基于時態GIS的QAR大數據時空分析

孫華波，劉岳峰，陳 越，王 純，舒 平

(1.中國民航科學技術研究院航空安全研究所 北京市民航安全分析及預防工程技術中心，北京 100028；2.北京大學 遙感與地理信息系統研究所，北京 100871)

0 引 言

目前，在飛行品質監控(flight operational quality assurance，FOQA)中對于QAR(quick access recorder)數據[1]的管理和分析大多以不安全事件記錄為中心，主要基于不同機型或超限事件分類進行直觀統計。這些分析統計數據間相互獨立，缺乏對飛行品質監控信息深層次、全局性地挖掘與應用[2]。同時，已有的對飛行數據的分析方法多數是靜態的，沒有將不同時間段的飛行數據有效地聯結起來，缺少對歷史數據動態地統計顯示，以及對未來可能發生事件的估計和預警[3]。如果能夠通過對飛行數據進行時空建模分析，發現超限事件[4]發生的時空分布規律，就能一定程度上對超限事件的發展趨勢進行預測[5]，為飛行安全預警管理提供有效參考[6]。針對上面提出的問題，我們將時態GIS[7]的理論引入到FOQA中，構建了一套具有自主知識產權的基于時態GIS的飛行品質監控管理分析系統，可以實現海量QAR數據的管理、統計、時空分析與可視化查詢，自主研發的數據引擎和管理系統可以擺脫傳統數據庫的約束，具有速度快、可移植性強的優勢，該系統的構建為提升FOQA的行業研究水平提供了另一種研究思路。

1 系統構建

基于時態GIS的飛行品質監控管理分析系統包括3個軟件，分別為FOQAData、FOQATable、FOQAGISView。三者在功能層次上呈遞進關系，其中FOQAData實現了飛行數據預處理，FOQATable實現了飛行數據的管理與時空分析，FOQAGISView實現了GIS數據的管理與查詢，并利用時態GIS的技術與方法實現了分析統計數據的時空可視化。從數據處理邏輯上講，FOQAData對原始飛行數據進行預處理，得到預處理后的數據；FOQATable利用處理后的飛行數據進行時空統計，得到相應的統計數據，并可導出為FOQAGISView圖層數據；FOQAGISVIew在GIS數據管理的基礎上利用多個圖層，通過符號化、時間快照顯示等實現統計數據的時空可視化，軟件結構如圖1所示。

圖1 系統軟件結構框架

基于該系統，我們處理了民航行業2013年至2015年間的384.1萬個航段數據和577.9萬個事件記錄數據(以下簡稱行業數據)，得到了全行業的一些分析結果，以下部分通過時空分析的形式進行處理結果的分析。

2 空間要素分析

2.1 數據概念模型

實現時空數據管理的關鍵是建立正確合理的系統模型，本文設計了“航空要素-飛行過程-安全事件”的三元系統模型，如圖2所示。航空要素選取與航空最為密切關系的機場、航線及飛機，其中機場、航線由于具有明確的地理位置而歸于地理要素，飛機則為運動要素。一個“不安全事件”定義為發生在某個飛行過程中的一個超限事件。整個系統處于其涉及的地理空間范圍內，因此理論上講，整個系統中的所有元素均具有地理特征。圖2表明了該系統中航空要素、飛行過程與不安全事件三元素之間的關系以及不同航空要素之間的關系。

2.2 空間統計分析

根據系統數據概念模型[8]，機場、飛機、航線作為不安全事件統計的重要要素，我們可根據不同的要素按照不同的需求進行統計，統計結果包括指定要素中的不同對象的基本統計量，包括航段數、發生事件數和頻率。比如選擇了機場作為統計要素，統計結果包括不同機場的起飛航段數、降落航段數、航段總數、起飛降落階段發生的事件數和事件頻率。

