人工智能賦能空域系統，提升空域分層治理能力

陳志杰，湯錦輝，王沖，程季锃，曹珊，邵欣

國家空域技術重點實驗室，北京 100085

進入新時代，中國社會轉向安全、高質發展階段，航空需求呈現服務個性化、作業無人化的發展趨勢。軍事航空、公共運輸航空、通用航空和無人機等各類航空用戶正呈現前所未有的多元化井噴式發展，未來空域系統發展趨勢呈現出空天地一體化運行、多航空用戶混合運行、多利益主體協同運行等特點，航空需求空前旺盛，提升空域資源利用率需求迫切，空域精細化管理勢在必行。

分層治理作為支撐航空發展、緩解空域矛盾的有效舉措，對促進超低空作業、城市交通、區域航空、樞紐運輸和亞軌道飛行等空域活動具有重要意義。因此統籌考慮各類飛行活動的空域需求以及相互關系，采用空域分層治理的方式，基于數據探索的研究范式，應用深度學習、知識圖譜、強化學習等人工智能方法，充分利用海量數據，借助云端算力，從空域運行大數據中發掘更多有價值的信息和知識，賦能空域系統，提高各類航空用戶飛行效率，實現國家空域資源最大化利用。

本文從超低空、城市、區域、樞紐、亞軌道等5個層次化的場景梳理我國空域系統的發展趨勢；提煉得出空域運行面臨的核心難點與關鍵科學問題；給出基于數據驅動的人工智能方法求解空域運行科學問題的研究框架；基于此框架給出每個子問題的研究內容，以及應關注的關鍵技術；從城市空中交通供需精確預測、大型城市群聯合終端區交通流相關性分析以及高密度超低空交通智能飛行調配等方面簡要介紹了人工智能的具體應用案例，最后對人在空域運行中的作用提出了新的思考。

1 層次化的空域運行發展趨勢

未來，我國交通體系發展機遇與挑戰并存，空中交通管理系統對于促進矛盾化解、開辟發展新格局具有獨特貢獻。本文認為，未來空域系統將呈現分層治理的趨勢(如圖1所示)，從低至高依次是超低空交通、城市空中交通、區域空中交通、樞紐空中交通和亞軌道空中交通。

1.1 超低空交通

超低空空域是航空作業和大眾消費活動的重要空間，超低空交通包括航拍攝影、農林植保、森林防護、電力巡線、管道巡查、交通監管、環境保護、反恐維穩、應急救援等領域的超低空航空活動。未來超低空交通的飛行主體主要是輕小型無人機，該類無人機應具備自主飛行、自動駕駛、智能感知、可信互聯的能力，基于無人機的超低空應用將超越交通的應用范式。可依托5G、北斗等泛在高速的信息基礎設施，提升超低空交通運行監管與服務能力。最終將支撐智能感知、安全可信、泛在互聯、透明監管的超低空經濟發展新形態，充分發揮超低空空域的經濟價值。

1.2 城市空中交通

城市交通是城市社會經濟活動的重要支撐，是智慧城市建設發展的關鍵所在。隨著城市化進程的加快，城市陸地交通空間日趨飽和，城市交通擁堵問題日益嚴重，迫切需要合理利用城市空中空間，發展城市空中交通，以此來緩解城市交通壓力，滿足城市化發展新要求。

破解難題的一個重要突破口，是開發低空空域資源，普及城市空中交通工具，將交通空間從地面向空中延伸，建立與地面交通無縫銜接的立體空中交通網絡，完善城市空中交通監管體系，提供切實可行的城市空中交通服務解決方案，提升乘客用戶的飛行出行體驗，最終實現城市空中交通動態靈活高效的管理。

1.3 區域空中交通

目前，京津冀、長三角、粵港澳大灣區、成渝等世界級城市群迅速崛起，區域交通面臨著城市群交通一體化、城鄉客運服務一體化、城鄉雙向流通等多重任務。通過精細化使用中低空空域資源，建立與城市群布局相匹配的多層空中交通網絡，可以緩解交通用地壓力、促進城鄉公共服務均等化、加速新業態發展，更有效地滿足綠色發展需要。

1.4 樞紐空中交通

在與城市空中交通、區域空中交通協調發展的基礎上，構筑連接航空樞紐的空中交通專用通道，實現大容量、高效率區際快速交通，提升主要通道旅客運輸能力和航空物流效率，使中高空空域資源使用效益最大化。從最初為全飛行階段提供可靠、實時、高效的數字化運行管制服務，到考慮飛行效率、可預測性、容量和環境等，建設協同的、無縫的和以網絡為中心的高性能空中交通管理系統。

