險因素之間的關系。

表2 空中交通管制運行狀態描述向量K均值聚類最終聚類中心

以類別1為例，在該類別中成分4即機場管制因素，是該類別空中交通管制安全運行的重要影響因素，成分7(航路情報因素)、成分1(航路氣象因素)次之；而成分2(機場氣象因素)、成分6(跑道容量因素)相比該類別中其他因素對空中交通管制的安全運行影響程度較小，因此當發生該類別對應的預警時，管制部門需要注意機場管制、航路情報及航路氣象方面的空中交通管制安全運行風險因素。

根據K均值聚類結果，建立空中交通管制安全運行預警知識庫，并根據各類別運行狀態特征反映出的風險嚴重程度制定相應的預警等級。將2015年11月1日～2015年11月2日共48小時的空中交通管制實時運行數據與預警知識庫中的預警等級相匹配，根據風險嚴重程度由低到高，制定了十級至一級預警等級。分析結果得到結論：2015年11月1日～2015年11月2日，空中交通管制運行大部分處于安全或風險較低的階段，但當管制業務量較大，管制負荷較重，或者遭遇惡劣天氣時，空中交通管制運行的安全性降低，風險增加，預警等級出現較高水平。由于每一預先等級都對應各自相應的空中交通管制安全運行影響要素的低裕度風險因素，因此管制部門可根據相應的預警等級確定管制、通導、氣象、情報在預警發生時需要及時采取措施的運行狀態。

5 結 論

本文基于空中交通管制大數據，對考慮管制、通導、氣象及情報數據的空中交通管制運行安全評估和預警進行了探索研究。通過實時空中交通管制運行數據與之進行對比匹配，實現空中交通管制運行安全評估和及時預警。所應用的預警分類分析方法能夠很好的實現預警分類和安全評估，為管制部門的相關決策提供理論依據。

然而較多的設定預警等級會導致可操作性不強，在以后的研究中需要加強對預警分類方面的研究，增強它的可行性。

[1] Hicks M, Brito de G. Civil aircraft warning systems: who’s calling the shots?[J]. Air & Space Europe, 1999, 1(1): 45-47.

[2] Zolghadri A, Cazaurang F. Adaptive nonlinear state-space modelling for the prediction of daily mean PM 10 concentrations[J]. Environmental Modelling & Software, 2006, 21(6): 885-894.

[3] Lee W K. Risk assessment modeling in aviation safety management[J]. Journal of Air Transport Management, 2006, 12(5): 267-273.

[4] Edkins G D. The INDICATE safety program: evaluation of a method to proactively improve airline safety performance[J]. Safety Science, 1998, 30(3): 275-295.

[5] Chang Y H, Yeh C H. A new airline safety index[J]. Transportation Research Part B: Methodological, 2004, 38(4): 369-383.

[6] Ternov S, Akselsson R. A method, DEB analysis, for proactive risk analysis applied to air traffic control[J]. Safety Science, 2004, 42(7): 657-673.

[7] Lioua J J H, Tzengb G H, Changa H C. Airline safety measurement using a hybrid model[J]. Journal of Air Transport Management, 2007, 13(4): 243-249.

[8] David-Cooper R. Implementing safety management systems(SMS) in Canada: is flight safety on a collision course with the forced disclosure of SMS data?[J]. Issues in Aviation Law and Policy, 2015, 15(1): 77-112.

[9] 閆友劼. 空管安全影響因素的綜合分析及預警研究[D]. 廣州: 華南理工大學, 2013. Yan Youjie. Comprehensive analysis of air traffic control safety factors and warning research[D]. Guangzhou: South China University of Technology, 2013.(in Chinese)

[10] 汪緒普. 空管安全風險預警決策支持系統研究[D]. 武漢: 武漢理工大學, 2013. Wang Xupu. Safety risk warning decision support system[D]. Wuhan: Wuhan University of Technology, 2013.(in Chinese)

[11] 李柯, 張勝. 空中交通管理中心安全預警管理信息系統研究[J]. 武漢理工大學學報: 信息與管理工程版, 2007, 29(8): 106-109. Li Ke, Zhang Sheng. Air traffic control center on early warning management information system[J]. Journal of Wuhan University of Technology: Information & Management Engineering, 2007, 29 (8): 106-109.(in Chinese)

[12] 楊智. 空中交通管制安全風險預警決策模式及方法研究[D]. 武漢: 武漢理工大學, 2012. Yang Zhi. The study of air traffic control safety risk warning decision mode and method[D]. Wuhan: Wuhan University of Technology, 2012.(in Chinese)

(編輯：趙毓梅)

Research on ATC Operation Safety Warning Based on Big Data

Yao Guangming1, Cao Yueqi2

(1.Safety Management Department, East China Airtraffic Management Bureau of CAAC, Shanghai 200335, China)(2.College of Air Traffic Management, Civil Aviation University of China, Tianjin 300300, China)

The task of ATC is to ensure safety of the aircraft. It is necessary to run air traffic control system safety assessment and early warning to ensure flight safety. Starting from the main risk factors influencing running safety based on ATC big data concepts, the ATC operation state vector space is established. Using principal component analysis(PCA) to remove the basic vector linear correlation and using clustering analysis to establish the ATC safety warning knowledge base, the ATC safety assessment and early warning can be realized in time. Results show that the early warning classification analysis method can achieve good classification and safety assessment in the actual operation. This method can provide reference for control department daily decisions.

ATC; big data; safety assessment; warning; risk factors

2016-06-13；

2016-08-27

國家自然科學基金(71171190)

國家空管委基金(GKG201410001)

曹悅琪,1500703881@qq.com

1674-8190(2016)04-452-07

V328

A

10.16615/j.cnki.1674-8190.2016.04.009

姚光明(1968-)，男，博士，工程師。主要研究方向：空管運行安全。

曹悅琪(1990-)，女，碩士研究生。主要研究方向：空域規劃。