本文的統計主要針對3級事件(即嚴重不安全事件)，首先進行總體分析，包括主要的事件類型分析、各機型對比分析、事件主要分布的飛行階段分析、事件在各機場的空間分布統計，然后對主要的事件類型進行更為具體的分析。相對于事件數量，事件發生頻率可以更好地反映機場潛在風險系數，因此在統計機場航段數和事件數的基礎上，對機場的事件頻率進行計算。

圖2 系統數據概念模型

我們選取航段數進行空間要素的分布統計，將航線分為3個等級，分別對應航段數大于1萬、1千～1萬以及小于1千。3個等級的平均事件頻率分別為20.18‰、17.6‰、17.6‰，說明事件頻率與航線航段數相關性不顯著。但從統計結果看，3個等級中的最大頻率呈現遞增趨勢，在航段數大于1萬的航線中，事件頻率最大為55.14‰，在航段數為1千～1萬等級中，事件頻率最大為106.15‰，而在航段數小于1千的航線中，最大事件頻率為169.15‰。圖3 給出了主要航線(航段數大于1萬)事件頻率分布圖。說明：本文中所給出的地圖區域，主要顯示所處理的數據中包括民用運輸機場的區域，不包含港澳臺及國際航線區域。

圖3 主要航線(航段數大于1萬)事件頻率分級

我們同時選取了不安全事件總數進行了統計分析，在對全行業的不安全事件總數統計中，129號事件總量排名第七，我們對129號事件在各機場的分布進行統計，對航段數大于1000的共156個機場進行129事件頻率計算分析，平均0.27‰，最大8.99‰。圖4為頻率排名前20位的機場分布。

從圖4中可以看出，發生頻率最高的機場主要集中分布在云南高原和橫斷山脈地區，說明該事件的高發分布呈現一定的空間分布規律，有利于指導全行業進行該事件的預警。

2.3 空間因子分析模型

基于超限事件的全局分析，我們對空間要素進行抽象[9]，建立了多要素線性地理回歸[10]模型。設某一要素y受p個要素x1,x2,…xp的影響，其內在聯系是線性關系，通過N組觀測，得到一組地理數據為(yi;xi1,xi2,…xip),i=1,2,…,n。設其數學模型為

yi=β0+β1xi1+β2xi2+…+βpxip+εi

(1)

式中：β0,β1,…βp為待定參數，εi為隨機變量。為了估計β，采用最小二乘法，則得回歸模型為

(2)

式中：b0為常數項，b1,b2,…bp為偏回歸系數，表明當其它要素(自變量)都固定時，該自變量每變化一個單位而使y平均改變的數值。該模型在幾何上表示一個超平面，也可稱為y對x1,x2,…xp的回歸平面。

圖4 129號事件頻率空間分布

假設超限事件頻率受海拔、氣溫、降水量、風速等地理環境因子影響，選取與某一因子有較強相關性的事件，以及與多種因子均呈現相關性的事件，進行多因子回歸分析，偏回歸系數取置信度為0.8，結果如下，其中復相關系數表征事件頻率與多個地理因子間的線性相關程度見表1。

表1 RNP APCH導航標準下多因子回歸分析結果

表1中代碼3800為接地點遠事件，代碼1005為轉彎滑行速度大事件，代碼7008為著陸跳起事件。在與多個地理環境因子相關的事件中，選取復相關系數較高的事件——RNP APCH(required navigation performance approach)標準下的接地點遠事件，對回歸結果進行驗證。選取對應導航標準下航段數大于100的機場，將其地理環境因子參數代入回歸方程，得到事件頻率的估計值，與機場真實的事件頻率作比較，結果如圖5所示，其中寧波機場對應的兩個起始點中，上面的起始點連線為真實值，下面的起始點連線為估計值。