1.5 亞軌道空中交通

亞軌道通常是指距地球表面20～100 km之間的區域，是傳統航空空間和航天空間的接合部，是特殊空間環境區域，人類至今尚無對亞軌道真正意義上的開發使用。它具有高邊疆、無國界的特點，與航空空間相比能提供更加廣闊的視野、更持久的信息，與航天空間相比能提供更具有實時性的信息、更快的通信速度和更高的時空分辨率，因而具有廣闊的開發價值，是未來航空航天發展的關鍵資源。通過將系統能力向上伸展，提前布局亞軌道交通，有助于建立亞軌道活動新秩序，為和平利用亞軌道、增進人類共同福祉創造更好條件。

2 空域運行的核心難點與關鍵科學問題

2.1 核心難點

上述5層共同構成了空域系統的運行主體，空域系統是一個開放的復雜巨系統，空域運行關注的核心難點問題是在此復雜巨系統中，研究人、飛行器、空域、環境、事件等要素之間的內在聯系及其演化規律，發現其中蘊含的科學規律并形成知識，依據知識進行預測、調配、決策，解決不同尺度條件下空域資源時空配置面臨的安全與效率矛盾。概括地，就是從時間和空間維度安全高效配置空域資源。

按照對事物的認知規律，將此核心問題解構為“態勢感知-規律認知-規劃決策”3個子問題。態勢感知是在不同時空尺度下，實現對各空域單元內的飛行動態進行統計與預測；規律認知則是發現空域時空特征，進而分析時空特征之間彼此的關聯關系與演化規律，從而得到空域運行的知識；規劃調配則是根據優化目標，消除各類的空域使用矛盾，建立或者恢復空域的運行秩序。

目前所有類型飛行都是基于計劃的飛行，在理想情況下可以保證各個層次的空域運行系統穩定運行，但是系統單點面臨惡劣天氣等突發事件出現延誤時，由于“蝴蝶效應”導致延誤呈指數傳遞放大，無法做出快速有效應對，系統脆弱且魯棒性不足。調配方案無法應對復雜多變的空域系統，問題看似出在“規劃決策”階段，實則缺失對空域系統“規律認知”層面的研究，對空域系統運行規律的理解深度，決定了規劃調配求解的深度。

因此，應關注發現空域系統的時空運行規律，應用時空運行規律指導“態勢感知”與“規劃決策”，并在態勢感知與規劃決策階段不斷豐富空域運行規律的知識，進而更準確指導感知與調配，形成正向研究循環。

2.2 關鍵科學問題

空域系統屬于典型的開放復雜系統，如何刻畫和研究空域系統的時空規律，理解其內在運行機理，預測未來行為，指導規劃決策是研究的關鍵。無論是非線性動力學解析方法、仿真模擬，或是數據驅動，只是研究方法的不同，都是需要解決以下科學問題：

空域系統內在復雜時空機理的發現、理解與運用。

飛行態勢就是各類飛行需求在既有空域結構下遵循當前空域運行規則的具體表現，它是空域運行時空機理與時空噪音共同作用的結果。針對空域系統這個復雜系統，其時空機理應包括空域結構、運行規則、實體關系以及上述3方面的演化規律。為此，時空機理應能夠可表示、可計算、可解釋、可泛化。具體地，時空機理發現主要包括關鍵時空特征的高效識別與表示、時空特征間復雜關聯關系發現、復雜關聯關系動態演化規律研究，在此基礎上發現關鍵時空模式，分析各類空域使用需求與空域結構之間存在的相互關系；時空機理理解需要對發現的結構、關系和演化規律從空域運行角度進行語義層面的解釋；時空機理運用是在發現和理解基礎上應用形成的時空知識進行預測、規劃和決策。

3 空域運行智能化的研究框架

注意到空管系統沉淀了飛行航跡、飛行計劃、氣象、航行情報等海量、多源、異構的空域運行數據，這些數據種類繁多，數據量大，規則復雜，具有明顯的時空特征。本文將空域運行的關鍵科學問題解構為“態勢感知-規律認知-規劃決策”3個子問題，運用數據驅動的方法分析挖掘空管數據，力圖精確感知并預測空域態勢，揭示空域特征的時空狀態分布、關聯關系以及演變趨勢等規律，基于挖掘得到的知識科學指導規劃決策，從而解決安全高效配置空域資源這個核心難點。

