試析大數據背景下空中交通管制運行安全預警

趙奧博

（中國民用航空西北地區空中交通管理局，陜西西安 710000）

0 引言

近些年，國內空中交通建設實現高速發展，無論是飛行速度或是安全性等，均有明顯提升，并且飛機數量和運行頻率也得以大幅度提高。但同時，國內對此類交通形式的運行安全預警未能實現同步發展，這造成在應對航班遇險與沖突時有所不足。在大數據日漸成熟與實踐應用經驗積累中，空中交通的安全管理迎來新的發展機會。

1 空中交通管制運行安全預警

1.1 空中交通管制內容

空中交通管制借助通信、導航及監管等手段，實現對飛機的動態化管理，保障飛行過程的穩定性與安全性。國內航線以及空域的管理中，包括航路、飛行情報與塔臺、進近和區調等，和雷達自動化系統配合，進行空中交通管制。通過較為完善的管理系統，識別與不間斷管控、引導飛機。

1.2 安全預警管理概述

在空中交通管制下的安全預警，通常會被自然天氣、管理安排、飛機自身情況等問題干擾，所以管理者衡量管制的風險時，一般是借助大數據手段針對各類干擾因素展開分析評估，為運行安全預警予以信息參考。利用安全預警，規避及防范、消除對正常飛行有干擾的因素。實際安全預警中，主要涉及3 個單元，即確定風險管控目標、采集預警信息、合理選用預警裝置。在大數據背景下，安全預警系統可以融合其他信息化技術，不斷提高交通管制的可靠性[1]。

1.3 大數據運用的特點

在空中交通管制中運用大數據，首先，能保障信息來源可靠。常規的安全預警系統，分析數據大多從傳感裝置取得，真正有價值的信息不多。但利用大數據采集安全預警信息，能進一步增強系統運行的可靠性，保障數據整理計算結果的準確性。其次保障管制的時效性。把大數據應用到管制過程中，有助于提升管理行為的及時性。對飛機飛行過程進行管制，如果分析行為超出設定時長區間，則會影響評估結果的價值。最后，信息種類多樣。大數據背景下，可給安全預警予以視頻、雷達、氣候、OA 等資料，為保障交通管制的良好效果創造基礎條件。

2 干擾空中交通管制運行安全的常規要素

對于航空器來說，管制中心對保障其安全運行有極高的關鍵性，全部與航空器運行相關的信息資料均要經過管制中心，而后對航空器接下來的運行動作提供指揮決策。站在管理視角的層面來講，對飛機運行過程帶來安全風險的要素有人員、飛機自身、環境及管制。而其在運行期間形成的數據，基本上來自于管制、通導、氣象及情報4 個部門[2]。干擾飛機運行安全的因素見圖1。

圖1 干擾飛機運行安全的因素

3 大數據下空中交通管制運行安全預警優化舉措

3.1 構建安全風險預警體系

一方面，預測功能。管制工作中，預測是實現后續工作的基礎節點，改善預測效果能有效降低飛行交通事故的出現概率，利用風險預警分析出最貼合實際狀況的管理推測。另外，把大數據和預測環節有機融合，支持剖析預警機制及數據資料。通過對飛行資料的整合統計，輸出系統運行狀態，并及時顯示預警信息，提高安全預警下的預測水平。借助對大數據內容的觀察，多個部門聯動，保障風險預測的可信性。對此，首先需根據空中交通的現實狀況，利用大數據手段，設置安全預警工作的合理化決策目標。其次，做好信息采集，構成大數據管控系統，加強對數據信息的研究精準性。最后，結合學術成果，運用適宜的預測思路與方法，保障對管制數據的預警及分析質量。另一方面，打造全方位管理機制。現階段，空中交通管制的安全預警，相關部門依然運用大數據手段，確定工作事項，保證評估過程的及時性。安全預警期間，借助大數據，進行整體調試與飛行指揮，進一步細化及量化航空器的運行模式，提高空中交通管理的質量。依托于大數據，建立安全預警平臺，支持全程管控。利用不斷完善交通預警，持續更新風險管控行為的時效性，把計算機應用程序與大數據有機融合，建立比較全面的安全預警機制。