機場海拔高度數據來源于虛航運營網機場數據查詢系統提供的全國機場的標高數據。全國海拔高度數據來源于美國地質勘探局網站提供的ASTER GDEM數據，空間分辨率為1弧度秒(約30 m)。氣溫、降水量與風速數據均來源于中國氣象數據網提供的中國地面國際交換站氣候資料日數據集V3.0，從中下載194個區站的氣溫、降水量和風速日數據，先計算出各區站各項數據的年平均值，再利用ArcGIS對其進行插值。插值算法選用克里金插值法，這種算法是對空間分布數據求最優、線性、無偏內插的估計，考慮了各已知數據點的空間相關性。

3 時間要素分析

要素-事件時間序列[5,6]統計是指以某一時間長度為時間間距，將統計的總體時間長度劃分為時間序列單元，統計要素在各時間單元上發生事件的數量頻率等信息，從而獲得發生事件的序列信息，時間間距可選月、周、日，比如日作為時間間距，可獲得選擇時間段內各天發生事件的數量頻率。如選擇機場要素，選擇“日”作為時間間距，則可獲得統計時間范圍內各機場在各日發生事件的數量和頻率，結果可導出為FOQA時態圖層。

圖5 接地點遠事件頻率真實值與估計值

圖6以“月”作為時間間距給出了全行業2013年2月至2015年3月145號事件(50 ft至接地距離遠事件)的時間頻率變化趨勢。從時間序列看，該事件一方面表現出明顯的季節周期波動，夏季為高發季節，冬季為低發季節；另一方面事件整體呈現緩慢下降趨勢，說明事件的發生具有時間周期規律，且安全水平存在緩慢提升的趨勢。根據該趨勢分布，我們可以有效指導行業在特定的時間周期規避風險，有利于提高安全水平。

圖6 145號事件按時間頻率變化趨勢

4 時空分析

時態GIS與傳統GIS相比多了時間維度，其將時間看成是一條空間無限延伸的軸線，把時間和空間不可分割地聯系在一起。基于時態屬性的選擇是指從時態圖層數據中查詢某一個或者某幾個時間段內滿足給定屬性約束條件的對象。相比于基于靜態屬性的選擇，該種選擇方式同時間關聯，故稱這種查詢為時態屬性查詢。

我們給出了本系統中所涉及的關系運算符定義，見表2。規定時間點記為t(如2013/02/01)；時間段記為T，時間段可表示為t1～t2(如2013/02/01～2013/03/01)，包含t1到t2內的所有時刻(包含開始時刻t1，不包含終止時刻t2)。對于時態圖層，每個要素都有相對于的生命周期TL(ts～te)，ts為初始時刻，te為終止時刻。

用戶往往關注時態圖層在某個時刻的要素屬性信息，以及要素屬性信息隨時間的動態變化情況。我們稱時態圖層在某個時刻的狀態為其當前時刻的時間快照。通過不同時間快照間的切換，可以展現要素屬性信息的動態變化。

圖7展示了機場航線數的變化，同時在屬性查詢窗口也可以看到選定的昆明機場屬性的變化。當打開時態圖層時，地圖區域下方會出現一個時間滑動條。時間滑動條是方便用戶調整當前視圖時刻的工具。通過移動時間滑動條就能查看時態圖層的不同時間快照，當前的時間快照的時間信息顯示在主窗口右下方的狀態欄中，可以設置滑動條的起始和終止時間，已經移動滑動條時每步的時間長度。

表2 時間運算符及其含義

圖7 時空演化

通過構建時間快照->時間序列模型，最終可實現各種要素的時空演化。圖7所示的功能，可以實現全行業各種要素的時空分布功能，通過對選定要素的時空演化分析，可發現其內在的分布規律，有利于指導行業標準政策的制定。

同時我們以145號事件為例，可以分晝夜統計145號事件發生頻率，其晝間頻率為7.21‰，夜間為10.32‰，晝夜之比大約1∶1.43。對事件數大于100的29個機場進行晝夜統計，發現其中20個機場的夜間頻率大于晝間頻率，如圖8所示，說明145號事件不僅在整體上，而且在局部地理區域均存在夜間發生頻率更高的特點。