3.1 態勢感知

隨著航空用戶多元化協同發展，以及數據采集手段日益豐富，大體量、多維度、高時效的空管數據急劇增加，如何基于時空數據感知態勢，是空域運行智能化的一個重要研究方向。借助卷積神經網絡、遞歸神經網絡、遷移學習等機器學習技術從海量歷史數據中發現空域運行趨勢[1-2]，實現不同時空尺度的空域態勢預測，為決策部門提供精確態勢依據，其核心應用可涵蓋城市空中交通OD預測、樞紐空中交通飛行流量預測等方面[3]。

3.2 規律認知

運用復雜網絡和網絡動力學、模式識別及數據挖掘等技術，針對積累的空管歷史數據，從宏觀、微觀等不同視角，提取空域運行的時空特征，發現時空特征之間的關聯關系，挖掘特征、關聯關系的時空演化趨勢，進而揭示空域運行規律，基于以上分析得出的時空知識，開展航空交通網絡結構分析[4]、空域運行特征識別[5]、航空交通流復雜性分析等研究[6]，為規劃決策提供參考。

3.3 規劃決策

基于空域運行的時空特征、關聯關系以及演化趨勢等規律，采用群體智能、強化學習、演化算法等方法對具體規劃決策問題進行求解[7-8]，替代傳統決策中的主觀經驗認知，為空域運行中的飛行調配、進離場排序、沖突解脫等提供快速、精確的決策建議，輔助空管部門制定科學的管理手段[9-11]。

綜上所述，遵循“感知-認知-決策”的一般規律，國內外空中交通學術界越來越多的采用智能化方法對空域運行涉及的諸多問題進行研究。隨著數據不斷積累，研究重點逐漸由靜態仿真，轉向基于運行數據驅動的人工智能方法發現空域運行規律。

4 空域運行智能化的關鍵技術

基于數據驅動的人工智能方法精確感知預測空域態勢、認知空域運行時空規律、實時計算求解調配方案，應對未來日益復雜多元、動態靈活的空域使用需求的問題，屬于應用“第四范式”-即數據探索型科研發現范式[12]指導空中交通研究。與其他3種范式不同的是(見表1)，時空數據驅動的空域感知、認知與決策就是基于空域運行數據，運用數據挖掘、機器學習等人工智能方法溯源時空過程與機理，發現復雜的空域運行系統隱含的模式、知識和規律。在研究過程中需要關注以下2方面的關鍵技術問題。

表1 4類研究范式對比表Table 1 Comparison of four research paradigms

4.1 空域運行時空大數據表示與建模

航跡、計劃、氣象等空管時空數據，具有海量、多源、異構、多尺度、非結構化等特征，并且都是對空域內飛行器某一個或幾個維度的映射。如何針對空域感知、認知與決策等具體問題，高效組織空管數據，選擇合理的時空大數據表示方法，解決建模中面臨的稀疏、高維、不確定問題，準確量化描述實體間的復雜關聯關系，準確反映關聯關系的時空演化規律，是需要首先解決的關鍵科學問題。對時空數據的表示與建模方法決定了分析與計算的方向。

4.2 空域運行時空大數據分析與計算

結合構造的模型，針對空域運行面臨的感知、認知和決策問題，探索以時空大數據為基礎的統計分析、機器學習與數據挖掘理論，構造一種數據驅動的空域運行力時空認知分析學習框架，一方面能夠準確發現空域系統中蘊含的時空模式、關聯關系與動力學特征，指導決策分析；另一方面能夠在分析挖掘的過程中充分利用海量時空數據不斷補充完善時空認知模型，提升模型的泛化能力，進一步指導如何從海量、多維、異構的空管時空數據中獲得知識，支撐決策。

5 智能空域運行應用案例

結合超低空交通、城市空中交通和樞紐空中交通的層次化空域運行場景，本文分別從飛行態勢感知預測、空域運行規律認知、飛行調配決策3個不同方面，簡要介紹人工智能賦能空域運行的具體應用案例。

5.1 基于卷積神經網絡的城市空中交通態勢預測

如1.2節所述，城市空中交通與地面交通類似，主要解決城市環境下安全高效運送人員和貨物的問題。精確感知預測出行需求，是城市空中交通精準化運行的前提和基礎，不同于航空交通運輸，城市空中交通按需出行將更加分散與隨機，影響出行的因素也更加復雜，例如惡劣天氣、突發事件等，傳統依靠飛行計劃進行預測的方法并不適用，需要針對城市空中交通出行場景，探索新的出行需求預測方法[13]。