3.2 組建優質綜合人才隊伍

在大數據背景下，空中交通管制的運行安全預警體系，應依托于有關專業工作者分析評估獲取的各類信息，由此才能給飛機平日飛行予以安全保護。所以，相關部門應當全面提高員工大數據的認識，在經營條件許可的情況下，積極引進優質的復合型人才，逐漸完善既有工作隊伍。①部門需適當擴張選聘范疇，同時注意和有關專業的學校合作，定向引進人才，保障工作隊伍成員擁有更加先進的觀念、理論儲備扎實且豐富、技能專業的特點。此外，要基于隊伍成員的個性化差異，安排其到適合的職位上，做到人盡其才。②定期帶領新老職工進行學習教育，在完善更新自己理論結構的前提下，不斷強化其大數據認識，并熟練操作有關大數據的各類技術，由此使安全預警工作能有序進行。另外，監管負責人需盡可能確保其他工作人員可以在自身崗位職責下，全方位滲透大數據觀念，讓其能通過工作實踐，逐步加強個人專業能力、職業素養與工作操守，及時、準確地把信息傳達給有關部門。

3.3 準確判斷數據的冗余度

大數據時代下，空中交通管制的安全預警，關鍵是通過全面分析與評估等，對處于飛行形態中的飛機實時狀況等加以確定。但在現實管制期間，對應數據庫的空間容量固定，為保障監管行為落實的有效性，需確保分析與判斷運行風險結果的形成時效性、內容可靠性，有關工作者需合理、完整篩選與研究大數據，以此鎖定最具參考價值的信息。這是由于倘若參考信息太過冗余，則會影響安全預警的工作效果，并且導致管制延遲，直接關系到飛行安全。但假設篩選分析的參考信息，規模適合，同時擁有較強的代表性，可輔助預警分析工作者，高效、合理識別各項風險，以此提高有關工作的總體運行成效，給飛行決策指揮予以高可信度的參考依據。所以，相關工作者通過大數據庫進行風險評估的過程中，應當準確判斷篩選數據的冗余度，繼而設置更為合理的評估指標，有效過濾冗余內容，為飛行決策提供有利保障。基于此，盡可能發揮出有限資源的作用，實現全面調動運用，維護空中交通穩定[3]。

3.4 落實數據信息共享體系

安全預警管理需擁有完備的管控體系，輔助專業工作者利用大數據手段、網絡技術，完整信息整合與篩選，優化預警環節的推進效率。另外，建立信息共享體系，可實現對網絡信息的系統化管控，推進資源共享，強化管制體系下的互動溝通。在遇到突發情形時，各部門可通過信息共享及協調，提高對突發事件決策的及時性與有效性，盡可能降低飛行風險。比如，某航空公司曾有一個航班，在飛行期間飛機前擋風玻璃發生損壞，在各方實時交流配合下，最終成功迫降。并且在事后分析中，借助對飛行信息的整合統計，結合人員、氣候及飛機自身等因素，確定事故發生原因。總之，利用大數據逐步優化數據共享體系，能增強對事件、運行信息的研究科學性，并結合虛擬網絡，對飛機進行全方位的管控，及時鎖定系統漏洞，方便實施決策指揮，消除控制中心癱瘓的風險。

3.5 創新平日管理工作模式

為對平日利用大數據推進的安全預警處理，實施全方位、動態化的監管，相關部門需不斷追求對工作模式的創新。為此可成立專項監管隊伍，安排專人對有關工作的總體落實進度，實施不間斷監管，讓操作人員能在既定程序下，結合大數據，把工作過程進行量化與改良處理，由此進一步明確不同部門的工作劃分。另外，監管隊伍需不斷敦促有關人員，按照獲取的各類信息，隨即實施分析及評估，判斷飛行動態，實現在大數據背景下，提高安全預警的執行效率。與此同時，部門還需結合每日采集并記錄的大數據，對安全預警進行總體上的級別劃分，也就是工作人員要按照設定的風險指標與操作規范等，對大數據實行深層次地篩選與歸類，對運行風險變化趨勢加以判斷及預測，達到靈敏預警的目的。

3.6 建立安全預警的知識庫

3.6.1 管制運行狀態

運行安全中，管制與通導、氣象、情報屬于干擾安全的要素與來源。按照不同要素對應的特征變量，構建可以反映出管制情況的描述向量空間（用“S”表示）。其中，特征變量為：一方面，各要素對應靜態運行信息的變量有四項基本數據、管制工作者資料、空域數據、設備裝置配置等。另一方面，動態變量有：來自不同自動化系統的信息；管制工作進行中形成的信息，包括指令、操作記錄、運行信息、進程單等；班組劃分、值班日志等各類管理信息；管制運行中的環境信息，比如航線、氣象、軍航活動、地理坐標等。假設四項要素分別是：C（管制）、N（通導）、M（氣象）、I（情報），按照管制運行程序，得到各項要素的特征變量，當成基礎向量，各自用：（w1，w2，…，wp1）、（x1，x2，…，xp2）、（y1，y2，…，yp3）、（z1，z2，…，zp4）表示。上述變量中，包括連續型與離散型的變量，并且部分變量間，還有關聯性，所以在建立描述向量空間里的基礎向量中，應先對各變量的主要構成進行分析，繼而消除相互之間的關聯性，實現有效降維，方便評估計算。