圖8 145號事件在機場的晝夜頻率(事件數>100)

基于兩年半的行業百萬量級數據的全局時空統計與分析，我們給出了全行業總量排名前十的嚴重不安全事件時空相關性分析結果，見表3。

排名前十的嚴重不安全事件時空相關性分析結果，可以在一定程度上對行業起到預警的作用，可以在時間和空間上規避、減少不安全事件的發生。

表3 行業排名前10位3級事件時空相關性分析結果

5 結束語

基于時態GIS的時空分析系統實現了對超限事件尤其是民航業重點關注的嚴重等級(3級)事件的整體狀況的基礎統計分析、空間分布和時間分布的統計分析，可以掌握飛行品質監控行業目前的整體狀況，為進一步探索超限事件發生的時空規律提供分析依據。通過對全行業嚴重超限等級事件的空間分布和時間分布的統計分析，給出了行業總量排名前十的3級超限事件時空相關性分析結果，該結果可以進一步指導科研人員進行大數據處理以發現全行業的不安全事件時空分布規律，亦可指導行業在一定的時間、空間預警相關的不安全事件，以提升安全水平。課題的研究成果既適合局方人員、亦滿足航空公司從業人員進行不安全事件的時空分析與報告撰寫，為有效提高航空安全控制能力提供了研究思路和分析依據。

[1]Wang L,Wu C,Sun R.An analysis of flight quick access recorder (QAR) data and its applications in preventing landing incidents[J].Reliability Engineering & System Safety,2014,127:86-96.

[2]ZHENG Bo.Research on the aero-engine troubleshooting method based on the QAR data[J].Journal of Civil Aviation Flight University of China,2015,26(1):47-49(in Chinese).[鄭波.基于QAR數據的民航發動機排故方法研究[J].中國民航飛行學院學報,2015,26(1):47-49.]

[3]GAO Yang,WANG Xiangzhang.Research on assessment and prediction of flight safety situation based on SPA-Markov[J].Journal of Safety Science and Technology,2016,12(8):87-91(in Chinese).[高揚,王向章.基于SPA-Markov的飛行安全態勢評估與預測研究[J].中國安全生產科學技術,2016,12(8):87-91.]

[4]Smart E,Brown D,Denman J.Combining multiple classifiers to quantitatively rank the impact of abnormalities in flight data[J].Applied Soft Computing,2012,12(8):2583-2592.

[5]Romanenko L G,Romanenko A G,Samarova G G.Aircraft longitudinal control without a pitch command in the autopilot[J].Russian Aeronautics,2014,57(4):361-367.

[6]GAO Xiaoxia,HUO Weigang,FENG Xingjie.Civil aircraft’s exceedance event diagnosis method based on fuzzy associative classifier[J].Journal of Beijing University of Aeronautics and Astronautics,2014,40(10):1366-1371(in Chinese).[高小霞,霍緯綱,馮興杰.基于模糊關聯分類器的民機超限事件診斷方法[J].北京航空航天大學學報,2014,40(10):1366-1371.]

[7]LIU Yuefeng,LU Min.Modeling dynamic networks in temporal GIS and realization methods[J].Acta Scientiarum Natura-lium Universitatics Pekinensis,2012,48(3):451-458(in Chinese).[劉岳峰,陸忞.時態GIS中動態網絡建模及實現方法[J].北京大學學報(自然科學版),2012,48(3):451-458.]

[8]Williams P D.Intensification of winter transatlantic aviation turbulence in response to climate change[J].Nature Climate Change,2013,3(7):644-648.

[9]Lu B,Harris P,Charlton M,et al.The gwmodel r package:Further topics for exploring spatial heterogeneity using geographically weighted models[J].Geo-spatial Information Science,2014,17(2):85-101.

[10]Gollini I,Lu B,Charlton M,et al.Gwmodel:An r package for exploring spatial heterogeneity using geographically weighted models[J].Journal of Statistical Software,2015,63(17):1-50.