注意到卷積神經網絡在捕獲大量、復雜的隱含空間特征方面的優勢，構建基于卷積神經網絡的飛行態勢預測架構[14]，如圖2所示，基于歷史城市空中交通航跡數據構建熱力快照圖像集合，選擇不同時刻的快照獲取臨近性、周期性和趨勢性的時間上特征，作為卷積輸入，通過特征提取的方式獲得天氣、突發事件等外部特征，之后將時間、空間、外部特征進行融合，對模型進行訓練。基于此，根據當前的飛行態勢、氣象等情況實現對未來一段時間內的城市空中交通出行需求進行預測。

圖2 基于卷積神經網絡的城市空中交通態勢預測示意圖Fig.2 Urban air traffic situation prediction based on convolution neural network

5.2 航跡數據驅動的樞紐空中交通飛行流相關性分析

終端區空域是樞紐空中交通的重要組成部分，是空域擁堵、事故易發、導致航班延誤的空中交通管制區域，是整個空中交通網絡的潛在瓶頸[15]。

終端區空域運行過程中積累了海量、多維、異構的數據。研究人員已經意識到，如何快速定量的從空管數據中挖掘有用的特征和發現過程性知識，已經成為認知空域規律的核心關鍵問題。飛行流模式之間的相關性是認知終端區運行的重要特征[16]。如圖3所示，針對原始航跡數據，進行航跡剪裁與清洗、航跡聚類、航跡分類、飛行流模式生成，得到終端區內的飛行流模式，通過構建時空異步相關函數，對飛行流模式之間的相關性進行量化計算，發現終端區內進離場飛行流模式之間潛在的正向或負向關聯關系，以及關聯關系隨時間的變化趨勢，作為后續飛行調配的重要參考。

圖3 基于航跡數據的終端區飛行流模式相關性分析Fig.3 Correlationship analysis of flight flow patterns in terminal area based on trajectory data

5.3 面向高密度超低空交通的智能協同飛行調配

隨著無人機技術不斷成熟和領域應用持續拓展，基于無人機的超低空交通運行在未來將呈現高密度的趨勢[17]。在超低空空域動態精細化管理的基礎上，以飛行調配為主的超低空交通運行管理將解決各無人機在飛行過程中存在的沖突，對各類無人機飛行的航線、空域、高度、次序和時間，進行科學的調整和安排，在保證飛行安全的前提下，提高超低空空域的時空利用率。

圖4 基于多智能體強化學習的超低空智能飛行調配示意圖Fig.4 Deployment of intelligent flight in ultra-low altitude based on multiagent reinforcement learning

基于超低空交通“網+云+邊”的體系架構，構建運管平臺與無人機2級智能體，應用多智能體強化學習的方法求解調配方案[18-19]。多智能體協同框架下的強化學習是一種“有限集中-分布協同-自主決策”的智能決策方法[20-21]，無人機感知周圍狀態信息，依托空地一體、泛在高速網絡，回傳狀態信息，監管平臺依托云端算力根據匯總的狀態信息，求解得出當前最優調配方案，分發至各無人機執行，形成調配閉環，不斷迭代優化。選擇策略梯度上升算法計算飛行調配近似最優解，通過層次化關系降低各級智能體的狀態空間復雜度，保證調配方案的計算效率。

6 總結與展望

本文從超低空、城市、區域、樞紐、亞軌道5個層次化場景梳理了我國空域系統的發展趨勢，進而提煉得出空域運行面臨的核心難點與關鍵科學問題，并給出了數據驅動的人工智能方法求解空域運行科學問題的研究框架；基于此框架給出每個子問題的研究內容，以及應關注的關鍵技術；針對層次化的3個典型應用場景，給出了空域運行化的具體技術實現路徑。

在可預見的未來，人工智能技術的快速發展將持續為空域系統帶來挑戰與機遇，一方面飛行平臺的智能化、無人化、自主化和自組織化趨勢明顯，智能無人飛行器將滲透到各類飛行活動中，使得空域系統的處理規模和難度急劇上升；另一方面，需要以空管系統智能化為抓手，圍繞海量、多維、異構的空管時空數據，從復雜空域態勢感知預測、空域運行規律多維度認知和高效大規模規劃調配決策等方面發揮人工智能的優勢。基于以上分析，本文認為傳統“人在回路”的空域運行理念將發生根本變化，系統的智能化程度將越來越高，最終空域運行將呈現安全高效的“無人管理”。