3.6.2 向量構成分析

就基礎向量而言，主要構成分析是把原有信息的p1個變量，進行線性組合，繼而篩選出P1個綜合變量，即F1，F2，…，FP1。在F1中，涵蓋相對較多的原始數據量，也就是全部線性組合中，讓var（F1）達到最大組合的相應變量，即第一主構成；F2同理，屬于第二主要構成，并且cov（F1，F2）=0、var（F2）較大；其他變量按照順序依此類推，由此能確定F1，F2，…，FP1方差會逐漸遞減，同時互無關聯。每項綜合指標能按照原始信息變量處于相應線性組合中規定的實際權重，進行分析。一般會選擇貢獻占比相對更大的若干主要構成，視為原始信息變量的主要構成，由此推進后續分析，提高計算的便利性。相關分析運行步驟如下。

第一步，對原始信息進行標準化處理。分析主要構成前，應當處理好原始信息，解決各變量量綱的干擾。假設共有n 組分析樣本，由此能整理出樣本矩陣（W）。

基于樣本矩陣（W），此處選擇zscore 標準化的處理方式，結合原始信息均值與標準差，得到運行表達式如式（2）所示。

第二步，各變量間的關聯性分析。主要構成分析方式的本質是反映出原始變量相應的內在聯系，所以，應當確定求解樣本信息相關系數的矩陣，以此支持對各變量關聯性的分析。

第三步，特征量和特征向量。基于相關系數矩陣，確定特征求解方程，繼而得出若干特征值與相應向量，以及特征向量矩陣（A）。

第四步，提取主要構成。因為綜合變量方差處于遞減狀態，所以一般會按照該方差在總方差中的占比情況，挑選累計方差相對更大的若干綜合變量，視為主要構成。相關表達式如見式（3）。

其中，ηj——貢獻率，也就是每項綜合變量方差占據總方差的比例，貢獻率偏高，說明對應綜合變量涵蓋的原始變量數據更多，大多會挑選累計貢獻率超過85%的綜合變量當作主要構成，在實現合理降維的基礎上，盡量保障原始變量信息的全面性；λj——j 個特征值。

綜合向量和不同干擾要素的原始基礎向量相較，其包括的指標，相互之間沒有關聯性，同時含義也更為具體，能比較好地反映出管制運行安全干擾要素中，管制工作者應當相對關注的預警信息。

3.6.3 預警知識聚類

實踐管理建設知識庫中，因為不確定分析樣本具體有幾類，所以可選擇聚類分析方式，得到具體的種類數量。基于此，借助K均值實現迅速聚類，確定特征比較突出預警要素的知識歸類[5]。一方面，對空中交通運行樣本的初步歸類，運用系統聚類分析。此過程應當是Q 型的系統聚類，結合統計應用程序，可以較為便利地完成該環節。聚類期間，先把所有管制運行樣本當成同一類別，逐步合并間距相對最近的類，直至全部樣本劃分成一類，完成整個聚類過程（圖2）。對于聚類期間的樣本類型數目（m），可借助“樹狀圖”或是“合并步數類別距離”曲線顯示的距離系數拐點，得出類別數目。

圖2 Q 型的系統聚類流程

另一方面，對空中交通運行樣本的終極歸類，運用K 均值的聚類方式。根據初步形成的樣本類型數目，進一步運用K 均值聚類，得出樣本歸類結果。聚類過程為：按照樣本類別數目m，從n個樣本信息中，隨機抽選m 個樣本，當成初始的聚類中心，而后按照各樣本間的相似性，開始聚類迭代，逐漸調整聚類中心樣本，直至達到迭代的中止條件。相應的聚類迭代過程見圖3。通過K 均值聚類，可以確定圍繞m 個聚類中心的樣本成員，也就是多個類型的預警要素特征。而后實施全面匯總，建立預警知識庫。按照不同類型預警要素代表安全風險的危險性，確定各自的預警級別。實踐管制中，實時和飛行中產生的信息加以匹配分析，由此達到安全風險判斷與預警的目的。

圖3 K 均值聚類迭代過程

4 結語

國內空中交通事業持續發展，相關的運行安全預警逐漸得到更多關注，其關系到生命財產安全。根據近些年的現實開發研究情況，應當將大數據深度應用到日常管制中。具體而言，要從思想、技術、管理等多個層面，滲透大數據，秉承持續創新的觀念，優化管理模式、預警體系等，并注重數字化手段的運用，加深安全預警工作的自動化程度。